[发明专利]一种基于卷积神经网络的植物识别方法及系统

说明书

技术领域

本发明涉及植物识别技术领域，具体涉及一种基于卷积神经网络的植物识别方法及系统。

背景技术

在经典的模式识别中，一般是事先提取预设的植物图像的特征(如SIFT,HOG,LBP特征)。提取特征后，对特征进行编码，比如常用BoW，FisherVector等。然后将特征放到一个分类器，比如SVM，进行2分类，训练出最优分类面，找到最能代表某类植物的的特征，去掉对分类无关和自相关的特征。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的植物分类性能。同时，图像预处理的好坏也会影响到提取的特征。

发明内容

本发明的目的是简化植物识别的步骤，降低植物识别过程的计算量并提高植物识别的精度。

为了实现上述目的，本发明提供了一种基于卷积神经网络的植物识别方法，包括如下步骤：

采集的植物图像，将植物图像中同类的植物进行分类并标记，得到植物数据库；

将植物数据库中植物图像输入至卷积神经网络，对卷积神经网络进行训练得到特征匹配模型；

接收待识别图像，利用特征匹配模型提取待识别图像的图像特征值，并计算图像特征值与植物数据库中植物的相似度，根据相似度判断待识别图像所属植物的分类。

进一步，在上述基于卷积神经网络的植物识别方法中，卷积神经网络依次包括输入层、卷积操作层和输出层，其中，

输入层，用于接收植物图像；

卷积操作层包括卷积层和池化层，其中，

卷积层，用于根据卷积核提取图像特征矩阵；

池化层，用于提取出每个图像特征矩阵中最能代表这个植物图像局部特征的图像特征值。

进一步，在上述基于卷积神经网络的植物识别方法中，所述接收待识别图像，利用特征匹配模型提取待识别图像的图像特征值，并计算图像特征值与植物数据库中植物的相似度，根据相似度判断待识别图像所属植物的分类包括

利用特征匹配模型中卷积核提取N个图像特征矩阵，并提取每个图像特征矩阵中图像特征值；

根据所有图像特征值得到特征值矩阵；

利用预设的函数计算特征值矩阵与植物数据库中植物的相似度。

进一步，在上述基于卷积神经网络的植物识别方法中，所述将植物数据库中植物图像输入至卷积神经网络之前还包括

对植物图像进行预处理，预处理至少包括归一化、明亮度调整或降噪。

进一步，在上述基于卷积神经网络的植物识别方法中，图像特征值至少包括颜色值、轮廓值、边缘值、灰度值。

本发明还提供了一种基于卷积神经网络的植物识别系统，包括

接收模块，用于采集的植物图像，将植物图像中同类的植物进行分类并标记，得到植物数据库；

特征提取模块，用于将植物数据库中植物图像输入至卷积神经网络，对卷积神经网络进行训练得到特征匹配模型；

识别模块，用于接收待识别图像，利用特征匹配模型提取待识别图像的图像特征值，并计算图像特征值与植物数据库中植物的相似度，根据相似度判断待识别图像所属植物的分类。

进一步，在上述基于卷积神经网络的植物识别系统中，所述识别模块包括

卷积单元，用于利用特征匹配模型中卷积核提取N个图像特征矩阵，并提取每个图像特征矩阵中图像特征值；

池化单元，用于根据所有图像特征值得到特征值矩阵；

计算单元，用于利用预设的函数计算特征值矩阵与植物数据库中植物的相似度。

进一步，在上述基于卷积神经网络的植物识别系统中，所述特征提取模块包括

预处理子单元，用于对植物图像进行预处理，预处理至少包括归一化、明亮度调整或降噪。

在上述技术方案中，本发明与传统的识别方法中必须先找到叶子的轮廓或者边缘等完全不同，不用定义任何边缘或者轮廓；本发明利用卷积神经网络避免了显式的特征取样，隐式地从训练数据中进行学习。这使得卷积神经网络明显有别于其他基于神经网络的分类器，通过结构重组和减少权值将特征提取功能融合进多层感知器。它可以直接处理灰度图片，能够直接用于处理基于图像的分类。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。