一种基于深度学习和植物分类学的植物识别方法技术

本发明专利技术公开了一种基于深度学习和植物分类学的植物识别方法。将样本植物图像进行科、属、种的标记；将样本植物图像输入深度卷积神经网络中进行训练。将损失函数设定为科、属、种标签的交叉熵损失的加权和，通过随机梯度下降算法更新神经网络的权值，待该深度卷积神经网络收敛后结束训练并固定各层权值不再改变得到训练好的深度卷积神经网络。本发明专利技术通过将深度学习与植物分类学结合，引入科、属标签作为学习目标，提高了识别正确率。

A Plant Recognition Method Based on Deep Learning and Plant Taxonomy

The invention discloses a plant recognition method based on in-depth learning and plant taxonomy. Sample plant images are labeled with family, genus and species, and input into depth convolution neural network for training. The loss function is set as the weight of cross-entropy loss of family, genus and species labels, and the weights of the neural network are updated by the stochastic gradient descent algorithm. When the deep convolution neural network converges, the training is completed and the weights of each layer are fixed, and the trained deep convolution neural network is obtained. By combining in-depth learning with plant taxonomy and introducing family and genus labels as learning objectives, the method improves the recognition accuracy.

【技术实现步骤摘要】
一种基于深度学习和植物分类学的植物识别方法
本专利技术涉及植物识别
，具体为一种基于深度学习和植物分类学的植物识别方法。
技术介绍
图像识别领域目前一般来说有两类方法，一类是基于传统机器学习的识别方法，其特点是特征提取方式一般为人工定义；另一类是基于深度学习的方法，其特点是特征依靠深度卷积神经网络自动提取。然而，前者往往会引入人工偏差，后者会有一定程度的过拟合问题，影响识别性能。现有专利CN201810030151.X，公开了一种植物种类识别方法以及装置，其通过获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片；并基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片，得到每个部位的预测识别结果；然后将所有的预测识别结果进行融合，得到所述待识别植物的种类。本方法根据叶、花和植株整体信息，融合利用整体和局部信息，对植物做精细的识别分析，从而得出准确的植物分类结果，可以让算法更具有鲁棒性，用户在使用该算法时，能够较以往更好地实现植物分类。该专利使用了跨媒体方法进行识别。现有专利CN201611206559.5，公开了一种基于深度学习的跨媒体中草药植本文档来自技高网...

【技术保护点】
1.一种基于深度学习和植物分类学的植物识别方法，其特征在于，包括以下步骤：步骤1，收集样本植物图像和待识别植物图像，将样本植物图像进行科、属、种的标记；步骤2，将样本植物图像输入深度卷积神经网络中进行训练，所述深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层接收输入图像，卷积层和池化层用于图像特征提取，全连接层用于特征分类，输出层用于输出结果；输出层同时具有3个输出值，分别为该植物的科、属、种标记；所述深度卷积神经网络的损失函数为植物科、属、种的交叉熵损失的加权和，即为：l＝alf+blg+cls其中，l表示损失函数加权和，lf，lg，ls分别为科、属、种的交叉熵损失...

【技术特征摘要】
1.一种基于深度学习和植物分类学的植物识别方法，其特征在于，包括以下步骤：步骤1，收集样本植物图像和待识别植物图像，将样本植物图像进行科、属、种的标记；步骤2，将样本植物图像输入深度卷积神经网络中进行训练，所述深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层接收输入图像，卷积层和池化层用于图像特征提取，全连接层用于特征分类，输出层用于输出结果；输出层同时具有3个输出值，分别为该植物的科、属、种标记；所述深度卷积神经网络的损失函数为植物科、属、种的交叉熵损失的加权和，即为：l＝alf+blg+cls其中，l表示损失函数加权和，lf，lg，ls分别为科、属、种的交叉熵损失函数，a，b，c分别为科、属、种损失函数的权重，f,g,s分别表示科、属、种；科、属、种的交叉熵损失函数为：其中，i∈{f,g,s}，li为分别对于科、属、种的交叉熵损失函数，n表示分类数，yij表示第j个分类的真实概率，表示第j个分类的预测概率，给定输入图片X，预测权值θi，则对第j个分类预测权值为θij，则通过随机梯度下降算法更新深度卷积神经网络的各层预测权值，待训练损失函数小于损失阀值时，停止训练并固定各层权值不再改变，得到训练好的深度卷积神经网络；所述随机梯度下降算法目标为：minl...

【专利技术属性】
技术研发人员：朱悠翔，业宁，李若尘，张政，王香，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：江苏,32