[發(fā)明專利]基于生成式對(duì)抗網(wǎng)絡(luò)模型和IOS平臺(tái)的植物葉片識(shí)別系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010563204.1
• 申請(qǐng)日: 2020-06-19
• 公開（公告）號(hào): CN111814591A
• 公開（公告）日: 2020-10-23
• 發(fā)明（設(shè)計(jì)）人: 黃德雙;焦致豪
• 申請(qǐng)（專利權(quán)）人: 同濟(jì)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06T5/00;H04L12/24;H04L29/06;H04L29/08
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 葉敏華

本發(fā)明涉及一種基于生成式對(duì)抗網(wǎng)絡(luò)模型和IOS平臺(tái)的植物葉片識(shí)別系統(tǒng)，該系統(tǒng)包括IOS客戶端和與IOS客戶端通過無(wú)線網(wǎng)絡(luò)互相連接的服務(wù)器端，所述的IOS客戶端獲取植物葉片圖像，并對(duì)植物葉片圖像進(jìn)行預(yù)處理，處理后的植物葉片圖像通過IOS客戶端的人機(jī)交互頁(yè)面選取本地識(shí)別路徑或服務(wù)器端識(shí)別路徑，所述的IOS客戶端對(duì)本地識(shí)別路徑請(qǐng)求調(diào)用自身網(wǎng)絡(luò)模型進(jìn)行植物葉片識(shí)別，所述的服務(wù)器端在收到服務(wù)器端識(shí)別路徑的請(qǐng)求后，對(duì)由IOS客戶端無(wú)線發(fā)送的預(yù)處理后的植物葉片圖像調(diào)用基于分段損失加權(quán)的生成式對(duì)抗網(wǎng)絡(luò)進(jìn)行識(shí)別。與現(xiàn)有技術(shù)相比，本發(fā)明具有改善模型的模式崩潰現(xiàn)象、識(shí)別效率高等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及植物葉片識(shí)別技術(shù)領(lǐng)域，尤其是涉及一種基于生成式對(duì)抗網(wǎng)絡(luò)模型和IOS平臺(tái)的植物葉片識(shí)別系統(tǒng)。

背景技術(shù)

地球上存在眾多的植物物種，由于植物的種類繁多，除非具有相關(guān)專業(yè)知識(shí)，否則很難記憶并識(shí)別多種植物，因此植物自動(dòng)識(shí)別技術(shù)的研究具有重大意義。由于葉片是植物的重要器官，并且能反映出植物的重要特征，因此往往作為植物識(shí)別的重要判別依據(jù)。

目前，植物物種識(shí)別方法主要有三種：

(1)人工貼上的物種標(biāo)簽：這是大部分植物園或公園采取的為方便游客識(shí)別植物物種的一種方法，即，將刻有植物相關(guān)信息的標(biāo)簽牌貼于植物枝干上供游客閱讀。此方法存在著耗費(fèi)人力物力、傳達(dá)信息較少、表達(dá)不醒目以及標(biāo)簽易被腐蝕等先天性不足，限于此，僅在收費(fèi)或者受保護(hù)的景區(qū)得以普及；

(2)人工貼上的二維碼：此方法可視為方法(1)的升級(jí)版，是物種標(biāo)現(xiàn)代電子技術(shù)發(fā)展相結(jié)合的產(chǎn)物，游客通過掃描貼于植物枝干上的二維碼，接入互聯(lián)網(wǎng)即可獲得豐富的植物物種信息，該方法克服了方法(1)中的傳遞信息少的缺點(diǎn)，但仍存在著耗費(fèi)人力物力和標(biāo)簽易被腐蝕等缺點(diǎn)，僅在極少數(shù)園區(qū)得以實(shí)施，目前仍處于試驗(yàn)階段；

(3)專業(yè)的植物分類學(xué)工作者的研究：這是最傳統(tǒng)的植物分類學(xué)研究方法，研究者們通過采集標(biāo)本和人工測(cè)量，并結(jié)合經(jīng)驗(yàn)知識(shí)和書本指導(dǎo)對(duì)標(biāo)本進(jìn)行分類，這種方法工作量巨大，并且需要大量專業(yè)知識(shí)，只能在科研領(lǐng)域得以實(shí)施。

以上三種方法由于自身的缺陷都未能夠得到普及，目前市場(chǎng)上并沒有一種方便快捷并且代價(jià)小的植物物種識(shí)別方法。

圖像識(shí)別問題是計(jì)算機(jī)視覺領(lǐng)域內(nèi)的一個(gè)重要問題，傳統(tǒng)的圖像識(shí)別方法主要在于，首先基于原始圖像提取出各種特征，然后將得到的特征輸入到各種分類器中進(jìn)行識(shí)別。再將圖像識(shí)別涉及到視角不同、物體大小變化、物體形變、遮擋、光照強(qiáng)度變化等問題，難以用人為設(shè)計(jì)的圖像特征描述，因此傳統(tǒng)方法的識(shí)別精度普遍不高。卷積神經(jīng)網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)，由多個(gè)卷積層、池化層、全連接層等網(wǎng)絡(luò)層結(jié)構(gòu)組成，能夠充分利用輸入數(shù)據(jù)的二維結(jié)構(gòu)，在圖像領(lǐng)域有出色表現(xiàn)，相比于其他深度學(xué)習(xí)結(jié)構(gòu)，更適合用于解決圖像識(shí)別等相關(guān)問題。

深度學(xué)習(xí)在諸多領(lǐng)域取得了巨大成功，受到了廣泛關(guān)注。神經(jīng)網(wǎng)絡(luò)能夠再次煥發(fā)青春的原因有幾個(gè)方面。首先，大數(shù)據(jù)的出現(xiàn)已經(jīng)在很大程度上緩解了訓(xùn)練中過擬合的問題。例如ImageNet訓(xùn)練集擁有上百萬(wàn)已標(biāo)注的圖像。其次，各種硬件的飛速發(fā)展提供了非常強(qiáng)大的計(jì)算能力，甚至出現(xiàn)了專門用于深度學(xué)習(xí)的硬件設(shè)備，使得訓(xùn)練大規(guī)模的神經(jīng)網(wǎng)絡(luò)成為可能。最后，近年來在網(wǎng)絡(luò)模型架構(gòu)，神經(jīng)網(wǎng)絡(luò)參數(shù)的初始化，模型訓(xùn)練方法以及激活函數(shù)的選擇等方面出現(xiàn)了很多研究成果，使得深度網(wǎng)絡(luò)模型在趨于深度化的同時(shí)能夠減少網(wǎng)絡(luò)模型的參數(shù)，大大提高深度網(wǎng)絡(luò)模型的訓(xùn)練速度和識(shí)別精度。