[发明专利]一种植物图片的自动分类方法

说明书

技术领域

本发明涉及一种植物图片的自动分类方法。

背景技术

分类识别作为植物图片自动分类的一个关键技术，主要通过相似性测量，使用特征判别函数将各种植物归入某种性质或类别的集合。最近由于计算机技术、人工智能技术的广泛应用，植物图片的自动分类方法也得到了迅速发展以及应用，已经出现了许多新颖、实用的理论与方法。根据判别函数以及训练方法的不同，分类方法主要包括以下六种：经典分类方法、模糊方法、灰色系统方法、神经网络方法、句法结构方法以及统计学习方法等。其中神经网络方法由于识别率高、学习性强而被广泛应用。

发明内容

本发明要解决的技术问题是提供一种植物图片的自动分类方法，减少传统人工分类过程中耗费人力、物力，同时也可以对植物图片进行规范化描述。

本发明采用如下技术方案实现发明目的：

一种植物图片的自动分类方法，其特征在于，包括如下步骤：

(1)构建模糊神经网络FNN；

(2)用一组植物图片的特征信息作为训练数据集，通过NTVE-PSO方法训练FNN，从而得到最优模糊神经网络；

(3)综合使用一组植物图片的特征信息作为测试数据集，测试数据集作为最优模糊神经网络的输入，通过最优模糊神经网络进行分类，最终输出植物类别信息。

作为对本技术方案的进一步限定，所述模糊神经网络FNN包括输入层、基于语义约束的模糊层、模糊规则层、标准层和输出分类层，所述输入层为第一层，包含m个节点，接收植物图片的各种特征作为输入数据，同时向基于语义约束的模糊层输出数据；

所述基于语义约束的模糊层为第二层，该层的模糊输入被送到存储在成员函数矩阵与语义约束矩阵的信息基上，通过成员函数矩阵MFA存储每个非线性成员函数MF的所有片段，语义约束矩阵LHA用于当前MF的每个片段的迭代，对于每个输入的MF，都有一个相关的成员函数矩阵MFA和一个相关的语义约束矩阵LHA，对每个输入z_i，MFA_if决定MF分段，在LHA_if矩阵相关量的帮助下，通过MF(·)来模糊z_i；

所述模糊规则层为第三层，该层实现了TS类型的模糊规则基础，每个模糊规则都有一个常量输出；

所述标准层为第四层，该层计算每条规则的标准化输出强度；

所述输出分类层为第五层，该层为分类器的最后一层，该层由一个节点组成，其输入输出通过加权优化进行控制，根据上层的输入值选择适当的类p作为输出。

作为对本技术方案的进一步限定，所述步骤(2)包括如下步骤：

(2.1)首先选取m组不同的植物图片，获取每个植物图片特征信息；

(2．2)将植物图片特征信息进行归一化处理，从这些植物特征中提取特征向量，特征向量定义为f₁，f₂，…，f_m，作为训练数据集；

(2.3)将这m个特征向量分别输入到m个模糊神经网络FNN中，来自每个模糊神经网络FNN的平滑参数σ₁，σ₂,...,σ_m作为PSO中的粒子进行训练，在训练方法中，将来自每个模糊神经网络FNN的平滑参数σ₁，σ₂,...,σ_m进行调整，直至获得最优的平滑参数。

作为对本技术方案的进一步限定，所述步骤(2.3)包括如下步骤：

(2.3.1)指明粒子的位置、速度的极大极小值，设置最大迭代次数；

(2.3.2)随机初始化粒子群的位置和速度；

(2.3.3)通过适应度函数来计算群中每个粒子的适应度；

(2.3.4)通过比较适应度来确定每个粒子的局部最优值，如果存在某个粒子的当前局部最优值优于全局最优值，则用该粒子的最优值更新粒子群的全局最优值；

(2.3.5)用最新的惰性及加速度系数计算每个粒子的速度V_i，局部最优粒子以及全局最优粒子；

(2.3.6)修改每个粒子的位置P_i；

(2.3.7)重复步骤2.3.3-2.3.6，直到完成设置的最大迭代次数，然后确定模糊神经网络FNN的最优结构，跳转到步骤(2.3.8)，否则返回步骤(2.3.3)；

作为对本技术方案的进一步限定，所述步骤（3）包括如下步骤：

（3.1）首先选取m组不同的植物图片，获取每个植物图片特征信息；