一种花卉识别分类方法及装置制造方法及图纸

本申请公开了一种花卉识别分类方法及装置，本申请提供的方案拍摄花卉获取图像，或者通过相册直接选择获取图像；然后进行预处理，对图像进行预处理后得到花卉对象；最后，将预处理完成的花卉图像通过花卉识别模型得到最终的分类结果，而本申请的花卉识别模型采用Transformer架构设计模型，利用其自注意力机制从图像全局提取特征，将注意力集中于花卉部分而忽略复杂的背景，从而实现准确提取花卉特征，进而实现准确分类，解决了现有的分类方法采用卷积方式提取图像局部特征，难以同时关注到局部和全局的关键特征，特征提取能力不完善，导致分类不准确的技术问题。导致分类不准确的技术问题。导致分类不准确的技术问题。

【技术实现步骤摘要】
一种花卉识别分类方法及装置


[0001]本申请涉及图像识别
，尤其涉及一种花卉识别分类方法及装置。

技术介绍

[0002]在花卉农业领域，自动化培育首先需要对花卉进行识别分类，以便进一步检测花卉生长状况，依靠专业人员指导进行大量重复性花卉分类工作会造成大量人力物力成本的耗费。因此，利用人工智能技术对花卉进行自动化识别和分类存在着巨大的需求和实际的应用价值。
[0003]在花卉图像分类领域，传统的分类方法多数是基于特定图像处理算法提取出相应的特征，再利用分类器对特征进行数学分析得出分类结果。然而现有方法大多采用卷积方式提取图像局部特征，难以同时关注到局部和全局的关键特征，特征提取能力不完善，难以实现准确分类。

技术实现思路

[0004]本申请提供了一种花卉识别分类方法及装置，用于解决现有的分类方法采用卷积方式提取图像局部特征，难以同时关注到局部和全局的关键特征，特征提取能力不完善，导致分类不准确的技术问题。
[0005]为解决上述的技术问题，本申请第一方面提供了一种花卉识别分类方法，包括：
[0006]采集待识别的花卉图像；
[0007]对所述花卉图像进行预处理；
[0008]将预处理后的所述花卉图像输入预设的花卉识别模型进行识别与分类，以获得分类结果，其中，所述花卉识别模型为基于Transformer结构的机器学习模型，且所述花卉识别模型具体由一个线性映射层、多个Conv
‑
Trans模块、多个ResMLP模块和一个分类器组成；
[0009]所述Conv
‑
Trans模块用于通过多头自注意力机制，对所述图像块序列进行空间域特征融合，再通过卷积运算方式对所述图像块序列进行通道域特征融合；
[0010]所述ResMLP模块用于通过ResMLP处理方式，对所述图像块序列的通道域特征和空间域特征进行整合处理；
[0011]所述分类器为基于由知识蒸馏训练方式得到的学生网络模型进行构建得到的。
[0012]优选地，所述卷积处理的公式具体为：
[0013][0014]式中，Z
i
表示图像块序列经过Conv
‑
Trans模块的输出，X
i
为输入的图像块序列，σ为GELU激活函数，n为图像块序列长度，T表示矩阵转置，W1代表基于第一卷积核的卷积运算，W2代表基于第二卷积核的卷积运算。
[0015]优选地，所述ResMLP模块的公式定义具体为
[0016]Y
i
＝X
i
+W3·
σ
·
(W4·
LayerNorm(X)
i
)
[0017]i＝1,2,3,
…
,n
[0018]式中，Y
i
表示图像块序列经过ResMLP模块的输出，X
i
为输入的图像块序列，σ为GELU激活函数，n为图像块序列长度，W3代表基于第三卷积核的卷积运算，W4代表基于第四卷积核的卷积运算。
[0019]优选地，所述知识蒸馏训练方式具体为软蒸馏训练方式。
[0020]优选地，所述分类器的目标函数具体为：
[0021]L
total
＝(1
‑
λ)L
CE
(ψ(z
s
),y)+λT2L
KL
(ψ(z
s
,T),ψ(z
t
,T))
[0022]式中，L
total
是总的损失；L
CE
()是交叉熵损失函数；L
KL
()是KL散度损失函数；ψ()是软目标函数；z
s
和z
t
分别是学生模型和教师模型输出的类别分类概率；T则是温度系数，λ是蒸馏系数，y是分类标签；
[0023]所述软目标函数具体为：
[0024][0025]式中，q
i
为函数的软目标输出，z
i
是学生模型或教师模型输出的类别分类概率。
[0026]本申请第二方面提供了一种花卉识别分类装置，包括：
[0027]图像采集单元，用于采集待识别的花卉图像；
[0028]预处理单元，用于对所述花卉图像进行预处理；
[0029]模型分类处理单元，用于将预处理后的所述花卉图像输入预设的花卉识别模型进行识别与分类，以获得分类结果，其中，所述花卉识别模型为基于Transformer结构的机器学习模型，且所述花卉识别模型具体由一个线性映射层、多个Conv
‑
Trans模块、多个ResMLP模块和一个分类器组成；
[0030]所述Conv
‑
Trans模块用于通过多头自注意力机制，对所述图像块序列进行空间域特征融合，再通过卷积运算方式对所述图像块序列进行通道域特征融合；
[0031]所述ResMLP模块用于通过ResMLP处理方式，对所述图像块序列的通道域特征和空间域特征进行整合处理；
[0032]所述分类器为基于由知识蒸馏训练方式得到的学生网络模型进行构建得到的。
[0033]优选地，所述卷积处理的公式具体为：
[0034][0035]式中，Z
i
表示图像块序列经过Conv
‑
Trans模块的输出，X
i
为输入的图像块序列，σ为GELU激活函数，n为图像块序列长度，T表示矩阵转置，W1代表基于第一卷积核的卷积运算，W2代表基于第二卷积核的卷积运算。
[0036]优选地，所述ResMLP模块的公式定义具体为
[0037]Yi＝X
i
+W3·
σ
·
(W4·
LayerNorm(X)
i
)
[0038]i＝1,2,3,
…
,n
[0039]式中，Y
i
表示图像块序列经过ResMLP模块的输出，X
i
为输入的图像块序列，σ为GELU激活函数，n为图像块序列长度，W3代表基于第三卷积核的卷积运算，W4代表基于第四卷积核的卷积运算。
[0040]优选地，所述知识蒸馏训练方式具体为软蒸馏训练方式。
[0041]优选地，所述分类器的目标函数具体为：
[0042]L
total
＝(1
‑
λ)L
CE
(ψ(z
s
),y)+λT2L
KL
(ψ(z
s
,T),ψ(z
t
,T))
[0043]式中，L
total
是总的损失；L
CE
()是交叉熵损失函数；L
KL
()是KL散度损失函数；ψ()是软目标函数；z
...

【技术保护点】

【技术特征摘要】
1.一种花卉识别分类方法，其特征在于，包括：采集待识别的花卉图像；对所述花卉图像进行预处理；将预处理后的所述花卉图像输入预设的花卉识别模型进行识别与分类，以获得分类结果，其中，所述花卉识别模型为基于Transformer结构的机器学习模型，且所述花卉识别模型具体由一个线性映射层、多个Conv
‑
Trans模块、多个ResMLP模块和一个分类器组成；所述Conv
‑
Trans模块用于通过多头自注意力机制，对所述图像块序列进行空间域特征融合，再通过卷积运算方式对所述图像块序列进行通道域特征融合；所述ResMLP模块用于通过ResMLP处理方式，对所述图像块序列的通道域特征和空间域特征进行整合处理；所述分类器为基于由知识蒸馏训练方式得到的学生网络模型进行构建得到的。2.根据权利要求1所述的一种花卉识别分类方法，其特征在于，所述卷积处理的公式具体为：式中，Z
i
表示图像块序列经过Conv
‑
Trans模块的输出，X
i
为输入的图像块序列，σ为GELU激活函数，n为图像块序列长度，T表示矩阵转置，W1代表基于第一卷积核的卷积运算，W2代表基于第二卷积核的卷积运算。3.根据权利要求1所述的一种花卉识别分类方法，其特征在于，所述ResMLP模块的公式定义具体为Y
i
＝X
i
+W3·
σ
·
(W4·
LayerNorm(X)
i
)i＝1,2,3,
…
,n式中，Y
i
表示图像块序列经过ResMLP模块的输出，X
i
为输入的图像块序列，σ为GELU激活函数，n为图像块序列长度，W3代表基于第三卷积核的卷积运算，W4代表基于第四卷积核的卷积运算。4.根据权利要求1所述的一种花卉识别分类方法，其特征在于，所述知识蒸馏训练方式具体为软蒸馏训练方式。5.根据权利要求4所述的一种花卉识别分类方法，其特征在于，所述分类器的目标函数具体为：L
total
＝(1
‑
λ)L
CE
(ψ(z
s
),y)+λT2L
KL
(ψ(z
s
,T),ψ(z
t
,T))式中，L
total
是总的损失；L
CE
()是交叉熵损失函数；L
KL
()是KL散度损失函数；ψ()是软目标函数；z
s
和z
t
分别是学生模型和教师模型输出的类别分类概率；T则是温度系数，λ是蒸馏系数，y是分类标签；所述软目标函数具体为：式中，q
i
为函数的软目标输出，z
i
是学生模型或教师模型输出的类别分类概率结果。6.一种花卉识别分类装置，其特征在...

【专利技术属性】
技术研发人员：刘怡俊，陈少真，叶武剑，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：