[发明专利]一种基于卷积神经网络的花卉品种识别模型建立方法

说明书

本发明提供一种基于卷积神经网络的花卉品种识别模型建立方法，通过对卷积神经网络的深入研究，首先收集了5种花卉的图片，花卉为玉兰、桃花、荷花、月季、鸡冠花，经过筛选和处理得到了一共有5163张尺寸不固定的花卉图片数据集Flower5，然后设计并实现了针对Flower5进行识别的卷积神经网络结构，整个网络由特征提取网络和分类网络组成，其中特征提取网络可以从大量的花卉样本中自动的提取花卉特征，提高对花卉的识别率。采用本发明的技术方案，FlowerNet在数据集Flower5上取得了93.2％识别率的结果，具有一定的实用性。

技术领域

本发明属于图像分类技术领域，尤其涉及一种基于卷积神经网络的花卉品种识别模型建立方法。

背景技术

随着花卉种类的不断增多，花卉产业的不断扩大，为花卉进行分类成了当务之急。对花卉品种进行识别及分类，实质上是数字图像分类的任务。近年来，图像分类的任务逐渐向大数据、多类别靠近，如有“计算机视觉奥林匹克”之称的ILSVRC(ImageNet Large ScaleVisual Recognition Challenge)，它的数据集的大小超过1TB，需要对1000种物体进行分类。在传统的图像分类方法中，一般都是对差异很大的物体进行分类，比如汽车、苹果、狗等，而对于差异不大的物体，比如松树、柳树等植物，则需要研究者有一定的专业知识，仔细挑选提取特征，然后进行识别分类。得益于研究者的工作，图像分类的研究在多类别数据集中取得了一定的成果，但是在一些特定的数据集上效果不尽如人意，在这些数据集上使用的方法通常具有一个或多个缺陷，例如泛化效果差，不能处理图片的局部遮挡，或者是随着类的增加性能显著下降的不足之处。虽然目前模式识别理论已经发展的比较成熟，并获得广泛的应用，但是针对花卉分类的模式识别理论研究相对较少，还没有形成系统的理论和方法。另外，近些年高速发展的卷积神经网络，在花卉分类上的应用和研究也是屈指可数，因此，将卷积神经网络应用到花卉的识别分类上有必要的研究意义和实用意义。

发明内容

本发明提供一种基于卷积神经网络的花卉品种识别模型建立方法，通过使用卷积神经网络，训练一个识别率准确的模型，对北京市常见的5种花卉：玉兰、月季、荷花、鸡冠花以及桃花等花卉进行识别。

为了实现上述目的，本发明采取了如下的技术方案：

一种基于卷积神经网络的花卉品种识别模型建立方法包括以下步骤：

步骤1：生成花卉图片数据集

步骤2：建立用于花卉识别的FlowerNet卷积神经网络结构

所述FlowerNet的卷积神经网络结构由特征提取网络和分类网络组成，特征提取网络包括数据输入层、卷积层、Pooling层，特征映射层主要由全连接层和输出层组成，使用4个卷积层从低到高的提取花卉特征；在本网络中，有两种不同的Pooling层，分别是Max-Pooling层和空间金字塔池化层(Spatial Pyramid Pooling，SPP)，Max-Pooling层分别放在前两个卷积层后面，SPP层放在最后一个卷积层之前，包含1x1，2x2，3x3的池化窗口，在SPP层的后面还包含一个Concat层，用来拼接3个池化窗口的输出；分类网络由3个全连接层组成，主要是将特征空间映射到多个离散的标签上，输出层一共有两个，分别是SoftmaxWithLoss层和Accuracy层，前者用于计算网络的损失并用于反向传播，后者用来计算验证集的准确率；FlowerNet的激活函数均使用PReLU函数；

步骤3：基于caffe框架的FlowerNet的实现

步骤3-1：在数据层中使用数据扩展(Data Augmentation)的方法扩大训练的数据集，设置以227*227的尺寸分别截取图片的四个角区域和中心区域，同时在将数据集输入到卷积神经网络的时候，随机将图片样本水平的镜像翻转；