[發明專利]一種基于卷積神經網絡的植物識別方法及系統

在審

• 申請號: 201710359176.X
• 申請日: 2017-05-19
• 公開（公告）號: CN107239514A
• 公開（公告）日: 2017-10-10
• 發明（設計）人: 鄧昌順
• 申請（專利權）人: 鄧昌順
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/08;G06T5/00
• 代理公司: 北京卓唐知識產權代理有限公司11541
• 代理人: 唐海力,韓來兵

技術領域

本發明涉及植物識別技術領域，具體涉及一種基于卷積神經網絡的植物識別方法及系統。

背景技術

在經典的模式識別中，一般是事先提取預設的植物圖像的特征(如SIFT,HOG,LBP特征)。提取特征后，對特征進行編碼，比如常用BoW，FisherVector等。然后將特征放到一個分類器，比如SVM，進行2分類，訓練出最優分類面，找到最能代表某類植物的的特征，去掉對分類無關和自相關的特征。然而，這些特征的提取太過依賴人的經驗和主觀意識，提取到的特征的不同對分類性能影響很大，甚至提取的特征的順序也會影響最后的植物分類性能。同時，圖像預處理的好壞也會影響到提取的特征。

發明內容

本發明的目的是簡化植物識別的步驟，降低植物識別過程的計算量并提高植物識別的精度。

為了實現上述目的，本發明提供了一種基于卷積神經網絡的植物識別方法，包括如下步驟：

采集的植物圖像，將植物圖像中同類的植物進行分類并標記，得到植物數據庫；

將植物數據庫中植物圖像輸入至卷積神經網絡，對卷積神經網絡進行訓練得到特征匹配模型；

接收待識別圖像，利用特征匹配模型提取待識別圖像的圖像特征值，并計算圖像特征值與植物數據庫中植物的相似度，根據相似度判斷待識別圖像所屬植物的分類。

進一步，在上述基于卷積神經網絡的植物識別方法中，卷積神經網絡依次包括輸入層、卷積操作層和輸出層，其中，

輸入層，用于接收植物圖像；

卷積操作層包括卷積層和池化層，其中，

卷積層，用于根據卷積核提取圖像特征矩陣；

池化層，用于提取出每個圖像特征矩陣中最能代表這個植物圖像局部特征的圖像特征值。

進一步，在上述基于卷積神經網絡的植物識別方法中，所述接收待識別圖像，利用特征匹配模型提取待識別圖像的圖像特征值，并計算圖像特征值與植物數據庫中植物的相似度，根據相似度判斷待識別圖像所屬植物的分類包括

利用特征匹配模型中卷積核提取N個圖像特征矩陣，并提取每個圖像特征矩陣中圖像特征值；

根據所有圖像特征值得到特征值矩陣；

利用預設的函數計算特征值矩陣與植物數據庫中植物的相似度。

進一步，在上述基于卷積神經網絡的植物識別方法中，所述將植物數據庫中植物圖像輸入至卷積神經網絡之前還包括

對植物圖像進行預處理，預處理至少包括歸一化、明亮度調整或降噪。

進一步，在上述基于卷積神經網絡的植物識別方法中，圖像特征值至少包括顏色值、輪廓值、邊緣值、灰度值。

本發明還提供了一種基于卷積神經網絡的植物識別系統，包括

接收模塊，用于采集的植物圖像，將植物圖像中同類的植物進行分類并標記，得到植物數據庫；

特征提取模塊，用于將植物數據庫中植物圖像輸入至卷積神經網絡，對卷積神經網絡進行訓練得到特征匹配模型；

識別模塊，用于接收待識別圖像，利用特征匹配模型提取待識別圖像的圖像特征值，并計算圖像特征值與植物數據庫中植物的相似度，根據相似度判斷待識別圖像所屬植物的分類。

進一步，在上述基于卷積神經網絡的植物識別系統中，所述識別模塊包括

卷積單元，用于利用特征匹配模型中卷積核提取N個圖像特征矩陣，并提取每個圖像特征矩陣中圖像特征值；

池化單元，用于根據所有圖像特征值得到特征值矩陣；

計算單元，用于利用預設的函數計算特征值矩陣與植物數據庫中植物的相似度。

進一步，在上述基于卷積神經網絡的植物識別系統中，所述特征提取模塊包括

預處理子單元，用于對植物圖像進行預處理，預處理至少包括歸一化、明亮度調整或降噪。

在上述技術方案中，本發明與傳統的識別方法中必須先找到葉子的輪廓或者邊緣等完全不同，不用定義任何邊緣或者輪廓；本發明利用卷積神經網絡避免了顯式的特征取樣，隱式地從訓練數據中進行學習。這使得卷積神經網絡明顯有別于其他基于神經網絡的分類器，通過結構重組和減少權值將特征提取功能融合進多層感知器。它可以直接處理灰度圖片，能夠直接用于處理基于圖像的分類。

附圖說明

為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明中記載的一些實施例，對于本領域普通技術人員來講，還可以根據這些附圖獲得其他的附圖。