[發(fā)明專利]一種基于深度學(xué)習(xí)和植物分類學(xué)的植物識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910079097.2
• 申請(qǐng)日: 2019-01-28
• 公開(kāi)（公告）號(hào): CN109871885B
• 公開(kāi)（公告）日: 2023-08-04
• 發(fā)明（設(shè)計(jì)）人: 朱悠翔;業(yè)寧;李若塵;張政;王香
• 申請(qǐng)（專利權(quán)）人: 南京林業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 彭英

1.一種基于深度學(xué)習(xí)和植物分類學(xué)的植物識(shí)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(shí)別植物圖像，將樣本植物圖像進(jìn)行科、屬、種的標(biāo)記；

步驟2，將樣本植物圖像輸入深度卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，所述深度卷積神經(jīng)網(wǎng)絡(luò)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(jié)果；輸出層同時(shí)具有3個(gè)輸出值，分別為該植物的科、屬、種標(biāo)記；

所述深度卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)為植物科、屬、種的交叉熵?fù)p失的加權(quán)和，即為：

；

其中，表示損失函數(shù)加權(quán)和，、、分別為科、屬、種的交叉熵?fù)p失函數(shù)，、、分別為科、屬、種損失函數(shù)的權(quán)重，分別表示科、屬、種；

科、屬、種的交叉熵?fù)p失函數(shù)為：

；

其中，，為分別對(duì)于科、屬、種的交叉熵?fù)p失函數(shù)，表示分類數(shù)，?表示第j個(gè)分類的真實(shí)概率，表示第j個(gè)分類的預(yù)測(cè)概率，給定輸入圖片，預(yù)測(cè)權(quán)值，則對(duì)第j個(gè)分類預(yù)測(cè)權(quán)值為，則

；

訓(xùn)練過(guò)程包括前向傳播和反向傳播，在反向傳播時(shí)，通過(guò)隨機(jī)梯度下降算法更新深度卷積神經(jīng)網(wǎng)絡(luò)的各層權(quán)值，反向逐層減去交叉熵?fù)p失對(duì)于該層權(quán)值的偏導(dǎo)數(shù)與設(shè)定學(xué)習(xí)率的乘積，待訓(xùn)練損失函數(shù)小于一定損失閥值時(shí)，停止訓(xùn)練并固定各層權(quán)值不再改變，得到訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)；

隨機(jī)梯度下降算法目標(biāo)為：

；

求解方法為，對(duì)于共張訓(xùn)練圖片，從1到不斷重復(fù)執(zhí)行下式直到收斂：

；

其中，表示隨機(jī)梯度，滿足，表示對(duì)于的偏導(dǎo)數(shù)，是下降系數(shù)；

步驟3，將待識(shí)別植物圖像輸入到步驟2已訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)中，依據(jù)輸出標(biāo)記得到最終識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)和植物分類學(xué)的植物識(shí)別方法，其特征在于：將收集的樣本植物圖像和待識(shí)別植物圖像輸入深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，先進(jìn)行數(shù)據(jù)增強(qiáng)處理，數(shù)據(jù)增強(qiáng)處理至少包括旋轉(zhuǎn)、裁剪、放大；旋轉(zhuǎn)是指將植物圖像每旋轉(zhuǎn)n度后進(jìn)行一次采樣，0n360；裁剪是指多次隨機(jī)多次裁剪植物圖像中的一部分后進(jìn)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(jī)將圖像中的一部分放大后再進(jìn)行采樣。

3.根據(jù)權(quán)利要求2所述基于深度學(xué)習(xí)和植物分類學(xué)的植物識(shí)別方法，其特征在于：所述深度卷積神經(jīng)網(wǎng)絡(luò)中輸入層、卷積層、池化層、全連接層、輸出層的總層數(shù)在10層以上。

4.根據(jù)權(quán)利要求3所述基于深度學(xué)習(xí)和植物分類學(xué)的植物識(shí)別方法，其特征在于：所述損失閥值為0.00001。