[发明专利]一种基于人工智能牡丹品种识别方法及识别系统

权利要求书

1.一种基于人工智能牡丹品种识别方法，其特征在于，对包含有牡丹花卉的图像进行如下识别方法，包括：

S1：数据处理，形成用于模型训练的完整标签

对牡丹花卉的图像添加：常规的牡丹花种类分类标签，以及牡丹花位置信息的标签，经数据处理后，对牡丹花卉的花瓣主体处形成边框；

每个边框对应产生一个响应区域，对于某一表示为(X，Y，H，W)的边框，X，Y为边框左上角坐标，H，W分别为边框的高和宽，生成响应区域标签过程如下：

在以边框中心为中心的区域内，产生高斯分布的响应区域；

对于边框(X，Y，H，W)，其中心点为

高斯分布区域半径：

通过经验常数，计算可得到高斯分布方差为：

由该方差，根据二维高斯分布公式，计算出边框中心点半径r范围内的响应值；进一步，通过对所有边框的计算，得到牡丹花卉图像的关键区域响应图；所述响应图和牡丹花卉类别标签构成了用于模型训练的完整标签；

S2：模型训练和学习

使用数据增广和训练数据池策略以增加训练数据量；

损失函数用来计算统计学习模型的预测值与真实值的差距，根据损失函数调整模型参数，使得损失函数变小；通过梯度下降法计算模型中各参数对损失函数值的梯度，将模型参数沿着使得损失函数减小的方向移动一定步长即为完成了一次优化；

S3：前向计算过程

模型训练之后，在实际使用过程中，其流程如下：

网络包括全局分支以及局部分类分支，全局分支包括Feature Extractor 1以及Classification Block 1，局部分类分支包括Feature Extractor 2以及ClassificationBlock 2，两个分支都连接有全局池化层和全连接层；

首先，对于一张输入图像，全局分支针对该图像输出特征经过全局池化层和全连接层直接输出N维输出向量；

然后，全局分支把该图像的特征输出至区域检测模块Ragion detector，区域检测模块Ragion detector产生对应目标区域的热力图，热力图与原图叠加，削弱背景区域，接着区域检测模块Ragion detector叠加后的热力图以及原图输出至局部分类分支FeatureExtractor2以及Classification Block 2；

接着，局部分类分支再输出特征经过全局池化层和全连接层变为N维输出向量；

最后，根据全局分支以及局部分类分支生成的两分支的N维向量计算均值得到最终的N维输出对于N类牡丹花的识别任务，所述识别任务用于输出向量最大值对应的维度n即为模型对当前输入图像的预测结果。

2.根据权利要求1所述的一种基于人工智能牡丹品种识别方法，其特征在于，在所述S2的模型学习中，使用了三个损失函数，包括：全局分类分支的分类损失函数、局部分类分支的分类损失函数和注意力模块响应位置的损失函数；其中，全局分类分支和局部分类分支输出均为N维向量，其中N为所有牡丹花种类数，向量的每个维度分别对应当前输入图像在该分支上预测为对应种类牡丹花的概率；全局分类分支和局部分类分支输出分别记为和每个分支对应的标签相同，记为Y，Y为N维独热向量，对于第n类牡丹花样本，Y的第n维y_n为1；其余维度均为0；

两个分类分支均使用交叉熵损失函数，表达式如下：

所述注意力模块的输出为二维数组，每个像素值均在0-1范围内；注意力模块输出接近边框生成的响应图标签，损失函数由响应图与注意力模块输出逐像素计算差异得到。

3.根据权利要求2所述的一种基于人工智能牡丹品种识别方法，其特征在于，所述注意力模块使用center loss损失函数进行训练，根据中心点信息对其进行优化；

所述center loss损失函数定义如下：

其中，K表示当前图像上目标区域数量，即存在标注物体的数量，xy是标注/输出图中像素点的坐标，c是输出图的通道数，其中，输出和标签为单通道图，即c＝1，为注意力模块在xy位置上的输出值，Y_xyc为标签图在xy位置上的值；该损失函数的逻辑是，对于一张图片，注意力模块的总损失是该图片上每个物体区域的损失之和；对于物体中心，其输出值应尽可能接近于1，对于非中心点，其输出值应尽可能接近0，距离中心点越近的点，其损失权重越小。