叶片识别模型训练方法、叶片识别方法及训练装置与流程

本发明实施例涉及识别分类，尤其涉及一种叶片识别模型训练方法、叶片识别方法及训练装置。

背景技术：

1、目前，植物叶片识别对于改善药物工业平衡生态系统、植物研究以及农业生产力的可持续性发展具有重要意义。因此，随着人工智能技术的技术发展，植物叶片自动识别技术也逐渐被重视并发展起来。

2、现有技术中，传统的机器学习训练生成的识别模型常用于自动识别各种类型的叶片或叶片病害。以传统的叶片病害为例，首先，需要有植物叶片病害方面的专业技术人员参与特征标注、特征提取和特征处理，最后再根据这些病害叶片的特征训练识别模型，用于识别植物叶片病害。

3、然而，发明人发现现有技术至少存在以下技术问题：传统的机器学习训练识别模型，需要专业技术人员依靠经验进行特征标注，因此提取的特征因素影响很大，容易出现识别准确率低的问题。

技术实现思路

1、本技术提供一种叶片识别模型训练方法、叶片识别方法及训练装置，能提高植物叶片的识别准确率。

2、第一方面，本发明提供一种叶片识别分类模型训练方法，包括：

3、获取多个叶片图像数据，并将每个叶片图像数据转换成矩阵格式数据；

4、对所述矩阵格式数据进行预处理，得到每个叶片图像数据对应的待提取特征图像数据，其中所述待提取特征图像数据包括多个叶片特征基本变量；

5、依次将所述多个叶片特征基本变量中的一个或多个叶片特征基本变量分别代入不同的特征计算公式，并依次得到每个叶片图像数据对应的多个形状特征和多个纹理特征；

6、对每个形状特征进行归一化处理，得到对应的归一化形状特征，对每个纹理特征进行归一化处理，得到对应的归一化纹理特征；

7、若判定所述归一化形状特征和所述归一化纹理特征满足预设条件，则将满足预设条件的所述归一化形状特征和所述归一化纹理特征进行降维处理，获得降维向量；

8、将所述降维向量输入初始卷积神经网络模型中进行迭代训练，得到目标卷积神经网络模型。

9、在本技术一可能的实现方式中，所述对所述矩阵格式数据进行预处理，得到每个叶片图像数据对应的待提取特征图像数据，其中所述待提取特征图像数据包括多个叶片特征基本变量，包括：

10、将所述矩阵格式数据按照预设分类规则分成多个叶片类别集；

11、对每个叶片类别集中的矩阵格式数据进行形态学处理，得到修补孔洞和消除叶柄的叶片图像并存为代提取特征图像数据。

12、在本技术一可能的实现方式中，所述叶片特征基本变量包括叶片图像、叶片区域、叶片轮廓、叶片轮廓长度、叶片面积、叶片凸包面积、叶片质心和叶片直径；

13、所述形状特征包括离心率、纵横比、球形度、叶面凹凸比、随机凸性、外形参数、最大凹陷深度和叶裂性；

14、所述纹理特征包括平均强度、平均对比度、强度的相对平滑度、三阶矩、均匀性和熵。

15、在本技术一可能的实现方式中，所述离心率的特征计算公式为所述叶片图像的二阶矩阵求值公式，所述纵横比的特征计算公式为：

16、

17、式中，纵横比ar为叶片细长度的衡量标准，dmin为所述叶片区域形成的矩形包围盒的宽度，dmax为所述叶片区域形成的矩形包围盒的长度；

18、所述球形度的特征计算公式为：

19、

20、式中，球形度b为衡量叶片区域的圆形度的标准，din为所述叶片区域最大内切圆的直径，dout为所述叶片区域最小外接圆的直径；

21、所述叶面凹凸比的特征计算公式为：

22、

23、式中，叶面凹凸比ca为衡量叶片凸包对于所述叶片图像的适合程度，a(r)为叶片面积，a(h(r))为叶片凸包面积；

24、所述随机凸性的特征计算公式为：

25、

26、式中，随机凸性q为所述叶片轮廓上任意两点之间的连线在所述叶片区域内的概率，nj为所述叶片轮廓上任意选取的j对点，ni为连线在所述叶片区域内的对数，其中，i和j均为大于零的自然数，且i小于或等于j，n为取样次数；

27、所述外形参数的特征计算公式为：

28、

29、式中，外形参数s为所述叶片周长与所述叶片面积的比值，a(r)为所述叶片面积的值，为所述叶片轮廓长度的值；

30、所述最大凹陷度的特征计算公式为：

31、最大凹陷度ho＝max{oa-ob}

32、式中，最大凹陷度ho衡量所述叶片图像中叶片的叶缘凹陷及分裂程度，oa为所述叶片质心到交点a之间的线段长度，ob为所述叶片质心到交点b之间的线段长度，max为所有的oa-ob的值中取最大值，其中交点a为以质心о为中心作的射线与所述叶片轮廓的交点；

33、所述叶裂性的特征计算公式为：

34、叶裂性ri＝(ho)2f

35、式中，ho为最大凹陷度，f为最小频率，其中，所述最小频率为任一叶片图像的ho减去所有叶片图像的ho的均值并进行傅里叶变换得到的频谱，对所述频谱包括的总能量进行归一化处理，得到所述总能量超过预设能量值的频率；

36、所述平均强度为所述叶片图像的强度均值，所述平均对比度为所述叶片图像的强度标准差，所述三阶矩为所述叶片图像强度直方图的偏态，所述熵为所述叶片图像的强度值的随机分布特性，所述平滑度的计算方法为中值滤波法，所述均匀性的特征计算公式为：

37、

38、式中，均匀性u为所述叶片图像分布的均匀性，l为所述叶片图像的灰度等级值，p为直方图，zi为所述叶片图像的强度值。

39、在本技术一可能的实现方式中，该植物叶片识别分类模型训练方法还包括判断所述归一化的形状特征和纹理特征是否满足预设条件的过程，如下：

40、将所述归一化的形状特征和纹理特征输入皮尔森相关系数计算工具，得到各归一化的形状特征之间的皮尔森相关系数表和各归一化的纹理特征之间的皮尔森相关系数表；

41、获取所述归一化的形状特征和纹理特征在皮尔森相关系数表中对应的特征相关系数值；

42、若判定所述特征相关系数值大于预设系数值，则确定所述归一化的形状特征和纹理特征是否满足预设条件；若判定所述特征相关系数值小于预设系数值，则确定所述归一化的形状特征和纹理特征不满足预设条件。

43、在本技术一可能的实现方式中，在所述将所述降维向量输入初始卷积神经网络模型中进行迭代训练，得到目标卷积神经网络模型，之后，还包括：

44、获取测试图像，并将所述测试图像转换成测试矩阵格式数据；

45、对所述测试矩阵格式数据进行预处理，得到每个测试图像对应的待提取测试图像特征，其中，所述待提取测试图像特征包括多个测试图像特征基本变量；

46、依次将所述多个测试图像特征基本变量分别代入不同的特征计算公式，并依次得到每个测试图像对应的多个测试形状特征和多个测试纹理特征；

47、对每个测试形状特征进行归一化处理，得到对应的归一化测试形状特征，对每个纹理特征进行归一化处理，得到对应的归一化测试纹理特征；

48、若判定所述归一化测试形状特征和所述归一化测试纹理特征满足预设条件，则将满足预设条件的所述归一化测试形状特征和所述归一化测试纹理特征进行降维处理，获得测试降维向量；

49、若判定所述相似概率值小于预设概率值，则对目标卷积神经网络模型进行迭代训练，直至所述迭代训练的次数达到预设次数或所述相似概率值不小于预设概率值。

50、第二方面，本技术提供了一种叶片识别分类方法，包括：

51、对所述待分类矩阵格式数据进行预处理，得到每个待分类叶片图像对应的待分类图像特征，其中，所述待分类图像特征包括多个待分类图像特征基本变量；

52、依次将所述多个待分类图像特征基本变量分别代入不同的特征计算公式，并依次得到每个待分类图像对应的多个待分类形状特征和多个待分类纹理特征；

53、对每个待分类形状特征进行归一化处理，得到对应的归一化待分类形状特征，对每个待分类纹理特征进行归一化处理，得到对应的归一化待分类纹理特征；

54、若判定所述归一化待分类形状特征和所述归一化待分类纹理特征满足预设条件，则将满足预设条件的所述归一化待分类形状特征和所述归一化待分类纹理特征进行降维处理，获得待分类降维向量；

55、将所述待分类降维向量输入如第一方面所述的目标卷积神经网络模型中，得到所述待分类叶片图像数据的识别分类类型和分类得分；

56、若判定所述分类得分大于预设值，则将所述识别分类类型输出。

57、第三方面，本技术提供了一种叶片识别分类模型训练装置，包括：

58、获取模块，用于获取多个叶片图像数据，并将每个叶片图像数据转换成矩阵格式数据；

59、数据处理模块，用于对所述矩阵格式数据进行预处理，得到每个叶片图像数据对应的待提取特征图像数据，其中所述待提取特征图像数据包括多个叶片特征基本变量；

60、运算模块，用于将一个或多个叶片特征基本变量代入不同的特征计算公式，得到每个叶片图像数据对应的多个形状特征和多个纹理特征；

61、所述数据处理模块，还用于对每个叶片图像数据对应的多个形状特征和多个纹理特征进行归一化处理，得到归一化的形状特征和纹理特征；

62、判断模块，用于判定所述归一化的形状特征和纹理特征是否满足预设条件，则由所述数据处理模块将满足预设条件的所述归一化的形状特征和纹理特征进行降维处理，获得降维向量；

63、模型训练模块，用于将所述降维向量输入初始卷积神经网络模型中进行迭代训练，得到目标卷积神经网络模型。

64、第四方面，本技术提供了一种服务器，包括：至少一个处理器和存储器；

65、所述存储器存储计算机执行指令；

66、所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如第一方面任一可能的实现方式或第二方面任一可能的实现方式所述的方法。

67、第五方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机一项所执行指令，当处理器执行所述计算机执行指令时，实现如第一方面任一可能的实现方式或第二方面任一可能的实现方式中所述的方法。

68、本技术提供了一种叶片识别模型训练方法、叶片识别方法及训练装置，通过预处理得到的待提取特征图像数据中的叶片特征基本变量更规范，且更易被识别处理，将叶片特征基本变量代入对应的特征计算公式中，能快速得到每个叶片图像数据对应的多个形状特征和多个纹理特征。再对多个形状特征和纹理特征进行归一化处理和降维处理，获得对应的降维向量，降维处理能消除各特征间的冗余，降低神经网络的输入向量维数，从而提高训练效率。最终再将降维向量输入到初始卷积神经网络模型中进行迭代训练，得到目标卷积神经网络模型。由于在提取形状特征和纹理特征时受人为因素影响较小，因此训练完成的目标卷积神经网络模型的识别准确率更高。