[发明专利]一种基于双线性卷积神经网络的植物细粒度识别方法

说明书

本发明公开了一种基于双线性卷积神经网络的植物细粒度识别方法，该识别方法包括以下步骤：S1、利用Relu激活函数进行粗粒度的特征提取，得到粗粒度特征X1；S2、获取双线性模型的整体表示；S3、在步骤S2中，将双线性模型中A、B两个特征提取函数提取的特征进行双线性融合,得到矩阵b；S4、对矩阵b，进行求和池化得到矩阵ξ，并对ξ进行多维矢量展开，得到特征向量x；S5、对特征向量x进行矩归一化和L2归一化得到双线性特征，本发明结构科学合理，使用安全方便，本发明使用双线性模型来有效提取高通量植物表现种间甚至个体间的细微差异，充分发挥了双线性池化对细粒度图像的特征提取优势，达到了较高的植物细粒度识别精度。

技术领域

本发明涉及植物识别算法改进技术领域，具体为一种基于双线性卷积神经网络的植物细粒度识别方法。

背景技术

传统的植物识别方法主要依靠人工观察和测量，分析植物的外观形状、纹理、颜色等形态特征表型，该种方法在测量时存在工作效率低、准确率不高等问题，近年来，随着深度学习在计算机视觉领域的发展，使得深度卷度神经网络(convolutional neuralnetwork，CNN)处理二维自然场景的图像成为国内外共同关注的研究焦点之一，广大农林研究工作者也将以CNN为代表的深度学习技术应用于植物表型研究，由此开启了植物表型的智能化研究时代，相关研究显示，在实时采集获取大量高质量植物图像数据的基础上，研究基于深度学习方法的分类网络，可以高效率、低成本地为广大农业生产者提供精准、可靠地植物分类识别结果。CNN为代表的深度学习技术对植物表型图像具有强大的特征提取和建模能力，其性能在很大程度上超越了传统的机器学习方法，成为了表型大数据分析的常用算法，Grinblat等人提取叶脉纹理特征，通过深度学习算法对不同品种的三种豆科植物进行识别，识别率达到96.9％±0.2％；Liu等人利用多特征融合和改进的深度置信网络，将220种不同植物的叶片分类准确度提高到93.9％；Nguyen等人利用CNN及迁移学习能力通过灵活的数据收集方式，构建了适应植物在不同地区分布不均的普适型作物识别系统，并评价了AlexNet、VGG等研究人员构建的CNN算法架构在作物不同器官特征下的分类识别效果，结果显示，所设计的算法架构与迁移学习的结合可以提取到比之前发表的特征提取算法更加丰富可靠的特征，为未来深度学习数据收集与算法设计提供了借鉴。上述提及方法的共同点都是直接将处理自然场景图像的深度学习模型用于植物图像，但是在实际应用时存在以下问题：

1、上述方法并未对植物图像加以特别分析，从而忽略了植物图像中所存在的独有的特性，数据采集中存在姿态、光照、有遮挡、背景复杂等外在干扰因素，导致属于同类图像的不同样本差异很大，而植物存在生长变异情况，进一步导致植物生长的不同阶段表征差异明显，形成“类内差异”细粒度特性；

2、植物存在生物学亚类或子类的细致划分，各子类相互间存在一定生物形态的相似，导致“类间相似”的细粒度识别问题，现有的基于CNN的识别模型应用于此类具有细粒度特性的植物识别无法取得最优的识别结果，导致实际识别中出现准确率低、泛化鲁棒性等技术难题；

3、国内外相关研究大多数只适用于中间差异较大的植物粗粒度识别，不能有效解决直接“种间相似”导致的细粒度识别难题，且不能满足精细化农业的需求；

因此，人们急需一种基于双线性卷积神经网络的植物细粒度识别方法来解决上述问题。

发明内容

本发明的目的在于提供一种基于双线性卷积神经网络的植物细粒度识别方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于双线性卷积神经网络的植物细粒度识别方法，该识别方法包括以下步骤：

S1、根据基于VGG16的双线性模型特征提取器，利用Relu激活函数进行粗粒度的特征提取，得到粗粒度特征X1；

S2、获取双线性模型的整体表示，对双线性模型的网络进行预训练,用于初始化基础网络，将初始化基础网络迁移至数据集上进行训练，用于提取细粒度特征以及更新模型参数；