[發明專利]一種植物識別方法

在審

• 申請號: 201811330748.2
• 申請日: 2018-11-09
• 公開（公告）號: CN109635653A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 李康順;林永平;陳海堂;李兆坤;吳嵚玥;趙李瓊
• 申請（專利權）人: 華南農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 劉巧霞

本發明公開了一種植物識別方法，該方法包括：預處理，用于將植物圖像轉換為二值圖像；特征提取，用于提取上述圖像中的相對特征，構成特征數據矩陣；分類識別，用于構建基于深度學習的神經網絡模型，該模型采用五層BP神經網絡，4層全連接層，最后一層為歸一層；通過訓練該模型，用于后續的植物識別。本發明方法采用具有代表性的8個相對特征，使其能適用于大多數植物的識別，相對于現有技術，能更大限度的識別更多的植物種類，提高了識別的準確率。

技術領域

本發明涉及機器視覺研究領域，特別涉及一種植物識別方法。

背景技術

植物聚類識別技術對植物分類識別、植物資源的保護與利用、探索植物間的親緣關系、闡明植物的進化規律、農業的應用等方面具有現實意義。

目前大部分計算機輔助植物分類方法都是基于葉片形狀的特征進行分類。該類方法主要包括兩個方面，特征提取和分類算法。

特征提取方法有人工提取特征的方法，有利用植物葉片邊緣的曲率等提取特征的方法，還有提取顏色、形狀和紋理等特征的方法。這些方法受葉片拍攝角度和距離等影響很大，不便于后續的分類識別。分類算法目前有PCA方法，支持向量機算法等等。但這些方法不適用于多植物分類，只能解決特定的植物葉片分類，在對多種葉片植物的大數據訓練時，識別率會下降。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種植物識別方法，該方法采用具有代表性的8個相對特征，使其能適用于大多數植物的識別，相對于現有技術，能更大限度的識別更多的植物種類，提高了識別的準確率。

本發明的目的通過以下的技術方案實現：一種植物識別方法，包括：

預處理，用于將植物圖像轉換為二值圖像，

特征提取，用于提取上述圖像中的相對特征，構成特征數據矩陣；

分類識別，用于構建基于深度學習的神經網絡模型，該模型采用五層BP神經網絡，4層全連接層，最后一層為歸一層；通過訓練該模型，用于后續的植物識別。

優選的，所述預處理步驟中，采用加權平均法對圖像進行灰度化。

優選的，所述預處理步驟中，采用雙邊濾波器方法對圖像進行去噪。

更進一步的，所述預處理步驟中，采用最大類間方差法(OTSU)對圖像進行閾值分割。

優選的，所述預處理步驟中，為了去除葉片中孔洞和葉柄，采用下述形態學操作：對處理過的圖像進行開運算去除葉柄，進行閉運算去除孔洞。

優選的，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、圓形度、狹長度、矩形度以及周長長寬比。本發明采用具有代表性的8個相對特征，使其能適用于大多數植物的識別，能更大限度的識別更多的植物種類，提高了識別的準確率。

優選的，在將特征數據矩陣輸入到基于深度學習的神經網絡模型時，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。

優選的，在神經網絡模型構建之初，通過下述調試驗證步驟來驗證當前神經網絡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表示權重的導數，f表示w與目標函數y的關系，w是權重，Δw是表示一個無窮小，可以取接近0的一個數字測試。

判斷權重的導數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。