[發明專利]一種基于深度學習和植物分類學的植物識別方法

有效

• 申請號: 201910079097.2
• 申請日: 2019-01-28
• 公開（公告）號: CN109871885B
• 公開（公告）日: 2023-08-04
• 發明（設計）人: 朱悠翔;業寧;李若塵;張政;王香
• 申請（專利權）人: 南京林業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 彭英

1.一種基于深度學習和植物分類學的植物識別方法，其特征在于，包括以下步驟：

步驟1，收集樣本植物圖像和待識別植物圖像，將樣本植物圖像進行科、屬、種的標記；

步驟2，將樣本植物圖像輸入深度卷積神經網絡中進行訓練，所述深度卷積神經網絡包括輸入層、卷積層、池化層、全連接層和輸出層，其中，輸入層接收輸入圖像，卷積層和池化層用于圖像特征提取，全連接層用于特征分類，輸出層用于輸出結果；輸出層同時具有3個輸出值，分別為該植物的科、屬、種標記；

所述深度卷積神經網絡的損失函數為植物科、屬、種的交叉熵損失的加權和，即為：

；

其中，表示損失函數加權和，、、分別為科、屬、種的交叉熵損失函數，、、分別為科、屬、種損失函數的權重，分別表示科、屬、種；

科、屬、種的交叉熵損失函數為：

；

其中，，為分別對于科、屬、種的交叉熵損失函數，表示分類數，?表示第j個分類的真實概率，表示第j個分類的預測概率，給定輸入圖片，預測權值，則對第j個分類預測權值為，則

；

訓練過程包括前向傳播和反向傳播，在反向傳播時，通過隨機梯度下降算法更新深度卷積神經網絡的各層權值，反向逐層減去交叉熵損失對于該層權值的偏導數與設定學習率的乘積，待訓練損失函數小于一定損失閥值時，停止訓練并固定各層權值不再改變，得到訓練好的深度卷積神經網絡；

隨機梯度下降算法目標為：

；

求解方法為，對于共張訓練圖片，從1到不斷重復執行下式直到收斂：

；

其中，表示隨機梯度，滿足，表示對于的偏導數，是下降系數；

步驟3，將待識別植物圖像輸入到步驟2已訓練好的深度卷積神經網絡中，依據輸出標記得到最終識別結果。

2.根據權利要求1所述基于深度學習和植物分類學的植物識別方法，其特征在于：將收集的樣本植物圖像和待識別植物圖像輸入深度卷積神經網絡訓練前，先進行數據增強處理，數據增強處理至少包括旋轉、裁剪、放大；旋轉是指將植物圖像每旋轉n度后進行一次采樣，0n360；裁剪是指多次隨機多次裁剪植物圖像中的一部分后進行采樣，保證裁剪后圖像面積不小于原始圖像的二分之一；放大是指多次隨機將圖像中的一部分放大后再進行采樣。

3.根據權利要求2所述基于深度學習和植物分類學的植物識別方法，其特征在于：所述深度卷積神經網絡中輸入層、卷積層、池化層、全連接層、輸出層的總層數在10層以上。

4.根據權利要求3所述基于深度學習和植物分類學的植物識別方法，其特征在于：所述損失閥值為0.00001。