[发明专利]一种基于卷积神经网络的花卉品种识别模型建立方法

摘要

本发明提供一种基于卷积神经网络的花卉品种识别模型建立方法，通过对卷积神经网络的深入研究，首先收集了5种花卉的图片，花卉为玉兰、桃花、荷花、月季、鸡冠花，经过筛选和处理得到了一共有5163张尺寸不固定的花卉图片数据集Flower5，然后设计并实现了针对Flower5进行识别的卷积神经网络结构，整个网络由特征提取网络和分类网络组成，其中特征提取网络可以从大量的花卉样本中自动的提取花卉特征，提高对花卉的识别率。采用本发明的技术方案，FlowerNet在数据集Flower5上取得了93.2％识别率的结果，具有一定的实用性。

主权项

一种基于卷积神经网络的花卉品种识别模型建立方法，其特征在于，包括以下步骤：步骤1：生成花卉图片数据集步骤2：建立用于花卉识别的FlowerNet卷积神经网络结构所述FlowerNet的卷积神经网络结构由特征提取网络和分类网络组成，特征提取网络包括数据输入层、卷积层、Pooling层，特征映射层主要由全连接层和输出层组成，使用4个卷积层从低到高的提取花卉特征；在本网络中，有两种不同的Pooling层，分别是Max‑Pooling层和空间金字塔池化层(Spatial Pyramid Pooling，SPP)，Max‑Pooling层分别放在前两个卷积层后面，SPP层放在最后一个卷积层和卷积层之前，包含1x1，2x2，3x3的池化窗口，在SPP层的后面还包含一个Concat层，用来拼接3个池化窗口的输出；分类网络由3个全连接层组成，主要是将特征空间映射到多个离散的标签上，输出层一共有两个，分别是SoftmaxWithLoss层和Accuracy层，前者用于计算网络的损失并用于反向传播，后者用来计算验证集的准确率；FlowerNet的激活函数均使用PReLU函数；步骤3：基于caffe框架的FlowerNet的实现步骤3‑1：在数据层中使用数据扩展(Data Augmentation)的方法扩大训练的数据集，设置以227*227的尺寸分别截取图片的四个角区域和中心区域，同时在将数据集输入到卷积神经网络的时候，随机将图片样本水平的镜像翻转；步骤3‑2：使用随机采样的方法，将Flower5分割为2部分，一部分数据作为训练集用来训练卷积神经网络模型，另一部分数据作为验证集，在标记文件中把每一张样本的路径和类别存储下来，类别从0开始，共有5种花卉，则相应的类别为0‑4，分别代表荷花、鸡冠花、桃花、玉兰花和月季花；使用Caffe的convert_imageset工具，根据上面的标记文件，存储训练和验证数据到LMDB数据库，train_lmdb用于模型的训练，val_lmdb用于模型的验证；步骤3‑3：初始学习率(Learning Rate，LR)都设置为0.0001，每迭代一万次，LR乘以0.1，使用随机梯度下降(Stochastic Gradient Descent，SGD)的方法来更新网络中的权重值，根据显存的大小，设置卷积神经网络的批大小(Batch‑Size)为128，即每次训练在训练集中取128个样本进行训练；另外每训练200次，将卷积神经网络在花卉验证集中进行测试；所述测试结果为卷积神经网络在Flower5验证集上的精度。