一种基于神经网络的菌子图像分类方法

1.本发明涉及一种基于神经网络的菌子图像分类方法，属于计算机图像技术领域。


背景技术：

2.菌子图像分类任务对人们的身体安全至关重要。云南被称作“菌子王国”，菌子种类居全球第一。然而许多菌子具有毒性，人们不能对齐进行识别，往往进行食用后就出现幻觉中毒、甚至死亡。
3.目前，菌子的识别主要靠人们的生活积累，但是人工的识别并不是所有人们都具有的能力。


技术实现要素：

4.本发明要解决的技术问题是提供一种基于神经网络的菌子图像分类方法，用以解决现有的生活经验不足的人群不能识别毒菌子的问题。
5.本发明的技术方案是：一种基于神经网络的菌子图像分类方法，具体步骤为：
6.step1：采集菌子图像，例如采用专门的仪器设备对菌子进行图像采集。
7.step2：获取待分类的菌子图像，具体为：
8.使用labelimg来对菌子图像样本进行标注分类，来生成训练数据集、测试数据集和验证数据集。
9.step3：对获取到的图像进行预处理，得到目标菌子图像，具体为：
10.step3.1：导入菌子图像。
11.step3.2：对菌子图像进行去噪处理。
12.step3.3：对去噪后的图像进行图像增强。
13.step3.4：将增强后的彩色图像灰度化，转变成灰度图。
14.step3.5：将灰度图转化成二值图。
15.step3.6：将二值图进行边缘检测。
16.step3.7：将边缘检测处理后的图进行直方图匹配。
17.step4：构建神经网络层模型，具体为：
18.step4.1：数据格式化。
19.step4.2：构建多层神经元。
20.step4.3：构建概率归一层。
21.step5：构建编译运行模型，具体为：
22.step5.1：构建损失函数。
23.step5.2：构建优化器函数。
24.step5.3：构建评价方式。
25.step6：构建训练模型，具体为：
26.step6.1：将训练数据传给模型。
27.step6.2：模型学习将训练数据关联到标签。
28.step6.3：使用模型对测试集进行预测。
29.step7：对验证数据集中的目标图像执行预测，具体为：
30.将验证数据集中的图像输入到训练好的神经网络图像分类模型中，根据神经网络图像分类模型的分类输出结果得到输入的测试集中图像的类型。
31.本发明的有益效果是：可以准确快速的完成对菌子的分类和识别，帮助经验不足的人们识别出有毒的菌子，减少菌中毒的发生。
附图说明
32.图1是本发明实施例中的步骤流程图；
33.图2是本发明实施例中对菌子图像进行预处理的流程图；
34.图3是本发明实施例中构建神经网络层模型的流程图；
35.图4是本发明实施例中构建神编译模型的流程图；
36.图5是本发明实施例中构建训练模型的流程图。
具体实施方式
37.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
38.实施例1：如图1所示，一种基于神经网络的菌子图像分类方法，对云南的菌子进行分类，具体步骤为：
39.s10：采用专门的仪器设备采集云南菌子图像；
40.s20：获取待分类的云南菌子图像；
41.需要说明的是，本实施例中执行主体为计算机，用于图像的获取以及图像处理，也可为其他终端设备，本实施例中不加以限制。
42.需要注意的是，由于菌子图像的结构和组成较为复杂，并且图像清晰度和图像纹理的清晰度对数字化菌子图像的影响较大。所以需要对菌子原始图像进行筛选和处理，得到图像清晰和纹理明显的菌子图像。本实施例中的待分类菌子图像是经过筛选和处理后的菌子图像。为了使菌子图像的分类更加准确，在本实施例中不进行图像分割与截取，而是根据整个处理后的待分类菌子图像进行图像分类。
43.需要说明的是，本实施例使用labelimg来对菌子图像样本进行标注分类，来生成训练数据集、测试数据集和验证数据集。
44.s30：对获取到的图像进行预处理，得到目标菌子图像；
45.需要说明的是，本发明实施例中需要对上述获取的菌子图像进行图像预处理，具体步骤将在下文阐述。
46.s40：构建神经网络层模型；
47.需要说明的是，本发明实施例中构建神经网络层模型分为三步，包括数据格式化、构建多层神经元、构建概率归一层。具体步骤将在下文阐述。
48.s50：构建编译运行模型；
49.需要说明的是，本发明实施例中构建编译运行模型，需要分为三步来构建，具体包括构建损失函数、构建优化器函数、构建评价方式。具体步骤将在下文阐述。
50.s60：构建训练模型；
51.需要说明的是，本发明实施例中构建训练模型，需要分为三步来构建，具体包括将训练数据传给模型、模型学习将训练数据关联到标签、使用模型对测试集进行预测。具体步骤将在下文阐述。
52.s70：对验证数据集中的目标图像执行预测。
53.如图2所示，本发明实施例对菌子图像进行预处理的步骤，包括：
54.s301：首先，导入菌子图像；
55.s302：其次，对菌子图像进行去噪处理，采用高斯滤波进行图像处理，用模版扫描图像中的每一个像素，用模版确定的领域内像素的加权平均灰度值去替代模版中心像素点的值；
56.s303：其次，对去噪后的图像进行图像增强，这一步的目的是为了改善图像的视觉效果，针对菌子图像有目的的强调图像的整体和局部特性，将原来不清晰的菌子图像变得清晰和强调菌子的纹理颜色特征，扩大菌子图像中不同物体特征之间的差别，将我们不需要的图像信息给抑制，以达到加强图像判读和识别效果。本实验新型采用频率域法的真彩色增强方法来将图像增强。真彩色增强方法流程图如图一；
57.s304：其次，将增强后的彩色图像灰度化，转变成灰度图。本实施例中采用加权平均法将三个分量以不同的权值进行加权平均，采用下列公式来对rgb三分量进行加权平均得到合理的菌子图像；
58.gray＝r*0.299+g*0.587+b*0.114
59.s305：其次，将灰度图转化成二值图。本实施例中采用im2bw()函数来将灰度图转化成二值图；
60.s306：其次，将二值图进行边缘检测。通过边缘检测可以找到菌子图像中亮度变化剧烈的像素点构成的集合。本发明采用roberts边缘检测算子来进行边缘检测。roberts边缘检测方法采用对角方向相邻的两个像素之差。
[0061][0062][0063]
可以导出roberts在点(i+1/2,j+1/2)处的水平与竖直边缘检测卷积核为：
[0064][0065]
s307：最后，将边缘检测处理后的图进行直方图匹配。首先，对上诉菌子图像进行直方图均衡化然后对规定化之后的图像进行直方图均衡化：
[0066]
[0067]
规定化操作的目的就是要找到一个从原始图像到规定化之后图像的映射、积，从rk→
zm之间的映射关系。
[0068]
由sk＝vm，可得
[0069]
要求出rk→
zm之间的映射关系，只要满足rk和sk的累计概率最相近即可。
[0070]
如图3所示，本实施例构建神经网络层模型的步骤，具体包括：
[0071]
s401：首先，通过卷积运算得到菌子图像特征，就是用一个卷积核在原图上滑动窗口，每次卷积核元素乘以对应的元素再求和得到输出特征图上一个像素值；
[0072]
s402：再次，relu激活函数，函数为f(x)＝max(0,x)；
[0073]
s403：再次，池化，通过池化选取区域最大值，保留图像的纹理特征；
[0074]
s404：再次，密集连接，在保证网络中层与层之间最大程度的信息传输的前提下，直接将所有层连接起来。为了能够保证前馈的特性，每一层将之前所有层的输入进行拼接，之后将输出的特征图传递给之后的所有层；
[0075]
s405：最后，dropout根据概率随机去除一些神经元，防止拟合。在一次循环中先随机选择神经层中的一些单元并将其临时隐藏，然后再进行该次循环中神经网络的训练和优化过程。在下一次循环中，又将隐藏另外一些神经元，如此直至训练结束。
[0076]
如图4所示，本实施例构建神编译模型的步骤，具体包括：
[0077]
s501：构建损失函数：采用最小梯度下降法，使模型朝好的方向发展；
[0078]
s502：构建优化器函数：模型根据得到的结果和损失函数，对模型进行优化；
[0079]
s503：构建评价方式：用于监督训练和测试过程的准去程度(准确率)。
[0080]
如图5所示，本实施例构建训练模型的步骤，具体包括：
[0081]
s601：将训练数据提供给模型；
[0082]
s602：模型学习如何将训练数据和标签关联；
[0083]
s603：使用模型对测试集进行预测，并看是否预测准确，评估准确率。
[0084]
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。