[发明专利]一种基于深度学习和植物分类学的植物识别方法

摘要

本发明公开了一种基于深度学习和植物分类学的植物识别方法。将样本植物图像进行科、属、种的标记；将样本植物图像输入深度卷积神经网络中进行训练。将损失函数设定为科、属、种标签的交叉熵损失的加权和，通过随机梯度下降算法更新神经网络的权值，待该深度卷积神经网络收敛后结束训练并固定各层权值不再改变得到训练好的深度卷积神经网络。本发明通过将深度学习与植物分类学结合，引入科、属标签作为学习目标，提高了识别正确率。

主权项

1.一种基于深度学习和植物分类学的植物识别方法，其特征在于，包括以下步骤：步骤1，收集样本植物图像和待识别植物图像，将样本植物图像进行科、属、种的标记；步骤2，将样本植物图像输入深度卷积神经网络中进行训练，所述深度卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层接收输入图像，卷积层和池化层用于图像特征提取，全连接层用于特征分类，输出层用于输出结果；输出层同时具有3个输出值，分别为该植物的科、属、种标记；所述深度卷积神经网络的损失函数为植物科、属、种的交叉熵损失的加权和，即为：l＝al_f+bl_g+cl_s其中，l表示损失函数加权和，l_f，l_g，l_s分别为科、属、种的交叉熵损失函数，a，b，c分别为科、属、种损失函数的权重，f,g,s分别表示科、属、种；科、属、种的交叉熵损失函数为：其中，i∈{f,g,s}，l_i为分别对于科、属、种的交叉熵损失函数，n表示分类数，y_ij表示第j个分类的真实概率，表示第j个分类的预测概率，给定输入图片X，预测权值θ_i，则对第j个分类预测权值为θ_ij，则通过随机梯度下降算法更新深度卷积神经网络的各层预测权值，待训练损失函数小于损失阀值时，停止训练并固定各层权值不再改变，得到训练好的深度卷积神经网络；所述随机梯度下降算法目标为：min l_i求解方法为，对于共m张训练图片，从1到m不断重复执行下式直到收敛：θ_i:＝θ_i‑αg_t其中，g_t表示随机梯度，满足表示l_i对于θ_i的偏导数，α是下降系数；步骤3，将待识别植物图像输入到步骤2已训练好的深度卷积神经网络中，依据输出标记得到最终识别结果。