一种基于卷积神经网络的植物自动分类方法技术

本发明专利技术公开了一种基于卷积神经网络的植物自动分类方法，该方法先采集样本植物图像数据；舍弃辨识度不高的图像数据，对原始数据打标签，通过打好标签的图像构建数据集，并将数据集分为训练集、验证集和测试集，再对图像数据进行数据扩充处理；使用GoogLeNet构建特征网络，并采用改进后的Fast‑Inception模块结构和h‑Swish激活函数，建立植物自动分类模型；最后通过植物自动分类模型对待识别图像进行分类。该方法解决了人工对植物进行分类的效率低下且容易造成误分类操作的问题，同时提高了植物分类识别的准确率，提升模型的泛化能力，让模型更具有鲁棒性，且减少了模型训练所需要的计算量和时间。

【技术实现步骤摘要】
一种基于卷积神经网络的植物自动分类方法
本专利技术属于植物分类
，具体涉及一种基于卷积神经网络的植物自动分类方法。
技术介绍
植物分类领域目前来说有两种分类方法：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。传统机器学习和深度学习在植物图像分类和识别中有着重要的作用，传统机器学习方法识别植物，主要是利用图像提取颜色、纹理和形状等底层特征信息，根据图像类别建立训练集的联合特征信息矢量。对测试集中的所有类别的图像，依据训练集中相同的方法提取联合特征信息矢量，再根据距离度量规则或者其它分类原则预测测试集的类别；深度学习方法识别植物，可以利用深度学习方法提取植物图片的特征信息，再根据传统机器学习的分类方法直接对植物图像进行分类，或者利用深度学习中的全连接层对植物图像进行分类。植物分类识别模型，可以从植物的多种器官建模，植物的叶、花、果、枝干和整株等都可以作为植物图像分类识别的建模器官，但目前相对成熟的研究方法主要是基于植物叶、花或者果的单器官识别。目前，深度卷积神经网络以其优良的性能，在图像识别领域的应用发展迅速，并且取得了很好的进展，其在图像识别等领域相较于传统分类识别算法应用更灵活、多目标分类能力更强。此外，目前使用深度卷积神经网络进行植物识别的方法主要集中在单个特定器官例如花、叶或果实中独立识别植物。用单一器官识别的准确率不高，很难满足科普植物知识和现代化农业生产的需要。但是，由于传统植物识别算法在特征提取上耗时耗力，以及对野外直接采集的图片识别准确率不高的问题，传统机器学习识别方法对复杂背景的植物识别很难达到理想的识别效果。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的基于卷积神经网络的植物自动分类方法解决了现有的通过人工识别植物分类时，准确度差、效率低的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于卷积神经网络的植物自动分类方法，包括以下步骤：S1、采集不同植物在不同生长阶段的原始图像数据；S2、对采集的原始图像数据进行预处理，构建样本图像数据集，并将其划分为训练集、验证集和测试集；S3、对训练集中的图像数据进行数据扩充处理；S4、将数据扩充后的训练集输入到改进的GoogLeNet特征网络中进行训练，并通过验证集对参数进行调整，得到训练好的植物自动分类模型；S5、将测试集中待识别的植物图像输入到植物自动分类模型中，得到对应的植物分类结果，实现植物自动分类。进一步地，所述步骤S2具体为：S21、对原始图像数据进行打标签处理；S22、删除辨识度低于设定阈值的打标签后的图像数据；S23、将保留的图像数据尺寸统一设置为224×224×3；S24、将所有尺寸统一的图像数据作为样本图像数据集，并将其划分为训练集、验证集和测试集。进一步地，所述步骤S21中，对原始图像数据进行打标签处理包括确定植物器官标签和植物种类识别标签。进一步地，所述植物器官标签包括花、果、叶和整株。进一步地，所述步骤S22具体为：S22-1、根据图像数据中的植物器官标签，构建对应类别的单分类器；S22-2、将每类器官对应的图像数据依次输入到对应的单分类器中，进而得到该图像数据为正确分类时的得分，将其作为图像数据的辨识度；S22-3、将辨识度低于设定阈值对应的图像数据删除。进一步地，所述步骤S3中的数据扩充处理包括对比增强处理、叠加噪声处理、仿射变换处理、颜色抖动处理和透视变换处理。进一步地，所述步骤S4中，在改进的GoogLeNet特征网络中将GoogLeNet特征网络中的Inception结构替换为Fast-Inception结构，所述改进的GoogLeNet特征网络中的激活函数为h-Switsh函数，所述改进的GoogLeNet特征网络中的分类器采用Softmax函数，所述改进的GoogLeNet特征网络的全连接层的神经元个数为12个。进一步地，所述Fast-Inception结构包括第一1×1卷积层、最大池化层和第二1×1卷积层；所述第一1×1卷积层的输入端、最大池化层的输入端和第二1×1卷积层的输入端均与Fast-Inception结构的前一层结构的输出端连接，所述最大池化层的输出端与第三1×1卷积层的输入端连接，所述第二1×1卷积层的输出端与第一3×3卷积层的输入端连接，所述第一3×3卷积层的第一输出端依次与第四1×1卷积层和第二3×3卷积层连接；所述第一1×1卷积层的输出端、第三1×1卷积层的输出端、第一3×3卷积层的第二输出端和第二3×3卷积层的输出端形成级联卷积核作为Fast-Inception结构的输出端。进一步地，在所述改进的GoogLeNet特征网络中，Dropout层的输出比率为60％。进一步地，所述步骤S4具体为：S41、对当前训练集中的图像数据进行去均值化处理；S42、将去均值化处理后的训练集中的每类器官对应的图像数据分别输入到一个改进的GoogLeNet特征网络中；S43、采用自适应梯度估计方法对每个改进的GoogLeNet特征网络进行训练，并通过验证集中的图像数据进行网络参数调整，得到植物的花、果、叶和整株对应的单器官植物种类识别模型；S44、采用投票策略对各单器官植物种类识别模型输出的分类信息进行处理，提取最终的种类识别信息，得到训练好的植物自动分类模型。本专利技术的有益效果为：本专利技术提供的基于卷积神经网络的植物自动分类方法，在构造卷积神经网络时改进了GoogLeNet网络模型，建立了Fast-Inception模块结构，并将其替代原GoogLeNet中的所有Inception模块结构。该模块结构在保留上层卷积提取的特征信息的同时，还提取了更多尺度下的特征信息，同时提高了准确率，在保证低计算量和提高网络精准度下，采用最新的激活函数h-Swish替代传统的激活函数ReLU。本专利技术方法中改进的GoogLeNet卷积网络模型提高了植物自动分类识别的准确率，提升了模型的泛化能力，让模型更具有鲁棒性，且减少了模型训练所需要的资源和时间。附图说明图1为本专利技术提供的基于卷积神经网络的植物自动分类方法流程图。图2为本专利技术提供的改进的GoogLeNet特征网络中Fast-Inception结构图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。如图1所示，一种基于卷积神经网络的植物自动分类方法，包括以下步骤：S1、采集不同本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的植物自动分类方法，其特征在于，包括以下步骤：/nS1、采集不同植物在不同生长阶段的原始图像数据；/nS2、对采集的原始图像数据进行预处理，构建样本图像数据集，并将其划分为训练集、验证集和测试集；/nS3、对训练集中的图像数据进行数据扩充处理；/nS4、将数据扩充后的训练集输入到改进的GoogLeNet特征网络中进行训练，并通过验证集对参数进行调整，得到训练好的植物自动分类模型；/nS5、将测试集中待识别的植物图像输入到植物自动分类模型中，得到对应的植物分类结果，实现植物自动分类。/n

【技术特征摘要】
1.一种基于卷积神经网络的植物自动分类方法，其特征在于，包括以下步骤：
S1、采集不同植物在不同生长阶段的原始图像数据；
S2、对采集的原始图像数据进行预处理，构建样本图像数据集，并将其划分为训练集、验证集和测试集；
S3、对训练集中的图像数据进行数据扩充处理；
S4、将数据扩充后的训练集输入到改进的GoogLeNet特征网络中进行训练，并通过验证集对参数进行调整，得到训练好的植物自动分类模型；
S5、将测试集中待识别的植物图像输入到植物自动分类模型中，得到对应的植物分类结果，实现植物自动分类。


2.根据权利要求1所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S2具体为：
S21、对原始图像数据进行打标签处理；
S22、删除辨识度低于设定阈值的打标签后的图像数据；
S23、将保留的图像数据尺寸统一设置为224×224×3；
S24、将所有尺寸统一的图像数据作为样本图像数据集，并将其划分为训练集、验证集和测试集。


3.根据权利要求2所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S21中，对原始图像数据进行打标签处理包括确定植物器官标签和植物种类识别标签。


4.根据权利要求3所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述植物器官标签包括花、果、叶和整株。


5.根据权利要求4所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S22具体为：
S22-1、根据图像数据中的植物器官标签，构建对应类别的单分类器；
S22-2、将每类器官对应的图像数据依次输入到对应的单分类器中，进而得到该图像数据为正确分类时的得分，将其作为图像数据的辨识度；
S22-3、将辨识度低于设定阈值对应的图像数据删除。


6.根据权利要求1所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S3中的数据扩充处理包括对比增强处理、叠加噪声处理、仿射变换处理、颜色抖动处理和透视变换处理。


7.根据权利要求1所述的基于卷...

【专利技术属性】
技术研发人员：李潇，熊洋，
申请(专利权)人：空间信息产业发展股份有限公司，
类型：发明
国别省市：四川;51