基于深度学习和稀疏表示的害虫识别算法

被引：8

作者：

张苗辉 ^{[1
,2
]}

李俊辉 ^{[1
]}

李佩琛 ^{[1
]}

机构：

[1] 河南大学计算机与信息工程学院

[2] 河南大学地理学博士后科研流动站

来源：

河南大学学报(自然科学版) | 2018年 / 48卷 / 02期

关键词：

深度学习; 特征提取; 图像识别; 稀疏表示; 害虫识别;

D O I：

10.15991/j.cnki.411100.2018.02.010

中图分类号：

TP181 [自动推理、机器学习]; TP391.41 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080203 ;

摘要：

对农作物害虫种类和数量进行有效的预测是农作物病虫害防治的关键环节,因此基于捕获害虫的样本图片对农作物害虫进行准确的种类识别可以为病虫害的防治提供一定的先验知识.由于农作物害虫种类和形态的多样性及不同种类害虫颜色和纹理的相似性,增加了害虫分类识别的难度.为提高害虫图像识别的准确率,提出了一种基于深度学习和稀疏表示相融合的方法来进行害虫的检测分类识别,进而实现对农作物病虫害的有效防治.该算法首先利用高效的深度学习caffe框架来构建提取害虫特征的网络模型,然后利用该网络模型来提取训练害虫样本的特征向量,从而建立不同种类害虫的超完备字典,最后采用稀疏表示算法来对测试样本进行分类识别.实验部分对10种常见害虫进行了检测识别,实验结果表明新提出的算法有很好的检测分类效果.

引用

页码：207 / 213

页数：7

共 10 条

[1] 基于稀疏编码金字塔模型的农田害虫图像识别 [J].

谢成军 ;

李瑞 ;

董伟 ;

宋良图 ;

张洁 ;

陈红波 ;

陈天娇 .

农业工程学报, 2016, 32 (17) :144-151

[2] 基于稀疏表示的多特征融合害虫图像识别 [J].

胡永强 ;

宋良图 ;

张洁 ;

谢成军 ;

李瑞 .

模式识别与人工智能, 2014, 27 (11) :985-992

[3] 基于压缩感知理论的农业害虫分类方法 [J].

韩安太 ;

郭小华 ;

廖忠 ;

陈志强 ;

韩建强 .

农业工程学报, 2011, 27 (06) :203-207

[4] 基于颜色直方图及双树复小波变换(DTCWT)的昆虫图像识别 [J].

竺乐庆 ;

张真 ;

张培毅 .

昆虫学报, 2010, 53 (01) :91-97

[5] 基于机器视觉的草地蝗虫识别方法 [J].

毛文华 ;

郑永军 ;

张银桥 ;

苑严伟 ;

张小超 .

农业工程学报, 2008, (11) :155-158

[6] 基于图像的昆虫远程自动识别系统的研究 [J].

杨红珍 ;

张建伟 ;

李湘涛 ;

沈佐锐 .

农业工程学报, 2008, (01) :188-192

[7] 数学形态学在昆虫分类学上的应用研究.Ⅰ.在目级阶元上的应用研究 [J].

赵汗青 ;

沈佐锐 ;

于新文 .

昆虫学报, 2003, (01) :45-50

[8] 神经网络在储粮害虫识别中的应用 [J].

邱道尹 ;

张成花 ;

张红涛 ;

沈宪章 ;

岳永娟 .

农业工程学报, 2003, (01) :142-144

[9]

Detection of aphids in wheat fields using a computer vision technique[J] . Tao Liu,Wen Chen,Wei Wu,Chengming Sun,Wenshan Guo,Xinkai Zhu.Biosystems Engineering . 2016

[10]

Automatic classification for field crop insects via multiple-task sparse representation and multiple-kernel learning[J] . Chengjun Xie,Jie Zhang,Rui Li,Jinyan Li,Peilin Hong,Junfeng Xia,Peng Chen.Computers and Electronics in Agriculture . 2015

← 1 →