一种基于深度学习的油茶品种识别方法技术

本发明专利技术提供了一种基于深度学习的油茶品种识别方法，该方法包括以下步骤：数据采集，数据处理，搭建改进的RegNetY

【技术实现步骤摘要】
一种基于深度学习的油茶品种识别方法


[0001]本专利技术涉及机器视觉图像识别和图像分类领域，具体涉及一种基于深度学习的油茶品种识别方法。

技术介绍

[0002]油茶是分布于我国南方地区的一种重要经济树种，富含不饱和脂肪酸和丰富蛋白质等营养成分，是制作茶油和膳食补品的重要原料。然而，油茶品种繁多、品种间形态和遗传特征差异较小，使得品种鉴别变得非常困难。传统的油茶品种鉴别方法主要依赖于人工经验和肉眼观察，难以保证鉴别的准确性和稳定性。因此，开发高效、准确、稳定的油茶品种识别技术具有重要的研究意义。
[0003]近年来，随着计算机视觉和深度学习技术的不断发展，越来越多的研究开始探索将这些技术应用于植物品种识别中。利用计算机视觉和深度学习技术，可以对植物进行图像特征提取、处理和分析，自动识别不同植物品种。这种方法具有快速、准确、可靠、无损等优点，能够有效提高油茶品种鉴别的准确性和稳定性。
[0004]该方法可以更好地了解油茶的遗传多样性和基因资源，以及为油茶的选育、繁殖和保护提供科学依据。

技术实现思路

[0005]本专利技术目的在于提供一种基于深度学习的油茶品种识别方法，该方法通过对118个油茶品种，共计30890张油茶叶片图像进行特征提取并训练，通过CBAM注意力机制从油茶叶片中提取出更加细致的隐层特征，从而大大提高了鉴别结果的准确率。
[0006]根据本专利技术的第一方面，提供一种基于深度学习的油茶品种识别方法，包括：
[0007]S1：数据采集，利用图像采集设备采集自然光照条件下生长的多种油茶品种叶片图像，构建油茶叶片品种数据集。
[0008]S2：数据处理，对油茶叶片品种数据集中的图像进行预处理，包括可用性筛选，对图像进行变换、旋转、缩放、裁剪，以及标注。
[0009]S3：搭建改进的RegNetY
‑
4.0GF网络模型，作为油茶品种识别模型；其中，所述改进的RegNetY
‑
4.0GF网络模型包括输入层、瓶颈层和输出层；瓶颈层包括改进的油茶特征提取结构，改进的油茶特征提取结构包括：特征提取结构输入特征依次经过第一至第四阶段处理后，将所得的油茶特征图结果输入到第五个阶段的通道注意力模块，再经过空间注意力模块处理后得到输出结果；通道注意力模块包括：通道注意力模块输入特征图分别经过全局最大池化和全局平均池化，再将得到的特征图分别送入一个两层的多层感知机，而后进行基于element
‑
wise的加和操作，再经过sigmoid激活操作，生成最终的通道注意力特征图；空间注意力模块包括：空间注意力模块输入特征图分别经过全局最大池化和全局平均池化，然后将得到的特征图做拼接操作，经过一个7
×
7卷积进行降维操作，再经过sigmoid函数生成空间注意力特征图。
[0010]S4：使用油茶叶片品种数据集训练油茶品种识别模型，得到训练完的油茶品种识别模型。
[0011]S5：将待识别的油茶叶片图像输入训练完的油茶品种识别模型，得到油茶品种识别结果。
[0012]进一步地，本专利技术所提供的基于深度学习的油茶品种识别方法，步骤S2包括：按照8：1：1的比例，将油茶叶片品种数据集的图像分为训练集、验证集和测试集，其中训练集用于训练油茶品种识别模型的参数，验证集用于油茶品种识别模型的超参数调优，测试集用于评估油茶品种识别模型的泛化能力。
[0013]进一步地，本专利技术所提供的基于深度学习的油茶品种识别方法，步骤S5包括：训练参数为：初始学习率0.01，学习率下降系数0.1，优化器为随机梯度下降，动量为0.9，权重衰减系数为0.0001，每次输入16个样本，共进行100轮训练，在迭代过程中使用了cosine学习率调度器；每次迭代完成，分别输出得到的油茶品种识别模型并保存，记录训练日志。
[0014]根据本专利技术的第二方面，提供一种计算机设备，其特征在于，包括：存储器，用于存储指令；处理器，用于调用所述存储器存储的指令执行第一方面的方法。
[0015]根据本专利技术的第三方面，提供一种计算机可读存储介质，其特征在于，存储有指令，所述指令被处理器执行时，执行第一方面的方法。
[0016]与现有技术相比，本专利技术所构思的上述技术方案至少具有以下有益效果：
[0017]由于油茶品种表型差异小，难以依靠肉眼进行区分。传统识别方法多依靠专家的知识和经验，难以对所有的油茶树进行品种识别。深度学习方法相比依靠专家的人工识别，具有快速、准确、客观等特点，对规范市场秩序、减少人工负担等有重要的意义。本方法利用基于深度学习的计算机视觉技术，提出了油茶品种鉴定模型RegNetY
‑
4.0GF
‑
CBAM对油茶品种进行鉴定，通过使用单色背景采集油茶叶片图像，实现对油茶叶片图像品种的快速和准确识别。
[0018]经过实验验证，本专利技术所提出的基于深度学习的油茶品种识别方法在准确度上有较好的表现。这验证了本专利技术创造的RegNetY
‑
4.0GF
‑
CBAM网络模型能够更全面地捕捉输入特征的相关性，进一步提高模型对于输入特征的关注度，从而提高模型性能。
[0019]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0020]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0021]图1是根据一示例性实施例示出的基于深度学习的油茶品种鉴别流程图。
[0022]图2是根据一示例性实施例示出的RegNetY
‑
4.0GF
‑
CBAM网络中的特征提取模块结构图。
[0023]图3是根据一示例性实施例示出的RegNetY
‑
4.OGF
‑
CBAM网络中的CBAM注意力模块结构图。
[0024]图4是根据一示例性实施例示出的输入一张待测油茶品种图像到RegNetY
‑
4.0GF
‑
CBAM网络模型得到的结果示例图。
具体实施方式
[0025]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0026]具体的，本专利技术实施例公开了一种基于深度学习的油茶品种识别方法，具体流程如附图1所示，包括以下步骤：
[0027]S1：数据采集，利用RGB相机传感器对自然光照条件下生长的油茶品种叶片采集图像，构建油茶叶片品种数据集；
[0028]本实施例考虑到油茶会在一年的不同时期抽梢，当年抽梢的油茶叶片成熟度难以确定，因此选择位置靠近油茶主干的去年成熟叶片。采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的油茶品种识别方法，其特征在于，包括：S1：数据采集，利用图像采集设备采集自然光照条件下生长的多种油茶品种叶片图像，构建油茶叶片品种数据集；S2：数据处理，对油茶叶片品种数据集中的图像进行预处理，包括可用性筛选，对图像进行变换、旋转、缩放、裁剪，以及标注等操作，增加数据的多样性；S3：搭建改进的RegNetY
‑
4.0GF网络模型，作为油茶品种识别模型；其中，所述改进的RegNetY
‑
4.0GF网络模型包括输入层、瓶颈层和输出层；瓶颈层包括改进的油茶特征提取结构，改进的油茶特征提取结构包括：特征提取结构输入特征依次经过第一至第四阶段处理后，将所得的油茶特征图结果输入到第五个阶段的通道注意力模块，再经过空间注意力模块处理后得到输出结果；通道注意力模块包括：通道注意力模块输入特征图分别经过全局最大池化和全局平均池化，再将得到的特征图分别送入一个两层的多层感知机，而后进行基于element
‑
wise的加和操作，再经过sigmoid激活操作，生成最终的通道注意力特征图；空间注意力模块包括：空间注意力模块输入特征图分别经过全局最大池化和全局平均池化，然后将得到的特征图做拼接操作，经过一个7
×
7卷积进行降维操作，再经过...

【专利技术属性】
技术研发人员：龙伟，董志鹏，王开良，林萍，张勇，黄广远，俞春莲，
申请(专利权)人：中国林业科学研究院亚热带林业研究所，
类型：发明
国别省市：