[发明专利]一种基于深度学习的植物叶片识别系统与方法

权利要求书

1.一种基于深度学习的植物叶片识别系统，其特征在于，包含用户交互模块，数据库用户接口模块，数据库模块，专家模块；

所述的用户交互模块，位于用户智能终端侧，包含用户植物叶片获取，叶脉类型选择，叶片边缘形状选择以及反馈检索结果显示功能；

所述的数据库用户接口模块，位于后台服务器，用于存储用户的注册信息，包括邮件地址等信息；用于接收和发送用户数据；用户图像数据的颜色空间转换处理；通过邮件向用户发送专家对图像识别的结果信息；

所述的数据库模块，位于后台服务器，用于深度卷积神经网络参数的训练和叶片图像特征的提取及存储；

所述的专家模块，位于后台服务器，用于专家对用户所拍摄叶片图像的分类与相关信息的提供。

2.一种基于深度学习的植物叶片识别方法，其特征在于，包含深度卷积神经网络参数的训练及离线特征提取过程和叶片图像识别检索过程；训练过程及离线特征提取具体包含, 植物叶片图像数据预处理，深度卷积网络参数的训练及细化调整，采用深度卷积神经网络对图像库的特征进行提取及分类，将深度学习获得的图像特征与叶脉特征和边缘形状特征等构建叶片图像的组合特征；

所述的植物叶片图像数据预处理，将植物叶片图像尺度归一化，颜色空间变换处理；将植物叶片图像数据集分为测试数据集和训练数据集两部分；

所述的深度卷积网络参数的训练及细化调整,构造深度卷积神经网络；

利用叶片训练集数据训练网络参数，进一步利用带标签的测试数据集来精细化调整网络参数；

所述的采用深度卷积神经网络对图像库的特征进行提取及分类，利用深度卷积神经网络提取叶片图像特征及其分类；

所述的将深度学习获得的图像特征与叶脉特征、边缘形状特征等构建叶片图像的组合特征。

3.根据权利要求2所述的基于深度学习的植物叶片识别方法，其特征在于，所述颜色空间变换处理，是将图像从RGB空间变换到HSV空间。

4.根据权利要求2所述的基于深度学习的植物叶片识别方法，其特征在于，所述构造深度卷积神经网络采用AlexNet网络参数来构建。

5.根据权利要求2所述的基于深度学习的植物叶片识别方法，其特征在于，所述构建叶片图像的组合特征是按照以叶脉的走向和边缘形状为分类的基础，将图像按照叶脉走向->边缘形状特征->SoftMax分类->叶片特征这四种层级，将叶片图像及其特征保存到图像特征数据库中。

6.根据权利要求2所述的基于深度学习的植物叶片识别方法，其特征在于，叶片图像识别检索过程包括：

步骤201. 通过手机拍照或者图片的方式获得包含有植物叶片的图像；将归一化为227*227大小；

步骤202. 用户对植物叶片基本信息描述如，叶脉纹理类型等信息；

在移动终端通过交互示意图的方式选择叶脉纹理的示意图，选择边缘类型的示意图；

步骤203.将图像和基本信息上传到服务器数据库检索引擎，将归一化后的叶片图像及叶脉类型和边缘形状等信息通过无线网络发送到后台服务器；

步骤204. 数据库中根据用户提供的分类信息，在对应的类别中进行检索；

将叶片信息通过深度卷积神经网络计算得到其分类和从FC7中提取出其特征表示；首先根据叶脉类型及边缘形状这两类特征确定叶片图像的分类，然后在相同的SoftMax分类中采用欧式距离来进行相似性度量，结果按照从小到大来进行排序输出；

步骤205. 将检索的结果和对应的文字描述信息返回到移动端进行显示；

将检索图像反馈给用户，并让用户进行结果是否相似的判断，该判断为非强制要求的，其缺省值为相似；

步骤206. 将用户反馈是否相似的信息更新到数据库，如果相似将用户图像及其特征保存到数据库中；

步骤207. 若用户反馈检索的结果与实际不一致，则将用户图像提交到专家鉴别；

步骤208.将鉴别信息通过用户注册的邮件或者手机号码告知用户；

通过邮件或者手机短信的方式将专家鉴定的信息反馈给用户。