一種基於卷積神經網絡的植物識別方法及系統與流程
2024-01-22 20:11:15
本發明涉及植物識別技術領域，具體涉及一種基於卷積神經網絡的植物識別方法及系統。
背景技術：
在經典的模式識別中，一般是事先提取預設的植物圖像的特徵(如sift,hog,lbp特徵)。提取特徵後，對特徵進行編碼，比如常用bow，fishervector等。然後將特徵放到一個分類器，比如svm，進行2分類，訓練出最優分類面，找到最能代表某類植物的的特徵，去掉對分類無關和自相關的特徵。然而，這些特徵的提取太過依賴人的經驗和主觀意識，提取到的特徵的不同對分類性能影響很大，甚至提取的特徵的順序也會影響最後的植物分類性能。同時，圖像預處理的好壞也會影響到提取的特徵。
技術實現要素：
本發明的目的是簡化植物識別的步驟，降低植物識別過程的計算量並提高植物識別的精度。
為了實現上述目的，本發明提供了一種基於卷積神經網絡的植物識別方法，包括如下步驟：
採集的植物圖像，將植物圖像中同類的植物進行分類並標記，得到植物資料庫；
將植物資料庫中植物圖像輸入至卷積神經網絡，對卷積神經網絡進行訓練得到特徵匹配模型；
接收待識別圖像，利用特徵匹配模型提取待識別圖像的圖像特徵值，並計算圖像特徵值與植物資料庫中植物的相似度，根據相似度判斷待識別圖像所屬植物的分類。
進一步，在上述基於卷積神經網絡的植物識別方法中，卷積神經網絡依次包括輸入層、卷積操作層和輸出層，其中，
輸入層，用於接收植物圖像；
卷積操作層包括卷積層和池化層，其中，
卷積層，用於根據卷積核提取圖像特徵矩陣；
池化層，用於提取出每個圖像特徵矩陣中最能代表這個植物圖像局部特徵的圖像特徵值。
進一步，在上述基於卷積神經網絡的植物識別方法中，所述接收待識別圖像，利用特徵匹配模型提取待識別圖像的圖像特徵值，並計算圖像特徵值與植物資料庫中植物的相似度，根據相似度判斷待識別圖像所屬植物的分類包括
利用特徵匹配模型中卷積核提取n個圖像特徵矩陣，並提取每個圖像特徵矩陣中圖像特徵值；
根據所有圖像特徵值得到特徵值矩陣；
利用預設的函數計算特徵值矩陣與植物資料庫中植物的相似度。
進一步，在上述基於卷積神經網絡的植物識別方法中，所述將植物資料庫中植物圖像輸入至卷積神經網絡之前還包括
對植物圖像進行預處理，預處理至少包括歸一化、明亮度調整或降噪。
進一步，在上述基於卷積神經網絡的植物識別方法中，圖像特徵值至少包括顏色值、輪廓值、邊緣值、灰度值。
本發明還提供了一種基於卷積神經網絡的植物識別系統，包括
接收模塊，用於採集的植物圖像，將植物圖像中同類的植物進行分類並標記，得到植物資料庫；
特徵提取模塊，用於將植物資料庫中植物圖像輸入至卷積神經網絡，對卷積神經網絡進行訓練得到特徵匹配模型；
識別模塊，用於接收待識別圖像，利用特徵匹配模型提取待識別圖像的圖像特徵值，並計算圖像特徵值與植物資料庫中植物的相似度，根據相似度判斷待識別圖像所屬植物的分類。
進一步，在上述基於卷積神經網絡的植物識別系統中，所述識別模塊包括
卷積單元，用於利用特徵匹配模型中卷積核提取n個圖像特徵矩陣，並提取每個圖像特徵矩陣中圖像特徵值；
池化單元，用於根據所有圖像特徵值得到特徵值矩陣；
計算單元，用於利用預設的函數計算特徵值矩陣與植物資料庫中植物的相似度。
進一步，在上述基於卷積神經網絡的植物識別系統中，所述特徵提取模塊包括
預處理子單元，用於對植物圖像進行預處理，預處理至少包括歸一化、明亮度調整或降噪。
在上述技術方案中，本發明與傳統的識別方法中必須先找到葉子的輪廓或者邊緣等完全不同，不用定義任何邊緣或者輪廓；本發明利用卷積神經網絡避免了顯式的特徵取樣，隱式地從訓練數據中進行學習。這使得卷積神經網絡明顯有別於其他基於神經網絡的分類器，通過結構重組和減少權值將特徵提取功能融合進多層感知器。它可以直接處理灰度圖片，能夠直接用於處理基於圖像的分類。
附圖說明
為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明中記載的一些實施例，對於本領域普通技術人員來講，還可以根據這些附圖獲得其他的附圖。
圖1為本發明所述的基於卷積神經網絡的植物識別方法一個實施例的流程示意圖；
圖2為本發明所述的基於卷積神經網絡的植物識別方法一個實施例中
s103的流程示意圖；
圖3為本發明所述的基於卷積神經網絡的植物識別方法一個實施例中
s103中特徵提取計算示意圖；
圖4為本發明所述的基於卷積神經網絡的植物系統一個實施例的框圖結構示意圖。
具體實施方式
為了使本領域的技術人員更好地理解本發明的技術方案，下面將結合附圖對本發明作進一步的詳細介紹。
如圖1所示，本發明提供了一種基於卷積神經網絡的植物識別方法，包括如下步驟：
s101、採集的植物圖像，將植物圖像中同類的植物進行分類並標記，得到植物資料庫；具體實施時，採集的圖像可選的利用包括攝像頭在內的設備進行拍攝，如手機、ipad等。
該步驟目的在於收集足夠多的植物的圖像，並對每個圖像進行標記(即標明每個植物圖像中存在哪類植物，如圖像中有玫瑰花，或者有松樹等)，從而形成每個植物種類的圖像集(如玫瑰花這個類有200張照片，牡丹花有100張圖片等等，每張圖片對應著一個植物的種類)。
s102、將歸類並標記後的植物圖像輸入至卷積神經網絡，對卷積神經網絡進行訓練得到圖像特徵匹配模型；
本發明中所述卷積神經網絡依次包括輸入層、卷積操作層和輸出層，其中，
輸入層，用於接收植物圖像；
卷積操作層包括卷積層和池化層，其中，
卷積層，用於根據卷積核提取圖像特徵矩陣；
池化層，用於提取出每個圖像特徵矩陣中最能代表這個植物圖像局部特徵的圖像特徵值。
訓練過程：將過程s101中的採集到的植物圖像按批量輸入到cnn網絡中(cnn網絡需要進行隨機的初始化)，計算出該批量與目標之間的差距(稱之為loss)，然後根據這個loss對於網絡中的卷積核(即參數)進行求偏微分，計算出每個卷積核(具體可採用通用的函數如sigmoid，relu等進行計算)與目標之間的差距，並對相關的參數(參考學習比率)進行更新，從而更新整個cnn神經網絡；更換圖像輸入至cnn網絡中，根據預先設定的批量、訓練次數等重複執行，對整個神經網絡的相關參數進行更新，直到最後得到一個完整的神經網絡(包括相關的路徑與參數)，即得到一個訓練好的cnn神經網絡模型。
s103、接收待識別圖像，利用特徵匹配模型提取待識別圖像的圖像特徵值，並計算圖像特徵值與植物資料庫中植物的相似度，根據相似度判斷待識別圖像所屬植物的分類。
傳統的分類方式幾乎都是基於統計特徵的，這就意味著在進行分辨前必須提取某些特徵。然而，顯式的特徵提取並不容易，在一些應用問題中也並非總是可靠的。本發明利用卷積神經網絡較一般神經網絡在圖像處理方面有如下優點：a)輸入圖像和網絡的拓撲結構能很好的吻合；b)特徵提取和模式分類同時進行，並同時在訓練中產生；c)權重共享可以減少網絡的訓練參數，使神經網絡結構變得更簡單，適應性更強。
進一步，如圖2所示具體實施時s103包括
s1031、利用特徵匹配模型中卷積核提取n個圖像特徵矩陣，並提取每個圖像特徵矩陣中圖像特徵值；進一步，圖像特徵值包括顏色值、輪廓值、邊緣值、灰度值等等。
s1032、根據所有圖像特徵值得到特徵值矩陣；
s1033、利用預設的函數計算特徵值矩陣與植物資料庫中植物的相似度。
現以如圖3所示的示意圖可知，本發明通過圖像特徵矩陣到特徵值矩陣的變換極大的降低了相似度計算過程的計算量，提高了計算速度。
本發明中利用植物圖像對卷積神經網絡進行訓練時，可首先將植物圖像進行分類，將每一個植物的圖像進行拆分，分為訓練用圖像和校驗用圖像。將校驗圖像輸入到神經網絡模型中，提取出對應的特徵，再與卷積神經網絡中的算法路徑與參數集合進行比較，根據圖像特徵計算出該特徵與該植物名稱的相似度，從而檢驗模型的準確性；如果模型準確度低，可以再次對卷積神經網絡進行訓練，更深層次的去提取這些圖像的特徵關係(更多的是算法路徑與參數)，形成新的模型(即包括算法路徑+參數的集合)；得到更新的模型後，在使用中，直接按照模型中的算法與參數來對新進的數據如圖像進行特徵比對，獲得相關的相似度值。
下面以接收圖像為例說明本發明中卷積神經網絡工作流程如下，輸入層由32×32個感知節點組成，接收原始圖像。然後，計算流程在卷積和子抽樣之間交替進行，如下所述：
第一隱藏層進行卷積，它由8個特徵映射組成，每個特徵映射由28×28個神經元組成，每個神經元指定一個5×5的接受域，這28×28個神經元共享5×5個權值參數，即卷積核；
第二隱藏層實現子抽樣和局部平均，它同樣由8個特徵映射組成，但其每個特徵映射由14×14個神經元組成。每個神經元具有一個2×2的接受域，一個可訓練係數，一個可訓練偏置和一個sigmoid激活函數。可訓練係數和偏置控制神經元的操作點；
第三隱藏層進行第二次卷積，它由20個特徵映射組成，每個特徵映射由10×10個神經元組成。該隱藏層中的每個神經元可能具有和下一個隱藏層幾個特徵映射相連的突觸連接，它以與第一個卷積層相似的方式操作。
第四個隱藏層進行第二次子抽樣和局部平均汁算。它由20個特徵映射組成，但每個特徵映射由5×5個神經元組成，它以與第一次抽樣相似的方式操作。
第五個隱藏層實現卷積的最後階段，它由120個神經元組成，每個神經元指定一個5×5的接受域。
最後是個全連接得到輸出向量。
相繼的計算層在卷積和抽樣之間的連續交替，我們得到一個「雙尖塔」的效果，也就是在每個卷積或抽樣層，隨著空間解析度下降，與相應的前一層相比特徵映射的數量增加。卷積之後進行子抽樣的思想是受到動物視覺系統中的「簡單的」細胞後面跟著「複雜的」細胞的想法的啟發而產生的。
進一步，所述s101還包括
對植物圖像進行預處理，預處理至少包括歸一化、明亮度調整或降噪。
圖像中由於各種原因，在拍攝或者傳輸壓縮的過程中，帶入了有規律的噪聲，可以通過技術手段對圖像進行降噪處理，目的是加大對於圖像中特徵部分的描述，凸顯特徵，使特徵更為鮮明。這種手段是預先的設置，與卷積的部分功用類似，即將植物的圖像與分類信息輸入到神經網絡模型中，由模型中的算法、處理流程對圖像進行處理(如對於圖像的處理包括了灰度、切分、特徵映射等等)。該處理是對同一類別圖像中訓練用圖像進行處理，找到該類圖像比較一致的特徵(該特徵不一定為所有圖像所共有)，根據處理的結果，生成對應的算法路徑與參數集合。
如圖4所示，本發明提供了一種基於卷積神經網絡的植物識別系統，包括接收模塊10、特徵提取模塊20、識別模塊30。其中，
接收模塊10，用於採集的植物圖像，將植物圖像中同類的植物進行分類並標記，得到植物資料庫；
特徵提取模塊20，用於將植物資料庫中植物圖像輸入至卷積神經網絡，對卷積神經網絡進行訓練得到特徵匹配模型；
識別模塊30，用於接收待識別圖像，利用特徵匹配模型提取待識別圖像的圖像特徵值，並計算圖像特徵值與植物資料庫中植物的相似度，根據相似度判斷待識別圖像所屬植物的分類。
採集100張菊花的不同照片，將照片分為90張的訓練集a和10張圖像校驗集合b；
首先將90張圖像分別輸入到卷積神經網絡模型中，假設卷積神經網絡模型中會做如下處理：
a)把每個圖像切分成16*16＝256份圖像
b)提取每個圖像的灰度；
c)提取每個圖像的色彩；
d)提取每個圖像的邊緣特徵等
e)以上完成基本特徵的數據整理
f)在第一次訓練中，模型對每個圖像切分出來的小的圖像的灰度值進行比對，統計出每個小的圖像的灰度分布比較；
g)在第二次訓練中，對每個小的圖像的色彩值進行比對，統計出色彩值得分布；
h)在第三次訓練中，統計出邊緣特徵值得分布；
i)重複多次訓練，通過對圖像進行更細節的分割，特徵提取，從而能夠形成該植物特有的處理路徑，參數集合(即特徵分布)；
其次，10張圖像可以用於生成的圖像特徵識別模型是否形成了該植物特有的路徑集合與參數集合；
最後，判斷一個未知圖像中的花是否為菊花，則將該圖像輸入到模型，按照模型集合中每一類植物的路徑特徵與參數集合，計算出該植物與模型中每類植物的相似度(該相似度其實是該植物不同維度特徵權重與統計分布的統計結果，比如菊花的灰度值為100，統計分布區域為(80～120)，正態分布，灰度特徵在整個菊花的識別模型中權重為0.01)。
以上只通過說明的方式描述了本發明的某些示範性實施例，毋庸置疑，對於本領域的普通技術人員，在不偏離本發明的精神和範圍的情況下，可以用各種不同的方式對所描述的實施例進行修正。因此，上述附圖和描述在本質上是說明性的，不應理解為對本發明權利要求保護範圍的限制。