[发明专利]一种植物叶片图像识别方法

说明书

本发明公开了一种植物叶片图像识别方法，包括：获取若干种植物的叶片图像数据集；其中，每一种植物的叶片图像数据集含有60‑80张叶片图像；将所述若干种植物的叶片图像数据集包含的叶片图像数据均进行归一化预处理；将所述归一化预处理后的叶片图像数据进行深度矩阵分解，以保留叶片图像数据的目标特征信息；将深度矩阵分解之后的叶片图像数据输入卷积神经网络中进行学习训练，得到深度学习模型；将待识别植物的叶片图像输入所述深度学习模型中，识别出待识别植物的种类。通过本发明，能够在植物叶片识别中有效降低数据复杂度并保留特征信息，高效地实现植物叶片图像识别。

技术领域

本发明涉及植物叶片图像识别领域，特别涉及一种植物叶片图像识别方法。

背景技术

大自然中约有40万种植物，其中，已经有超过25万种被命名并将其信息结构录入数据库，植物在人类生存活动中充当着重要角色，比如农学、环境学、医学等领域。

植物的分类与识别通常采取的方式是选取植物的局部特征(如植物的叶、花、果、茎、枝条等)进行分类和识别，因为植物叶片相比于其他的器官，其存活时间较长并且方便采集，所以植物叶片常作为植物的识别特征和认识植物的主要参照器官；而且叶形、纹理、脉络等也是研究植物物种的形态变异和分化的重要指标，因此以叶片作为切入点的植物识别是最直接有效且最简单的方法。

传统的植物识别是人工辨识法，随着计算机技术和模式识别算法的发展，取代人工辨识法的是基于图像识别植物种类，现有的图像识别方法的特点是通过相关算法在叶片图像中提取对应的特征，然后对提取的特征分类，进而实现对应植物的分类，这种识别方法使用了传统机器学习算法，虽然所需样本较少，识别过程明确，但其局限是会导致高度依赖专家对叶片特征知识的掌握程度和分析能力，计算过程和提取难度大，缺乏统一预定义的最佳特征参数。随着深度学习的发展与应用，卷积神经网络对图像识别具有突出效果，在植物叶片识别应用中，卷积神经网络不需要人为划分提取特征，该模型直接对叶片图像数据进行学习训练并提取特征，实验结果表明此方法准确率和稳定性均显著提高。但是，深度学习模型需要大数据支撑，选择合适的模型与数据至关重要，而且对于植物叶片数据来说通常是高维复杂、特征参数较多，易导致深度学习网络训练时间长久、准确率不稳定、过拟合等现象，所以卷积神经网络识别图像的效果取决于深度学习网络的训练，也就是植物叶片数据的处理，因此，需要设计一种能够在植物叶片识别中有效降低数据复杂度并保留特征信息的植物叶片图像识别方法，可以高效地实现植物叶片图像识别。

发明内容

本发明提供一种植物叶片图像识别方法，能够在植物叶片识别中有效降低数据复杂度并保留特征信息，高效地实现植物叶片图像识别。

本发明提供了一种植物叶片图像识别方法，包括以下步骤：

获取若干种植物的叶片图像数据集；其中，每一种植物的叶片图像数据集含有60-80张叶片图像；

将所述若干种植物的叶片图像数据集包含的叶片图像数据均进行归一化预处理；

将所述归一化预处理后的叶片图像数据进行深度矩阵分解，以保留叶片图像数据的目标特征信息；

将深度矩阵分解之后的叶片图像数据输入卷积神经网络中进行学习训练，得到深度学习模型；

将待识别植物的叶片图像输入所述深度学习模型中，识别出待识别植物的种类。

优选地，所述将所述若干种植物的叶片图像数据集包含的叶片图像数据均进行归一化预处理，包括以下步骤：

采用Python对所述叶片图像数据的jpg格式、灰度化、像素值的统一进行处理，并将处理后的叶片图像数据分为训练集和验证集，训练集和验证集的比例为8:2。

优选地，所述将所述若干种植物的叶片图像数据集包含的叶片图像数据均进行归一化预处理之后，该方法还包括以下步骤：