[发明专利]一种基于卷积神经网络的植物自动分类方法

说明书

本发明公开了一种基于卷积神经网络的植物自动分类方法，该方法先采集样本植物图像数据；舍弃辨识度不高的图像数据，对原始数据打标签，通过打好标签的图像构建数据集，并将数据集分为训练集、验证集和测试集，再对图像数据进行数据扩充处理；使用GoogLeNet构建特征网络，并采用改进后的Fast‑Inception模块结构和h‑Swish激活函数，建立植物自动分类模型；最后通过植物自动分类模型对待识别图像进行分类。该方法解决了人工对植物进行分类的效率低下且容易造成误分类操作的问题，同时提高了植物分类识别的准确率，提升模型的泛化能力，让模型更具有鲁棒性，且减少了模型训练所需要的计算量和时间。

技术领域

本发明属于植物分类技术领域，具体涉及一种基于卷积神经网络的植物自动分类方法。

背景技术

植物分类领域目前来说有两种分类方法：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。

传统机器学习和深度学习在植物图像分类和识别中有着重要的作用，传统机器学习方法识别植物，主要是利用图像提取颜色、纹理和形状等底层特征信息，根据图像类别建立训练集的联合特征信息矢量。对测试集中的所有类别的图像，依据训练集中相同的方法提取联合特征信息矢量，再根据距离度量规则或者其它分类原则预测测试集的类别；深度学习方法识别植物，可以利用深度学习方法提取植物图片的特征信息，再根据传统机器学习的分类方法直接对植物图像进行分类，或者利用深度学习中的全连接层对植物图像进行分类。植物分类识别模型，可以从植物的多种器官建模，植物的叶、花、果、枝干和整株等都可以作为植物图像分类识别的建模器官，但目前相对成熟的研究方法主要是基于植物叶、花或者果的单器官识别。

目前，深度卷积神经网络以其优良的性能，在图像识别领域的应用发展迅速，并且取得了很好的进展，其在图像识别等领域相较于传统分类识别算法应用更灵活、多目标分类能力更强。此外，目前使用深度卷积神经网络进行植物识别的方法主要集中在单个特定器官例如花、叶或果实中独立识别植物。用单一器官识别的准确率不高，很难满足科普植物知识和现代化农业生产的需要。但是，由于传统植物识别算法在特征提取上耗时耗力，以及对野外直接采集的图片识别准确率不高的问题，传统机器学习识别方法对复杂背景的植物识别很难达到理想的识别效果。

发明内容

针对现有技术中的上述不足，本发明提供的基于卷积神经网络的植物自动分类方法解决了现有的通过人工识别植物分类时，准确度差、效率低的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于卷积神经网络的植物自动分类方法，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。

进一步地，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。