[發(fā)明專利]基于矢量神經(jīng)網(wǎng)絡(luò)的多角度植物識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811263198.7
• 申請(qǐng)日: 2018-10-28
• 公開（公告）號(hào): CN109446985B
• 公開（公告）日: 2021-06-04
• 發(fā)明（設(shè)計(jì)）人: 左羽;徐文博;吳戀;崔忠偉;于國(guó)龍;趙建川
• 申請(qǐng)（專利權(quán)）人: 貴州師范學(xué)院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京中濟(jì)緯天專利代理有限公司 11429
• 代理人: 郝志亮

本發(fā)明公開了基于矢量神經(jīng)網(wǎng)絡(luò)的多角度植物識(shí)別方法，該方法主要包含以下步驟：根據(jù)實(shí)際需要識(shí)別的植物種類，針對(duì)每類植物收集一定數(shù)量多視角的植物圖像，手工分類標(biāo)記后形成數(shù)據(jù)集備用；將數(shù)據(jù)集中的植物圖像輸入矢量神經(jīng)網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的訓(xùn)練，讓網(wǎng)絡(luò)能從同種植物的多個(gè)角度圖像中自主地提取出具有空間變化魯棒性的信息表示；將特征送入特征分類器，分類結(jié)果概率最高的類別即為該植物所屬類別。本發(fā)明所用矢量神經(jīng)網(wǎng)絡(luò)，極大幅度減少了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)量的依賴，用相對(duì)少量的多視角植物圖像便能構(gòu)建并訓(xùn)練出具有較強(qiáng)植物特征抽象能力的神經(jīng)網(wǎng)絡(luò)，模型來(lái)識(shí)別植物種類。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像判斷領(lǐng)域，特別涉及基于矢量神經(jīng)網(wǎng)絡(luò)的多角度植物識(shí)別方法。

背景技術(shù)

千百年來(lái)植物與人類息息相關(guān)、緊密相連。隨著人類文明的進(jìn)步，植物卻遭到了越來(lái)越嚴(yán)重的破壞。因此，對(duì)植物進(jìn)行識(shí)別歸類，建立植物數(shù)字化資源庫(kù)，以助于植物的保護(hù)，具有重要的意義。而植物葉片數(shù)字化圖像機(jī)器識(shí)別算法無(wú)疑會(huì)大大加快植物的分類工作。在經(jīng)典的模式識(shí)別中，一般是事先提取預(yù)設(shè)的植物圖像的特征(如SIFT,HOG,LBP特征)。提取特征后，對(duì)特征進(jìn)行編碼，比如常用BoW，F(xiàn)isherVector等。然后將特征放到一個(gè)分類器，比如SVM，進(jìn)行2分類，訓(xùn)練出最優(yōu)分類面，找到最能代表某類植物的的特征，去掉對(duì)分類無(wú)關(guān)和自相關(guān)的特征。然而，這些特征的提取太過(guò)依賴人的經(jīng)驗(yàn)和主觀意識(shí)，提取到的特征的不同對(duì)分類性能影響很大，甚至提取的特征的順序也會(huì)影響最后的植物分類性能。同時(shí)，圖像預(yù)處理的好壞也會(huì)影響到提取的特征。

發(fā)明內(nèi)容

本發(fā)明的目的在于：提供了基于矢量神經(jīng)網(wǎng)絡(luò)的多角度植物識(shí)別方法，解決了空間上的特征語(yǔ)義關(guān)聯(lián)問(wèn)題，大大節(jié)省數(shù)據(jù)收集成本，提高識(shí)別準(zhǔn)確率和適用范圍。

本發(fā)明采用的技術(shù)方案如下：

基于矢量神經(jīng)網(wǎng)絡(luò)的多角度植物識(shí)別方法，包括，其特征在于：所述方法包括如下步驟：S1：收集植物多角度圖像，通過(guò)圖像采集裝置采集擬識(shí)別植物不同季節(jié)的多個(gè)角度的器官局部圖像，收集并整理圖像資源按植物類別進(jìn)行分類整理類別進(jìn)行分類備用；S2：圖像訓(xùn)練集制作，通過(guò)將步驟S1中收集采集的植物圖像按已分類別進(jìn)行標(biāo)注，并將標(biāo)注后的圖像數(shù)據(jù)統(tǒng)一調(diào)整為大小一致的尺寸；S3：識(shí)別用矢量神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，通過(guò)將步驟S2中處理后的圖像數(shù)據(jù)，輸入到矢量神經(jīng)網(wǎng)絡(luò)中，經(jīng)多次迭代后使得網(wǎng)絡(luò)能夠提取出植物圖像的多維特征，并經(jīng)過(guò)向量算法將特征轉(zhuǎn)為向量值，其中向量的模長(zhǎng)表示其所屬類別的可能性，向量的方向表示植物的類別實(shí)體參數(shù)；S4：將步驟S3中的訓(xùn)練得到的矢量神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別植物種類，屬于要識(shí)別的植物的圖像，經(jīng)網(wǎng)絡(luò)自主提取出具有視角不變性的特征，產(chǎn)生最終的特征向量，并根據(jù)這個(gè)向量的模長(zhǎng)來(lái)計(jì)算分類損失，分類計(jì)算后得出識(shí)別分類結(jié)果名稱；S5：根據(jù)步驟S4中計(jì)算的分類結(jié)果名稱，搜索數(shù)據(jù)庫(kù)或網(wǎng)絡(luò)資源資料，并展示搜索后的數(shù)據(jù)詳細(xì)信息。

進(jìn)一步地，所述步驟S1中采集的局部圖像為植物的花、葉、果實(shí)和特征明顯的植物器官圖像。

進(jìn)一步地，所述步驟S1中的分類整理為將采集的植物數(shù)據(jù)按照同種類數(shù)據(jù)放入同一文件夾中。

進(jìn)一步地，所述步驟S2中的標(biāo)注為將步驟S1中的分類整理后的文件進(jìn)行編號(hào)，并以文本形式列出每個(gè)編號(hào)所對(duì)應(yīng)的植物名稱，形成了一個(gè)可用于訓(xùn)練所述矢量神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集。

進(jìn)一步地，所述步驟S2中的圖像尺寸為128*128。

進(jìn)一步地，所述步驟S3中的多維特征為經(jīng)過(guò)數(shù)個(gè)主矢量單元后提取出來(lái)，具有多個(gè)維度的特征。

進(jìn)一步地，所述步驟S3中的向量算法為向量間路由算法。

進(jìn)一步地，所述步驟S3中的實(shí)體參數(shù)有葉片紋理、葉脈分布、形狀信息，實(shí)體參數(shù)通過(guò)機(jī)器自主學(xué)習(xí)進(jìn)行特征提取。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：