一种基于卷积神经网络的植物识别方法及系统与流程

本发明涉及植物识别技术领域，具体涉及一种基于卷积神经网络的植物识别方法及系统。

背景技术：

在经典的模式识别中，一般是事先提取预设的植物图像的特征(如sift,hog,lbp特征)。提取特征后，对特征进行编码，比如常用bow，fishervector等。然后将特征放到一个分类器，比如svm，进行2分类，训练出最优分类面，找到最能代表某类植物的的特征，去掉对分类无关和自相关的特征。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的植物分类性能。同时，图像预处理的好坏也会影响到提取的特征。

技术实现要素：

本发明的目的是简化植物识别的步骤，降低植物识别过程的计算量并提高植物识别的精度。

为了实现上述目的，本发明提供了一种基于卷积神经网络的植物识别方法，包括如下步骤：

采集的植物图像，将植物图像中同类的植物进行分类并标记，得到植物数据库；

将植物数据库中植物图像输入至卷积神经网络，对卷积神经网络进行训练得到特征匹配模型；

接收待识别图像，利用特征匹配模型提取待识别图像的图像特征值，并计算图像特征值与植物数据库中植物的相似度，根据相似度判断待识别图像所属植物的分类。

进一步，在上述基于卷积神经网络的植物识别方法中，卷积神经网络依次包括输入层、卷积操作层和输出层，其中，

输入层，用于接收植物图像；

卷积操作层包括卷积层和池化层，其中，

卷积层，用于根据卷积核提取图像特征矩阵；

池化层，用于提取出每个图像特征矩阵中最能代表这个植物图像局部特征的图像特征值。

进一步，在上述基于卷积神经网络的植物识别方法中，所述接收待识别图像，利用特征匹配模型提取待识别图像的图像特征值，并计算图像特征值与植物数据库中植物的相似度，根据相似度判断待识别图像所属植物的分类包括

利用特征匹配模型中卷积核提取n个图像特征矩阵，并提取每个图像特征矩阵中图像特征值；

根据所有图像特征值得到特征值矩阵；

利用预设的函数计算特征值矩阵与植物数据库中植物的相似度。

进一步，在上述基于卷积神经网络的植物识别方法中，所述将植物数据库中植物图像输入至卷积神经网络之前还包括

对植物图像进行预处理，预处理至少包括归一化、明亮度调整或降噪。

进一步，在上述基于卷积神经网络的植物识别方法中，图像特征值至少包括颜色值、轮廓值、边缘值、灰度值。

本发明还提供了一种基于卷积神经网络的植物识别系统，包括

接收模块，用于采集的植物图像，将植物图像中同类的植物进行分类并标记，得到植物数据库；

特征提取模块，用于将植物数据库中植物图像输入至卷积神经网络，对卷积神经网络进行训练得到特征匹配模型；

识别模块，用于接收待识别图像，利用特征匹配模型提取待识别图像的图像特征值，并计算图像特征值与植物数据库中植物的相似度，根据相似度判断待识别图像所属植物的分类。

进一步，在上述基于卷积神经网络的植物识别系统中，所述识别模块包括

卷积单元，用于利用特征匹配模型中卷积核提取n个图像特征矩阵，并提取每个图像特征矩阵中图像特征值；

池化单元，用于根据所有图像特征值得到特征值矩阵；

计算单元，用于利用预设的函数计算特征值矩阵与植物数据库中植物的相似度。

进一步，在上述基于卷积神经网络的植物识别系统中，所述特征提取模块包括

预处理子单元，用于对植物图像进行预处理，预处理至少包括归一化、明亮度调整或降噪。

在上述技术方案中，本发明与传统的识别方法中必须先找到叶子的轮廓或者边缘等完全不同，不用定义任何边缘或者轮廓；本发明利用卷积神经网络避免了显式的特征取样，隐式地从训练数据中进行学习。这使得卷积神经网络明显有别于其他基于神经网络的分类器，通过结构重组和减少权值将特征提取功能融合进多层感知器。它可以直接处理灰度图片，能够直接用于处理基于图像的分类。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明所述的基于卷积神经网络的植物识别方法一个实施例的流程示意图；

图2为本发明所述的基于卷积神经网络的植物识别方法一个实施例中

s103的流程示意图；

图3为本发明所述的基于卷积神经网络的植物识别方法一个实施例中

s103中特征提取计算示意图；

图4为本发明所述的基于卷积神经网络的植物系统一个实施例的框图结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

如图1所示，本发明提供了一种基于卷积神经网络的植物识别方法，包括如下步骤：

s101、采集的植物图像，将植物图像中同类的植物进行分类并标记，得到植物数据库；具体实施时，采集的图像可选的利用包括摄像头在内的设备进行拍摄，如手机、ipad等。

该步骤目的在于收集足够多的植物的图像，并对每个图像进行标记(即标明每个植物图像中存在哪类植物，如图像中有玫瑰花，或者有松树等)，从而形成每个植物种类的图像集(如玫瑰花这个类有200张照片，牡丹花有100张图片等等，每张图片对应着一个植物的种类)。

s102、将归类并标记后的植物图像输入至卷积神经网络，对卷积神经网络进行训练得到图像特征匹配模型；

本发明中所述卷积神经网络依次包括输入层、卷积操作层和输出层，其中，

输入层，用于接收植物图像；

卷积操作层包括卷积层和池化层，其中，

卷积层，用于根据卷积核提取图像特征矩阵；

池化层，用于提取出每个图像特征矩阵中最能代表这个植物图像局部特征的图像特征值。

训练过程：将过程s101中的采集到的植物图像按批量输入到cnn网络中(cnn网络需要进行随机的初始化)，计算出该批量与目标之间的差距(称之为loss)，然后根据这个loss对于网络中的卷积核(即参数)进行求偏微分，计算出每个卷积核(具体可采用通用的函数如sigmoid，relu等进行计算)与目标之间的差距，并对相关的参数(参考学习比率)进行更新，从而更新整个cnn神经网络；更换图像输入至cnn网络中，根据预先设定的批量、训练次数等重复执行，对整个神经网络的相关参数进行更新，直到最后得到一个完整的神经网络(包括相关的路径与参数)，即得到一个训练好的cnn神经网络模型。

s103、接收待识别图像，利用特征匹配模型提取待识别图像的图像特征值，并计算图像特征值与植物数据库中植物的相似度，根据相似度判断待识别图像所属植物的分类。

传统的分类方式几乎都是基于统计特征的，这就意味着在进行分辨前必须提取某些特征。然而，显式的特征提取并不容易，在一些应用问题中也并非总是可靠的。本发明利用卷积神经网络较一般神经网络在图像处理方面有如下优点：a)输入图像和网络的拓扑结构能很好的吻合；b)特征提取和模式分类同时进行，并同时在训练中产生；c)权重共享可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。

进一步，如图2所示具体实施时s103包括

s1031、利用特征匹配模型中卷积核提取n个图像特征矩阵，并提取每个图像特征矩阵中图像特征值；进一步，图像特征值包括颜色值、轮廓值、边缘值、灰度值等等。

s1032、根据所有图像特征值得到特征值矩阵；

s1033、利用预设的函数计算特征值矩阵与植物数据库中植物的相似度。

现以如图3所示的示意图可知，本发明通过图像特征矩阵到特征值矩阵的变换极大的降低了相似度计算过程的计算量，提高了计算速度。

本发明中利用植物图像对卷积神经网络进行训练时，可首先将植物图像进行分类，将每一个植物的图像进行拆分，分为训练用图像和校验用图像。将校验图像输入到神经网络模型中，提取出对应的特征，再与卷积神经网络中的算法路径与参数集合进行比较，根据图像特征计算出该特征与该植物名称的相似度，从而检验模型的准确性；如果模型准确度低，可以再次对卷积神经网络进行训练，更深层次的去提取这些图像的特征关系(更多的是算法路径与参数)，形成新的模型(即包括算法路径+参数的集合)；得到更新的模型后，在使用中，直接按照模型中的算法与参数来对新进的数据如图像进行特征比对，获得相关的相似度值。

下面以接收图像为例说明本发明中卷积神经网络工作流程如下，输入层由32×32个感知节点组成，接收原始图像。然后，计算流程在卷积和子抽样之间交替进行，如下所述：

第一隐藏层进行卷积，它由8个特征映射组成，每个特征映射由28×28个神经元组成，每个神经元指定一个5×5的接受域，这28×28个神经元共享5×5个权值参数，即卷积核；

第二隐藏层实现子抽样和局部平均，它同样由8个特征映射组成，但其每个特征映射由14×14个神经元组成。每个神经元具有一个2×2的接受域，一个可训练系数，一个可训练偏置和一个sigmoid激活函数。可训练系数和偏置控制神经元的操作点；

第三隐藏层进行第二次卷积，它由20个特征映射组成，每个特征映射由10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接，它以与第一个卷积层相似的方式操作。

第四个隐藏层进行第二次子抽样和局部平均汁算。它由20个特征映射组成，但每个特征映射由5×5个神经元组成，它以与第一次抽样相似的方式操作。

第五个隐藏层实现卷积的最后阶段，它由120个神经元组成，每个神经元指定一个5×5的接受域。

最后是个全连接得到输出向量。

相继的计算层在卷积和抽样之间的连续交替，我们得到一个“双尖塔”的效果，也就是在每个卷积或抽样层，随着空间分辨率下降，与相应的前一层相比特征映射的数量增加。卷积之后进行子抽样的思想是受到动物视觉系统中的“简单的”细胞后面跟着“复杂的”细胞的想法的启发而产生的。

进一步，所述s101还包括

对植物图像进行预处理，预处理至少包括归一化、明亮度调整或降噪。

图像中由于各种原因，在拍摄或者传输压缩的过程中，带入了有规律的噪声，可以通过技术手段对图像进行降噪处理，目的是加大对于图像中特征部分的描述，凸显特征，使特征更为鲜明。这种手段是预先的设置，与卷积的部分功用类似，即将植物的图像与分类信息输入到神经网络模型中，由模型中的算法、处理流程对图像进行处理(如对于图像的处理包括了灰度、切分、特征映射等等)。该处理是对同一类别图像中训练用图像进行处理，找到该类图像比较一致的特征(该特征不一定为所有图像所共有)，根据处理的结果，生成对应的算法路径与参数集合。

如图4所示，本发明提供了一种基于卷积神经网络的植物识别系统，包括接收模块10、特征提取模块20、识别模块30。其中，

接收模块10，用于采集的植物图像，将植物图像中同类的植物进行分类并标记，得到植物数据库；

特征提取模块20，用于将植物数据库中植物图像输入至卷积神经网络，对卷积神经网络进行训练得到特征匹配模型；

识别模块30，用于接收待识别图像，利用特征匹配模型提取待识别图像的图像特征值，并计算图像特征值与植物数据库中植物的相似度，根据相似度判断待识别图像所属植物的分类。

采集100张菊花的不同照片，将照片分为90张的训练集a和10张图像校验集合b；

首先将90张图像分别输入到卷积神经网络模型中，假设卷积神经网络模型中会做如下处理：

a)把每个图像切分成16*16＝256份图像

b)提取每个图像的灰度；

c)提取每个图像的色彩；

d)提取每个图像的边缘特征等

e)以上完成基本特征的数据整理

f)在第一次训练中，模型对每个图像切分出来的小的图像的灰度值进行比对，统计出每个小的图像的灰度分布比较；

g)在第二次训练中，对每个小的图像的色彩值进行比对，统计出色彩值得分布；

h)在第三次训练中，统计出边缘特征值得分布；

i)重复多次训练，通过对图像进行更细节的分割，特征提取，从而能够形成该植物特有的处理路径，参数集合(即特征分布)；

其次，10张图像可以用于生成的图像特征识别模型是否形成了该植物特有的路径集合与参数集合；

最后，判断一个未知图像中的花是否为菊花，则将该图像输入到模型，按照模型集合中每一类植物的路径特征与参数集合，计算出该植物与模型中每类植物的相似度(该相似度其实是该植物不同维度特征权重与统计分布的统计结果，比如菊花的灰度值为100，统计分布区域为(80～120)，正态分布，灰度特征在整个菊花的识别模型中权重为0.01)。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。