预测大型真菌种类的方法及装置制造方法及图纸

本发明专利技术公开了一种预测大型真菌种类的方法及装置，属于图像识别技术领域。所述方法包括：获取大型真菌的待处理图像；对所述待处理图像进行图像预处理操作，得到待识别图像；基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。采用本发明专利技术，可以提高大型真菌种类识别的准确率。

Methods and devices for predicting the species of macrofungi

【技术实现步骤摘要】
预测大型真菌种类的方法及装置
本专利技术涉及图像识别
，特别涉及一种预测大型真菌种类的方法及装置。
技术介绍
大型真菌俗称蘑菇，是除动物、植物外一类重要的真核生物。据报告(StateoftheWorld’sFungi2018)统计，世界共有14余万种大型真菌被报道，在中国被报道的可食用菌有1020种，可药用菌有692种，毒菌有480种。因此大型真菌分类是一项庞大且复杂的工作。传统分类学依靠分类学家对大型真菌特征进行鉴别，从而预测大型真菌种类。随着计算机科学发展，生物识别领域已经成为一个热点。基于图像处理的大型真菌分类识别领域工作较为薄弱。目前存在一些对大型真菌种类进行分类识别的算法，如通过降梯度神经网络实现大型真菌分类识别的算法等。但存在的问题是，该神经网络对大型真菌这类边缘形态差异不显著的图像分类优势较弱，且该算法要求对图像进行背景去除的预处理方法，这将导致该算法在实际环境中和复杂背景下应用时，由于背景不能完全去除，导致在解决复杂环境下，传统大型真菌分类的准确率较低。
技术实现思路
本专利技术实施例提供了一种预测大型真菌种类的方法及装置，可以减小计算复杂度，并增加大型真菌分类的准确性。所述技术方案如下：一方面，提供了一种预测大型真菌种类的方法，该方法应用于电子设备，该方法包括：获取大型真菌的待处理图像；对所述待处理图像进行图像预处理操作，得到待识别图像；基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。r>可选地，所述大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型，优选地，多个CNN子模型可以包括ShuffleNetV2、MobileNetV2和经典CNN结构AlexNet；所述大型真菌分类识别模型的训练过程如下：获取多个第一训练样本，其中，所述第一训练样本包括第一样本图像以及对应的样本类别；对所述多个第一训练样本中的样本图像进行图像预处理操作；基于所述多个第一训练样本，对多个CNN子模型分别进行迭代训练；确定训练后的多个CNN子模型的准确率，根据所述多个CNN子模型的准确率，对每个CNN子模型赋予权重；基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。可选地，所述图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。可选地，所述基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型，包括：基于多个CNN子模型赋予的权重，构建加权平均分类器；连接所述多个CNN子模型、所述单层感知器子模型与所述加权平均分类器，构建初始大型真菌分类识别模型；通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。可选地，所述CNN子模型包括多个全连接层；所述通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型，包括：通过多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至所述待训练大型真菌分类识别模型的输出准确率不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型可选地，所述通过多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，包括：获取多个第二训练样本，其中，所述第二训练样本包括第二样本图像以及对应的样本基准类别；将所述第二样本图像依次输入所述待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取所述待训练大型真菌分类识别模型输出的所述第二样本图像对应的预测结果，将所述预测结果与所述样本基准类别进行对比，通过反向传播算法，对所述多个全连接层以及单层感知器子模型的各神经元权重值进行调整。一方面，提供了一种预测大型真菌种类的装置，该装置应用于电子设备，该装置包括：获取单元，用于获取大型真菌的待处理图像；处理单元，用于对所述待处理图像进行图像预处理操作，得到待识别图像；预测单元，用于基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。可选地，所述大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型；所述装置还包括训练单元，所述训练单元用于：获取多个第一训练样本，其中，所述第一训练样本包括第一样本图像以及对应的样本类别；对所述多个第一训练样本中的样本图像进行图像预处理操作；基于所述多个第一训练样本，对多个CNN子模型分别进行迭代训练；确定训练后的多个CNN子模型的准确率，根据所述多个CNN子模型的准确率，对每个CNN子模型赋予权重；基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。可选地，所述图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。可选地，所述训练单元，用于：基于多个CNN子模型赋予的权重，构建加权平均分类器；连接所述多个CNN子模型、所述单层感知器子模型与所述加权平均分类器，构建初始大型真菌分类识别模型；通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。可选地，所述CNN子模型包括多个全连接层；所述训练单元，用于：通过多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至所述待训练大型真菌分类识别模型的输出准确率不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型。可选地，所述训练单元，用于：获取多个第二训练样本，其中，所述第二训练样本包括第二样本图像以及对应的样本基准类别；将所述第二样本图像依次输入所述待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取所述待训练大型真菌分类识别模型输出的所述第二样本图像对应的预测结果，将所述预测结果与所述样本基准类别进行对比，通过反向传播算法，对所述多个全连接层以及单层感知器子模型的各神经元权重值进行调整。可选地，所述多个CNN子模型包括ShuffleNetV2子模型，MobileNet子模型和AlexNet子模型。一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述预测大型真菌种类的方法。一方面，提供了一本文档来自技高网...

【技术保护点】
1.一种预测大型真菌种类的方法，其特征在于，所述方法包括：/n获取大型真菌的待处理图像；/n对所述待处理图像进行图像预处理操作，得到待识别图像；/n基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。/n

【技术特征摘要】
1.一种预测大型真菌种类的方法，其特征在于，所述方法包括：
获取大型真菌的待处理图像；
对所述待处理图像进行图像预处理操作，得到待识别图像；
基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。


2.根据权利要求1所述的方法，其特征在于，所述大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型；
所述大型真菌分类识别模型的训练过程如下：
获取多个第一训练样本，其中，所述第一训练样本包括第一样本图像以及对应的样本类别；
对所述多个第一训练样本中的样本图像进行图像预处理操作；
基于所述多个第一训练样本，对多个CNN子模型分别进行迭代训练；
确定训练后的多个CNN子模型的准确率，根据所述多个CNN子模型的准确率，对每个CNN子模型赋予权重；
基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。


3.根据权利要求1或2所述的方法，其特征在于，所述图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。


4.根据权利要求2所述的方法，其特征在于，所述基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型，包括：
基于多个CNN子模型赋予的权重，构建加权平均分类器；
连接所述多个CNN子模型、所述单层感知器子模型与所述加权平均分类器，构建初始大型真菌分类识别模型；
获取多个第二训练样本，其中，所述第二训练样本包括第二样本图像以及对应的样本类别；
通过所述多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。


5.根据权利要求4所述的方法，其特征在于，所述CNN子模型包括多个全连接层；
所述通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型，包括：
通过所述多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至所述待训练大型真菌分类识别模型的输出准确率不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元...

【专利技术属性】
技术研发人员：王建新，肖杰文，赵铖博，李欣洁，庞博，刘钟钰，杨彝华，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：北京;11