【技术实现步骤摘要】
本专利技术属于药材检测，涉及菊花的检测分类技术，具体涉及一种基于正反面深度视觉特征融合的菊花分类方法。
技术介绍
1、道地中药材是指经过中医临床长期应用优选出来的,产在特定地域，与其他地区所产同种中药材相比，品质和疗效更好，且质量稳定，具有较高知名度的中药材。道地药材的产地与品质具有高度关联性。道地药材的道地性表现为“优型”与“优质”的特征。“优型”指道地药材具有公认的形状、大小、色泽、表面纹理、质地等性状特征。“优质”指道地药材具有独特的化学成分组成。药材的“优形”和“优质”特征是统一的。不同产地的药材具有不同的形态特征，不同品质的药材也往往具有形态差异。通过人工智能与计算机视觉方法，可以对不同产地药材的形态进行图像分析、特征提取与智能识别，从而为道地药材的优型优质机理研究提供支撑。
2、菊花作为最受欢迎和经济价值最高的花卉之一，在中国有着悠久的种植历史。它们富含黄酮类化合物、挥发油、咖啡酰奎宁酸、倍半萜、三萜和氨基酸，具有抗炎、抗菌、抗氧化、抗人类免疫缺陷和抗癌等有益健康的特性。由于其令人愉悦的味道和气味，迷人的颜色，和显着的药用价值，菊花已被广泛用于食品，茶，装饰和药物。其中，菊花茶因其具有祛寒清热、健脾胃、养肝明目等保健功效而深受人们的喜爱。然而其质量和价格受产地来源的影响。快速准确地识别菊花菊的产地来源对于生产者、消费者和市场监管者都具有重要的意义。
3、传统的产地判别方法主要以专业人员对中药形状、颜色和气味特征的性状鉴别为主。此类方法依赖专业人员的经验与主观感觉，不利于中药的高效和大批量检测。
技术实现思路
1、专利技术目的：为了克服现有技术中存在的不足，提供一种基于正反面深度视觉特征融合的菊花分类方法，采用基于正反面深度视觉特征融合的菊花分类方法，能够准确预测对菊花的产地进行预测，具有快速无损、识别准确率高以及稳定性强的优势。
2、技术方案：为实现上述目的，本专利技术提供一种基于正反面深度视觉特征融合的菊花分类方法，包括如下步骤：
3、s1：采集不同产地不同类别的菊花图像，对菊花的产地和类别进行标记；
4、s2：对菊花的正面和反面图像分别进行预处理，建立菊花图像数据库；
5、s3：搭建基于resnet的双路网络作为菊花种类预测模型，将菊花图像数据库内的菊花的正面和反面图像作为网络输入，对菊花种类预测模型进行模型训练，得到训练好的菊花种类预测模型；
6、s4：采集待检测的菊花的正面和背面图像，并且输入到菊花种类预测模型，通过菊花种类预测模型输出分类结果。
7、进一步地，所述步骤s1中对菊花的产地和类别进行标记前，先去除菊花图像中角度、大小、颜色和完整性不符合规范的图像。
8、进一步地，所述步骤s2中预处理的方式为：去除无菊花信息的无效背景部分，保留信息丰富的区域，然后把所有图像归一化。
9、进一步地，所述步骤s2中预处理的具体过程为：首先使用canny边缘检测算法检测出菊花图像的边缘，然后用一个最小的正方形包含所有的边缘，裁剪出这个正方形即去除图像中无菊花信息的白色背景部分，这样的方法可以尽可能的提取菊花的特征，然后对所有数据集样本的大小统一缩放为224x224像素，随后对所有图片进行随机向左或向右旋转15°，最后，对所有数据集样本进行归一化，以确保它们具有统一的输入格式。
10、进一步地，所述步骤s3中菊花种类预测模型包括浅层特征提取和深层特征融合两部分，所述浅层特征提取部分由前13层卷积层组成，四个卷积层组成一个残差块，残差块部分采用单路跳跃连接，这有助于网络更好地捕获图像的不同尺度和抽象级别的特征；所述深层特征提取是由后4个卷积层和2个全连接层组成，同时采用单路跳跃连接和跨路跳跃连接，这有助于更好地融合菊花正面和反面的特征；最后用串联的方式拼接上下两路特征，通过全连接层作为模型的输出。
11、进一步地，所述菊花种类预测模型中conv5的具体实现方式如下：记上路网络的输入为x1，中间层的输入为x2，下路网络的输入为x3，中间层的输入记为x4；基于原本resnet网络层前后的交互方式：
12、x3＝f(x1)+x1 (1)
13、x4＝f(x2)+x2 (2)
14、加入了上下层的交互：
15、x3＝f(x1)+x1+x2 (3)
16、x4＝f(x2)+x2+x1 (4)
17、同样的，在全连接层也使用类似的操作以增强它的性能：
18、x3＝x1+x2/4 (5)
19、x4＝x2+x1/4 (6)
20、通过这样的交互，考虑了不同种菊花间存在正面特征相似而反面特征不相似，或者反面特征相似而正面特征不相似的特性，更好地综合正反面的特征，对菊花种类做出更准确地识别。
21、进一步地，所述步骤s3中采用分阶段的方法对菊花种类预测模型进行训练，具体方法为：首先冻结了浅层特征提取部分预训练的参数，并进行初步训练，这个步骤有助于模型快速学习一般性特征，然后解冻浅层特征提取部分的参数，以便对模型进行微调，使用adam优化器优化模型，选择交叉熵损失作为损失函数，每次迭代结束都会在验证集上验证，出现更好的结果时，会保存该模型，以获取网络的最优解。
22、进一步地，所述步骤s4中菊花种类预测模型的预测方法为：模型先是得到1*18的特征矩阵，然后用softmax把它转化为概率矩阵，取最高概率的类别作为最终分类结果输出。
23、所述菊花种类预测模型中softmax的公式如下：
24、
25、其中，zi是输入向量的第i个元素，σ(zi)是softmax函数输出的概率分布的第i个元素。
26、进一步地，所述浅层特征提取部分的残差块部分采用的单路跳跃连接的方式为：上下路的网络第二层的输入和第三层的输出进行加和作为第四层的输入，第四层的输入和第五层的输出加和作为第六层的输入，以此连接方式，一直到十一层的输入和第十二层的输出进行加和作为第十三层的输入；
27、所述深层特征提取部分采用的单路跳跃连接和跨路跳跃连接的连接方式为：上路十三层的输入+下路十三层的输入+上路十四层的输出作为上路十五层的输入，下路十三层的输入+上路十三层的输入+下路十四层的输出作为下路十五层的输入。
28、有益效果：本专利技术与现有技术相比，具备如下优点：...
【技术保护点】
1.一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤S1中对菊花的产地和类别进行标记前，先去除菊花图像中角度、大小、颜色和完整性不符合规范的图像。
3.根据权利要求1所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤S2中预处理的方式为：去除无菊花信息的无效背景部分，保留信息丰富的区域，然后把所有图像归一化。
4.根据权利要求3所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤S2中预处理的具体过程为：首先使用Canny边缘检测算法检测出菊花图像的边缘，然后用一个最小的正方形包含所有的边缘，裁剪出这个正方形即去除图像中无菊花信息的白色背景部分，这样的方法可以尽可能的提取菊花的特征，然后对所有数据集样本的大小统一缩放为224x224像素，随后对所有图片进行随机向左或向右旋转15°，最后，对所有数据集样本进行归一化，以确保它们具有统一的输入格式。
5.根据权利要求1所述的一种基于
6.根据权利要求5所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述菊花种类预测模型中Conv5的具体实现方式如下：记上路网络的输入为x1，中间层的输入为x2，下路网络的输入为x3，中间层的输入记为x4；基于原本ResNet网络层前后的交互方式：
7.根据权利要求5所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤S3中采用分阶段的方法对菊花种类预测模型进行训练，具体方法为：首先冻结了浅层特征提取部分预训练的参数，并进行初步训练，然后解冻浅层特征提取部分的参数，使用Adam优化器优化模型，选择交叉熵损失作为损失函数，每次迭代结束都会在验证集上验证，出现更好的结果时，会保存该模型，以获取网络的最优解。
8.根据权利要求1所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤S4中菊花种类预测模型的预测方法为：模型先是得到特征矩阵，然后用Softmax把它转化为概率矩阵，取最高概率的类别作为最终分类结果输出。
9.根据权利要求1所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述菊花种类预测模型中Softmax的公式如下：
10.根据权利要求5所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述浅层特征提取部分的残差块部分采用的单路跳跃连接的方式为：上下路的网络第二层的输入和第三层的输出进行加和作为第四层的输入，第四层的输入和第五层的输出加和作为第六层的输入，以此连接方式，一直到十一层的输入和第十二层的输出进行加和作为第十三层的输入；
...【技术特征摘要】
1.一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤s1中对菊花的产地和类别进行标记前，先去除菊花图像中角度、大小、颜色和完整性不符合规范的图像。
3.根据权利要求1所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤s2中预处理的方式为：去除无菊花信息的无效背景部分，保留信息丰富的区域，然后把所有图像归一化。
4.根据权利要求3所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤s2中预处理的具体过程为：首先使用canny边缘检测算法检测出菊花图像的边缘，然后用一个最小的正方形包含所有的边缘，裁剪出这个正方形即去除图像中无菊花信息的白色背景部分，这样的方法可以尽可能的提取菊花的特征，然后对所有数据集样本的大小统一缩放为224x224像素，随后对所有图片进行随机向左或向右旋转15°，最后，对所有数据集样本进行归一化，以确保它们具有统一的输入格式。
5.根据权利要求1所述的一种基于正反面深度视觉特征融合的菊花分类方法，其特征在于，所述步骤s3中菊花种类预测模型包括浅层特征提取和深层特征融合两部分，所述浅层特征提取部分由前13层卷积层组成，四个卷积层组成一个残差块，残差块部分采用单路跳跃连接；所述深层特征提取是由后4个卷积层和2个全连接层组成，同时采用单路跳跃连接和跨路跳跃连接；最后用串联的方式拼接上下两路特征，通过全连接层作为模型的输出。
6.根据...
【专利技术属性】
技术研发人员：杨曦晨，陈奕帆，严辉，毛忠原，蒋健，朱顺，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。