[发明专利]一种基于四通道卷积神经网络的树干纹理识别方法

权利要求书

1.一种基于四通道卷积神经网络的树干纹理识别方法，其特征在于：所述方法包括以下步骤：

S1：树干图像数据集的采集,提取的是树干的特征，根据树干的纹理来识别树种，这就要求拍摄的树木图像主要聚焦在树干上，保证图像的完整性；

S2：对原始图像数据集进行预处理；

S3：对处理后的图像利用四通道卷积神经网络进行机器学习,训练多分类器。

2.如权利要求1所述的一种基于树干纹理的树种分类方法，其特征在于：所述步骤S1包括以下步骤：

S1.1：首先，图像的采集地点来自不同的地域，降低地理位置对分类的影响；

S1.2：其次，要求拍摄的树木图像主要聚焦在树干上，提取树干的纹理特征；

S1.3：最后，图像的采集要全面，每种树干的图片数量达到500张，对每一种树大致选取50棵左右，每一棵树都要对其进行前后左右以及不同高度的照片拍摄，保证同一位置只拍摄一张照片，每一棵树拍摄的照片约为10张。

3.如权利要求1或2所述的一种基于树干纹理的树种分类方法，其特征在于：所述步骤S2包括以下步骤：

S2.1：先将原始图像进行灰度化处理，采用的是加权平均法，将三个分量以不同的权值进行加权平均，由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像，灰度化的定义为f(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)

S2.2：最后将归一化后的图像裁剪成四张大小相同的图片，且每一张图片上都要包含树干纹理特征，裁剪的方式为沿图像水平对称轴和垂直对称轴裁剪；

S2.3：然后将灰度化后的图像进行归一化处理，归一化的目的就是使得预处理的数据被限定在一定的范围内(比如[0，1]或者[-1，1])，从而消除奇异样本数据导致的不良影响，归一化的定义为

image＝image/255.0。

4.如权利要求1或2所述的一种基于树干纹理的树种分类方法，其特征在于：所述步骤S3包括以下步骤：

S3.1：构建四通道卷积神经网络模型，将每一张图划分为4个子图，将每一个子图单独输入到通道中，在softmax分类层之前将4个通道的值相加，目的就是充分利用每一张子图的信息，在一定程度上增加了数据集，以提高模型精度，且能提高系统的鲁棒性，降低个别特征对分类准确度的影响，这4个通道均是相同的卷积神经网络，且权值共享，这样能提取到更多的图像纹理特征，又能减少训练的参数；

S3.2：卷积神经网络各网络层的参数计算；

卷积层层面，由于使用的是四通道卷积神经网络，同一个卷积核有不同的输入，从而迫使它们抽取相同的特征，网络最终学习到的卷积核，可以视为特征提取模板，提取的特征视为四张子图的共同特征，R为学习到的特征，r₁～r₄为各子网络的特征，记

R＝(r₁+r₂+r₃+r₄)/4

将卷积后的结果通过非线性激活函数，这里使用ReLU(rectified linear units)函数:f(x)＝max(0，x)，得到非线性变化后的结果，记

C＝[c₁ c₂…c_n]

网络的池化层使用最大池化P＝max{C}，池化的本质是对卷积后的结果进行统计计算，池化，池化后的结果记为

Z＝[p₁ p₂…p_m]

然后将各卷积和池化层提取的特征通过Dropout层，其做法是每次前向传播时随机将一定比例的隐层节点权值置为零，也就是这部分节点不参与此次更新，从而使权值的更新不依赖于固定关系节点的共同作用，从而降低过拟合，记

其中表示按位相乘；r∈R^m表示随机向量，服从参数为D的Bernoulli分布，它的作用相当于一个掩模，与池化层的输出按对应位相乘，从而将池化层的一部分输出随机置零，m表示卷积核的个数，使用Dropout可以抑制神经网络的过拟合经过Dropout后的向量y，作为句子的特征输入到最后的softmax分类器g＝W²Y，其中:W²∈R^{I x m}是转移矩阵；I为待分类的类别数目；输出O是一个I维的向量，第i维表示属于第i类的概率；

输出类别是i的概率为

i表示K中某个分类，g_i表示该分类的值；

S3.3：更新模型参数，逐步提高模型的精确度，选择精度最高的模型作分类器。