[发明专利]入侵植物薇甘菊的自动识别方法及系统

说明书

本发明属于外来入侵植物智能防控技术领域，具体涉及入侵植物薇甘菊的自动识别方法及系统。本发明通过构建深度卷积神经网络，用野外目标入侵植物训练和测试该深度卷积神经网络后，对带识别的野外入侵植物进行识别，具有识别的速度快、准确率高，抗复杂环境干扰的能力强的特点。

技术领域

本发明属于图像智能识别技术领域，具体涉及入侵植物薇甘菊的自动识别方法及系统。

背景技术

野外入侵植物严重破坏森林和农田的生态环境，造成巨大的经济损失。利用数字图像自动识别技术对野外入侵植物实时精准检测，进而防范其进一步扩散，保护生物多样性具有重要意义。

由于很多如薇甘菊的野外入侵植物与附主植物可见光下颜色及其相似，视觉辨识度低，而且野外环境复杂多变，加上未知背景因素的干扰，一般图像识别方法很难实现对野外入侵植物实时精准识别。目前对野外入侵植物的自动识别的研究很少，主要基于高空或卫星遥感图像对大规模的野外入侵植物进行有效识别，但对于中小规模的野外入侵植物往往作为误差点忽略，整体识别准确率有限。因此，随着如薇甘菊的入侵植物危害的严重性日益增加和入侵植物自动识别技术的缺陷，迫切需要开发一种高精度的识别方法快速准确识别野外目标入侵植物。

发明内容

为了解决现有技术中存在的对入侵植物薇甘菊缺少高精度、快速识别方法的问题，本发明提供一种入侵植物薇甘菊的自动识别方法及系统，其具有精度高、识别速度快的特点。

本发明的目的是提供一种薇甘菊的自动识别方法。

本发明的再一目的是提供一种薇甘菊的自动识别系统。

根据本发明的具体实施方式的入侵植物薇甘菊自动识别方法，其包括以下步骤：

构建深度卷积神经网络，所述深度卷积神经网络结构包括输入层、中间层、全连接层、分类器和输出层；

用训练集的野外目标入侵植物的彩色高清图像训练深度卷积神经网络，生成用于识别的深度卷积神经网络；

用测试集的野外目标入侵植物的彩色高清图像验证训练生成的深度卷积神经网络的准确率；当准确率小于预设阈值时，调整深度卷积神经网络结构的中间层和训练参数，重新测试深度卷积神经网络的准确率，重复此步骤直至准确率大于等于预设阈值，完成训练；

用完成训练的深度卷积神经网络对待识别的野外目标入侵植物的彩色高清图像进行种类识别，标注识别结果并拼接。

根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法，将野外目标植物的彩色高清图像、待识别的野外目标入侵植物的彩色高清图像分别裁剪成多个正方形的输入单元。

根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法，训练参数的设置为学习率衰减因子为0.1～1，学习率衰减周期为10～100，初始学习率为0.0001～0.1，训练循环最高次数为10～1000，随机抽取的样本数为10～200，其中优选的参数设置为，学习率衰减因子为0.8，学习率衰减周期为100，初始学习率为0.0005，训练循环最高次数为50，随机抽取的样本数为100。

根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法，预设阈值设定范围为90％～100％，其中优选的预定阈值为90％。

根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法，训练集和测试集的数量比为4：1。

根据本发明具体实施方式的入侵植物薇甘菊的自动识别方法，全连接层的分类数是3，每个分类数分别对应入侵目标植物、绿色植物背景和除绿色植物外的背景；或者，全连接层的分类数也可以是2，分别对应入侵植物薇甘菊目标和除目标外的所有背景。

根据本发明具体实施方式的入侵植物薇甘菊的自动识别系统，所述系统包括，

模型模块，用于构建深度卷积神经网络；