[发明专利]一种基于深度学习和植物分类学的植物识别方法

说明书

本发明公开了一种基于深度学习和植物分类学的植物识别方法。将样本植物图像进行科、属、种的标记；将样本植物图像输入深度卷积神经网络中进行训练。将损失函数设定为科、属、种标签的交叉熵损失的加权和，通过随机梯度下降算法更新神经网络的权值，待该深度卷积神经网络收敛后结束训练并固定各层权值不再改变得到训练好的深度卷积神经网络。本发明通过将深度学习与植物分类学结合，引入科、属标签作为学习目标，提高了识别正确率。

技术领域

本发明涉及植物识别技术领域，具体为一种基于深度学习和植物分类学的植物识别方法。

背景技术

图像识别领域目前一般来说有两类方法，一类是基于传统机器学习的识别方法，其特点是特征提取方式一般为人工定义；另一类是基于深度学习的方法，其特点是特征依靠深度卷积神经网络自动提取。然而，前者往往会引入人工偏差，后者会有一定程度的过拟合问题，影响识别性能。

现有专利CN201810030151.X，公开了一种植物种类识别方法以及装置，其通过获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片；并基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片，得到每个部位的预测识别结果；然后将所有的预测识别结果进行融合，得到所述待识别植物的种类。本方法根据叶、花和植株整体信息，融合利用整体和局部信息，对植物做精细的识别分析，从而得出准确的植物分类结果，可以让算法更具有鲁棒性，用户在使用该算法时，能够较以往更好地实现植物分类。该专利使用了跨媒体方法进行识别。

现有专利CN201611206559.5，公开了一种基于深度学习的跨媒体中草药植物图像检索方法。其步骤如下：1)通过OCR，文本结构化处理，从《植物分类学》等书籍中抽取植物分类描述文字2)使用中文分词工具，对所有植物分类描述文字进行包括分词和去停用词在内的预处理；3)用word2vec算法根据描述文本生成词向量；4)使用Fisher Vector将描述文本进行编码；5)利用卷积神经网络在图片集上进行训练，使网络结构收敛到最优状态；6)提取卷积神经网络的倒数第二层全连接层输出作为图片特征向量；7)融合文本特征与图片特征；8)使用线性核SVM分类器进行模型训练；9)用户检索时可输入图像、描述植物文本，之后利用4)、6)、7)、8)步得到最终的图片检索结果。该专利使用了跨媒体方法。

发明内容

发明目的：为提高植物识别的准确率，缓解深度卷积神经网络的过拟合问题，本发明提供一种基于深度学习和植物分类学的植物识别方法。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于深度学习和植物分类学的植物识别方法，包括以下步骤：

步骤1，收集样本植物图像和待识别植物图像，将样本植物图像进行科、属、种的标记。

步骤2，将样本植物图像输入深度卷积神经网络中进行训练，所述深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层接收输入图像，卷积层和池化层用于图像特征提取，全连接层用于特征分类，输出层用于输出结果。输出层同时具有3个输出值，分别为该植物的科、属、种标记。

所述深度卷积神经网络的损失函数为植物科、属、种的交叉熵损失的加权和，即为：

l＝al_f+bl_g+cl_s