【技术实现步骤摘要】
本专利技术涉及图像处理识别与分类领域，尤其是涉及一种基于深度学习和三支决策的花卉图像分类方法。
技术介绍
1、花卉分类识别是植物识别领域的研究热点之一，随着人们生活水平的提高，中国的花卉产业得以迅速发展。通过高效、精准的花卉图像分类技术，我们不仅能更深入地了解和保护丰富的植物资源，还能为植物学家和生态学家提供宝贵的研究数据。这些数据在智能农业和智能园艺等领域的应用，将极大地助力农民和园艺工作者优化植物管理与保护策略，从而显著提升农业和园艺的生产效率与产量。然而，花卉种类繁多且类间差异微妙，这使得花卉图像分类任务相较于其他类别更具挑战性。如何实现花卉图像种类的快速、准确识别，已成为当前亟待解决的重要课题。
2、图像分类在传统阶段主要通过特征提取和分类器训练两个步骤实现。常用的特征提取方式包括颜色直方图、形状特征、尺度不变特征变换(sifi)及灰度共生矩阵等；常用的分类器包括支持向量机(svm)、k-近邻(knn)、朴素贝叶斯和决策树等。在花卉图像分类的传统方法中，主要采用颜色直方图和sifi特征提取技术，这些方法通过统计图像中不同颜色通道的像素分布和寻找局部不变的特征点，来提取原始图像中有意义的信息。随后，通过支持向量机对提取到的特征数据进行分类。然而，传统花卉图像分类方法存在一些局限性其主要依赖人工设计的特征提取器，同时每个方法都是针对特定场景设计，缺乏自适应性和泛化能力且鲁棒性较差。此外，分类器在大规模数据处理上效率不高，难以应对海量图像数据。
3、随着深度学习技术的出现，使其在花卉图像分类领域展现出显
4、因此，如何有效挖掘并解决花卉分类中因图像信息不完备而导致的分类精度不理想问题成为一大挑战。
技术实现思路
1、本专利技术的目的是通过结合深度学习和三支决策方法，对不确定域进行延迟决策，并通过加权特征融合的方式，显著的提高图像分类的整体准确性。
2、本专利技术所采用的技术方案是：首先，采用alexnet深度学习模型对花卉图像进行初次分类，获取初步的分类结果。随后，通过三支决策方法对初次分类结果进行处理，将测试集数据划分为确定域、不确定域和拒绝域。对于处于不确定域的数据，在原有模型的基础上，加权融合mobilnet_v2模型并引入注意力模块，为分类层提供了更多的数据信息，进一步提升了分类层对边界域中的样本做出决策，避免了盲目决策带来的风险。这种多模型融合与注意力模块的结合，不仅能够捕捉到图像中的细微特征，还能有效提升模型的泛化能力和鲁棒性，从而显著提高花卉图像分类的总体精确度。此外，还考虑了实际应用中的多种复杂情况，如光照变化、背景干扰等，通过多层次的特征提取与融合，确保模型在不同环境下都能保持稳定的分类性能。
3、所述花卉图像分类方法包括以下具体步骤：
4、步骤1，使用数据增强方法来扩大花卉图像的数据集增加模型鲁棒性以及图像预处理确保模型输入尺寸一致；
5、步骤2，通过alexnet网络模型采用迁移学习方式来训练处理好的数据集；
6、步骤3，根据步骤2训练得到的初次分类结果，将测试集通过三支决策算法确定边界域，得到不确定域等待延迟决策；
7、步骤4，在步骤2原有模型的基础上，加权融合mobilnet_v2模型并引入注意力模块，以增加更多的特征信息对不确定域进行二次分类；
8、步骤5，将两次分类得到的分类结果进行求和输出最终的分类预测结果。
9、较现有技术相比，本专利技术具有以下优点：
10、优势1：本专利技术通过引入三支决策算法，有效解决了单一的深度学习网络模型训练得到的结果产生的不确定性；
11、优势2：本专利技术通过多模型加权融合方式与多通道注意力模块结合，不仅可以捕捉到图像中更多细微的特征，还能有效提升模型的泛化能力和鲁棒性，从而显著提高花卉图像分类的总体精确度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习和三支决策的花卉图像分类方法，其特征在于：首先，采用AlexNet深度学习模型对花卉图像进行初次分类，获取初步的分类结果；随后，通过三支决策方法对初次分类结果进行处理，将测试集数据划分为确定域、不确定域和拒绝域；对于处于不确定域的数据，在原有模型的基础上加权融合MobilNet_V2模型并引入注意力模块，并通过多层次的特征提取与融合。
2.根据权利要求1所述的基于深度学习和三支决策的花卉图像分类方法，其特征在于包括如下步骤：
3.根据权利要求2所述的基于深度学习和三支决策的花卉图像分类方法，其特征在于：
4.根据权利要求2所述的基于深度学习和三支决策的花卉图像分类方法，其特征在于：
5.根据权利要求2所述的基于深度学习和三支决策的花卉图像分类方法，其特征在于：
6.根据权利要求2所述的基于深度学习和三支决策的花卉图像分类方法，其特征在于：
7.根据权利要求2所述的基于深度学习和三支决策的花卉图像分类方法，其特征在于：
【技术特征摘要】
1.一种基于深度学习和三支决策的花卉图像分类方法，其特征在于：首先，采用alexnet深度学习模型对花卉图像进行初次分类，获取初步的分类结果；随后，通过三支决策方法对初次分类结果进行处理，将测试集数据划分为确定域、不确定域和拒绝域；对于处于不确定域的数据，在原有模型的基础上加权融合mobilnet_v2模型并引入注意力模块，并通过多层次的特征提取与融合。
2.根据权利要求1所述的基于深度学习和三支决策的花卉图像分类方法，其特征在于包括如下步骤：...
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。