[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

说明书

一种基于人工智能牡丹品种识别方法，使用强弱监督结合的算法思路对牡丹花细粒度进行识别，与纯弱监督方法相比，在训练数据中对识别对象进行了位置标注，与强监督细粒度识别算法相比，本发明除待识别物体本身位置之外不再进行任何其他信息的标注，在测试阶段除了待识别图像之外也不需要额外的信息。本发明提出了融合强若监督信息的显著区域注意力机制分类模型，结合数据增广和基于数据池的训练方式，克服了数据量少和数据不均衡带来的问题，融合了强弱监督模型的优点，在牡丹花识别任务中，获得了较高的精度。

技术领域

本发明公开一种基于人工智能牡丹品种识别方法及识别系统，属于利用人工智能对花卉种类识别的技术领域。

背景技术

随着计算机视觉领域的研究越来越深入，针对细粒度图像的分析应用也越来越受到关注，利用该技术对被测物体进行自动分类识别将成为主要研究方向。

与此同时，本申请人的研究方向是对牡丹花卉进行图像分类自动识别，并达到识别率准确的目标。然而，在花卉识别领域多采用对花型进行识别，但是由于植物生长的多变性，导致花型在不同时期可能会存在植物造型相似等情况，从而影响对花卉种类的准确判断。为此，本申请人开始结合细粒度对牡丹花卉进行自动准确识别的研究。

其中，所述细粒度分类算法主要有两种：基于强监督信息的细粒度图像分类模型和基于弱监督信息的细粒度图像分类模型。

首先利用Selective Search等算法在细粒度图像中产生物体或物体部位可能出现的候选框。之后类似于R-CNN做物体检测的流程，借助细粒度图像中的object boundingbox和part annotation可以训练出若干检测模型，对应检测物体不同区域。然后，对多个检测模型得到的检测框加上位置几何约束。这样便可得到较理想的物体/部位检测结果。接下来将得到的图像块作为输入，分别训练一个CNN，则该CNN可以学习到针对该物体/部位的特征。最终将三者的全连接层特征级联作为整张细粒度图像的特征表示。显然，这样的特征表示既包含全部特征，又包含具有更强判别性的局部特征，因此分类精度较理想。但在Part-based R-CNN中，不仅在训练时需要借助bounding box和part annotation，为了取得满意的分类精度，在测试时甚至还要求测试图像提供bounding box。这便限制了Part-based R-CNN在实际场景中的应用。

在Part-based R-CNN的基础上,S.Branson等人提出在用DPM算法得到partannotation的预测点后同样可以获得物体级别和部位级别的检测框。与之前工作不同的是，Pose Normalized CNN对部位级别图像块做了姿态对齐操作。此外，由于CNN不同层的特征具有不同的表示特性，该工作还提出应针对细粒度图像不同级别的图像块，提取不同层的卷积特征。针对全局信息，提取FC8特征；基于局部信息则提取最后一层卷积层特征作为特征表示。最终，还是将不同级别特征级联作为整张图像的表示。如此的姿态对齐操作和不同层特征融合方式，使得Pose Normalized CNN在使用同样多标记信息时取得了相比Part-based R-CNN高2％的分类精度。

基于强监督信息的分类模型虽然取得了较满意的分类精度，但由于标注信息的获取代价十分昂贵，在一定程度上限制了这类算法的实际应用。因此，目前细粒度图像分类的一个明显趋势是，希望在模型训练时仅使用图像级别标注信息，而不再使用额外的partannotation信息时，也能取得与强监督分类模型可比的分类精度。这便是“基于弱监督信息的细粒度分类模型”。思路同强监督分类模型类似，也需要借助全局和局部信息来做细粒度级别的分类。而区别在于，弱监督细粒度分类希望在不借助part annotation的情况下，也可以做到较好的局部信息的捕捉。当然，在分类精度方面，目前最好的弱监督分类模型仍与最好的强监督分类模型存在差距(分类准确度相差约1～2％)。