[发明专利]一种植物识别方法

权利要求书

1.一种植物识别方法，其特征在于，包括：

预处理，用于将植物图像转换为二值图像，

特征提取，用于提取上述图像中的相对特征，构成特征数据矩阵；

分类识别，用于构建基于深度学习的神经网络模型，该模型采用五层BP神经网络，4层全连接层，最后一层为归一层；通过训练该模型，用于后续的植物识别。

2.根据权利要求1所述的植物识别方法，其特征在于，所述预处理步骤中，采用加权平均法对图像进行灰度化。

3.根据权利要求1或2所述的植物识别方法，其特征在于，所述预处理步骤中，采用双边滤波器方法对图像进行去噪。

4.根据权利要求3所述的植物识别方法，其特征在于，所述预处理步骤中，采用最大类间方差法对图像进行阈值分割。

5.根据权利要求4所述的植物识别方法，其特征在于，所述预处理步骤中，采用下述形态学操作：对处理过的阈值分割后的图像进行开运算去除叶柄，进行闭运算去除孔洞。

6.根据权利要求1所述的植物识别方法，其特征在于，所述特征提取步骤中，选取如下的相对特征：周长凹凸比、面积凹凸比、偏心率、形状参数、圆形度、狭长度、矩形度以及周长长宽比。

7.根据权利要求1所述的植物识别方法，其特征在于，在将特征数据矩阵输入到基于深度学习的神经网络模型时，先进行归一化处理，归一化的步骤是：

X_C＝tanh((x-E(x))*1.5)/σ(x))

其中，X_C表示归一化处理结果，x表示某一个特征值，E(x)表示x的均值，σ(x)表示x的标准差。

8.根据权利要求1所述的植物识别方法，其特征在于，在神经网络模型构建之初，通过下述调试验证步骤来验证当前神经网络模型中反向传播的编写是否正确，步骤是：

F＝(f(w+Δw)-f(w-Δw))/(2*Δw)

其中，F表示权重的导数，f表示w与目标函数y的关系，w是权重，Δw是表示一个无穷小的数；

判断权重的导数F是否等于反向传播的误差，如果相等，则表示当前反向传播编写正确。

9.根据权利要求1所述的植物识别方法，其特征在于，所述基于深度学习的神经网络模型，其前向运算公式：

O1＝action(A_in*B₁)

Oi＝action(O_i-1*Bi)，i∈[2,5]

其中A_in为输入矩阵，B_i为第i层的神经元矩阵，action()表示激励函数，Oi表示第i层的输出矩阵，在action()中，前四层均使用tanh函数，最后一层中先进行tanh函数，再使用下方激励函数：

其中，out_i表示最后一层中进行了tanh函数的第i个输出，e表示自然常数；

目标函数：

对于一条记录来说，其目标函数批量训练时，神经网络的目标函数为每条记录的误差值的均值；

其中out是标签指明的同种叶子类别的归一层函数的输出，该值作为该条记录的误差值；action(out)表示标签指定的out在最后一层中使用的激励函数。