CN110070101B - 植物种类的识别方法及装置、存储介质、计算机设备 - Google Patents
植物种类的识别方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN110070101B CN110070101B CN201910185076.9A CN201910185076A CN110070101B CN 110070101 B CN110070101 B CN 110070101B CN 201910185076 A CN201910185076 A CN 201910185076A CN 110070101 B CN110070101 B CN 110070101B
- Authority
- CN
- China
- Prior art keywords
- plant
- image
- preset
- sub
- resolution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 306
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 45
- 238000010606 normalization Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013145 classification model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013095 identification testing Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 2
- 230000000857 drug effect Effects 0.000 description 2
- 238000013215 result calculation Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000208838 Asteraceae Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种植物种类的识别方法及装置、存储介质、计算机设备,该方法包括:在植物样本图像上按照预设植物部位进行图像截取,得到与预设植物部位对应的植物样本子图像;对植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本子图像;按照第一预设次数和第二预设次数,分别对所述预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本;利用训练样本集训练MobileNetV2轻量级卷积神经网络模型,直至训练好的模型识别测试样本集的成功率大于或等于预设成功率;接收待识别的植物图像,并利用训练好的模型对待识别的植物图像的种类进行识别。本申请有助于提高植物种类的识别效率,节约人力成本。
Description
技术领域
本申请涉及图像识别技术领域,尤其是涉及到一种植物种类的识别方法及装置、存储介质、计算机设备。
背景技术
如何识别植物种类是广大种植者的需求,在种植过程中,种植者需要去除其他种类植株,只在种植区域内保留所需种类植株。比如在苍术的种植过程中,经常会混入与苍术同属菊科苍术属的白术,两种植物的药效不同,但是外形十分相似,在苍术的种植过程中,需要去除白术和其他植株,防止白术或其他植株混入苍术中影响苍术药效。
对于外形相似的植株,目前需要经验丰富的人仔细观察进行区分,但是人工分类速度较慢并且对人员经验要求较高,人工分类的方式不仅所需人力成本较高,而且很难同时兼顾产量和品质需求。
发明内容
有鉴于此,本申请提供了一种植物种类的识别方法及装置、存储介质、计算机设备,有助于提高植物种类的识别效率。
根据本申请的一个方面,提供了一种植物种类的识别方法,包括:
在植物样本图像上按照预设植物部位进行图像截取,得到与所述预设植物部位对应的植物样本子图像;
对所述植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本子图像;
按照第一预设次数和第二预设次数,分别对所述预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本集,其中,所述第一预设次数大于所述第二预设次数;
利用所述训练样本集训练MobileNetV2轻量级卷积神经网络模型,直至训练好的模型识别所述测试样本集的成功率大于或等于预设成功率;
接收待识别的植物图像,并利用所述训练好的模型对所述待识别的植物图像的种类进行识别。
根据本申请的另一方面,提供了一种植物种类的识别装置,包括:
样本图像截取模块,用于在植物样本图像上按照预设植物部位进行图像截取,得到与所述预设植物部位对应的植物样本子图像;
样本分辨率处理模块,用于对所述植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本图像;
样本集建立模块,用于按照第一预设次数和第二预设次数,分别对所述预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本集,其中,所述第一预设次数大于所述第二预设次数;
模型训练模块,用于利用所述训练样本集训练MobileNetV2轻量级卷积神经网络模型,直至训练好的模型识别所述测试样本集的成功率大于或等于预设成功率;
图像识别模块,用于接收待识别的植物图像,并利用所述训练好的模型对所述待识别的植物图像的种类进行识别。
依据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述植物种类的识别方法。
依据本申请再一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述植物种类的识别方法。
借由上述技术方案,本申请提供的一种植物种类的识别方法及装置、存储介质、计算机设备,截取与预设植物部位对应的植物样本子图像后,对截取得到的植物样本子图像进行分辨率预处理,并利用分辨率预处理后的植物样本子图像建立训练样本集以及测试样本集,从而利用训练样本集对相应的MobileNetV2卷积神经网络模型进行训练,使得训练后的模型对测试样本集的识别成功率达到预设成功率的标准,从而可以通过训练后的模型对新的待识别的植物图像的分类,识别植物种类。本申请与现有技术中依靠有经验的技术人员对植物进行人工分类相比,可以利用搭载训练后的模型的移动设备拍摄的待识别植物图像,通过模型对植物的种类进行识别,提高了植物种类的识别效率,节约了人力成本。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种植物种类的识别方法的流程示意图;
图2示出了本申请实施例提供的另一种植物种类的识别方法的流程示意图;
图3示出了本申请实施例提供的一种植物种类的识别装置的结构示意图;
图4示出了本申请实施例提供的另一种植物种类的识别装置的结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本实施例中提供了一种植物种类的识别方法,如图1所示,该方法包括:
步骤101,在植物样本图像上按照预设植物部位进行图像截取,得到与预设植物部位对应的植物样本子图像。
本申请的实施例以区分苍术图像和白术图像为例进行解释,本申请的实施例仅作为举例说明,本领域技术人员可以将苍术图像、白术图像替换为其他的一种或多种植物图像,在此不做限定。
在植物的识别过程中,通常是根据植物的某个部位的特征进行识别,苍术与白术的叶子比较相似,而根部特征有所不同,则对于苍术、白术样本图像可以截取植株的根部图像,以便利用根部特征进行训练。通常截取的图像包括原有的植物样本图像的一部分,选取植物的关键特征忽略次要特征,从而利用截取后的图像进行训练,避免损失图像的关键特征信息的同时可以加快训练速度,提升建模效率。
步骤102,对植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本图像。
在上述实施例中,对植物样本图像进行截取得到植物样本子图像后,为了方便利用样本子图像训练分类模型,提高训练效率,需要对样本子图像的分辨率进行归一化,将样本子图像的大小统一化,具体可以将全部的植物样本子图像处理为预设分辨率的图像。
步骤103,按照第一预设次数和第二预设次数,分别对预设分辨率的植物样本子图像进行有放回的随机抽样,得到训练样本集和测试样本集,其中,第一预设次数大于第二预设次数。
本申请实施例采用Bootstrap方法建立训练样本集和测试样本集,分别按照第一预设次数和第二预设次数对分辨率处理后的植物样本子图像进行有放回的抽样,从而建立训练样本集和测试样本集,其中,训练样本集和测试样本集中都包含有多张带有苍术标签的苍术样本子图像和带有白术标签的白术样本子图像,并且一般来说训练样本集的样本数量要高于测试样本集的样本数量,即第一预设次数大于第二预设次数,例如本实施例中可以对植物样本子图像进行2000次有放回的抽样建立训练样本集,进行300次有放回的抽样建立测试样本集。
需要说明的是,抽样可以采用随机抽样的方式,也可以采用分层抽样的方式。
步骤104,利用训练样本集训练MobileNetV2轻量级卷积神经网络模型,直至训练好的模型识别测试样本集的成功率大于或等于预设成功率。
利用测试样本集对模型进行测试,以验证模型对测试样本集中的样本图像的分类成功率,如果分类成功率大于或等于预设的成功率,则训练结束,如果分类成功率小于预设成功率,则调整模型的相关训练参数后,继续利用测试样本集对模型进行训练,直至满足分类成功率条件为止。
本申请实施例采用MobileNetV2网络结构的轻量级卷积神经网络模型,该网络结构不仅具有高性能,而且复杂度较低,训练后的模型可以直接搭载在移动电子设备(如智能手机)上使用,进行植物图像的识别,方便携带和使用。
步骤105,接收待识别的植物图像,并利用训练好的模型对待识别的植物图像的种类进行识别。
模型训练成功后,就可以通过训练好的模型对待识别的植物图像进行识别,确定待识别的植物图像对应的植物种类。本申请的实施例中,向模型输入待识别的植物图像后,可以得出该图像为苍术图像的概率和该图像为白术图像的概率。
通过应用本实施例的技术方案,截取与预设植物部位对应的植物样本子图像后,对截取得到的植物样本子图像进行分辨率预处理,并利用分辨率预处理后的植物样本子图像建立训练样本集以及测试样本集,从而利用训练样本集对相应的MobileNetV2卷积神经网络模型进行训练,使得训练后的模型对测试样本集的识别成功率达到预设成功率的标准,从而可以通过训练后的模型对新的待识别的植物图像的分类,识别植物种类。本申请与现有技术中依靠有经验的技术人员对植物进行人工分类相比,可以利用搭载训练后的模型的移动设备拍摄的待识别植物图像,通过模型对植物的种类进行识别,提高了植物种类的识别效率,节约了人力成本。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的具体实施过程,提供了另一种植物种类的识别方法,如图2所示,该方法包括:
步骤201,在植物样本图像上按照预设植物部位进行图像截取,得到与预设植物部位对应的植物样本子图像。
在上述实施例中,具体地,预设植物部位包括但不限于以下任意一种或其组合:植物根部、植物叶子、植物茎部。
例如区分苍术和白术植株的关键特征为植株根本特征,则可以在植物样本图像上对植株的根部图像进行截取,得倒植物的根部样本子图像。
步骤202,若植物样本子图像的分辨率大于预设分辨率,则对植物样本图像进行降采样处理,得到预设分辨率的植物样本图像。
本申请实施例采用的MobileNetV2卷积神经网络模型需要输入分辨率为224×224的图像进行训练,因此预设分辨率取224×224,植物样本子图像的分辨率应为224×224,以保证模型能够对样本图像进行批量训练。
若植物样本子图像的分辨率大于224×224,应对图像进行降采样处理使其下降到224×224,使全部的植物样本图像的分辨率得到统一,方便后续的图像分块处理等操作以及建立训练样本集和测试样本集。
在本申请实施例中,具体地,模型包括依次连接的53层卷积层、1层池化层以及1层全连接层,其中,53层卷积层包括依次连接的1层输入层、17个瓶颈构建块、1层输出层,每个瓶颈构建块分别包括3层卷积层,53层卷积层的卷积核均为3×3。
MobileNetV2是一种轻量级的卷积神经网络结构,MobileNetV2模型可以高效的对分辨率不高的图像(例如分辨率为224×224的图像)进行快速的识别,并且运算占用带宽较小,可以搭载于移动设备上使用。表1示出了本申请实施例选用的MobileNetV2模型的网络结构。其中,bottleneck表示瓶颈构建块。模型以224x224x3的图像作为输入,经过卷积核为3x3、步长为2的1层输入卷积层后,得到112x112x32的特征图,然后经过一系列bottleneck模块(模块中包含的卷积层的卷积核全部为3x3)得到7x7x320的特征图,之后通过卷积核为1x1的输出卷积层得到7x7x1280的特征图,再通过7x7的平均池化层得到1x1x1280的特征图,最后通过全连接层得到2个数值,分别为白术和苍术各自的概率预测值。当然,本领域技术人员可以根据实际需要根据植物样本图像中包含的植物类别的数量调整类别数量,对全连接层进行调整改变其输出,在此仅作为举例说明。
表1 MobileNetV2网络结构组成表
步骤203,若植物样本子图像的分辨率小于预设分辨率,则对植物样本图像进行升采样处理,得到预设分辨率的植物样本图像。
如果植物样本子图像的分辨率小于预设分辨率,也应将该图像的分辨率调整为预设分辨率大小,具体可以采用升采样处理方式,对原有的图像进行双线性插值上采样至预设分辨率。
需要说明的是,对图像进行升采样处理可能会对图像的性能造成一定程度的损失,因此,优选分辨率大于或等于的预设分辨率的图像作为样本图像,保证图像的质量。
步骤204,按照RGB值归一化处理公式,将预设分别率的植物样本子图像的每个像素点的RGB值进行归一化处理,RGB值归一化处理公式为:
其中,xR、xG、xB分别为原有的预设分辨率的植物样本子图像对应的任一像素点的R、G、B通道的分量值,yR、yG、yB分别为与xR、xG、xB对应的像素点经过归一化处理后的R、G、B通道的分量值,xRmax、xGmax、xBmax分别为原有的预设分辨率的植物样本子图像中在R、G、B通道上的最大分量值。
在建立训练样本集和测试样本集之前,还需要利用上述RGB值归一化处理公式对图像截取得到的植物样本子图像进行RGB值归一化处理,使样本子图像的每个像素点在R、G、B三通道上的分量值变换到[0,1]之间,使数据分布更加均匀,从而有助于加速模型的训练过程。
例如,原有全部样本子图像中的R通道最大分量值为200,对其中一张子图像进行RGB值归一化处理,待处理的子图像的R通道分量值为40,那么归一化处理后的该子图像的R通道分量值应为40/200=0.2,然后再按照上述公式对G和B通道的分量值进行归一化处理。
步骤205,按照第一预设次数和第二预设次数,分别对RGB值归一化处理后的预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本集。
植物样本子图像经过RGB值归一化处理后,则可以用于建立训练样本集和测试样本集。
步骤206,利用训练样本集,按照预设学习率对模型进行训练。
按照预先设定的学习率对模型利用训练样本集对模型进行训练。例如按照0.01的学习率利用训练样本集训练模型。
步骤207,若训练后的模型识别测试样本集的成功率小于预设成功率,则降低预设学习率,并按照降低后的预设学习率继续训练模型直至训练后的模型识别测试样本集的成功率大于或等于预设成功率为止。
按照预设学习率对模型进行训练后,利用测试样本集测试该模型的分类成功率,如果模型的识别成功率大于或等于预设的成功率,则该模型完成训练,可以进一步利用该模型对待识别的植物图像进行分类,而如果模型的识别成功率小于预设成功率,则需要继续对模型进行训练,具体应用比原来的预设学习率更低的学习率进行训练,从而提高模型的识别成功率。
例如,假设预设学习率为0.01,预设成功率为90%,先使用0.01的学习率训练模型3000遍,每遍包含训练样本集中随机抽取的30张植物样本图像,如果训练后的模型识别成功率小于90%,则再使用0.001的学习率训练模型1000遍,每遍包含训练样本集中随机抽取的30张植物样本图像,再测试训练后的模型的识别成功率,如果仍然小于90%,可以再次降低学习率继续学习。
步骤208,在接收到的待识别的植物图像上按照预设植物部位进行图像截取,得到与预设植物部位对应的待识别的植物子图像;
步骤209,对待识别的植物子图像进行分辨率预处理,以使待识别的植物子图像的分辨率与预设分辨率一致;
步骤210,按照RGB值归一化处理公式,对待识别的植物子图像的每个像素点的RGB值进行归一化处理;
步骤211,分别将RGB值归一化处理后的待识别的植物子图像输入至训练好的模型中,得到与待识别的植物子图像对应的识别结果。
在上述步骤208至步骤211中,模型训练完成后,可以实现对待识别的植物图像的分类。具体地,接收到待识别的植物图像后,与植物样本图像的处理过程相似,先对图像进行关键部位截取,然后将截取后的图像处理为预设分辨率的子图像,再对待识别的植物子图像的每个像素点的RGB值进行归一化处理,最后将处理后的待识别的植物子图像输入至训练好的模型中得到与预设植物部位对应的识别结果。
步骤212,若预设植物部位包括一个,则将与待识别的植物子图像对应的识别结果作为待识别的植物图像的识别结果。
如果预设植物部位包括一个,例如只截取了根部图像,则将根部图像对应的识别结果作为待识别的植物图像的最终识别结果。
步骤213,若预设植物部位包括多个,则按照与多个预设植物部位对应的预设权重,对多个相应的识别结果进行加权求和计算,得到待识别的图像的识别结果。
如果预设植物部位包括多个,例如截取了植物的根部、茎部和叶子图像,则分别得到与根部、茎部和叶子对应的识别结果后,按照相应的预设权重将识别结果进行加权求和计算得到待识别的图像的最终识别结果。其中,对于苍术和白术的识别来说,根部的区别相对于茎部和叶子最为明显,应作为确定最终识别结果的主要参考因素,因此其对应的权重应高于其他位置处对应的权重,从而得到更准确的识别结果。
例如,根部对应的权重设为0.4,茎部和叶子对应的权重都为0.3,假设根部对应的识别结果为图像为苍术的概率是80%,白术概率是20%,茎部对于的识别结果为苍术概率为40%,白术概率为90%,叶子对应的识别结果为苍术概率90%,白术概率30%。则最终得到的待识别的植物图像为苍术的概率为80%*0.4+40%*0.3+90%*0.3=71%,待识别的植物图像为白术的概率为20%*0.4+90%*0.3+30%*0.3=44%。
具体地,可以设置规定为:若识别结果为第一种类植物的概率大于或等于第一预设概率且第二种类植物的概率小于第二预设概率,则确定待识别的植物图像对应的植物种类为第一种类植物。例如第一预设概率为70%,第二预设概率为30%,那么可以判定上述的待识别的植物图像对应的种类为苍术。而如果识别结果为苍术概率71%,白术概率44%,则可以介入人工判断或继续判断该图像是否为其他植物图像。
另外,也可以比较两种植物识别结果的植物种类对应的概率大小,将概率大的植物种类确定为待识别的植物图像的种类。例如识别结果为苍术概率71%,白术概率44%,则判定该图像为苍术图像。
通过应用本实施例的技术方案,将一张植物样本图像进行截取处理得到与预设植物部位对应的植物样本子图像,从而建立训练样本集和测试样本集,进而分别利用训练样本集训练分类模型,使得分类模型对测试样本集的识别成功率满足预设的成功率条件,得到最终可以用于对待识别的植物图像进行分类的模型。当接收到待识别的植物图像时,将待识别的植物图像按照预设植物部位截取处理后,输入至训练好的分类模型中,从而根据与预设植物部位对应的识别结果确定最终的待识别植物图像的分类结果。本申请的实施例有助于解决现有技术中依靠人工进行植物种类识别导致的效率低下的问题,并且通过对图像进行截取处理以保留图像的特征信息去除无用信息,能够缩短模型的识别时间,进一步的提高了植物种类的识别效率,同时本申请的分类模型可以搭载在移动设备上使用,方便用户随身携带和使用。
进一步的,作为图1方法的具体实现,本申请实施例提供了一种植物种类的识别装置,如图3所示,该装置包括:样本图像截取模块41,样本分辨率处理模块42、样本集建立模块43、模型训练模块44、图像识别模块45。
样本图像截取模块41,用于在植物样本图像上按照预设植物部位进行图像截取,得到与预设植物部位对应的植物样本子图像;
样本分辨率处理模块42,用于对植物样本子图像进行分辨率预处理,得到第一预设分辨率的植物样本图像;
样本集建立模块43,用于按照第一预设次数和第二预设次数,分别对预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本集,其中,第一预设次数大于第二预设次数;
模型训练模块44,用于利用训练样本集训练MobileNetV2轻量级卷积神经网络模型,直至训练好的模型识别测试样本集的成功率大于或等于预设成功率;
图像识别模块45,用于接收待识别的植物图像,并利用训练好的模型对待识别的植物图像的种类进行识别。
在具体的应用场景中,如图4所示,第一预设分辨率大于预设分辨率;样本分辨率处理模块42,具体包括:样本降采样单元421、样本升采样单元422。
样本降采样单元421,用于若植物样本子图像的分辨率大于预设分辨率,则对植物样本图像进行降采样处理,得到预设分辨率的植物样本图像;
样本升采样单元422,用于若植物样本子图像的分辨率小于预设分辨率,则对植物样本图像进行升采样处理,得到预设分辨率的植物样本图像。
在具体的应用场景中,如图4所示,该装置还包括:RGB值归一化模块46。
RGB值归一化模块46,用于对植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本子图像之后,按照RGB值归一化处理公式,将预设分别率的植物样本子图像的每个像素点的RGB值进行归一化处理,RGB值归一化处理公式为:
其中,xR、xG、xB分别为原有的预设分辨率的植物样本子图像对应的任一像素点的R、G、B通道的分量值,yR、yG、yB分别为与xR、xG、xB对应的像素点经过归一化处理后的R、G、B通道的分量值,xRmax、xGmax、xBmax分别为原有的预设分辨率的植物样本子图像中在R、G、B通道上的最大分量值。
样本集建立模块43,具体用于利用RGB值归一化处理后的预设分辨率的植物样本子图像,建立训练样本集和测试样本集。
在具体的应用场景中,如图4所示,图像识别模块45,具体包括:图像截取单元451,图像分辨率处理单元452,图像RGB值归一化单元453,图像识别单元454,识别结果计算单元455。
图像分辨率处理单元451,用于在接收到的待识别的植物图像上按照预设植物部位进行图像截取,得到与预设植物部位对应的待识别的植物子图像;
图像分块单元452,用于对待识别的植物子图像进行分辨率预处理,以使待识别的植物子图像的分辨率与预设分辨率一致;
图像RGB值归一化单元453,用于按照RGB值归一化处理公式,分别对待识别的植物子图像的每个像素点的RGB值进行归一化处理;
图像识别单元454,用于将RGB值归一化处理后的待识别的植物子图像输入至训练好的模型中,得到与待识别的植物子图像对应的识别结果;
识别结果计算单元455,用于若预设植物部位包括一个,则将与待识别的植物子图像对应的识别结果作为待识别的植物图像的识别结果;
若预设植物部位包括多个,则按照与多个预设植物部位对应的预设权重,对多个相应的识别结果进行加权求和计算,得到待识别的图像的识别结果。
在具体的应用场景中,如图4所示,模型训练模块44,具体包括:第一模型训练单元441、第二模型训练单元442。
第一模型训练单元441,用于利用训练样本集,按照预设学习率对模型进行训练;
第二模型训练单元442,用于若训练后的模型识别测试样本集的成功率小于预设成功率,则降低预设学习率,并按照降低后的预设学习率继续训练模型直至训练后的模型识别测试样本集的成功率大于或等于预设成功率为止。
在上述实施例中,具体地,模型的网络结构包括依次连接的53层卷积层、1层池化层以及1层全连接层,其中,53层卷积层包括依次连接的1层输入层、17个瓶颈构建块、1层输出层,每个瓶颈构建块分别包括3层卷积层,53层卷积层的卷积核均为3×3。
需要说明的是,本申请实施例提供的一种植物种类的识别装置所涉及各功能单元的其他相应描述,可以参考图1和图2中的对应描述,在此不再赘述。
基于上述如图1和图2所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述如图1和图2所示的植物种类的识别方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1、图2所示的方法,以及图3、图4所示的虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1和图2所示的植物种类的识别方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFreque多cy,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作***、网络通信模块。操作***是管理和保存计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现截取与预设植物部位对应的植物样本子图像后,对截取得到的植物样本子图像进行分辨率预处理,并利用分辨率预处理后的植物样本子图像建立训练样本集以及测试样本集,从而利用训练样本集对相应的MobileNetV2卷积神经网络模型进行训练,使得训练后的模型对测试样本集的识别成功率达到预设成功率的标准,从而可以通过训练后的模型对新的待识别的植物图像的分类,识别植物种类。本申请与现有技术中依靠有经验的技术人员对植物进行人工分类相比,可以利用搭载训练后的模型的移动设备拍摄的待识别植物图像,通过模型对植物的种类进行识别,提高了植物种类的识别效率,节约了人力成本。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (8)
1.一种植物种类的识别方法,其特征在于,包括:
在植物样本图像上按照预设植物部位进行图像截取,得到与所述预设植物部位对应的植物样本子图像,其中,所述预设植物部位包括:植物根部、植物叶子、植物茎部;
对所述植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本子图像;
按照第一预设次数和第二预设次数,分别对所述预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本集,其中,所述第一预设次数大于所述第二预设次数;
利用所述训练样本集训练MobileNetV2轻量级卷积神经网络模型,直至训练好的模型识别所述测试样本集的成功率大于或等于预设成功率;
接收待识别的植物图像,并利用所述训练好的模型对所述待识别的植物图像的种类进行识别;
其中,所述接收待识别的植物图像,并利用所述训练好的模型对所述待识别的植物图像的种类进行识别,具体包括:
在接收到的待识别的植物图像上按照所述预设植物部位进行图像截取,得到与所述预设植物部位对应的待识别的植物子图像;
对所述待识别的植物子图像进行分辨率预处理,以使所述待识别的植物子图像的分辨率与所述预设分辨率一致;
按照RGB值归一化处理公式,对所述待识别的植物子图像的每个像素点的RGB值进行归一化处理;
将RGB值归一化处理后的所述待识别的植物子图像输入至所述训练好的模型中,得到与所述待识别的植物子图像对应的识别结果;
若所述预设植物部位包括一个,则将与所述待识别的植物子图像对应的识别结果作为所述待识别的植物图像的识别结果;
若所述预设植物部位包括多个,则按照与多个所述预设植物部位对应的预设权重,对多个相应的所述识别结果进行加权求和计算,得到所述待识别的植物图像的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述利用所述训练样本集训练MobileNetV2轻量级卷积神经网络模型,直至训练好的模型识别所述测试样本集的成功率大于或等于预设成功率,具体包括:
利用所述训练样本集,按照预设学习率对所述模型进行训练;
若训练后的所述模型识别所述测试样本集的成功率小于所述预设成功率,则降低所述预设学习率,并按照降低后的预设学习率继续训练所述模型直至训练后的所述模型识别所述测试样本集的成功率大于或等于所述预设成功率为止。
3.根据权利要求1所述的方法,其特征在于,所述MobileNetV2轻量级卷积神经网络模型的网络结构包括依次连接的53层卷积层、1层池化层以及1层全连接层,其中,53层卷积层包括依次连接的1层输入层、17个瓶颈构建块、1层输出层,每个瓶颈构建块分别包括3层卷积层,53层卷积层的卷积核均为3×3。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述对所述植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本子图像,具体包括:
若所述植物样本子图像的分辨率大于所述预设分辨率,则对所述植物样本子图像进行降采样处理,得到所述预设分辨率的植物样本子图像;
若所述植物样本子图像的分辨率小于所述预设分辨率,则对所述植物样本子图像进行升采样处理,得到所述预设分辨率的植物样本子图像。
5.根据权利要求4所述的方法,其特征在于,所述对所述植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本子图像之后,所述方法还包括:
按照RGB值归一化处理公式,将所述预设分别率的植物样本子图像的每个像素点的RGB值进行归一化处理,所述RGB值归一化处理公式包括:
,/>,/>
其中,xR、xG、xB分别为原有的所述预设分辨率的植物样本子图像对应的任一像素点的R、G、B通道的分量值,yR、yG、yB分别为与xR、xG、xB对应的像素点经过归一化处理后的R、G、B通道的分量值,xRmax、xGmax、 xBmax分别为原有的所述预设分辨率的植物样本子图像中在R、G、B通道上的最大分量值;
所述按照第一预设次数和第二预设次数,分别对所述预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本集,具体包括:
按照第一预设次数和第二预设次数,分别对RGB值归一化处理后的所述预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本集。
6.一种植物种类的识别装置,其特征在于,包括:
样本图像截取模块,用于在植物样本图像上按照预设植物部位进行图像截取,得到与所述预设植物部位对应的植物样本子图像,其中,所述预设植物部位包括:植物根部、植物叶子、植物茎部;
样本分辨率处理模块,用于对所述植物样本子图像进行分辨率预处理,得到预设分辨率的植物样本图像;
样本集建立模块,用于按照第一预设次数和第二预设次数,分别对所述预设分辨率的植物样本子图像进行有放回的抽样,得到训练样本集和测试样本集,其中,所述第一预设次数大于所述第二预设次数;
模型训练模块,用于利用所述训练样本集训练MobileNetV2轻量级卷积神经网络模型,直至训练好的模型识别所述测试样本集的成功率大于或等于预设成功率;
图像识别模块,用于接收待识别的植物图像,并利用所述训练好的模型对所述待识别的植物图像的种类进行识别;
其中,所述图像识别模块,具体用于在接收到的待识别的植物图像上按照所述预设植物部位进行图像截取,得到与所述预设植物部位对应的待识别的植物子图像;对所述待识别的植物子图像进行分辨率预处理,以使所述待识别的植物子图像的分辨率与所述预设分辨率一致;按照RGB值归一化处理公式,对所述待识别的植物子图像的每个像素点的RGB值进行归一化处理;将RGB值归一化处理后的所述待识别的植物子图像输入至所述训练好的模型中,得到与所述待识别的植物子图像对应的识别结果;若所述预设植物部位包括一个,则将与所述待识别的植物子图像对应的识别结果作为所述待识别的植物图像的识别结果;若所述预设植物部位包括多个,则按照与多个所述预设植物部位对应的预设权重,对多个相应的所述识别结果进行加权求和计算,得到所述待识别的植物图像的识别结果。
7.一种存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至5中任一项所述的植物种类的识别方法。
8.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至5中任一项所述的植物种类的识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185076.9A CN110070101B (zh) | 2019-03-12 | 2019-03-12 | 植物种类的识别方法及装置、存储介质、计算机设备 |
PCT/CN2019/118395 WO2020181817A1 (zh) | 2019-03-12 | 2019-11-14 | 一种基于神经网络模型的植物图像的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185076.9A CN110070101B (zh) | 2019-03-12 | 2019-03-12 | 植物种类的识别方法及装置、存储介质、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070101A CN110070101A (zh) | 2019-07-30 |
CN110070101B true CN110070101B (zh) | 2024-05-14 |
Family
ID=67366192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185076.9A Active CN110070101B (zh) | 2019-03-12 | 2019-03-12 | 植物种类的识别方法及装置、存储介质、计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110070101B (zh) |
WO (1) | WO2020181817A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070101B (zh) * | 2019-03-12 | 2024-05-14 | 平安科技(深圳)有限公司 | 植物种类的识别方法及装置、存储介质、计算机设备 |
CN110487741A (zh) * | 2019-08-22 | 2019-11-22 | Oppo(重庆)智能科技有限公司 | 灌溉信息确定方法、装置及终端设备 |
CN110852341A (zh) * | 2019-09-23 | 2020-02-28 | 平安科技(深圳)有限公司 | 基于深度学习的白术检测方法、及其相关设备 |
US11138787B2 (en) * | 2019-11-25 | 2021-10-05 | Rockwell Collins, Inc. | Efficient transfer of dynamic 3D world model data |
CN112906437B (zh) * | 2019-12-04 | 2023-12-26 | 中国农业科学院农业资源与农业区划研究所 | 一种燕麦植株识别的方法及装置 |
CN112906698B (zh) * | 2019-12-04 | 2023-12-29 | 中国农业科学院农业资源与农业区划研究所 | 一种苜蓿植株识别的方法及装置 |
CN111568195A (zh) * | 2020-02-29 | 2020-08-25 | 佛山市云米电器科技有限公司 | 冲泡饮物识别方法、设备及计算机可读存储介质 |
CN113627216B (zh) * | 2020-05-07 | 2024-02-27 | 杭州睿琪软件有限公司 | 植物状态评估方法、***及计算机可读存储介质 |
CN113807132B (zh) * | 2020-06-12 | 2023-05-02 | 广州极飞科技股份有限公司 | 植物生长区域的灌水状态的识别方法、装置和存储介质 |
CN111723736A (zh) * | 2020-06-19 | 2020-09-29 | 中国农业科学院农业信息研究所 | 果树花期监测方法、装置、计算机设备及存储介质 |
CN112801039A (zh) * | 2021-03-03 | 2021-05-14 | 广西广播电视技术中心 | 一种基于改进MobilenetV2网络的劣质数字电视画面识别方法 |
CN113344035A (zh) * | 2021-05-17 | 2021-09-03 | 捷佳润科技集团股份有限公司 | 一种香蕉物候期监控模块及种植*** |
CN113298180A (zh) * | 2021-06-15 | 2021-08-24 | 杭州睿胜软件有限公司 | 用于植物识别的方法和计算机*** |
CN113313193A (zh) * | 2021-06-15 | 2021-08-27 | 杭州睿胜软件有限公司 | 植物图片识别方法、可读存储介质及电子设备 |
CN117036828A (zh) * | 2023-09-19 | 2023-11-10 | 南方电网数字电网研究院有限公司 | 用于保护输电线路的速生树监测方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870816A (zh) * | 2014-03-26 | 2014-06-18 | 中国科学院寒区旱区环境与工程研究所 | 一种识别率高的植物识别方法及装置 |
WO2017178666A1 (es) * | 2016-04-12 | 2017-10-19 | Diego Hernan Perez Roca | Conjunto autónomo de dispositivos y método para la detección e identificación de especies vegetales en un cultivo agrícola para la aplicación de agroquímicos en forma selectiva |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
WO2018112783A1 (zh) * | 2016-12-21 | 2018-06-28 | 深圳前海达闼云端智能科技有限公司 | 图像识别方法及装置 |
CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
CN108875620A (zh) * | 2018-06-06 | 2018-11-23 | 中国农业科学院深圳农业基因组研究所 | 入侵植物的监测方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN107239514A (zh) * | 2017-05-19 | 2017-10-10 | 邓昌顺 | 一种基于卷积神经网络的植物识别方法及*** |
CN108765368A (zh) * | 2018-04-20 | 2018-11-06 | 平安科技(深圳)有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
CN110070101B (zh) * | 2019-03-12 | 2024-05-14 | 平安科技(深圳)有限公司 | 植物种类的识别方法及装置、存储介质、计算机设备 |
-
2019
- 2019-03-12 CN CN201910185076.9A patent/CN110070101B/zh active Active
- 2019-11-14 WO PCT/CN2019/118395 patent/WO2020181817A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870816A (zh) * | 2014-03-26 | 2014-06-18 | 中国科学院寒区旱区环境与工程研究所 | 一种识别率高的植物识别方法及装置 |
WO2017178666A1 (es) * | 2016-04-12 | 2017-10-19 | Diego Hernan Perez Roca | Conjunto autónomo de dispositivos y método para la detección e identificación de especies vegetales en un cultivo agrícola para la aplicación de agroquímicos en forma selectiva |
WO2018112783A1 (zh) * | 2016-12-21 | 2018-06-28 | 深圳前海达闼云端智能科技有限公司 | 图像识别方法及装置 |
CN107346434A (zh) * | 2017-05-03 | 2017-11-14 | 上海大学 | 一种基于多特征及支持向量机的植物病虫害检测方法 |
CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
CN108875620A (zh) * | 2018-06-06 | 2018-11-23 | 中国农业科学院深圳农业基因组研究所 | 入侵植物的监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110070101A (zh) | 2019-07-30 |
WO2020181817A1 (zh) | 2020-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070101B (zh) | 植物种类的识别方法及装置、存储介质、计算机设备 | |
CN107979554B (zh) | 基于多尺度卷积神经网络的无线电信号调制识别方法 | |
CN111428781A (zh) | 遥感影像地物分类方法及*** | |
WO2020181706A1 (zh) | 植物种类的识别方法及装置 | |
CN114005029B (zh) | 基于改进yolov5网络的广佛手病虫害识别方法及*** | |
CN109816612A (zh) | 图像增强方法和装置、计算机可读存储介质 | |
CN110502987A (zh) | 一种基于深度学习的植物病虫害识别方法及*** | |
CN108090508A (zh) | 一种分类训练方法、装置及存储介质 | |
CN109815960A (zh) | 基于深度学习的翻拍图像识别方法、装置、设备及介质 | |
CN111898683A (zh) | 基于深度学习的图像分类方法、装置及计算机设备 | |
CN110097090A (zh) | 一种基于多尺度特征融合的图像细粒度识别方法 | |
CN110287311B (zh) | 文本分类方法及装置、存储介质、计算机设备 | |
CN104778238B (zh) | 一种视频显著性的分析方法及装置 | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和*** | |
CN109685713A (zh) | 化妆模拟控制方法、装置、计算机设备及存储介质 | |
CN111127331A (zh) | 基于像素级全局噪声估计编解码网络的图像去噪方法 | |
CN115331104A (zh) | 一种基于卷积神经网络的农作物种植信息提取方法 | |
CN109754024B (zh) | 图像分类方法和装置 | |
CN111784665A (zh) | 基于傅里叶变换的oct图像质量评估方法、***及装置 | |
CN115063650A (zh) | 一种轻量型实时目标检测方法 | |
CN110223230A (zh) | 一种多前端深度图像超分辨率***及其数据处理方法 | |
CN115761356A (zh) | 图像识别方法、装置、电子设备和存储介质 | |
CN111860601B (zh) | 预测大型真菌种类的方法及装置 | |
CN111428800B (zh) | 基于0-1模型的茶叶验真方法 | |
CN111027608A (zh) | 一种基于深度学习的星系分类与识别的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |