[发明专利]一种基于深度学习的植物叶片识别系统与方法

说明书

技术领域

本发明涉及一种图像检索领域，尤其是一种基于深度学习的植物叶片识别系统与方法。

技术背景

在公园中，人们可以通过铭牌来认识植物的名称以及简单的产地等特征。由于制作铭牌的成本和植物种类的众多且种植地点的分散，不可能到处都使用铭牌。因此，通过铭牌的方式能获取到的植物的知识极为有限。同时，在大自然中有更多的时候是没有铭牌的，面对着林林总总的植物，我们叫不出名，也就无法采用传统的文字检索的方式来搜索相关植物的知识。

以图搜图是解决上述问题的途径，已经有一些应用软件，如百度识图提供了基于移动平台的图像检索功能。但是由于这是一款通用系统，同时由于缺乏针对植物特征的交互信息，因此对于植物的检索结果较差。

因此，设计一种能够通过针对植物叶片特征的移动检索系统及方法在本技术领域中需要解决的一个问题。

发明内容

针对现有技术中的不足，本发明提供一种基于深度学习的植物叶片识别系统与方法，构建并训练深度卷积神经网络，利用植物叶片数据来训练的网络参数，利用通过深度卷积神经网络获得的叶脉特征与叶片的边缘形状以及叶脉走向特征来共同构建植物叶片的混合特征。移动终端用户在检索时，上传叶片图像的同时将叶片叶脉走向及边缘形状特征类型上传，在后台数据库中完成图像特征提取和检索，并将检索结果及其文字描述信息反馈给终端用户。这种用户参与的深度学习图像检索方法大大提高了植物叶片识别的准确性。

按照本发明所提供的设计方案，一种基于深度学习的植物叶片识别系统，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。

按照本发明所提供的设计方案，一种基于深度学习的植物叶片识别方法，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以下步骤：

步骤1. 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。

优先地，将图像从RGB颜色空间转换到HSV颜色空间。

步骤2. 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，采用AlexNet网络架构，该网络总共有8层，最后通过Softmax分类输出。图像的特征是利用第7层输出的4096维向量来表示。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，得到训练后的植物叶片深度学习网络模型。

步骤3. 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。

步骤4.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。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。

按照本发明所提供的设计方案，一种基于深度学习的植物叶片识别方法，其检索过程具体包含以下步骤：

步骤一. 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。将图像预处理，即将待检索的图像尺度归一化。

步骤二. 用户对植物叶片基本信息描述如，叶脉纹理类型等信息。在移动终端通过示意图的方式由用户选择叶脉纹理的示意图，选择边缘类型的示意图的方式来对叶片图像进行描述。

步骤三.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。

步骤四. 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分类中采用特征相似性性度量来获得近似的检索结果。