[发明专利]一种基于深度神经网络的菊花识别方法

说明书

技术领域

本发明属于图像处理，尤其涉及一种基于深度神经网络的菊花识别方法。

背景技术

菊花是中国的传统名花，从原始的野生种类经过栽培、杂交选择和精心培育,已经逐步成为世界上品种最丰富的栽培花卉之一。菊花是中国十大名花之一，花中四君子(梅兰竹菊)之一，具有重要的观赏价值和药用价值。

目前，对于植物和花的识别，主要采用了机器学习技术。但是针对不同菊花种类的识别缺少深度的研究，现有技术和产品对不同菊花的识别正确率不高。

在现有花的种类识别技术主要有：

(1)微软识花是微软和中国科学院植物联合提出的智能识别技术，它采用人工智能技术，但是对不同形状的菊花识别功能不足。

(2)myGardenAnswers是通过上传植物和花卉图像进行植物种类识别的系统，通过植物照片就能识别出来植物种类，但是对识别不同形状的菊花能力不足。

随着深度学习技术的发展，针对菊花的形状，有必要研究一种基于深度神经网络的菊花识别技术，提高菊花识别的正确率。

发明内容

发明目的：针对上述现有技术的不足，本发明提供一种基于深度神经网络的菊花识别方法，该方法对于菊花的识别率更精准，可以的将菊花按照花朵的形状进行分类。

技术方案：本发明所公开的一种基于深度神经网络的菊花识别方法，包括以下步骤：

(1)菊花图像原始数据的采集和预处理，并构成训练集样本；

(2)构建深度神经网络模型；

(3)待识别菊花的图像采集，并对图像进行裁剪和缩放，将图像转化成RGB形式输入到深度神经网络的模型中；

(4)将测试样本利用训练完成的神经网络的模型识别菊花的类型。

其中，所述的步骤(2)对图像处理包括训练集图片的随机剪裁、随机反转、随机亮度变换、随机对比度变换、白化处理和测试集图片的随机剪裁、白化处理；所述的深度卷积神经网络依次连接的是数据输入层Input、Conv1卷积层、Conv2卷积层、全连接层和Output数据输出层；所述的Conv1卷积层输入图像像素大小为48*48*3，所述Conv1卷积层的卷积核数目为64个，卷积核的移动切片步长为1，卷积核的大小为5*5，pooling层的卷积核大小为3*3，移动步长为2，所述的Conv1卷积层的输出为Conv2卷积层的输入；所述Conv1卷积层和Conv2卷积层为相同的设计结构，即卷积核数目为64个，卷积核的移动切片步长为1，卷积核的大小为5*5，pooling层的卷积核大小为3*3，移动步长为2，并均使用ReLU函数为神经元激活函数；所述全连接层包括Fc3全连接层和Fc4全连接层，Fc3全连接层的输出神经元个数设为384个，Fc4全连接层输出的神经元个数设为192个。

进一步的，所述的深度卷积神经网络Conv1卷积层分为C1卷积层、S1下采样层和L1归一化层，所述的Conv2卷积层分为C2卷积层、S2下采样层和L2归一化层。所述的L层为LRN层，是局部响应归一化，对于每个元素按照给定的系数逐一进行规范化处理。

进一步的，本发明所述方法采用修正线性单元ReLU激活函数为f(x)＝max(0,x)；所述识别的菊花类型有五种，分别为翻卷型、雏菊型、飞舞型、球型和莲座型。

更进一步的，所述步骤(2)中所述卷积神经网络训练阶段包括如下步骤：

(a)从截断的正态分布中输出随机值的方法初始化网络的权值参数W，生成的值服从正态分布；

(b)从训练集中通过线程随机选取15-50个训练样本，然后对选取图像进行预处理后输入到BP卷积神经网络中；

(c)计算实际的输出值与预测的输出值之间的误差值；

(d)如果迭代次数达到预定值，则停止训练，否则继续进行训练，并按照极小化的方式将误差进行反向传播；

(e)返回步骤(b)，循环训练。

有益效果：本发明与现有技术相比，其显著的特点在于:第一、发明针对图像视点问题、尺寸问题、光影变化问题、背景复杂问题、遮挡问题，变形问题有极大的改进，可以提图像识别的准确率；第二、本发明解决现有菊花识别的技术难题，并且可以对于菊花的类型有进一步区分；第三、本发明对菊花数据预处理，增加模型的泛化能力；第四、本发明可以深度神经网络结构及激活函数对菊花有效识别；第五、本发明可以通过菊花形状来识别菊花的种类和名称。

附图说明

图1是本发明的数据预处理流程框图；

图2是本发明的系统网络层；