[發(fā)明專利]一種基于人工智能牡丹品種識別方法及識別系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010854869.8
• 申請日: 2020-08-21
• 公開（公告）號: CN111967527B
• 公開（公告）日: 2022-09-06
• 發(fā)明（設計）人: 高劍;李瑩瑩;孫輝;祝鳳金;劉剛義
• 申請（專利權）人: 菏澤學院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/94;G06N3/08;G06N3/04
• 代理公司: 濟南竹森知識產(chǎn)權代理事務所(普通合伙) 37270
• 代理人: 孫憲維

1.一種基于人工智能牡丹品種識別方法，其特征在于，對包含有牡丹花卉的圖像進行如下識別方法，包括：

S1：數(shù)據(jù)處理，形成用于模型訓練的完整標簽

對牡丹花卉的圖像添加：常規(guī)的牡丹花種類分類標簽，以及牡丹花位置信息的標簽，經(jīng)數(shù)據(jù)處理后，對牡丹花卉的花瓣主體處形成邊框；

每個邊框對應產(chǎn)生一個響應區(qū)域，對于某一表示為(X，Y，H，W)的邊框，X，Y為邊框左上角坐標，H，W分別為邊框的高和寬，生成響應區(qū)域標簽過程如下：

在以邊框中心為中心的區(qū)域內(nèi)，產(chǎn)生高斯分布的響應區(qū)域；

對于邊框(X，Y，H，W)，其中心點為

高斯分布區(qū)域半徑：

通過經(jīng)驗常數(shù)，計算可得到高斯分布方差為：

由該方差，根據(jù)二維高斯分布公式，計算出邊框中心點半徑r范圍內(nèi)的響應值；進一步，通過對所有邊框的計算，得到牡丹花卉圖像的關鍵區(qū)域響應圖；所述響應圖和牡丹花卉類別標簽構成了用于模型訓練的完整標簽；

S2：模型訓練和學習

使用數(shù)據(jù)增廣和訓練數(shù)據(jù)池策略以增加訓練數(shù)據(jù)量；

損失函數(shù)用來計算統(tǒng)計學習模型的預測值與真實值的差距，根據(jù)損失函數(shù)調整模型參數(shù)，使得損失函數(shù)變小；通過梯度下降法計算模型中各參數(shù)對損失函數(shù)值的梯度，將模型參數(shù)沿著使得損失函數(shù)減小的方向移動一定步長即為完成了一次優(yōu)化；

S3：前向計算過程

模型訓練之后，在實際使用過程中，其流程如下：

網(wǎng)絡包括全局分支以及局部分類分支，全局分支包括Feature Extractor 1以及Classification Block 1，局部分類分支包括Feature Extractor 2以及ClassificationBlock 2，兩個分支都連接有全局池化層和全連接層；

首先，對于一張輸入圖像，全局分支針對該圖像輸出特征經(jīng)過全局池化層和全連接層直接輸出N維輸出向量；

然后，全局分支把該圖像的特征輸出至區(qū)域檢測模塊Ragion detector，區(qū)域檢測模塊Ragion detector產(chǎn)生對應目標區(qū)域的熱力圖，熱力圖與原圖疊加，削弱背景區(qū)域，接著區(qū)域檢測模塊Ragion detector疊加后的熱力圖以及原圖輸出至局部分類分支FeatureExtractor2以及Classification Block 2；

接著，局部分類分支再輸出特征經(jīng)過全局池化層和全連接層變?yōu)镹維輸出向量；

最后，根據(jù)全局分支以及局部分類分支生成的兩分支的N維向量計算均值得到最終的N維輸出對于N類牡丹花的識別任務，所述識別任務用于輸出向量最大值對應的維度n即為模型對當前輸入圖像的預測結果。

2.根據(jù)權利要求1所述的一種基于人工智能牡丹品種識別方法，其特征在于，在所述S2的模型學習中，使用了三個損失函數(shù)，包括：全局分類分支的分類損失函數(shù)、局部分類分支的分類損失函數(shù)和注意力模塊響應位置的損失函數(shù)；其中，全局分類分支和局部分類分支輸出均為N維向量，其中N為所有牡丹花種類數(shù)，向量的每個維度分別對應當前輸入圖像在該分支上預測為對應種類牡丹花的概率；全局分類分支和局部分類分支輸出分別記為和每個分支對應的標簽相同，記為Y，Y為N維獨熱向量，對于第n類牡丹花樣本，Y的第n維y_n為1；其余維度均為0；

兩個分類分支均使用交叉熵損失函數(shù)，表達式如下：

所述注意力模塊的輸出為二維數(shù)組，每個像素值均在0-1范圍內(nèi)；注意力模塊輸出接近邊框生成的響應圖標簽，損失函數(shù)由響應圖與注意力模塊輸出逐像素計算差異得到。

3.根據(jù)權利要求2所述的一種基于人工智能牡丹品種識別方法，其特征在于，所述注意力模塊使用center loss損失函數(shù)進行訓練，根據(jù)中心點信息對其進行優(yōu)化；

所述center loss損失函數(shù)定義如下：

其中，K表示當前圖像上目標區(qū)域數(shù)量，即存在標注物體的數(shù)量，xy是標注/輸出圖中像素點的坐標，c是輸出圖的通道數(shù)，其中，輸出和標簽為單通道圖，即c＝1，為注意力模塊在xy位置上的輸出值，Y_xyc為標簽圖在xy位置上的值；該損失函數(shù)的邏輯是，對于一張圖片，注意力模塊的總損失是該圖片上每個物體區(qū)域的損失之和；對于物體中心，其輸出值應盡可能接近于1，對于非中心點，其輸出值應盡可能接近0，距離中心點越近的點，其損失權重越小。