(19)國(guó)家知識(shí)產(chǎn)權(quán)局GO6N3/045(2023.地址310015浙江省杭州市拱墅區(qū)湖州街51號(hào)裴申飛司33101專(zhuān)利代理師張羽振馬威GO6V10/25(2022.01)本發(fā)明涉及一種扭曲水稻圖像的識(shí)別分類(lèi)實(shí)現(xiàn)原始標(biāo)準(zhǔn)圖像與扭曲測(cè)試圖像之間的特征同水稻植株之間的空間層級(jí)關(guān)系和姿態(tài)表型等2S1、使用選擇性搜索算法初步生成矩形標(biāo)定框，確定包含水稻的圖像區(qū)域；S2、利用孿生膠囊神經(jīng)網(wǎng)絡(luò)提取圖像特征，獲取膠囊特征向量分布圖；所述孿生膠囊神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)局部感受野學(xué)習(xí)不同分辨率下的原始標(biāo)準(zhǔn)圖像和畸變圖像的特征分布；S3、通過(guò)單尺度同態(tài)濾波算法對(duì)膠囊特征向量分布圖進(jìn)行對(duì)比度增強(qiáng)，并淡化不相關(guān)S4、通過(guò)基于特征向量計(jì)算的VB-ORB算法，在增強(qiáng)后的特征向量分布圖上實(shí)現(xiàn)原始標(biāo)準(zhǔn)圖像與扭曲測(cè)試圖像之間的特征匹配，并根據(jù)特征匹配結(jié)果對(duì)扭曲水稻圖像進(jìn)行分類(lèi)識(shí)2.根據(jù)權(quán)利要求1所述的扭曲水稻圖像的識(shí)別分類(lèi)方法，其特征在于，S1包括：S102、提取每個(gè)區(qū)域的相關(guān)信息，所述相關(guān)信息包括：區(qū)域大小、顏色直方圖和紋理特征直方圖；S103、基于特征相似度迭代合并相鄰區(qū)域，3.根據(jù)權(quán)利要求2所述的扭曲水稻圖像的識(shí)別分類(lèi)方法，其特征在于，S2中，所述孿生膠囊神經(jīng)網(wǎng)絡(luò)包括多尺度卷積層、膠囊編碼層、鏈接隨機(jī)切斷層和解碼器。4.根據(jù)權(quán)利要求3所述的扭曲水稻圖像的識(shí)別分類(lèi)方法，其特征在于，S2包括：S201、在所述多尺度卷積層中，通過(guò)不同尺寸的局部感受野提取圖像特征；S202、在所述膠囊編碼層中，將所述圖像特征抽象化為特征向量；S203、在所述鏈接隨機(jī)切斷層中，以伯努利分布隨機(jī)屏蔽部分特征向量，減少發(fā)生過(guò)擬合的機(jī)率；5.根據(jù)權(quán)利要求4所述的扭曲水稻圖像的識(shí)別分類(lèi)方法，其特征在于，所述膠囊編碼層S2021、在所述初始膠囊層中，將所述圖像特征抽象化為代表低級(jí)特征實(shí)例的第一膠囊特征向量；S2022、在所述實(shí)例膠囊層中，將所述第一膠囊特征向量抽象化為代表高級(jí)特征實(shí)例的第二膠囊特征向量。6.根據(jù)權(quán)利要求5所述的扭曲水稻圖像的識(shí)別分類(lèi)方法，其特征在于，S4包括：S402、通過(guò)主曲率比過(guò)濾振蕩響應(yīng)維度；S403、為通過(guò)驗(yàn)證的維度分配二進(jìn)制描述子；S404、基于漢明距離進(jìn)行特征匹配，建立原始圖像與扭曲圖像之間的關(guān)聯(lián)，確定扭曲水稻圖像的分類(lèi)結(jié)果。7.一種扭曲水稻圖像的識(shí)別分類(lèi)系統(tǒng)，其特征在于，用于執(zhí)行權(quán)利要求1至6任一所述生成模塊，用于使用選擇性搜索算法初步生成矩形標(biāo)定框，確定包含水稻的圖像區(qū)域；提取模塊，用于利用孿生膠囊神經(jīng)網(wǎng)絡(luò)提取圖像特征，獲取膠囊特征向量分布圖；所述3孿生膠囊神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)局部感受野學(xué)習(xí)不同分辨率下的原始標(biāo)準(zhǔn)圖像和畸變圖像的特征分布；增強(qiáng)模塊，用于通過(guò)單尺度同態(tài)濾波算法對(duì)膠囊特征向量分布圖進(jìn)行對(duì)比度增強(qiáng)，并淡化不相關(guān)背景，得到增強(qiáng)后的特征向量分布圖；匹配模塊，用于通過(guò)基于特征向量計(jì)算的VB-ORB算法，在增強(qiáng)后的特征向量分布圖上實(shí)現(xiàn)原始標(biāo)準(zhǔn)圖像與扭曲測(cè)試圖像之間的特征匹配，并根據(jù)特征匹配結(jié)果對(duì)扭曲水稻圖像進(jìn)行分類(lèi)識(shí)別。8.一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序；所述計(jì)算機(jī)程序在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行權(quán)利要求1至6任一所述的方法。處理器，用于執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)如權(quán)利要求1至6任一所述的方法。4一種扭曲水稻圖像的識(shí)別分類(lèi)方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，更確切地說(shuō)，它涉及一種扭曲水稻圖像的識(shí)別分類(lèi)方法。背景技術(shù)[0002]目前，實(shí)現(xiàn)扭曲目標(biāo)的識(shí)別分類(lèi)有兩種主流方法：1)數(shù)據(jù)增強(qiáng)(Dataaugmentation):數(shù)據(jù)增強(qiáng)是一種廣為人知的策略，它直接在現(xiàn)有的原始數(shù)據(jù)域中添加顯式變換，來(lái)產(chǎn)生新的樣本，在這些樣本上進(jìn)行訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型將會(huì)學(xué)習(xí)到遭受變換之后的圖像特征，因此也就獲得了對(duì)這些顯示變換的魯棒性。數(shù)據(jù)增強(qiáng)方法更方便理解，當(dāng)要處理的數(shù)據(jù)集規(guī)模較小時(shí)，實(shí)施起來(lái)比較方便，對(duì)樣本數(shù)量和多樣性的提升效果也比較直觀(guān)，因此有著非常廣泛的應(yīng)用。但其生成數(shù)據(jù)的逼真度有限，一些數(shù)據(jù)增強(qiáng)方法生成的樣本可能與真實(shí)數(shù)據(jù)存在差異，導(dǎo)致模型在實(shí)際應(yīng)用中對(duì)真實(shí)數(shù)據(jù)的識(shí)別能力不足，如果增強(qiáng)后的數(shù)據(jù)分布與原始數(shù)據(jù)分布不一致，則會(huì)導(dǎo)致模型過(guò)擬合增強(qiáng)后的數(shù)據(jù)，而無(wú)法很好地泛化到真實(shí)場(chǎng)景中的數(shù)據(jù)；2)嵌入式表征不變學(xué)習(xí)(EmbeddedInvariantRepresentationLearning,EIRL):EIRL直接在神經(jīng)網(wǎng)絡(luò)模型的內(nèi)部損失函數(shù)中添加約束規(guī)則，或者調(diào)整優(yōu)化權(quán)重來(lái)學(xué)習(xí)圖形顯示變換描述，從而迫使模型在學(xué)習(xí)優(yōu)化過(guò)程中產(chǎn)生對(duì)圖像幾何扭曲的不變性，與數(shù)據(jù)增強(qiáng)方法相比，EIRL的可擴(kuò)展性和實(shí)際應(yīng)用效果更好。然而，EIRL通常假設(shè)實(shí)際應(yīng)用中，這些域的劃分可能難以獲得，或者數(shù)據(jù)本身并不完全符合這種劃分假設(shè)，從而影響模型的泛化能力。而且，EIRL的一個(gè)關(guān)鍵挑戰(zhàn)是區(qū)分?jǐn)?shù)據(jù)中的因果變量和非因果變量。在某些情況下，數(shù)據(jù)中可能包含大量的非因果信息，這些信息可能會(huì)干擾模型學(xué)習(xí)到真正的不變特征。發(fā)明內(nèi)容[0003]本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，提出了一種扭曲水稻圖像的識(shí)別分類(lèi)方[0005]S1、使用選擇性搜索算法初步生成矩形標(biāo)定框，確定包含水稻的圖像區(qū)域；[0006]S2、利用孿生膠囊神經(jīng)網(wǎng)絡(luò)提取圖像特征，獲取膠囊特征向量分布圖；所述孿生膠囊神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)局部感受野學(xué)習(xí)不同分辨率下的原始標(biāo)準(zhǔn)圖像和畸變圖像的特征分[0007]S3、通過(guò)單尺度同態(tài)濾波算法對(duì)膠囊特征向量分布圖進(jìn)行對(duì)比度增強(qiáng)，并淡化不相關(guān)背景，得到增強(qiáng)后的特征向量分布圖；[0008]S4、通過(guò)基于特征向量計(jì)算的VB-ORB算法，在增強(qiáng)后的特征向量分布圖上實(shí)現(xiàn)原始標(biāo)準(zhǔn)圖像與扭曲測(cè)試圖像之間的特征匹配，并根據(jù)特征匹配結(jié)果對(duì)扭曲水稻圖像進(jìn)行分類(lèi)識(shí)別。5[0010]S101、對(duì)輸入圖像進(jìn)行過(guò)度分割，生成初始區(qū)域；[0011]S102、提取每個(gè)區(qū)域的相關(guān)信息，所述相關(guān)信息包括：區(qū)域大小、顏色直方圖和紋理特征直方圖；[0012]S103、基于特征相似度迭代合并相鄰區(qū)域，生成候選區(qū)域；[0013]S104、對(duì)候選區(qū)域進(jìn)行冗余篩選，去除重復(fù)或不規(guī)則區(qū)域。[0014]作為優(yōu)選，S2中，所述孿生膠囊神經(jīng)網(wǎng)絡(luò)包括多尺度卷積層、膠囊編碼層、鏈接隨機(jī)切斷層和解碼器。[0016]S201、在所述多尺度卷積層中，通過(guò)不同尺寸的局部感受野提取圖像特征；[0017]S202、在所述膠囊編碼層中，將所述圖像特征抽象化為特征向量；[0018]S203、在所述鏈接隨機(jī)切斷層中，以伯努利分布隨機(jī)屏蔽部分特征向量，減少發(fā)生過(guò)擬合的機(jī)率；[0019]S204、在所述解碼器中，進(jìn)行圖像重建。[0020]作為優(yōu)選，所述膠囊編碼層包括初始膠囊層和實(shí)例膠囊層；S202包括：[0021]S2021、在所述初始膠囊層中，將所述圖像特征抽象化為代表低級(jí)特征實(shí)例的第一膠囊特征向量；[0022]S2022、在所述實(shí)例膠囊層中，將所述第一膠囊特征向量抽象化為代表高級(jí)特征實(shí)例的第二膠囊特征向量。[0024]S401、構(gòu)建尺度空間金字塔，檢測(cè)候選關(guān)鍵維度；[0025]S402、通過(guò)主曲率比過(guò)濾振蕩響應(yīng)維度；[0026]S403、為通過(guò)驗(yàn)證的維度分配二進(jìn)制描述子；[0027]S404、基于漢明距離進(jìn)行特征匹配，建立原始圖像與扭曲圖像之間的關(guān)聯(lián)，確定扭曲水稻圖像的分類(lèi)結(jié)果。[0028]第二方面，提供了一種扭曲水稻圖像的識(shí)別分類(lèi)系統(tǒng)，用于執(zhí)行第一方面任一所述的方法，包括：[0029]生成模塊，用于使用選擇性搜索算法初步生成矩形標(biāo)定框，確定包含水稻的圖像區(qū)域；[0030]提取模塊，用于利用孿生膠囊神經(jīng)網(wǎng)絡(luò)提取圖像特征，獲取膠囊特征向量分布圖；所述孿生膠囊神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)局部感受野學(xué)習(xí)不同分辨率下的原始標(biāo)準(zhǔn)圖像和畸變圖像的特征分布；[0031]增強(qiáng)模塊，用于通過(guò)單尺度同態(tài)濾波算法對(duì)膠囊特征向量分布圖進(jìn)行對(duì)比度增強(qiáng)，并淡化不相關(guān)背景，得到增強(qiáng)后的特征向量分布圖；[0032]匹配模塊，用于通過(guò)基于特征向量計(jì)算的VB-0RB算法，在增強(qiáng)后的特征向量分布圖上實(shí)現(xiàn)原始標(biāo)準(zhǔn)圖像與扭曲測(cè)試圖像之間的特征匹配，并根據(jù)特征匹配結(jié)果對(duì)扭曲水稻圖像進(jìn)行分類(lèi)識(shí)別。[0033]第三方面，提供了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序；所述計(jì)算機(jī)程序在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行第一方面任一所述的方法。6[0036]處理器，用于執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)如第一方面任一所述的方法。[0037]本發(fā)明的有益效果是：本發(fā)明通過(guò)孿生膠囊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)魯棒水稻圖形特征的提取與向量分布的構(gòu)建，再通過(guò)本發(fā)明所提出的新算法VB-0RB在上述向量分布中實(shí)現(xiàn)魯棒的特征映射，最終能夠捕捉不同水稻植株之間的空間層級(jí)關(guān)系和姿態(tài)表型等視覺(jué)信息(如位置、角度、比例等),從而對(duì)來(lái)自外界的光學(xué)畸變擾動(dòng)(如高斯噪聲、泊松噪聲、徑向模糊)具有更強(qiáng)的魯棒性，因此克服了現(xiàn)存神經(jīng)網(wǎng)絡(luò)的無(wú)法對(duì)發(fā)生視覺(jué)畸變現(xiàn)象的水稻圖像進(jìn)行精確的分類(lèi)識(shí)別的問(wèn)題，從而在面對(duì)未知變換和噪聲時(shí)，本發(fā)明表現(xiàn)出更高的準(zhǔn)確性和魯棒性，減少了過(guò)擬合的風(fēng)險(xiǎn)，取得了更好的扭曲水稻圖像的分類(lèi)識(shí)別效果。附圖說(shuō)明[0038]圖1為本申請(qǐng)?zhí)峁┑腃apsNetORB模型的整體結(jié)構(gòu)示意圖；[0039]圖2為本申請(qǐng)?zhí)峁┑膶\生膠囊神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)示意圖；[0040]圖3為本申請(qǐng)?zhí)峁┑拈]環(huán)循環(huán)自編碼器的結(jié)構(gòu)示意圖；[0041]圖4為本申請(qǐng)?zhí)峁┑腣B-ORB算法的關(guān)鍵點(diǎn)檢測(cè)示意圖；[0042]圖5為本申請(qǐng)驗(yàn)證實(shí)驗(yàn)所采集的原始圖像和被扭曲之后的圖像；[0043]圖6為本申請(qǐng)?jiān)隍?yàn)證實(shí)驗(yàn)中所提出的CapsNetORB模型對(duì)38組水稻圖像的分類(lèi)精度變化圖；[0044]圖7為本申請(qǐng)所提出的CapsNetORB模型對(duì)38組等離子水稻扭曲圖像的識(shí)別率示意[0045]圖8為本申請(qǐng)?jiān)隍?yàn)證實(shí)驗(yàn)中本發(fā)明所提出的孿生膠囊神經(jīng)網(wǎng)絡(luò)對(duì)水稻植株進(jìn)行特征提取的可視化效果圖；[0046]圖9為本申請(qǐng)所提出的VB-ORB算法在驗(yàn)證實(shí)驗(yàn)中的關(guān)鍵點(diǎn)檢測(cè)與特征關(guān)聯(lián)建立效具體實(shí)施方式[0047]下面結(jié)合實(shí)施例對(duì)本發(fā)明做進(jìn)一步描述。下述實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。[0049]為克服自然環(huán)境下各種光學(xué)因素的干擾，如圖像中的視覺(jué)擾動(dòng)(例如縮放、銳化、請(qǐng)實(shí)施例1提供了利用膠囊神經(jīng)網(wǎng)絡(luò)(CapsNet)實(shí)現(xiàn)對(duì)這類(lèi)發(fā)生扭曲現(xiàn)象的水稻圖像進(jìn)行精準(zhǔn)識(shí)別分類(lèi)的方法。[0050]具體而言，本申請(qǐng)?zhí)峁┝艘环N對(duì)圖像失真具有魯棒性的CapsNetORB模型和利用該模型實(shí)現(xiàn)的扭曲水稻圖像的識(shí)別分類(lèi)方法。其中，該模型對(duì)圖像中的視覺(jué)變換具有明顯的特征不變性。如圖1所示，該模型具有兩個(gè)關(guān)鍵部分，一個(gè)是本申請(qǐng)所發(fā)明的孿生膠囊神經(jīng)網(wǎng)絡(luò)S-CapsNet,另一個(gè)是本申請(qǐng)所發(fā)明的以向量方式進(jìn)行計(jì)算的基于特征向量計(jì)算的VB-7ORB算法，兩個(gè)算法均具有對(duì)空間尺度畸變的魯棒性。前者能夠提取對(duì)圖形畸變具有不變性質(zhì)的魯棒圖像特征分布，后者則在魯棒特征分布上實(shí)施源域空間向畸變空間的穩(wěn)定映射，兩者相互結(jié)合能夠?yàn)镃apsNetORB模型帶來(lái)畸變可容忍性，從而在對(duì)水稻圖像進(jìn)行識(shí)別分類(lèi)時(shí)忽視來(lái)自外界的視覺(jué)畸變現(xiàn)象造成的干擾，提高在自然環(huán)境下神經(jīng)網(wǎng)絡(luò)對(duì)水稻的識(shí)別精度。此外，CapsNetORB的學(xué)習(xí)過(guò)程還包括興趣區(qū)域定位以及前景增強(qiáng)兩個(gè)階段，它們分別由選擇性搜索算法SSA和單尺度同態(tài)濾波算法SSR實(shí)現(xiàn)。[0052]S1、使用選擇性搜索算法初步生成矩形標(biāo)定框，確定包含水稻的圖像區(qū)域。[0055]具體的，使用基于圖的Huttenlocher算法對(duì)圖像進(jìn)行過(guò)度分割，將圖像劃分為許多小的區(qū)域，得到初始的區(qū)域，這些初始區(qū)域作為后續(xù)合并的基礎(chǔ)。[0056]S102、提取每個(gè)分割后區(qū)域的相關(guān)信息，所述相關(guān)信息包括：區(qū)域大小、顏色直方圖和紋理特征直方圖。[0057]S103、基于特征相似度[0058]具體的，找出所有相鄰的區(qū)域?qū)?即有重疊或相交的區(qū)域),然后根據(jù)顏色、紋理、大小和形狀等特征，計(jì)算這些區(qū)域之間的特征相似度，并逐步合并相似的區(qū)域。再通過(guò)多次迭代合并，算法最終生成一系列候選區(qū)域，并將這些區(qū)域作為目標(biāo)檢測(cè)的輸入。這些候選區(qū)域可以用于后續(xù)的目標(biāo)檢測(cè)或者圖像分類(lèi)識(shí)別任務(wù)。[0059]S104、為了減少冗余和提高效率，算法對(duì)生成的候選區(qū)域進(jìn)行篩選，如去除重復(fù)的候選區(qū)域，或者去除過(guò)小或形狀不規(guī)則的區(qū)域。[0060]S2、利用孿生膠囊神經(jīng)網(wǎng)絡(luò)提取圖像特征，獲取膠囊特征向量分布圖；所述孿生膠囊神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)局部感受野學(xué)習(xí)不同分辨率下的原始標(biāo)準(zhǔn)圖像和畸變圖像的特征分布。[0061]S2中，所述孿生膠囊神經(jīng)網(wǎng)絡(luò)包括多尺度卷積層、膠囊編碼層、鏈接隨機(jī)切斷層和解碼器。[0063]S201、在所述多尺度卷積層中，通過(guò)不同尺寸的局部感受野提取圖像特征。[0064]如圖2所示，本申請(qǐng)首先在原始膠囊神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上添加了額外的一條神經(jīng)網(wǎng)絡(luò)感知通道，在每一條通道中，再用多尺度卷積層代替原始膠囊神經(jīng)網(wǎng)絡(luò)中的常規(guī)的卷積層，并設(shè)置兩種不同尺寸的局部感受野來(lái)感知圖像特征的空間結(jié)構(gòu)和語(yǔ)義描述，從而將像素值的大小轉(zhuǎn)換為描述子的局部活動(dòng)。在CONV-1和CONV-2中，本申請(qǐng)將原始膠囊神經(jīng)網(wǎng)絡(luò)的池化層刪除，為了降低特征維數(shù)，本申請(qǐng)用步長(zhǎng)更大的卷積核(步長(zhǎng)均大于或等于1)(如果步幅為2,則特征維數(shù)降低2,以此類(lèi)推)來(lái)代替原始膠囊神經(jīng)網(wǎng)絡(luò)中小尺寸卷積核。在模型訓(xùn)練的第一次迭代中，多尺度卷積層的輸出以相同的概率發(fā)送到下一個(gè)初始膠囊層中的每一個(gè)膠囊單元中。[0067]S2021、在所述初始膠囊層中，將所述圖像特征抽象化為代表低級(jí)特征實(shí)例的第一8人臉就是高級(jí)特征實(shí)例。[0068]S2022、在所述實(shí)例膠囊層中，將所述第一膠囊特征向量抽象化為代表高級(jí)特征實(shí)例的第二膠囊特征向量。在實(shí)例膠囊層中，路由協(xié)議算法根據(jù)初始膠囊層輸出的特征向量進(jìn)行參數(shù)更新。[0069]S203、在所述鏈接隨機(jī)切斷層中，以伯努利分布隨機(jī)屏蔽部分特征向量，減少發(fā)生過(guò)擬合的機(jī)率。[0070]具體的，為了消除膠囊單元之間的相互依賴(lài)性，本發(fā)明在原始膠囊神經(jīng)網(wǎng)絡(luò)中的實(shí)例膠囊層之后添加鏈接隨機(jī)切斷層作為正則化手段，使單元相互獨(dú)立。然而，與卷積神經(jīng)網(wǎng)絡(luò)不同，實(shí)體膠囊的輸出是特征向量，而不是作為標(biāo)量的特征映射，因此，在每次迭代過(guò)程中，鏈接隨機(jī)切斷層的過(guò)濾對(duì)象應(yīng)該是整個(gè)特征向量，而不是向量上的某些維度。對(duì)此，本發(fā)明對(duì)鏈接隨機(jī)切斷層的計(jì)算規(guī)則作了改動(dòng)，即讓鏈接隨機(jī)切斷層視每個(gè)特征向量為一個(gè)整體，從而保證特征向量的方向不會(huì)因?yàn)楸绘溄与S機(jī)切斷層過(guò)濾掉其中的某些維度而改變。這樣一來(lái)，在每次迭代訓(xùn)練中，鏈接隨機(jī)切斷層能夠基于伯努利分布(Bernoullidistribution)將一定比例的特征向量隨機(jī)屏蔽掉，減少發(fā)生過(guò)擬合的機(jī)率。[0072]具體的，為了強(qiáng)制實(shí)例膠囊層中的實(shí)體膠囊提取圖像的實(shí)例化參數(shù)，本發(fā)明在原始膠囊神經(jīng)網(wǎng)絡(luò)的實(shí)例膠囊層之后添加解碼器來(lái)實(shí)現(xiàn)圖像重建階段。它由3個(gè)全連接層組成(見(jiàn)圖3),其作用是通過(guò)構(gòu)建圖像重建損失函數(shù)來(lái)修正孿生膠囊神經(jīng)網(wǎng)絡(luò)的優(yōu)化過(guò)程，這是因?yàn)槿绻懊娴碾[藏層已經(jīng)準(zhǔn)確地?cái)M合圖像的特征分布了，則通過(guò)解碼器生成的圖像與原始訓(xùn)練圖像的特征相似度很高，此時(shí)反饋的損失函數(shù)值較小，若前面的隱藏層并沒(méi)有較好的對(duì)圖像特征進(jìn)行挖掘和提取，通過(guò)解碼器生成的圖像與原始圖像差異就會(huì)很大，此時(shí)返回的圖像重建損失函數(shù)值也很大，這樣就會(huì)激勵(lì)整個(gè)模型在訓(xùn)練過(guò)程中尋找更加準(zhǔn)確的收斂趨勢(shì)。[0073]通過(guò)添加解碼器，整個(gè)孿生膠囊神經(jīng)網(wǎng)絡(luò)模型打破了原始膠囊神經(jīng)網(wǎng)絡(luò)的單一串行模式，形成了一個(gè)閉環(huán)的循環(huán)自編碼器，如圖3所示，解碼器前面的所有負(fù)責(zé)圖像特征提取的隱藏層(多尺度卷積層、初始膠囊層、實(shí)例膠囊層和鏈接隨機(jī)切斷層)則構(gòu)成了循環(huán)自編碼器的編碼器部分，解碼器的圖像生成操作相當(dāng)于是編碼器的圖像特征提取的逆運(yùn)算，兩者在循環(huán)自編碼器的這種閉環(huán)優(yōu)化循環(huán)中完成模型收斂和對(duì)圖像的特征提取。[0074]如圖3所示，本申請(qǐng)還提出了孿生膠囊神經(jīng)網(wǎng)絡(luò)的解碼器的優(yōu)化損失函數(shù)。當(dāng)給定輸入的原始訓(xùn)練圖像的特征空間x∈X以及被編碼器提取的膠囊特征空間h∈F,孿生膠囊神經(jīng)網(wǎng)絡(luò)的循環(huán)自解碼器可以求解編碼器和解碼器之間的相互映射f:X→F和g:F→X,因此，解碼器塑造的圖像重建損失函數(shù)，也就是最小化生成圖像和原始圖像之[0076]雖然添加的編碼器能夠?qū)\生膠囊神經(jīng)網(wǎng)絡(luò)的收斂過(guò)程產(chǎn)生激勵(lì)作用，但該作用只是輔助的，為了防止上述圖像重建損失函數(shù)影響全局損失函數(shù)，本發(fā)明對(duì)上述公式乘以一個(gè)大小為0.5的系數(shù)來(lái)約束重建損失函數(shù)的作用。9[0077]S3、通過(guò)單尺度同態(tài)濾波算法對(duì)膠囊特征向量分布圖進(jìn)行對(duì)比度增強(qiáng)，并淡化不相關(guān)背景，得到增強(qiáng)后的特征向量分布圖。[0078]S4、通過(guò)基于特征向量計(jì)算的VB-ORB算法，在增強(qiáng)后的特征向量分布圖上實(shí)現(xiàn)原始標(biāo)準(zhǔn)圖像與扭曲測(cè)試圖像之間的特征匹配，并根據(jù)特征匹配結(jié)果對(duì)扭曲水稻圖像進(jìn)行分類(lèi)識(shí)別。[0079]實(shí)施例2:[0080]在實(shí)施例1的基礎(chǔ)上，本申請(qǐng)實(shí)施例2提供了更具體的一種扭曲水稻圖像的識(shí)別分[0081]S1、使用選擇性搜索算法初步生成矩形標(biāo)定框，確定包含水稻的圖像區(qū)域。[0082]S2、利用孿生膠囊神經(jīng)網(wǎng)絡(luò)提取圖像特征，獲取膠囊特征向量分布圖；所述孿生膠囊神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)局部感受野學(xué)習(xí)不同分辨率下的原始標(biāo)準(zhǔn)圖像和畸變圖像的特征分布。[0083]S3、通過(guò)單尺度同態(tài)濾波算法對(duì)膠囊特征向量分布圖進(jìn)行對(duì)比度增強(qiáng)，并淡化不相關(guān)背景，得到增強(qiáng)后的特征向量分布圖。[0085]S301、通過(guò)以下公式對(duì)給定的一個(gè)輸入圖像I(x,y)進(jìn)行處理：[0087]式中，L(x,y)和R(x,y)分別代表環(huán)境光照度和目標(biāo)反射分量，而后者則是通過(guò)單尺度同態(tài)濾波算法增強(qiáng)后的圖像。[0088]S302、將一個(gè)高斯核G(x,y,σ)(σ=1)與輸入的圖像I(x,y)進(jìn)行卷積運(yùn)算，得到L(x,y)的近似值，也就是L(x,y)≈I(x,y)[0089]Log[R(x,y)]=Log[I(x[0090]然后通過(guò)上述公式對(duì)計(jì)算得到的R(x,y)的每個(gè)數(shù)值進(jìn)行線(xiàn)性量化。[0092]在增強(qiáng)后的R(x,y)中，淡化處理后的背景區(qū)域的灰度值處于0到127之間，而目標(biāo)區(qū)域的灰度值位于128到255之間，這使得目標(biāo)區(qū)域相對(duì)于無(wú)關(guān)背景來(lái)說(shuō)更加明顯了。[0093]S4、通過(guò)基于特征向量計(jì)算的VB-ORB算法，在增強(qiáng)后的特征向量分布圖上實(shí)現(xiàn)原始標(biāo)準(zhǔn)圖像與扭曲測(cè)試圖像之間的特征匹配，并根據(jù)特征匹配結(jié)果對(duì)扭曲水稻圖像進(jìn)行分[0096]具體的，本申請(qǐng)首先利用高斯差分(DifferenceofGaussian,DoG)投射出一個(gè)尺度空間金字塔。然后，以膠囊向量中的某個(gè)維度為中心，在金字塔中構(gòu)造一個(gè)超球面作為采樣空間。然后將中心維度與位于超球體的上方、下方、左側(cè)、右側(cè)、前行相減，得到特征值的差。如果該差值的絕對(duì)值至少有4個(gè)大于預(yù)定閾值，則此中心維度被臨時(shí)存儲(chǔ)為候選關(guān)鍵點(diǎn)。如果有多個(gè)候選關(guān)鍵點(diǎn)共享同一超球面，這些關(guān)鍵點(diǎn)將被進(jìn)行非[0097]S402、通過(guò)主曲率比過(guò)濾振蕩響應(yīng)維度。[0098]具體的，本發(fā)明還提出了候選感興趣維度的“質(zhì)量檢查”階段，以實(shí)現(xiàn)候選維度對(duì)附近維度在位置、尺度和主曲率比等方面的擬合。本發(fā)明讓候選維度與周?chē)S度相除得到一個(gè)比值，比值相對(duì)較低(因此對(duì)視覺(jué)變形敏感)的候選維度則被舍棄。在第一步中，由于高斯差分函數(shù)在邊界處有很強(qiáng)的邊緣響應(yīng)，因此，本發(fā)明引入Hessian矩陣來(lái)計(jì)算主曲率，并放棄主曲率比低于預(yù)定閾值的候選維度。[0099]S403、為通過(guò)驗(yàn)證的維度分配二進(jìn)制描述子。[0100]具體的，本發(fā)明使用BRIEF算法為每個(gè)通過(guò)驗(yàn)證的感興趣維度生成描述子，它是一組位字符串描述符(Bitstringdescription)。BRIEF的優(yōu)點(diǎn)之一是每個(gè)位特征(Bitfeature)都有很大的方差，并且平均值接近0.5,而較大的方差使特征更具辨別力。另一個(gè)優(yōu)勢(shì)是讓迭代運(yùn)算彼此之間沒(méi)有依賴(lài)性。此外，生成的二進(jìn)制描述符也有利于下一個(gè)特征匹配階段的實(shí)施。[0101]S404、基于漢明距離進(jìn)行特征匹配，建立原始圖像與扭曲圖像之間的關(guān)聯(lián)，確定扭曲水稻圖像的分類(lèi)結(jié)果。[0102]具體的，本發(fā)明根據(jù)特征相似性，在上述描述子的基礎(chǔ)上建立對(duì)應(yīng)關(guān)系。由于BRIEF是一種二元模式，在關(guān)鍵維度的雙重交叉驗(yàn)證(Double-crossverification)中，本發(fā)明選擇漢明距離(Hammingdistance)代替歐幾里德距離來(lái)量化特征相似度，這個(gè)階段會(huì)一直持續(xù)到原始標(biāo)準(zhǔn)圖像中所有感興趣維度均被遍歷一遍為止。最后，具有最多的特征關(guān)聯(lián)的原始圖像類(lèi)別既是測(cè)試圖像的預(yù)測(cè)類(lèi)別。以下符號(hào)代表算法中的函數(shù)和變量：用(x,y)代表第y個(gè)膠囊特征向量中第x個(gè)特征維度，用CD(x,y)表示膠囊特征向量的分布，用k代表常量乘法系數(shù)，σ代表尺度系數(shù)，用G(x,y,σ)代表尺度可變的高斯函數(shù)，用P(x,y,σ)代表尺度空間區(qū)域，用D(x,y,σ)代表DOG的組(Octave),用Y代表超球體的半徑，用FV()和5分別代表特征值和它的閾值，用d(x,y,σ)、d(x',y',σ)和d(x",y",σ)分別代表膠囊編碼特征向量中的維度、候選感興趣維度和有效性被驗(yàn)證后感興趣維度，用S?()代表特征值差的絕對(duì)值，用size代表高斯核的尺寸，用H()代表海森矩陣，用α和β海森矩陣特征值的最大值和最小值，用Tr(H)和Det(H)分別代表海森矩陣的跡與行列式，用C()、SC()和SFV()分別代表超球體的重心、質(zhì)心和子球體，用τ()代表二進(jìn)制碼賦值函數(shù)，用Desn(·)代表描述子賦值函數(shù)，用M(x,y)表示候選匹配維度[0106]輸出：d(x",y",σ);建立在原始高質(zhì)量圖像與扭曲圖像之間的特征關(guān)聯(lián)。[0107]1.建立尺度空間金字塔：[0108]1-1.CD(x,y)與G(x,y,σ)(σ=1.2)卷積得到P(x,y,σ)(參考圖4)。[0110]1-2.相鄰P(x,y,σ)互減得D(x,y,σ)(參考圖4)。D(x,y,σ)=(G(x,y,ko)-G(x,y,σ))*C[0115]2-2.給定ξ,當(dāng)且僅當(dāng)有至少4個(gè)d,(x,y,σ)滿(mǎn)足以下公式時(shí)，d?(x,y,σ)被視為j=top,bottom,front,back,left,right進(jìn)行非最大值抑制處理，只保留擁有最大。[0119]3-1.在超球體中用G(x,y,σ)(σ為1.2,size為9×9)去卷積CD(x,y),球體中心[0121]從而得到所有CD(x,y)的H()。[0123]3-2.使用α和β表示H()的Tr()和Det():[0129]4-1.在超球體中給定所有維度的FV(,C()通過(guò)以下公式得到。[0131]將C()與SC()連接，并使CSC作為新的采樣坐標(biāo)系。d”(x,y,σ)的方向?yàn)閇0133]5-1.在旋轉(zhuǎn)后的坐標(biāo)系中，一對(duì)特征維度A(x,y,σ)和B?(x,y,σ)在超球體(半徑B?(x,y,σ)相互比較，一個(gè)與(A,B?)相對(duì)應(yīng)的二進(jìn)制碼通過(guò)以下公式得到。[0136]5-2.繼續(xù)隨機(jī)選擇N-1(本發(fā)明N取值512)個(gè)樣本維度組(例如，A?和B?,A?和[0139]6-1.在一張?jiān)紭?biāo)準(zhǔn)圖像上以CD(x,y)的一個(gè)d?"(x,y,σ)為中心，則在扭曲圖[0140]6-2.根據(jù)ζ,在M(x,y)中確定距離d,”(x,y,σ)最近的2個(gè)描述子d?"(x,y,σ)和d”(x,y,σ)和d?”(x,y,o)之間建立一個(gè)連接。[0142]6-4.在這張?jiān)紙D像上為V(x,y)中的其它d”(x,y,σ)重復(fù)步驟6-1至6-3。了12502張分蘗期的等離子水稻生長(zhǎng)圖像作為實(shí)驗(yàn)數(shù)據(jù)，其中涵蓋了38種不同的等離子體JPEG,每幅圖像都是24位彩色位圖。為了模擬出拍攝于自然條件下的圖像所容易遭受的幾區(qū)分水稻所屬類(lèi)別。接下來(lái)根據(jù)等離子對(duì)水稻處理過(guò)程中所涉及的參數(shù)為每個(gè)實(shí)驗(yàn)組命處理時(shí)間31)2濕潤(rùn)無(wú)(Null,N)無(wú)(Null,N)34無(wú)(Null,N)[0146]根據(jù)表1中的參數(shù)值和處理順序，本發(fā)明使用一系列縮寫(xiě)來(lái)命名各個(gè)實(shí)驗(yàn)組。例Positive,TP)、假陽(yáng)樣本組(FalsePositive,FP)、假陰樣本組(F陰樣本組(TrueNegative,TN)中的圖像數(shù)量。[0153]實(shí)驗(yàn)首先將CapsNetORB模型與其它8個(gè)同樣具有圖像扭曲抵抗能力的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型訓(xùn)練對(duì)比，觀(guān)測(cè)它們對(duì)扭曲水稻圖像的分類(lèi)識(shí)別能力，它們分別是CapsuleGAN、圖像被隨機(jī)挑選為訓(xùn)練樣本，剩下的30%用作測(cè)試樣本。圖6中(a)-(h)展示了在整個(gè)訓(xùn)練中，9個(gè)模型的訓(xùn)練精度和驗(yàn)證精度隨著訓(xùn)練周期的增加而產(chǎn)生的變化趨勢(shì)。整體上看，CapsNetORB模型在訓(xùn)練階段實(shí)現(xiàn)了比其它現(xiàn)有模型更好的扭曲水稻圖像的分類(lèi)識(shí)別效果。[0154]表2對(duì)上述訓(xùn)練過(guò)程中算法的性能指標(biāo)做了量化統(tǒng)計(jì)。該結(jié)果證明了CapsNetORB注來(lái)輔助模型訓(xùn)練。[0155]表2CapsNetORB模型和其它算法在模型訓(xùn)練階段的性能對(duì)比訓(xùn)練精度驗(yàn)證精度[0157]當(dāng)模型訓(xùn)練階段結(jié)束后，接下來(lái)繼續(xù)從扭曲圖像識(shí)別、特征提取和特征匹配三個(gè)方面對(duì)CapsNetORB模型進(jìn)行對(duì)比測(cè)試。[0158]首先需要評(píng)估的是CapsNetORB模型對(duì)水稻扭曲圖像的識(shí)別能力。圖7中的混淆矩陣給出了CapsNetORB對(duì)38組水稻圖像的識(shí)別率情況，其縱坐標(biāo)為圖像的真實(shí)類(lèi)別，橫坐標(biāo)是模型的實(shí)際預(yù)測(cè)類(lèi)別，顏色的整體分布(紅色和橙紅色方塊)證明CapsNetORB對(duì)所有類(lèi)別中的圖像均具有較高的識(shí)別率。其中，識(shí)別率高于90%的實(shí)驗(yàn)組用紅色字體標(biāo)記，準(zhǔn)確率低于80%的實(shí)驗(yàn)組用藍(lán)色字體標(biāo)記。對(duì)于識(shí)別率相對(duì)較高的紅色實(shí)驗(yàn)組，它們的水稻具有相對(duì)比較醒目的表型外觀(guān)(例如3.5-4-CF-S-D-TW的旺盛莖葉和N-N-N-S-D-TW的矮小植株),從而使其更容易被識(shí)別出來(lái)。相反，由于藍(lán)色實(shí)驗(yàn)組(例如3-3-S-D-TW-CF和3.5-3-S-D-T的水稻長(zhǎng)勢(shì)基本處于平均水平，沒(méi)有顯著的表型特征吸引模型的注意，因此它們的識(shí)別率相對(duì)較低。同樣值得注意的是，并非紅色組中的所有水稻都生長(zhǎng)良好，因?yàn)槌松L(zhǎng)健壯的植株外，CapsNetORB也很容易注意到其它營(yíng)養(yǎng)不良的水稻。綜合考慮每一實(shí)驗(yàn)組的識(shí)別率和實(shí)際水稻生長(zhǎng)形態(tài)，不難發(fā)現(xiàn)，3-4-S-D-TW稻生長(zhǎng)的促進(jìn)效果最好。[0159]進(jìn)一步地，本申請(qǐng)實(shí)施例還對(duì)CapsNetORB模型的扭曲圖像特征提取性能進(jìn)行消融測(cè)試。由于準(zhǔn)確的感興趣區(qū)域定位是基于提取到的圖像特征實(shí)現(xiàn)的，因此，一個(gè)魯棒的特征提取算法是必不可少的。為了測(cè)試本發(fā)明所提出的孿生膠囊神經(jīng)網(wǎng)絡(luò)對(duì)扭曲圖像的特征提取的能力，將其與其它4種具有不同特征提取算法的CapsNetORB框架進(jìn)行了消融實(shí)驗(yàn)，具體孿生膠囊神經(jīng)網(wǎng)絡(luò)。上述特征提取器學(xué)習(xí)到的膠囊特征向量會(huì)被送到VB-0RB算法中進(jìn)行特征匹配和圖像類(lèi)別的預(yù)測(cè)，因此，表3中的性能指標(biāo)能夠變相反映各個(gè)特征提取器的表征能[0160]表3孿生膠囊神經(jīng)網(wǎng)絡(luò)和其它算法在特征提取方面的效果對(duì)比模型敏感度準(zhǔn)度首先，在精度方面，以孿生膠囊神經(jīng)網(wǎng)絡(luò)為特征提取器的CapsNetORB(也就是完整的CapsNetORB)實(shí)現(xiàn)了最高的90.18%,接下來(lái)是精度為86.07%的Caps-TripleGAN+VB-ORB模型精度最低，分別為79.87%和74.18%。精度的測(cè)試結(jié)果表明，孿生膠囊神經(jīng)網(wǎng)絡(luò)+VB-ORB正確識(shí)別的陽(yáng)性樣本在真陽(yáng)性樣本和假陽(yáng)性樣本的總和中占據(jù)大多數(shù)比例。[0163]靈敏度方面，孿生膠囊神經(jīng)網(wǎng)絡(luò)+VB-ORB的組合獲得了最高的89.58%,其次是Caps-TripleGAN+VB-ORB組合和VB-ORB+CapsuleGAN組合，它們的靈敏度分別為85.81%和83.82%。以MS-CapsNet和標(biāo)準(zhǔn)CapsNet為特征提取器的模型分別獲得了80.16%和76.29%的靈敏度。靈敏度的測(cè)試結(jié)果表明，以孿生膠囊神經(jīng)網(wǎng)絡(luò)為特征提取器的組合，其正確分類(lèi)的陽(yáng)性樣本在所有陽(yáng)性圖像中占絕大多數(shù)比例。[0164]然后是對(duì)模型的F1分?jǐn)?shù)進(jìn)行測(cè)試，如表4所示，孿生膠囊神經(jīng)網(wǎng)絡(luò)+VB-ORB的數(shù)值最高，為89.87%,而MS-CapsNet+VB-0RB組合和標(biāo)準(zhǔn)CapsNet+VB-ORB組合的數(shù)值最低，分別為80.01%和75.22%。這一結(jié)果驗(yàn)證了孿生膠囊神經(jīng)網(wǎng)絡(luò)+VB-0ORB的組合可以同時(shí)兼顧精度和召回率。[0165]就特異性而言，最高的兩個(gè)數(shù)值分別由孿生膠囊神經(jīng)網(wǎng)絡(luò)+VB-ORB組合(91.43%)和Caps-TripleGAN+VB-ORB(86.11%)組合獲得，緊隨其后的是取得84.12%的CapsuleGAN+VB-ORB組合和取得83.03%的MS-CapsNet+VB-ORB組合。標(biāo)準(zhǔn)CapsNet+VB-[0166]最后是準(zhǔn)度的結(jié)果，與分別使用Caps-TripleGAN、MS-CapsNet、CapsuleGAN和標(biāo)準(zhǔn)CapsNet作為特征提取器的組合相比，完整的CapsNetORB分11.4%的提升。該消融實(shí)驗(yàn)結(jié)果證明了孿生膠囊神經(jīng)網(wǎng)絡(luò)在扭曲水稻圖像上具有優(yōu)秀的圖像特征學(xué)習(xí)能力，這種優(yōu)勢(shì)還可以通過(guò)其生成的特征向量分布圖表示出來(lái)(參見(jiàn)圖8),可以看到，膠囊特征向量的長(zhǎng)度表示特征實(shí)體在該位置存在的可能性，而向量中每個(gè)具體的維度均攜帶該位置的視覺(jué)特征?？傮w來(lái)看，位于中心區(qū)域的水稻的特征向量長(zhǎng)度比無(wú)關(guān)背景的要長(zhǎng)很多，這表明孿生膠囊神經(jīng)網(wǎng)絡(luò)對(duì)水稻具有優(yōu)良的識(shí)別能力。特征匹配性能也應(yīng)該被驗(yàn)證。本發(fā)明將其與經(jīng)典的特征匹配算法(例如ORB、SIFT、SURF)和最近提出的效果良好的特征匹配算法進(jìn)行消融實(shí)驗(yàn)。本著單一變量原則，本發(fā)明使用標(biāo)準(zhǔn)的CapsNet來(lái)代替改進(jìn)的孿生膠囊神經(jīng)網(wǎng)絡(luò)，為VB-0RB提供普通的膠囊特征向量，而其它算法直接在輸入的測(cè)試圖像上進(jìn)行特征匹配。實(shí)驗(yàn)結(jié)果見(jiàn)表4。[0168]表4VB-ORB和其它算法在特征匹配方面的效果對(duì)比14/15頁(yè)14/15頁(yè)模型精度敏感度準(zhǔn)度[0170]總體上，標(biāo)準(zhǔn)CapsNet+VB-ORB組合在精度方面得分最高，為90.06%,然后是Y.[0171]靈敏度方面，CapsNet+VB-ORB組合的得分超過(guò)了位居第二名的Y.Li1.37%分別是89.29%和87.92%,然后是SuperGlue的86.6%和A.Baumberg的83.41%。SIFT和SURF分值最低，分別為70.64%和71.64%。[0172]接下來(lái)是F1分?jǐn)?shù)，最高的兩個(gè)數(shù)值(89.67%和88.22%)分別由標(biāo)準(zhǔn)CapsNet+VB-ORB組合以及Y.Li實(shí)現(xiàn)。相反，SIFT和SURF仍然獲得最低的兩個(gè)分值，分別為70.25%和[0173]就特異性而言，標(biāo)準(zhǔn)CapsNet+VB-ORB的得分最高，緊隨其后的是得到88.73%的Y.Li,得到87.22%的A.Baumberg,以及得到87.02%的SuperGlue。最低的三個(gè)特異性分值[0174]最后是準(zhǔn)度，可以觀(guān)察到，相比排名第二的Y.Li的89.18%,標(biāo)準(zhǔn)CapsNet+VB-ORB實(shí)現(xiàn)了2.29%的提升。圖9展示了VB-ORB算法在原始標(biāo)準(zhǔn)圖像和扭曲測(cè)試圖像之間的關(guān)鍵點(diǎn)檢測(cè)與特征匹配效果圖。[0175]綜上所述，在模型訓(xùn)練階段，CapsNetORB實(shí)現(xiàn)了所有模型中對(duì)扭曲水稻圖像進(jìn)行分類(lèi)識(shí)別的最高驗(yàn)證精度，為93.68%。測(cè)試階段，孿生膠囊神經(jīng)網(wǎng)絡(luò)取得了最高的精度、敏感度、F1分?jǐn)?shù)、特異性和準(zhǔn)度，分別為90.18%、89.58%,89.87%,91.43%和90.81%,在特征匹89.67%、91.02%和91.47%。一系列實(shí)驗(yàn)結(jié)果證明了CapsNetORB能夠?qū)崿F(xiàn)扭曲水稻圖像的準(zhǔn)確分類(lèi)，其性能優(yōu)于目前現(xiàn)有其它模型與算法。[0176]需要說(shuō)明的，本實(shí)施例中與實(shí)施例1相同或相似的部分可相互參考，在本申請(qǐng)中不再贅述。[0178]在實(shí)施例1、2的基礎(chǔ)上，本申請(qǐng)實(shí)施例3提供了一種扭曲水稻圖像的識(shí)別分類(lèi)系[0179]生成模塊，用于使用選擇性搜索算法初步生成矩形標(biāo)定框，確定包含水稻的圖像區(qū)域；[0180]提取模塊，用于利用孿生膠囊神經(jīng)網(wǎng)絡(luò)提取圖像特征，獲取膠囊特征向量分布圖；所述孿生膠囊神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)局部感受