花卉识别及其制造技术

本发明专利技术公开了花卉识别及其

【技术实现步骤摘要】
花卉识别及其AI实现方法


[0001]本专利技术涉及深度学习和计算机视觉领域，特别涉及一种花卉识别及其
AI
实现方法
。

技术介绍

[0002]图像分类是计算机视觉领域一个重要的研究方向，它是解决众多应用问题的关键技术，比如图像检索
、
自动驾驶
、
智能监控等
。
花卉分类是图像分类领域中非常典型的一个应用场景，对于农业学的研究和发展具有非常重要的意义
。
在当今移动设备普及和机器学习发展的背景下，深度学习技术部署到移动端是追求更好用户体验和提高市场竞争力的必然选择，在未来将取得更加迅猛的发展，并带给用户和相关行业更多便利和收益
。
[0003]近年来，深度学习技术在图像分类领域表现出色，提高了花卉分类的准确性
。
然而现有深度学习算法仍存在以下缺陷：现在的深度学习技术需要大量的数据集进行训练，对于花卉识别领域等相对小的样本集，则很难拟合其复杂的特征，从而影响算法的性能；其次，将深度学习技术集成到移动应用中是一项较为复杂的任务并且需要克服很多难点，如硬件资源受限
、
实时性要求高
、
服务端客户端难以分离和不确定的意外事件等问题；另外，研究此类理论的现有文献较少，难以找到一种通用的设计方法来对此类任务进行研究
。

技术实现思路

[0004]专利技术目的：针对以上问题，本专利技术目的是提供一种花卉识别及其
AI
实现方法，通过优化深度学习算法和压缩模型的方法，在保证花卉分类对准确性和效率的同时，实现深度学习模型集成到移动应用的跨语言跨框架部署
。
[0005]技术方案：本专利技术的一种花卉识别及其
AI
实现方法，包括：
[0006]获取花卉数据集，对花卉数据集进行预处理；
[0007]选取预训练网络和相应训练参数，利用预处理后的花卉数据集对预训练网络进行训练，将训练好的预训练网络作为花卉分类模型；
[0008]将花卉分类模型转换为适用于移动端的格式模型文件；
[0009]将格式模型文件导入移动端进行应用设计，在移动端生成安装包文件，在移动端实现基于深度学习的花卉分类
。
[0010]进一步，获取花卉数据集，对花卉数据集进行预处理包括：
[0011]选取典型的
102
类花卉数据集作为样本集，充分覆盖不同视角
、
光照
、
背景变化条件下的花卉图像，将样本集划分为训练集和验证集，并为每张花卉图像分配对应的标签；
[0012]对数据集进行数据增强
。
[0013]进一步，选取预训练网络和相应训练参数，利用预处理后的花卉数据集对预训练网络进行训练，将训练好的预训练网络作为花卉分类模型包括：
[0014]配置训练选项：采用分段式调度策略选择学习率，采用随机梯度下降法的变体
sgdm
优化器；
[0015]采用迁移学习调整预训练网络结构；
[0016]利用预处理后的花卉数据集和配置后的最优超参数对调整后的预训练网络进行训练，得到初始花卉分类模型，并判断该初始花卉分类模型的验证准确率是否达到预设值，若是则保存该初始花卉分类模型为目标花卉分类模型，否则继续训练至满足预设值
。
[0017]进一步，采用迁移学习调整预训练网络结构包括：
[0018]选用
Resnet
‑
50
网络作为预训练网络，将
Resnet
‑
50
网络的全连接层替换为新全连接层，输出为一个大小为
102
的向量，表示待分类的
102
个花卉类别的概率，计算如下：
[0019][0020]其中，
y
k
表示第
k
个花卉类别的概率，
w
ki
表示第
i
个输入
x
i
与第
k
个类别之间的权重，
b
k
表示第
k
个类别的偏置，
σ
表示激活函数，
n
表示全连接层的输入数，为
102
；
[0021]将分类器替换为
softmax
激活层，负责将全连接层的输出映射到具体的类别，计算如下：
[0022][0023]其中，
x
i
表示第
i
个类别的原始得分，
y
k
表示通过
softmax
函数得到的第
k
个类别的概率值；
[0024]根据激活层的输出大小对输出层进行更新
。
[0025]进一步，将花卉分类模型转换为适用于移动端的格式模型文件包括：
[0026]利用
Matlab
中的
tensorflow
接口，将目标花卉分类模型导出为
tensorflow
模型，并在
Python
中调用该
tensorflow
模型，根据指定的输入和输出形状，加载为相应的
keras
模型到内存中；
[0027]使用
TFLite converter
库的
from_keras_model
方法将
Keras
模型转换为
TFLite
模型并存储到硬盘上，映射关系如下：
[0028]输入张量：
x∈R
h
×
w
×
c
[0029]其中，
h
，
w
和
c
分别表示输入花卉图像的高度
、
宽度和通道数；
[0030]输出张量：
y∈R
n
[0031]其中，
y∈R
n
表示一个具有
n
个元素的实数向量，即
102
类花卉对应的概率值；
[0032]TFLite
模型转换函数：
ζ
：
x
→
y
[0033]表示将输入张量
x
通过
TFLite
模型进行推理得到输出张量
y
的函数，即将输入图像通过模型进行前向计算，输出对应的类别概率值
。
[0034]进一步，将格式模型文件导入移动端进行应用设计，在移动端生成安装包文件包括：
[0035]设计界面：在
Android Studio
中，在
layout
文件夹中对相应界面进行布局设计，添加图片展示
、
开启相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
花卉识别及其
AI
实现方法，其特征在于，包括：获取花卉数据集，对花卉数据集进行预处理；选取预训练网络和相应训练参数，利用预处理后的花卉数据集对预训练网络进行训练，将训练好的预训练网络作为花卉分类模型；将花卉分类模型转换为适用于移动端的格式模型文件；将格式模型文件导入移动端进行应用设计，在移动端生成安装包文件，在移动端实现基于深度学习的花卉分类
。2.
根据权利要求1所述的花卉识别及其
AI
实现方法，其特征在于，获取花卉数据集，对花卉数据集进行预处理包括：选取典型的
102
类花卉数据集作为样本集，充分覆盖不同视角
、
光照
、
背景变化条件下的花卉图像，将样本集划分为训练集和验证集，并为每张花卉图像分配对应的标签；对数据集进行数据增强
。3.
根据权利要求1所述的花卉识别及其
AI
实现方法，其特征在于，选取预训练网络和相应训练参数，利用预处理后的花卉数据集对预训练网络进行训练，将训练好的预训练网络作为花卉分类模型包括：配置训练选项：采用分段式调度策略选择学习率，采用随机梯度下降法的变体
sgdm
优化器；采用迁移学习调整预训练网络结构；利用预处理后的花卉数据集和配置后的最优超参数对调整后的预训练网络进行训练，得到初始花卉分类模型，并判断该初始花卉分类模型的验证准确率是否达到预设值，若是则保存该初始花卉分类模型为目标花卉分类模型，否则继续训练至满足预设值
。4.
根据权利要求3所述的花卉识别及其
AI
实现方法，其特征在于，采用迁移学习调整预训练网络结构包括：选用
Resnet
‑
50
网络作为预训练网络，将
Resnet
‑
50
网络的全连接层替换为新全连接层，输出为一个大小为
102
的向量，表示待分类的
102
个花卉类别的概率，计算如下：其中，
y
k
表示第
k
个花卉类别的概率，
w
ki
表示第
i
个输入
x
i
与第
k
个类别之间的权重，
b
k
表示第
k
个类别的偏置，
σ
表示激活函数，
n
表示全连接层的输入数，此处为
102
；将分类器替换为
softmax
激活层，负责将全连接层的输出映射到具体的类别，计算如下：其中，
x
i
表示第
i
个类别的原始得分，
y
k
表示通过
softmax
函数得到的第
k
个类别的概率值；根据激活层的输出大小对输出层进行更新
。5.
根据权利要求3或4所述的花卉识别及其
AI
实现方法，其特征在于，将花卉分类模型转换为适用于移动端的格式模型文件包括：利用
Matlab
中的
tensorflow
接口，将目标花卉分类模...

【专利技术属性】
技术研发人员：吴蒙，刘智丹，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：