一种基于单张照片的阔叶林树种识别方法技术

本发明专利技术公开了一种基于单张照片的阔叶林树种识别方法，包括以下步骤：S1收集不同种类树木的图像，建立树种图像数据集，并将数据集划分为训练集、验证集以及测试集；S2调整图像大小：将树种图像数据集中的每张图片都调整为尺寸相同的图像；S3设计一个卷积神经网络，用上述训练集图像进行网络的训练，并用测试集图像测试网络的准确率；S4选出准确率最高卷积神经网络模型构建一个阔叶林树种识别系统，通过输入一张树种图像进行识别，从而获得识别的结果。本发明专利技术的方法利用深度卷积神经网络可以自主学习树种特征，减少人工的干预，识别准确率更高；能够通过一张任意角度的阔叶林树种图像进行识别，简单灵活且实用。

【技术实现步骤摘要】
一种基于单张照片的阔叶林树种识别方法
本专利技术涉及一种阔叶林树种识别方法，具体是涉及一种基于单张照片的阔叶林树种识别方法。
技术介绍
阔叶林是我国经济林最大的组成部分，组成的树种种类繁多，其树种除了可生产木材外，还可用于生产油料、干果鲜品、工业原料、药材及其他副特产品等，在一定程度上驱动了中国经济的发展。所以加深对阔叶林树种的认识是很有必要的。但是，面对种类如此繁多的阔叶林树种，有经验的人尚不能做到准确的识别，更别说大部分人是没有这方面经验的。这时，基于单张照片的阔叶林树种识别方法的提出，在一定程度上减少了人工的参与，识别更加的方便快捷。到目前为止，也有不少基于图像的树种识别方法被提出来。其中大多需要通过人工去筛选特征，然后再进行分类器的训练。这是一个十分费时费力的过程，不仅需要研究人员具备相当的经验，还需要进行大量的实验去验证。现有技术中也有一些在树种特征选择上不需要人工干预，直接利用深度神经网络自主学习特征从而更新分类器。但其只能根据树种叶片图像进行识别，方法灵活性不高且实验样本获取不易。郑一力，钟刚亮等人在《基于多特征降维的植物叶片识别方法》中提供了一种植物识别方法，该方法利本文档来自技高网...

【技术保护点】
1.一种基于单张照片的阔叶林树种识别方法，其特征在于，包括以下步骤：S1收集不同种类树木的图像，建立树种图像数据集，并将树种图像数据集划分为训练集、验证集以及测试集；S2调整图像大小：将树种图像数据集中的每张图片都调整为尺寸相同的图像；S3设计一个卷积神经网络，用所述训练集图像进行网络的训练，训练完成后用测试集图像测试网络的准确率；S4用训练后的卷积神经网络的构建一个阔叶林树种识别系统，通过输入一张树种图像进行识别，从而获得识别的结果。

【技术特征摘要】
1.一种基于单张照片的阔叶林树种识别方法，其特征在于，包括以下步骤：S1收集不同种类树木的图像，建立树种图像数据集，并将树种图像数据集划分为训练集、验证集以及测试集；S2调整图像大小：将树种图像数据集中的每张图片都调整为尺寸相同的图像；S3设计一个卷积神经网络，用所述训练集图像进行网络的训练，训练完成后用测试集图像测试网络的准确率；S4用训练后的卷积神经网络的构建一个阔叶林树种识别系统，通过输入一张树种图像进行识别，从而获得识别的结果。2.根据权利要求1所述的基于单张照片的阔叶林树种识别方法，其特征在于，所述步骤S1中，树种图像数据集中树木的种类至少为两类，且每种树木图像至少10000张。3.根据权利要求1或2所述的基于单张照片的阔叶林树种识别方法，其特征在于，将树种图像数据集随机的划分为训练集、验证集和测试集，其中，训练集、验证集、测试集的比例是5～9:0.5～2.5:0.5～2.5。4.根据权利要求1所述的基于单张照片的阔叶林树种识别方法，其特征在于，所述步骤S2中，将每张图像的尺寸都修改为固定大小的x×y像素；其中x代表图像的宽度，y代表图像的高度，且x＝y。5.根据权利要求1所述的基于单张照片的阔叶林树种识别方法，其特征在于，卷积神经网络HCNN一共有11层，具体包括如下网络结构，输入层Input:，输入尺寸为x×y×z的图像，其中x代表图像的宽度，y代表图像的高度，且x＝y，z代表图像的通道数，卷积层C1：使用u1个F1×F1×z的卷积核进行卷积操作，步长为S1×S1,其中卷积运算采用当超出图像边界时不补0的“VALID”形式，卷积后使用RelU非线性激活函数，卷积后的结果输出为：W1×W1×u1；其中，W为输入层的尺寸，即W＝x＝y，为向上取整符号；池化层P2：将C1层的输出W1×W1×u1作为输入，使用S2×S2的步长进行最大池化，最大池化后的结果为W2×W2×u1：其中，W1为C1层的输出尺寸，为向下取整符号；卷积层C3：使用u2个F2×F2×u1的卷积核进行卷积操作，步长为S3×S3，其中卷积运算采用的是当超出图像边界时补0的“SAME”形式，卷积后使用ReLU非线性激活函数，卷积后的输出结果为：W3×W3×u2，其中，W2为C2层的输出尺寸，为向上取整符号；池化层P4：将C3层的输出W3×W3×u2作为输入，使用S4×S4的步长进行最大池化，最大池化后的结果为W4×W4×u2，其中，W3为C3层的输出尺寸，为向下取整符号卷积层C5：使用u3个F3×F3×u2的卷积核进行卷积操作，步长为S5×S5，其中卷积运算采用的是当超出图像边界时补0的“SAME”形式，卷积后使用RelU非线性激活函数，卷积后的输出结果为：W5×W5×u3，其中，W4为P4层的输出尺寸，为向上取整符号；池化层P6：将C5层的输出W5×W5×u3作为输入，使用S6×S6的步长进行最大池化，最大池化后的结果为W6×W6×u3，其中，W5为C5层的输出尺寸，为向下取整符号全连接层FC7：将P6层的输出W6×W6×u3作为输入，P6层运算后共有W6×W6×u3个像素点，将这每一个像素点的值表示为一个神经元，再令FC7层的输出为n1个神经元，其中每一个神经元的值由以下公式计算得出：其中，z为每个神经元的值，xi为上一层的每个神经元的值，l为上一层输出神经元的个数，...

【专利技术属性】
技术研发人员：冯海林，胡明越，杨垠晖，方益明，夏凯，
申请(专利权)人：浙江农林大学，
类型：发明
国别省市：浙江,33