花卉识别方法及其设备技术

本申请提供了一种android系统下花卉识别的方法，包括：采集N种花卉的图像，构建花卉数据库，其中，每种花卉包括多张图像；对所述花卉数据库中的每一张图像进行图像预处理，其中，所述图像预处理包括下列中的至少一项：归一化、图像增强、高斯滤波和形态学滤波；将所述花卉数据库中的每一张图像输入深度卷积神经网络中，对所述深度卷积网络进行特征提取，得到每一张图像的特征向量，其中，所述深度卷积神经网络由多次训练迭代后得到；采集目标花卉的图像，计算所述目标花卉的图像的特征向量与所述花卉数据库中的每一张图像的特征向量的欧式距离，确定欧式距离满足阈值条件的图像所属的花卉为目标花卉。

【技术实现步骤摘要】
花卉识别方法及其设备
本申请涉及图像处理领域，并且更具体地，涉及一种花卉识别的方法及其设备。
技术介绍
目前在城市绿化中，主要通过为植物设置铭牌或者二维码提供植物的相关信息。但是通过铭牌介绍植物的相关信息存在很多不足，例如植物数量较多，分布范围广，铭牌制作和维护成本较高，覆盖面不广。除此之外，公园、植物园等场所选择利用二维码提供植物名字信息，二维码相当于电子铭牌，人们通过对扫描二维码，获取植物的具体信息。但是，虽然二维码的制作成本有所降低，但是也存在普通铭牌的不足。而且，二维码容易受到自然环境的影响而被磨损、侵蚀，导致无法扫描。国内外主要的植物识别研究工作都是限定在特定的一些植物种类中，并且主要是应用在个人电脑PC和ARM板上，针对在移动手持终端设备上的花卉分类识别的研究非常少，目前为止，仅仅在苹果的IOS平台上有了一款软件成品，而在Android平台上的花卉识别系统暂时还尚未有人发布，进行花卉的识别研究十分匮乏。现在大部分的研究都是在PC上进行的，实用性较低。因此，亟需一种基于Android平台的花卉识别方法。
技术实现思路
本申请提供一种基于Android平台的花卉识别方法，能够快捷本文档来自技高网...

【技术保护点】
1.一种android系统下花卉识别的方法，其特征在于，包括：采集N种花卉的图像，构建花卉数据库，其中，每种花卉包括多张图像；对所述花卉数据库中的每一张图像进行图像预处理，其中，所述图像预处理包括下列中的至少一项：归一化、图像增强、高斯滤波和形态学滤波；将所述花卉数据库中的每一张图像输入深度卷积神经网络中，对所述深度卷积网络进行特征提取，得到每一张图像的特征向量，其中，所述深度卷积神经网络由多次训练迭代后得到；采集目标花卉的图像，计算所述目标花卉的图像的特征向量与所述花卉数据库中的每一张图像的特征向量的欧式距离，确定欧式距离满足阈值条件的图像所属的花卉为目标花卉。

【技术特征摘要】
1.一种android系统下花卉识别的方法，其特征在于，包括：采集N种花卉的图像，构建花卉数据库，其中，每种花卉包括多张图像；对所述花卉数据库中的每一张图像进行图像预处理，其中，所述图像预处理包括下列中的至少一项：归一化、图像增强、高斯滤波和形态学滤波；将所述花卉数据库中的每一张图像输入深度卷积神经网络中，对所述深度卷积网络进行特征提取，得到每一张图像的特征向量，其中，所述深度卷积神经网络由多次训练迭代后得到；采集目标花卉的图像，计算所述目标花卉的图像的特征向量与所述花卉数据库中的每一张图像的特征向量的欧式距离，确定欧式距离满足阈值条件的图像所属的花卉为目标花卉。2.根据权利要求1所述的方法，其特征在于，所述采集N种花卉的图像，包括：采集同一种花卉不同角度和/或不同状态的多张图像，拍摄所述多张图像时保持相机高度相同、焦距相同和图像尺寸相同。3.根据权利要求1或2所述的方法，其特征在于，所述对所述花卉数据库种的每一张图像进行图像预处理，包括：对每一张图像进行归一化处理；采集所述归一化处理后的图像的增强亮度和对比度；对采集图像增强亮度和对比度后的图像进行开运算，删除不能包含结构元素的对象区域，平滑对象的轮廓，断开狭窄的连接，去掉细小的突出部分；对进行开运算后的灰度图像进行高斯滤波，使用3×3模板进行降噪，消除孤立点。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：构建所述深度卷积神经网络；将所述花卉数据库中的每一张图像输入深度卷积神经网络中，对所述深度卷积网络进行特征提取，得到每一张图像的特征向量，包括：将所述花卉数据库中每一幅花卉图像输入至构建的深度卷积神经网络中，对深度卷积神经网络进行训练提取特征，对输出的特征分别进行归一化和仿射变换，得到投影矩阵，通过最小化三元损失函数训练投影矩阵，得到每一幅花卉图像的特征向量；在训练过程中使用卷积、池化和误差反向传播更新卷积神经网络的各个权值，多次迭代后，得到最佳权值的深度卷积神经网络并用于花卉数据库中，其中，损失函数为：其中，第n层为输出层，为第i个神经元的输出值，hj为输出层第j个神经元的期望输出，j表示第n层输出层的第j个神经元，i表示第n层输出层的第i个神经元，对损失函数求一阶偏导，则权值为其中为学习率；假设是第n层的第i个神经元的输入值，和分别是该神经元输出值和偏置值，为该神经元与第n-1层的第i个神经元的连接权值，则有：其中f()为激励函数。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述计算所述目标花卉的图像的特征向量与所述花卉数据库中的每一张图像的特征向量的欧式距离，确定欧式距离满足阈值条件的图像所属的花卉为目标花卉，包括：目标花卉图像为Fm，经过卷积神经网络后提取所述目标图像的特征向量φ(Fn)，将所述目标图像的特征向量φ(Fn)与数据库中第m幅图像Fm的特征向量进行欧式距离的计算||φ(Fn)-φ(Fm)||；判断欧式距离是否小于阈值τ，如果小于阈值τ，则判定所述目标图像与所述第m幅图...

【专利技术属性】
技术研发人员：李文举，章梦，韦丽华，陈嘉华，文栎钦，孙玉琨，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：上海,31