[發(fā)明專利]一種植物識別方法

在審

• 申請?zhí)枺?/td>: 201811330748.2
• 申請日: 2018-11-09
• 公開（公告）號: CN109635653A
• 公開（公告）日: 2019-04-16
• 發(fā)明（設(shè)計）人: 李康順;林永平;陳海堂;李兆坤;吳嵚玥;趙李瓊
• 申請（專利權(quán)）人: 華南農(nóng)業(yè)大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 劉巧霞

1.一種植物識別方法，其特征在于，包括：

預(yù)處理，用于將植物圖像轉(zhuǎn)換為二值圖像，

特征提取，用于提取上述圖像中的相對特征，構(gòu)成特征數(shù)據(jù)矩陣；

分類識別，用于構(gòu)建基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，該模型采用五層BP神經(jīng)網(wǎng)絡(luò)，4層全連接層，最后一層為歸一層；通過訓(xùn)練該模型，用于后續(xù)的植物識別。

2.根據(jù)權(quán)利要求1所述的植物識別方法，其特征在于，所述預(yù)處理步驟中，采用加權(quán)平均法對圖像進行灰度化。

3.根據(jù)權(quán)利要求1或2所述的植物識別方法，其特征在于，所述預(yù)處理步驟中，采用雙邊濾波器方法對圖像進行去噪。

4.根據(jù)權(quán)利要求3所述的植物識別方法，其特征在于，所述預(yù)處理步驟中，采用最大類間方差法對圖像進行閾值分割。

5.根據(jù)權(quán)利要求4所述的植物識別方法，其特征在于，所述預(yù)處理步驟中，采用下述形態(tài)學(xué)操作：對處理過的閾值分割后的圖像進行開運算去除葉柄，進行閉運算去除孔洞。

6.根據(jù)權(quán)利要求1所述的植物識別方法，其特征在于，所述特征提取步驟中，選取如下的相對特征：周長凹凸比、面積凹凸比、偏心率、形狀參數(shù)、圓形度、狹長度、矩形度以及周長長寬比。

7.根據(jù)權(quán)利要求1所述的植物識別方法，其特征在于，在將特征數(shù)據(jù)矩陣輸入到基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型時，先進行歸一化處理，歸一化的步驟是：

X_C＝tanh((x-E(x))*1.5)/σ(x))

其中，X_C表示歸一化處理結(jié)果，x表示某一個特征值，E(x)表示x的均值，σ(x)表示x的標準差。

8.根據(jù)權(quán)利要求1所述的植物識別方法，其特征在于，在神經(jīng)網(wǎng)絡(luò)模型構(gòu)建之初，通過下述調(diào)試驗證步驟來驗證當前神經(jīng)網(wǎng)絡(luò)模型中反向傳播的編寫是否正確，步驟是：

F＝(f(w+Δw)-f(w-Δw))/(2*Δw)

其中，F(xiàn)表示權(quán)重的導(dǎo)數(shù)，f表示w與目標函數(shù)y的關(guān)系，w是權(quán)重，Δw是表示一個無窮小的數(shù)；

判斷權(quán)重的導(dǎo)數(shù)F是否等于反向傳播的誤差，如果相等，則表示當前反向傳播編寫正確。

9.根據(jù)權(quán)利要求1所述的植物識別方法，其特征在于，所述基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，其前向運算公式：

O1＝action(A_in*B₁)

Oi＝action(O_i-1*Bi)，i∈[2,5]

其中A_in為輸入矩陣，B_i為第i層的神經(jīng)元矩陣，action()表示激勵函數(shù)，Oi表示第i層的輸出矩陣，在action()中，前四層均使用tanh函數(shù)，最后一層中先進行tanh函數(shù)，再使用下方激勵函數(shù)：

其中，out_i表示最后一層中進行了tanh函數(shù)的第i個輸出，e表示自然常數(shù)；

目標函數(shù)：

對于一條記錄來說，其目標函數(shù)批量訓(xùn)練時，神經(jīng)網(wǎng)絡(luò)的目標函數(shù)為每條記錄的誤差值的均值；

其中out是標簽指明的同種葉子類別的歸一層函數(shù)的輸出，該值作為該條記錄的誤差值；action(out)表示標簽指定的out在最后一層中使用的激勵函數(shù)。