[发明专利]一种基于卷积神经网络的植物自动分类方法

权利要求书

1.一种基于卷积神经网络的植物自动分类方法，其特征在于，包括以下步骤：

S1、采集不同植物在不同生长阶段的原始图像数据；

S2、对采集的原始图像数据进行预处理，构建样本图像数据集，并将其划分为训练集、验证集和测试集；

S3、对训练集中的图像数据进行数据扩充处理；

S4、将数据扩充后的训练集输入到改进的GoogLeNet特征网络中进行训练，并通过验证集对参数进行调整，得到训练好的植物自动分类模型；

S5、将测试集中待识别的植物图像输入到植物自动分类模型中，得到对应的植物分类结果，实现植物自动分类。

2.根据权利要求1所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S2具体为：

S21、对原始图像数据进行打标签处理；

S22、删除辨识度低于设定阈值的打标签后的图像数据；

S23、将保留的图像数据尺寸统一设置为224×224×3；

S24、将所有尺寸统一的图像数据作为样本图像数据集，并将其划分为训练集、验证集和测试集。

3.根据权利要求2所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S21中，对原始图像数据进行打标签处理包括确定植物器官标签和植物种类识别标签。

4.根据权利要求3所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述植物器官标签包括花、果、叶和整株。

5.根据权利要求4所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S22具体为：

S22-1、根据图像数据中的植物器官标签，构建对应类别的单分类器；

S22-2、将每类器官对应的图像数据依次输入到对应的单分类器中，进而得到该图像数据为正确分类时的得分，将其作为图像数据的辨识度；

S22-3、将辨识度低于设定阈值对应的图像数据删除。

6.根据权利要求1所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S3中的数据扩充处理包括对比增强处理、叠加噪声处理、仿射变换处理、颜色抖动处理和透视变换处理。

7.根据权利要求1所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S4中，在改进的GoogLeNet特征网络中将GoogLeNet特征网络中的Inception结构替换为Fast-Inception结构，所述改进的GoogLeNet特征网络中的激活函数为h-Switsh函数，所述改进的GoogLeNet特征网络中的分类器采用Softmax函数，所述改进的GoogLeNet特征网络的全连接层的神经元个数为12个。

8.根据权利要求7所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述Fast-Inception结构包括第一1×1卷积层、最大池化层和第二1×1卷积层；

所述第一1×1卷积层的输入端、最大池化层的输入端和第二1×1卷积层的输入端均与Fast-Inception结构的前一层结构的输出端连接，所述最大池化层的输出端与第三1×1卷积层的输入端连接，所述第二1×1卷积层的输出端与第一3×3卷积层的输入端连接，所述第一3×3卷积层的第一输出端依次与第四1×1卷积层和第二3×3卷积层连接；所述第一1×1卷积层的输出端、第三1×1卷积层的输出端、第一3×3卷积层的第二输出端和第二3×3卷积层的输出端形成级联卷积核作为Fast-Inception结构的输出端。

9.根据权利要求8所述的基于卷积神经网络的植物自动分类方法，其特征在于，在所述改进的GoogLeNet特征网络中，Dropout层的输出比率为60％。

10.根据权利要求5所述的基于卷积神经网络的植物自动分类方法，其特征在于，所述步骤S4具体为：

S41、对当前训练集中的图像数据进行去均值化处理；

S42、将去均值化处理后的训练集中的每类器官对应的图像数据分别输入到一个改进的GoogLeNet特征网络中；

S43、采用自适应梯度估计方法对每个改进的GoogLeNet特征网络进行训练，并通过验证集中的图像数据进行网络参数调整，得到植物的花、果、叶和整株对应的单器官植物种类识别模型；

S44、采用投票策略对各单器官植物种类识别模型输出的分类信息进行处理，提取最终的种类识别信息，得到训练好的植物自动分类模型。