System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据处理,特别是指一种基于人工智能的牡丹品种识别方法及装置。
技术介绍
1、在植物种类识别与分类领域,随着深度学习与计算机视觉技术的飞速发展,对于花卉图像的自动化识别和定位已成为了研究热点。牡丹花作为我国传统的名贵花卉之一,其种类繁多,形态各异,具有很高的观赏价值和科研意义。因此,开发一种能够准确识别牡丹花品种并定位其位置的算法系统,对于牡丹花的种植、研究和市场推广都具有重要意义;传统的花卉识别方法多依赖于手工特征提取和分类器设计,这些方法在面对复杂的背景和形态多变的牡丹花时,往往难以取得理想的识别效果。近年来,卷积神经网络(cnn)在图像分类、目标检测等领域取得了显著成效,其强大的特征提取和分类能力为牡丹花识别提供了新的解决方案;
2、然而,单一的卷积神经网络在处理牡丹花图像时,可能无法同时兼顾全局和局部的识别需求。全局特征对于区分不同品种的牡丹花至关重要,而局部特征则有助于精确定位牡丹花的位置和识别其细节。因此,设计一种能够同时处理全局和局部信息的双分支卷积神经网络模型,对于提高牡丹花识别的准确性和鲁棒性具有重要意义。
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于人工智能的牡丹品种识别方法及装置,通过融合强监督和弱监督信息,结合了两种方法的优点,既利用了强监督信息提供的精确标注数据来提高识别准确率,又利用了弱监督信息的方法降低了对大量标注数据的依赖,从而在牡丹花识别任务中获得了较高的精度;结合数据增广和基于数据池的训练方式,有效地克服了数
2、为解决上述技术问题,本专利技术的技术方案如下:
3、第一方面,一种基于人工智能的牡丹品种识别方法及装置,所述方法包括:
4、通过收集牡丹花图像数据,并对图像中的牡丹花进行标注,以得到牡丹花的种类标签和精确的位置信息标签;
5、根据牡丹花的种类标签和精确的位置信息标签,通过设计双分支卷积神经网络模型,进行全局预测和识别,以及局部预测和识别,以得到全局预测和识别的第一分支和局部预测和识别的第二分支;
6、根据全局预测和识别分支以及注意力模块,进行牡丹花位置的检测,并生成一个注意力图,以得到牡丹花的位置信息;
7、通过将注意力模块的输出与原始输入图像进行叠加,输入局部预测和识别的第二分支,以得到牡丹花主体部分的特征提取和识别;
8、通过三个损失函数联合优化模型,进行全局分类分支的分类损失函数模型训练、局部分类分支的分类损失函数模型训练以及用于监督注意力模块响应位置的损失函数模型训练,以得到训练双分支卷积神经网络模型;
9、根据训练双分支卷积神经网络模型,对牡丹花图像进行前向计算,以得到预测牡丹花品种。
10、进一步的,通过收集牡丹花图像数据,并对图像中的牡丹花进行标注框信息标注,以得到牡丹花的种类标签和精确的位置信息标签,包括:
11、根据收集牡丹花图像数据进行图像预处理,以得到目标检测数据集;
12、对目标检测数据集进行标注框信息标注,标注框信息包括边框左上角点的坐标和边框的宽高,以得到牡丹花的种类标签和精确的位置信息标签。
13、进一步的,根据牡丹花的种类标签和精确的位置信息标签,通过设计双分支卷积神经网络模型,进行全局预测和识别,以及局部预测和识别,以得到全局预测和识别的第一分支和局部预测和识别的第二分支,包括:
14、根据牡丹花的种类标签和精确的位置信息标签,构建双分支卷积神经网络基本模型,所述双分支卷积神经网络模型包括:
15、第一预测分支,用于全局预测和识别牡丹花品种;
16、第二预测分支,用于局部识别牡丹花主体部分的细节。
17、进一步的,根据全局预测和识别第一预测分支,通过引入一个注意力模块,并生成一个注意力图,进行牡丹花位置的检测,以得到牡丹花的位置信息,包括:
18、通过将通道注意力机制 、空间注意力机制或自注意力机制嵌入到全局预测和识别分支中,以得注意力模块;
19、将特征图输入注意力模块中,通过,生成注意力图,进行牡丹花位置的检测,以得到牡丹花的位置信息,其中,特征图f是注意力模块输入的二维数组,fij表示图像在第i行第j列位置的特征值,注意力权重矩阵w是每个位置对于牡丹花识别重要性的权重,wij是位于第i行第j列的权重,是注意力图。
20、进一步的,通过将注意力模块的输出与原始输入图像进行叠加,输入局部预测和识别的第二预测分支,以得到牡丹花主体部分的特征提取和识别,包括:
21、通过将注意力模块的输出与原始输入图像进行叠加,以得到叠加后图像值,iij是原始输入图像在第i行第j列的像素值,hij′是调整尺寸后的注意力图在第i行第j列的值,α是一个控制叠加比例的权重系数,sij是叠加后图像在第i行第j列的值;
22、将叠加后图像值j输入到模型的第二预测分支,进行局部特征的提取和识别,以得到牡丹花主体部分的特征提取和识别。
23、进一步的,通过设计三个损失函数联合优化模型,进行全局分类分支的分类损失函数模型训练、局部分类分支的分类损失函数模型训练以及用于监督注意力模块响应位置的损失函数模型训练,以得到训练双分支卷积神经网络模型,包括:
24、进行全局分类分支的分类损失函数模型训练,以得到全局预测和识别的第一预测分支交叉熵损失函数;
25、进行局部分类分支的分类损失函数模型训练,以得到局部预测和识别的第二预测分支交叉熵损失函数;
26、注意力模块通过检测框生成的响应图标签,将响应图与注意力模块输出逐像素计算差异,以得到损失函数;
27、注意力模块根据中心点信息,进行训练,以得到训练后的注意力模块;
28、双分支卷积神经网络模型通过三个损失函数,并使用数据增广和训练数据池策略,得到训练双分支卷积神经网络模型。
29、进一步的,根据训练双分支卷积神经网络模型,对牡丹花图像进行前向计算,以得到预测牡丹花品种,包括:
30、将牡丹花图像输入到双分支卷积神经网络模型中,经过卷积层前向计算,池化层前向计算,全连接层前向计算,以得到预测牡丹花品种。
31、第二方面,一种基于人工智能的牡丹品种识别方法及装置,包括:
32、获取模块,通过收集牡丹花图像数据,并对图像中的牡丹花进行标注,以得到牡本文档来自技高网...
【技术保护点】
1.一种基于人工智能的牡丹品种识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于人工智能的牡丹品种识别方法,其特征在于,通过收集牡丹花图像数据,并对图像中的牡丹花进行标注框信息标注,以得到牡丹花的种类标签和精确的位置信息标签,包括:
3.根据权利要求2所述的基于人工智能的牡丹品种识别方法,其特征在于,根据牡丹花的种类标签和精确的位置信息标签,通过设计双分支卷积神经网络模型,进行全局预测和识别,以及局部预测和识别,以得到全局预测和识别的第一分支和局部预测和识别的第二分支,包括:
4.根据权利要求3所述的一种基于人工智能的牡丹品种识别方法,其特征在于,根据全局预测和识别第一预测分支,通过引入一个注意力模块,并生成一个注意力图,进行牡丹花位置的检测,以得到牡丹花的位置信息,包括:
5.根据权利要求4所述的一种基于人工智能的牡丹品种识别方法,其特征在于,通过将注意力模块的输出与原始输入图像进行叠加,输入局部预测和识别的第二预测分支,以得到牡丹花主体部分的特征提取和识别,包括:
6.根据权利要求5所述的一种基于人工
7.根据权利要求6所述的一种基于人工智能的牡丹品种识别方法及装置,其特征在于,根据训练双分支卷积神经网络模型,对牡丹花图像进行前向计算,以得到预测牡丹花品种,包括:
8.一种基于人工智能的牡丹品种识别方法及装置,其特征在于,包括:
9.一种计算设备,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序,该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种基于人工智能的牡丹品种识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于人工智能的牡丹品种识别方法,其特征在于,通过收集牡丹花图像数据,并对图像中的牡丹花进行标注框信息标注,以得到牡丹花的种类标签和精确的位置信息标签,包括:
3.根据权利要求2所述的基于人工智能的牡丹品种识别方法,其特征在于,根据牡丹花的种类标签和精确的位置信息标签,通过设计双分支卷积神经网络模型,进行全局预测和识别,以及局部预测和识别,以得到全局预测和识别的第一分支和局部预测和识别的第二分支,包括:
4.根据权利要求3所述的一种基于人工智能的牡丹品种识别方法,其特征在于,根据全局预测和识别第一预测分支,通过引入一个注意力模块,并生成一个注意力图,进行牡丹花位置的检测,以得到牡丹花的位置信息,包括:
5.根据权利要求4所述的一种基于人工智能的牡丹品种识别方法,其特征在于,通过将注意力模块的输出与...
【专利技术属性】
技术研发人员:高剑,孙辉,潘之腾,刘刚义,李建梅,
申请(专利权)人:菏泽市科学技术信息研究所菏泽市科技成果转化中心,
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。