[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

本發明公開了一種基于深度學習和植物分類學的植物識別方法。將樣本植物圖像進行科、屬、種的標記；將樣本植物圖像輸入深度卷積神經網絡中進行訓練。將損失函數設定為科、屬、種標簽的交叉熵損失的加權和，通過隨機梯度下降算法更新神經網絡的權值，待該深度卷積神經網絡收斂后結束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。本發明通過將深度學習與植物分類學結合，引入科、屬標簽作為學習目標，提高了識別正確率。

技術領域

本發明涉及植物識別技術領域，具體為一種基于深度學習和植物分類學的植物識別方法。

背景技術

圖像識別領域目前一般來說有兩類方法，一類是基于傳統機器學習的識別方法，其特點是特征提取方式一般為人工定義；另一類是基于深度學習的方法，其特點是特征依靠深度卷積神經網絡自動提取。然而，前者往往會引入人工偏差，后者會有一定程度的過擬合問題，影響識別性能。

現有專利CN201810030151.X，公開了一種植物種類識別方法以及裝置，其通過獲取待識別植物的花、葉以及整體植株三個部位中的至少兩個部位的圖片作為待識別圖片；并基于預先保存的多個識別模型分別識別所述待識別圖片中的每張圖片，得到每個部位的預測識別結果；然后將所有的預測識別結果進行融合，得到所述待識別植物的種類。本方法根據葉、花和植株整體信息，融合利用整體和局部信息，對植物做精細的識別分析，從而得出準確的植物分類結果，可以讓算法更具有魯棒性，用戶在使用該算法時，能夠較以往更好地實現植物分類。該專利使用了跨媒體方法進行識別。

現有專利CN201611206559.5，公開了一種基于深度學習的跨媒體中草藥植物圖像檢索方法。其步驟如下：1)通過OCR，文本結構化處理，從《植物分類學》等書籍中抽取植物分類描述文字2)使用中文分詞工具，對所有植物分類描述文字進行包括分詞和去停用詞在內的預處理；3)用word2vec算法根據描述文本生成詞向量；4)使用Fisher?Vector將描述文本進行編碼；5)利用卷積神經網絡在圖片集上進行訓練，使網絡結構收斂到最優狀態；6)提取卷積神經網絡的倒數第二層全連接層輸出作為圖片特征向量；7)融合文本特征與圖片特征；8)使用線性核SVM分類器進行模型訓練；9)用戶檢索時可輸入圖像、描述植物文本，之后利用4)、6)、7)、8)步得到最終的圖片檢索結果。該專利使用了跨媒體方法。

發明內容

發明目的：為提高植物識別的準確率，緩解深度卷積神經網絡的過擬合問題，本發明提供一種基于深度學習和植物分類學的植物識別方法。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種基于深度學習和植物分類學的植物識別方法，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：

l＝al_f+bl_g+cl_s