[发明专利]基于矢量神经网络的多角度植物识别方法

说明书

本发明公开了基于矢量神经网络的多角度植物识别方法，该方法主要包含以下步骤：根据实际需要识别的植物种类，针对每类植物收集一定数量多视角的植物图像，手工分类标记后形成数据集备用；将数据集中的植物图像输入矢量神经网络，对网络进行有监督的训练，让网络能从同种植物的多个角度图像中自主地提取出具有空间变化鲁棒性的信息表示；将特征送入特征分类器，分类结果概率最高的类别即为该植物所属类别。本发明所用矢量神经网络，极大幅度减少了传统神经网络对数据量的依赖，用相对少量的多视角植物图像便能构建并训练出具有较强植物特征抽象能力的神经网络，模型来识别植物种类。

技术领域

本发明涉及图像判断领域，特别涉及基于矢量神经网络的多角度植物识别方法。

背景技术

千百年来植物与人类息息相关、紧密相连。随着人类文明的进步，植物却遭到了越来越严重的破坏。因此，对植物进行识别归类，建立植物数字化资源库，以助于植物的保护，具有重要的意义。而植物叶片数字化图像机器识别算法无疑会大大加快植物的分类工作。在经典的模式识别中，一般是事先提取预设的植物图像的特征(如SIFT,HOG,LBP特征)。提取特征后，对特征进行编码，比如常用BoW，FisherVector等。然后将特征放到一个分类器，比如SVM，进行2分类，训练出最优分类面，找到最能代表某类植物的的特征，去掉对分类无关和自相关的特征。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的植物分类性能。同时，图像预处理的好坏也会影响到提取的特征。

发明内容

本发明的目的在于：提供了基于矢量神经网络的多角度植物识别方法，解决了空间上的特征语义关联问题，大大节省数据收集成本，提高识别准确率和适用范围。

本发明采用的技术方案如下：

基于矢量神经网络的多角度植物识别方法，包括，其特征在于：所述方法包括如下步骤：S1：收集植物多角度图像，通过图像采集装置采集拟识别植物不同季节的多个角度的器官局部图像，收集并整理图像资源按植物类别进行分类整理类别进行分类备用；S2：图像训练集制作，通过将步骤S1中收集采集的植物图像按已分类别进行标注，并将标注后的图像数据统一调整为大小一致的尺寸；S3：识别用矢量神经网络模型训练，通过将步骤S2中处理后的图像数据，输入到矢量神经网络中，经多次迭代后使得网络能够提取出植物图像的多维特征，并经过向量算法将特征转为向量值，其中向量的模长表示其所属类别的可能性，向量的方向表示植物的类别实体参数；S4：将步骤S3中的训练得到的矢量神经网络来识别植物种类，属于要识别的植物的图像，经网络自主提取出具有视角不变性的特征，产生最终的特征向量，并根据这个向量的模长来计算分类损失，分类计算后得出识别分类结果名称；S5：根据步骤S4中计算的分类结果名称，搜索数据库或网络资源资料，并展示搜索后的数据详细信息。

进一步地，所述步骤S1中采集的局部图像为植物的花、叶、果实和特征明显的植物器官图像。

进一步地，所述步骤S1中的分类整理为将采集的植物数据按照同种类数据放入同一文件夹中。

进一步地，所述步骤S2中的标注为将步骤S1中的分类整理后的文件进行编号，并以文本形式列出每个编号所对应的植物名称，形成了一个可用于训练所述矢量神经网络的数据集。

进一步地，所述步骤S2中的图像尺寸为128*128。

进一步地，所述步骤S3中的多维特征为经过数个主矢量单元后提取出来，具有多个维度的特征。

进一步地，所述步骤S3中的向量算法为向量间路由算法。

进一步地，所述步骤S3中的实体参数有叶片纹理、叶脉分布、形状信息，实体参数通过机器自主学习进行特征提取。

综上所述，由于采用了上述技术方案，本发明的有益效果是：