基于卷积神经网络与迁移学习的国兰种类识别方法及系统

摘要

本发明属于计算机视觉技术领域，提供了一种基于卷积神经网络与迁移学习的国兰种类识别方法，包括步骤：通过预设方式获取国兰的图片；将获取的国兰图片经过预设训练结果模型进行识别，并获得国兰的种类识别结果。建立预设训练结果模型的步骤为：通过预设方式获取国兰各个类别的图像信息，并建立国兰图像数据集；对国兰图像数据集中的图像信息进行预处理；通过国兰图像数据集对预设识别网络模型进行训练，得到预设训练结果模型。本发明的优点在于通过使用深层的Inception‑Resnet‑v2网络提取国兰图像信息，更加利于国兰的图像识别，并且通过基于模型的迁移学习方法加快训练速度并且使得国兰识别的准确率提高。

说明书

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于卷积神经网络与迁移学习的国兰种类识别方法及系统。

背景技术

兰花是兰科植物的统称，但中国传统上的兰花是特指兰科中具有较高观赏价值的一些兰属种类。栽培的兰花有中国兰和洋兰之分，中国兰又称国兰，是指兰科兰属的少数地生多年生草本植物。兰科植物的分布十分广泛，可以说是遍布不包含寒冷两极和炎热沙漠的全世界各地。由于品种众多，外表相似，导致很多人没法准确识别兰花的种类，但不同种类的兰花价格却有着有很大差异，造成很多兰花爱好者不必要的损失，同时从事相关工作的兰花研究人员在鉴别时也需要耗费更长的时间和更多的精力。

兰花识别方法主要包括形态识别法、DNA分子标记技术以及SRAP标记技术等。其中形态识别方法在民间应用广泛，主要根据国兰的叶子外形、花的颜色以及开花的花期和花序等特征进行判断，但是这种判别依赖个人对兰花的了解，识别经验不能做到完全准确，而且如果依靠花期来判断的话也不具有实时性。通过化学、生物学以及植物学等科学方式来判别，虽然准确可靠，但是需要专业性设备和专业型科研人员，操作过于复杂，对于普通人民群众来说实验条件及成本过高，很难完成推广。

发明内容

本发明的目的在于提供一种基于卷积神经网络与迁移学习的国兰种类识别方法及系统，用以解决普通民众难以准确识别国兰种类的问题；

为了实现上述目的，本发明采用的技术方案为：

基于卷积神经网络与迁移学习的国兰种类识别方法，包括步骤：

通过预设方式获取国兰的图片；

将获取的国兰图片经过预设训练结果模型进行识别，并获得国兰的种类识别结果。

进一步的，建立预设训练结果模型的步骤为：

通过预设方式获取国兰各个类别的图像信息，并建立国兰图像数据集；

对国兰图像数据集中的图像信息进行预处理；

通过国兰图像数据集对预设识别网络模型进行训练，得到预设训练结果模型。

进一步的，建立所述预设识别网络模型的步骤包括：

通过ImageNet图像数据集对Inception-Resnet-v2网络模型进行预训练，得到预训练网络模型；

将所述预训练模型通过基于模型的迁移学习得到所述预设识别网络模型。

进一步的，对预设识别网络模型进行训练的步骤包括：

将预处理后的国兰图像数据集中的图像信息进行特征提取，得到特征图；

通过预设识别网络模型对特征图进行识别；

通过SoftMax分类器对所述特征图的识别结果进行分类。

进一步的，通过SoftMax分类器对所述特征图的识别结果进行分类的具体步骤为：

通过SoftMax分类器计算出所述特征图属于每一个种类的概率，选取概率最大的种类，作为预测目标，将国兰图像分入预测目标对应的分类中。

本发明的目的还在于提供一种基于卷积神经网络与迁移学习的国兰种类识别系统，包括：

图片获取模块，用于通过预设方式获取国兰的图片；

图片识别模块，用于将获取的国兰图片经过预设训练结果模型进行识别，并获得国兰的种类识别结果。

进一步的，所述图片识别模块包括：

数据集建立单元，用于通过预设方式获取国兰各个类别的图像信息，并建立国兰图像数据集；

预处理单元，用于对国兰图像数据集中的图像信息进行预处理；

训练单元，用于通过国兰图像数据集对预设识别网络模型进行训练，得到预设训练结果模型。

进一步的，所述训练单元包括：

特征提取子单元，用于将预处理后的国兰图像数据集中的图像信息进行特征提取，得到特征图；

特征识别子单元，用于通过预设识别网络模型对特征图进行识别；

分类子单元，用于通过SoftMax分类器对所述特征图的识别结果进行分类。

本发明与现有技术相比，至少包含以下有益效果：

(1)通过使用Inception-Resnet-v2网络可以自动提取图像的高层特征，而不用依赖手动提取特征，而且深层的Inception-Resnet-v2网络提取国兰图像信息能力更强，更加利于国兰的图像识别；

(2)通过数据增强技术扩充了国兰图像数据集数量、减轻了过拟合；

(3)通过基于模型的迁移学习方法加快训练速度并且使得国兰识别的准确率提高。

附图说明

图1是本发明实施例一国兰识别的总体流程图；

图2是本发明实施例一中建立预设训练结果模型的流程图；

图3是本发明实施例一中建立所述预设识别网络模型的流程图；

图4是本发明实施例一中Inception-Resnet-v2网络结构的示意图；

图5是本发明实施例一中国兰图像识别整体框架示意图；

图6是本发明实施例一中对预设识别网络模型进行训练的流程图；

图7是本发明实施例二的总体结构示意图；

图8是本发明实施例二中图片识别模块的结构示意图；

图9是本发明实施例二中训练单元的结构示意图。

具体实施方式

以下是本发明的具体实施例，并结合附图对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例一

如图1所示，本发明基于卷积神经网络与迁移学习的国兰种类识别方法，包括步骤：

S1、通过预设方式获取国兰的图片；

S2、将获取的国兰图片经过预设训练结果模型进行识别，并获得国兰的种类识别结果。

其中，如图2所示，建立预设训练结果模型的步骤为：

S21、通过预设方式获取国兰各个类别的图像信息，并建立国兰图像数据集。

国兰图像的收集主要有两种方法，第一种方法是实地拍摄，根据国兰常见的分布地区和生长环境进行实地考察，在山林田野中寻找国兰，然后使用相机拍摄。第二种方法是从互联网上收集，根据国兰种类名称利用搜索引擎搜索出相应的国兰图像，然后下载并整理。

为了解决数据量不够的问题，本发明还引入了第三种采集兰花图像的方法，从相关专业书籍中进行扫描上传，该方法的到的图像分类准确且清晰度较好，为本发明提供了可观的数据量。

S22、对国兰图像数据集中的图像信息进行预处理。

通过网络下载、实地拍摄以及扫描上传三种方法得到的初始国兰图像数据集规模量对于Inception-ResNet网络所需的训练样本量来说较小，因此采用数据增强技术扩充数据集。

数据增强可以给单幅图像增加多个副本，大幅增加实验样本量和多样性，进而提高网络的泛化性，减少过拟合。

本发明对图像样本采用的增强方法有：水平翻转，随机裁剪，添加高斯噪声：对原始图像添加了30％的高斯噪声，图像亮度调节(调亮或者调暗)，随机旋转变换(60°、90°、180°、270°)五种增强方式。

S23、通过国兰图像数据集对预设识别网络模型进行训练，得到预设训练结果模型。

进一步的，如图3所示，建立所述预设识别网络模型的步骤包括：

S231、通过ImageNet图像数据集对Inception-Resnet-v2网络模型进行预训练，得到预训练网络模型；

如图4所示，Inception-Resnet-v2网络是由Inception V4和ResNet相结合；通过Inception-ResNet-A、Inception-ResNet-B和Inception-ResNet-C三种Inception-ResNet块加入直连，使得通道多样化，相较Inception V4参数少，收敛快；并且相较Inception-Resnet-V1块内卷积核的通道更加多样化。

ResNet残差网络可以认为是残差块的堆叠，这样可以将网络设计得很深。残差网络和普通网络的不同点在于，在进行非线性变化前，部分数据复制一份累加后进行了非线性变换。理想状态下，随着网络深度的增加，训练误差理应逐渐缩小，而ResNet能够做到随着网络深度的增加，训练中产生的误差缩小。

S232、将所述预训练模型通过基于模型的迁移学习得到所述预设识别网络模型。

针对国兰图像识别，虽然国兰图像数据集与ImageNet图像数据集中的图像内容不同，但是图像的边缘、纹理、颜色等底层特征是通用的，因此国兰图像识别模型的构建首先利用在ImageNet大型图像数据集上预训练模型Inception-Resnet-v2，采用基于模型的迁移学习方法，将预训练模型卷积模块学习到的图像的底层特征，迁移到国兰图像识别的任务中作为网络的初始化参数。

进一步的，如图5和图6所示，对预设识别网络模型进行训练的步骤包括：

A1、将预处理后的国兰图像数据集中的图像信息进行特征提取，得到特征图；

A2、通过预设识别网络模型对特征图进行识别；

A3、通过SoftMax分类器对所述特征图的识别结果进行分类。

其中，通过SoftMax分类器对所述特征图的识别结果进行分类的具体步骤为：

通过SoftMax分类器计算出所述特征图属于每一个种类的概率，选取概率最大的种类，作为预测目标，将所述特征图分入预测目标对应的分类中。

在国兰的多分类任务中，需要使用SoftMax分类器计算出每一类的概率，其函数公式为：

其中，K为图像数据集中的类别总数，a

SoftMax分类器将多个神经元的输出值映射到[0,1]区间内，该区间内的每个值代表这个样本属于每个类的概率，而这些值的累和为1。

神经元的输出值越大，则该神经元对应的类别是真实类别的概率更高，因此在最后选取输出结点的时候，选取值对应最大的结点，作为预测目标，将该图像分入预测目标对应的分类中。

本发明通过使用Inception-Resnet-v2网络可以自动提取图像的高层特征，而不用依赖手动提取特征，而且深层的Inception-Resnet-v2网络提取国兰图像信息能力更强，更加利于国兰的图像识别任务；通过数据增强技术扩充了国兰图像数据集数量、减轻了过拟合；通过迁移学习方法可以加快训练速度、提高准确率。对不同卷积神经网络模型进行对比试验，实验结果表明，本文提出的国兰图像识别模型对传统国兰数据集所训练的模型识别准确率为91.51％，基本达到了准确判断常见国兰种类的目标。

实施例二

如图7所示，本发明基于卷积神经网络与迁移学习的国兰种类识别系统，包括：

图片获取模块，用于通过预设方式获取国兰的图片；

图片识别模块，用于将获取的国兰图片经过预设训练结果模型进行识别，并获得国兰的种类识别结果。

进一步的，所述图片识别模块包括：

数据集建立单元，用于通过预设方式获取国兰各个类别的图像信息，并建立国兰图像数据集；

国兰图像的收集主要有两种方法，第一种方法是实地拍摄，根据国兰常见的分布地区和生长环境进行实地考察，在山林田野中寻找国兰，然后使用相机拍摄。第二种方法是从互联网上收集，根据国兰种类名称利用搜索引擎搜索出相应的国兰图像，然后下载并整理。

为了解决数据量不够的问题，本发明还引入了第三种采集兰花图像的方法，从相关专业书籍中进行扫描上传，该方法的到的图像分类准确且清晰度较好，为本发明提供了可观的数据量。

预处理单元，用于对国兰图像数据集中的图像信息进行预处理；

通过网络下载、实地拍摄以及扫描上传三种方法得到的初始国兰图像数据集规模量对于InceptionResNet网络所需的训练样本量来说较小，因此采用数据增强技术扩充数据集。

数据增强可以给单幅图像增加多个副本，大幅增加实验样本量和多样性，进而提高网络的泛化性，减少过拟合。

本发明对图像样本采用的增强方法有：水平翻转，随机裁剪，添加高斯噪声：对原始图像添加了30％的高斯噪声，图像亮度调节(调亮或者调暗)，随机旋转变换(60°、90°、180°、270°)五种增强方式。

训练单元，用于通过国兰图像数据集对预设识别网络模型进行训练，得到预设训练结果模型。

进一步的，所述训练单元包括：

特征提取子单元，用于将预处理后的国兰图像数据集中的图像信息进行特征提取，得到特征图；

特征识别子单元，用于通过预设识别网络模型对特征图进行识别；

分类子单元，用于通过SoftMax分类器对所述特征图的识别结果进行分类。

在国兰的多分类任务中，需要使用SoftMax分类器计算出每一类的概率，其函数公式为：

式中：K为数据集中的类别总数，表示上一层节点输入全连接层后输出的第j类的值；表示经过SoftMax分类器后第j类样本对应的概率值。SoftMax将多个神经元的输出值映射到[0,1]区间内，该区间内的每个值代表这个样本属于每个类的概率，而这些值的累和为1。

神经元的输出值越大，则该神经元对应的类别是真实类别的概率更高，因此在最后选取输出结点的时候，选取值对应最大的结点，作为预测目标。

本发明通过使用Inception-Resnet-v2网络可以自动提取图像的高层特征，而不用依赖手动提取特征，而且深层的Inception-Resnet-v2网络提取国兰图像信息能力更强，更加利于国兰的图像识别任务；通过数据增强技术扩充了国兰图像数据集数量、减轻了过拟合；通过迁移学习方法可以加快训练速度、提高准确率。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。