[发明专利]一种基于可叠加胶囊网络的植物叶片识别方法

说明书

本发明涉及一种基于可叠加胶囊网络的植物叶片识别方法，该方法以手机平台为客户端，手机平台采集叶片图像、发出识别请求并对植物物种信息数据库进行展示；客户端发出识别请求至高性能计算机的服务器端，服务器端对叶片图像进行特征提取、训练，以及利用可叠加胶囊网络对叶片进行识别。与现有技术相比，本发明具有识别准确率高、使用方便等优点。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种基于可叠加胶囊网络的植物叶片识别方法。

背景技术

为了更好的利用以及保护植物，人类需要根据植物的种类了解其生长特性，药物特性，进而对其周边环境进行调整以及制药。因此，植物分类是保护植物的过程中重要的一个环节，然而自然界中存在几千种植物，若要对其一一进行人工识别，不仅需要众多人力，还需要消耗较多时间，且对于人员也需要进行专业的培养，尤其是针对医用植物而言更是需要众多的专业人员来对其进行识别及筛选。因此，利用计算机技术自动识别植物对于植物的保护和利用具有重要的意义。

不同种类的植物在根、茎、叶、花、果实上的差距较为明显。因此，人们通常利用这些不同器官来识别植物。同理，对于计算机而言，这些明显的特征也可用于识别植物的种类。植物叶片作为植物的重要器官，且作为植物最有可辨性的特性之一，与其他特征相比，植物叶片相对容易保存，且植物叶片的收集难度也远远小于植物的其他特征。同时对于现在常用的图像识别技术而言，植物叶片的图像特征相较于植物的根、茎而言更容易识别，相较于花、果实而言更加普遍。随着机器学习和数字图像处理等技术的快速发展，人们试图借助计算机的强大计算能力和学习能力，对植物物种进行自动识别，针对此，计算机识别植物通常采用植物叶片作为首选项。

在神经网络被广泛应用之前，传统的植物叶片识别技术主要是人工的对植物的特征进行提取，通过将植物叶片的图像转化为人为设计的特征向量然后再利用机器学习的方法对其进行分类。由于人工提取特征植物叶片图像的方式过于依赖提取专业人员的经验知识，而且特征的设计对于植物的识别会产生特别大的影响导致精度会产生一定的下降。而随着神经网络的出现，卷积神经网络的成熟以及各种优化版本的出现，使得计算机对于图像的识别能力相较于传统机器学习时期得到了较大的提升。同理，对于植物叶片识别而言，卷积网络的出现使得原本繁琐的特征设定，特征向量提取变得相对简便。然而相对于其他图像的识别，针对植物叶片的卷积神经网络识别技术的研究才刚刚兴起，尚未普及且未能得到从理论成果到应用成果的转化。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于可叠加胶囊网络的植物叶片识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于可叠加胶囊网络的植物叶片识别方法，该方法以手机平台为客户端，手机平台采集叶片图像、发出识别请求并对植物物种信息数据库进行展示；客户端发出识别请求至高性能计算机的服务器端，服务器端对叶片图像进行特征提取、训练，以及利用可叠加胶囊网络对叶片进行识别。本发明方法的具体步骤包括如下内容：

S1、将原始图片数据集划分训练集和测试集，并将测试集划分为查询集和候选集；

S2、服务器端对训练集的叶片数据进行包括翻转、加噪声、自动裁剪、随机擦除在内的预处理；

S3、对基准网络模型进行训练，优化网络，并对基准网络的超参数进行调整；

S4、当进行实际植物叶片识别时，客户端获取叶片图像后，将叶片图像传输给服务器端，并同时向服务器端发送识别请求；

S5、服务器端接收叶片图像，当服务器端收到识别请求后，基于可叠加胶囊网络对叶片图像进行特征提取及识别，识别后的结果无线传输至客户端。

基于可叠加胶囊网络对叶片图像进行特征提取及识别的具体内容为：

51)利用局部感知将原有的胶囊网络中的动态路由方式进行优化；