CN103093247A - 一种植物图片的自动分类方法 - Google Patents

Abstract

本发明公开了一种植物图片的自动分类方法，其特征在于，包括如下步骤：(1)构建模糊神经网络FNN；(2)用一组植物图片的特征信息作为训练数据集，通过NTVE-PSO方法训练FNN，从而得到最优模糊神经网络；(3)综合使用一组植物图片的特征信息作为测试数据集，测试数据集作为最优模糊神经网络的输入，通过最优模糊神经网络进行分类，最终输出植物类别信息。本发明根据植物图片的多种特征类型，设计了模糊神经网络FNN，并采用NTVE-PSO对模糊神经网络进行训练，确定最优模糊神经网络，然后将植物图片特征信息重新输入到最优模糊神经网络进行分类识别。本发明提高了植物图片的分类准确率，分类精度高，鲁棒性好，可以用于大量的植物图片的分类识别，同时也可以用于其他目标的分类识别。

Description

一种植物图片的自动分类方法

技术领域

本发明涉及一种植物图片的自动分类方法。

背景技术

分类识别作为植物图片自动分类的一个关键技术，主要通过相似性测量，使用特征判别函数将各种植物归入某种性质或类别的集合。最近由于计算机技术、人工智能技术的广泛应用，植物图片的自动分类方法也得到了迅速发展以及应用，已经出现了许多新颖、实用的理论与方法。根据判别函数以及训练方法的不同，分类方法主要包括以下六种：经典分类方法、模糊方法、灰色系统方法、神经网络方法、句法结构方法以及统计学习方法等。其中神经网络方法由于识别率高、学习性强而被广泛应用。

发明内容

本发明要解决的技术问题是提供一种植物图片的自动分类方法，减少传统人工分类过程中耗费人力、物力，同时也可以对植物图片进行规范化描述。

本发明采用如下技术方案实现发明目的：

一种植物图片的自动分类方法，其特征在于，包括如下步骤：

(1)构建模糊神经网络FNN；

(2)用一组植物图片的特征信息作为训练数据集，通过NTVE-PSO方法训练FNN，从而得到最优模糊神经网络；

(3)综合使用一组植物图片的特征信息作为测试数据集，测试数据集作为最优模糊神经网络的输入，通过最优模糊神经网络进行分类，最终输出植物类别信息。

作为对本技术方案的进一步限定，所述模糊神经网络FNN包括输入层、基于语义约束的模糊层、模糊规则层、标准层和输出分类层，所述输入层为第一层，包含m个节点，接收植物图片的各种特征作为输入数据，同时向基于语义约束的模糊层输出数据；

所述基于语义约束的模糊层为第二层，该层的模糊输入被送到存储在成员函数矩阵与语义约束矩阵的信息基上，通过成员函数矩阵MFA存储每个非线性成员函数MF的所有片段，语义约束矩阵LHA用于当前MF的每个片段的迭代，对于每个输入的MF，都有一个相关的成员函数矩阵MFA和一个相关的语义约束矩阵LHA，对每个输入z_i，MFA_if决定MF分段，在LHA_if矩阵相关量的帮助下，通过MF(·)来模糊z_i；

所述模糊规则层为第三层，该层实现了TS类型的模糊规则基础，每个模糊规则都有一个常量输出；

所述标准层为第四层，该层计算每条规则的标准化输出强度；

所述输出分类层为第五层，该层为分类器的最后一层，该层由一个节点组成，其输入输出通过加权优化进行控制，根据上层的输入值选择适当的类p作为输出。

作为对本技术方案的进一步限定，所述步骤(2)包括如下步骤：

(2.1)首先选取m组不同的植物图片，获取每个植物图片特征信息；

(2．2)将植物图片特征信息进行归一化处理，从这些植物特征中提取特征向量，特征向量定义为f₁，f₂，…，f_m，作为训练数据集；

(2.3)将这m个特征向量分别输入到m个模糊神经网络FNN中，来自每个模糊神经网络FNN的平滑参数σ₁，σ₂,...,σ_m作为PSO中的粒子进行训练，在训练方法中，将来自每个模糊神经网络FNN的平滑参数σ₁，σ₂,...,σ_m进行调整，直至获得最优的平滑参数。

作为对本技术方案的进一步限定，所述步骤(2.3)包括如下步骤：

(2.3.1)指明粒子的位置、速度的极大极小值，设置最大迭代次数；

(2.3.2)随机初始化粒子群的位置和速度；

(2.3.3)通过适应度函数来计算群中每个粒子的适应度；

(2.3.4)通过比较适应度来确定每个粒子的局部最优值，如果存在某个粒子的当前局部最优值优于全局最优值，则用该粒子的最优值更新粒子群的全局最优值；

(2.3.5)用最新的惰性及加速度系数计算每个粒子的速度V_i，局部最优粒子以及全局最优粒子；

(2.3.6)修改每个粒子的位置P_i；

(2.3.7)重复步骤2.3.3-2.3.6，直到完成设置的最大迭代次数，然后确定模糊神经网络FNN的最优结构，跳转到步骤(2.3.8)，否则返回步骤(2.3.3)；

作为对本技术方案的进一步限定，所述步骤（3）包括如下步骤：

（3.1）首先选取m组不同的植物图片，获取每个植物图片特征信息；

(3．2)将植物图片特征信息进行归一化处理，从这些植物特征中提取特征向量，特征向量定义为f’₁，f’₂，…，f’_m，作为测试数据集；

（3.3）将特征向量f’₁，f’₂，…，f’_m重新输入最优模糊神经网络，优化后的最优模糊神经网络输出一组概率值P₁，P₂，…，P_m；

（3.4）将输出的概率值P₁，P₂，…，P_m进行平均，获取其平均值P_avg，根据平均值P_avg决定植物样本的类别。

与现有技术相比，本发明的优点和积极效果是：本发明根据植物图片的多种特征类型，设计了模糊神经网络FNN，并采用NTVE-PSO对模糊神经网络进行训练，确定最优模糊神经网络，然后将植物图片特征信息重新输入到最优模糊神经网络进行分类识别。本发明提高了植物图片的分类准确率，分类精度高，鲁棒性好，可以用于大量的植物图片的分类识别，同时也可以用于其他目标的分类识别。

附图说明

图1为本发明原理方框图。

图2为本发明模糊神经网络模型结构图。

图3是基于学习算法的FNN优化图。

图4为植物图片分类的合并方法示意图。

图5为实施例一的苗圃图像。

图6为实施例一的训练与测试数据集。

图7为误差逆向传播神经网络方法BP、主成分分析方法PCA和本文方法的比较结果。

具体实施方式

下面结合附图和优选实施例对本发明作更进一步的详细描述。

参见图1－图4，

（1）模糊神经网络的设计

本发明使用的模糊神经分类器主要基于分段语义约束(PiecewiseLinguistic Hedge-based)的输入，MFs与Takagi–Sugeno类型的模糊推理，该网络是一种多输入单输出分类器，分类器使用输入层、基于语义约束的模糊层、模糊规则层、标准层以及输出分类层。本发明使用z与y表示输入与输出变量。在每一层中，网络各层的每个节点都表示为net。在每个变量中，节点所在层数用上标表示，多输入单输出的模糊神经网络表示为：

其具体结构为：

输入层：

第一层的第i个节点的输入为：

${\mathrm{net}}_i^1=z_i,$ i＝1，2，...，m                      (1)

来自相应节点的输出为：

$y_i^1={\mathrm{net}}_i^1,$ i＝1，2，...，m                         (2)

基于语义约束的模糊层：

在第二层中，模糊输入被送到存储在成员函数矩阵(MembershipFunction Array,MFA)与语义约束矩阵(Linguistic Hedge Array,LHA)的信息基上，使用MFA存储每个MF的所有片段。LHA包含语义约束修改器，用于当前MF的每个片段的迭代。对于每个输入的每个MF，本发明有一个相关的MFA与一个相关的LHA。对每个给定的问题，MFA为常量矩阵，LHA为训练阶段的优化矩阵。这里在一个给定的成员函数MF_f中，根据相应的成员函数矩阵MFA与语义约束矩阵LHA的影响，用一个非线性函数计算输入向量z_i的成员级别，因此，第f个节点（或第f个MF）的网络输入与输入z_i的关系为：

${\mathrm{net}}_{\mathrm{if}}^2=z_{\mathrm{if}}^2,$ i＝1，2，...，m；f＝1，2，...，s                (3)

其中，s表示用来模糊z_i的成员函数MF的数量，相应地输出节点的成员值为：

$y_{\mathrm{if}}^2=\mathrm{MF}({\mathrm{net}}_{\mathrm{if}}^2,{\mathrm{MFA}}_{\mathrm{if}},{\mathrm{LHA}}_{\mathrm{if}})---\left(4\right)$

其中非线性成员函数MF(·)使用

MFA_if与LHA_if作为输入基，MFA_if与LHA_if表示与第i个输入z_i的第f个MF相关的成员函数矩阵与语义约束矩阵，对每个输入z_i，MFA_if决定MF分段，此时需要模糊z_i，在LHA_if矩阵相关量的帮助下，通过MF(·)来实现，如式（4）所示。

模糊规则层：

规则层实现了TS类型的模糊规则基础，每个模糊规则都有一个常量输出，这些模糊规则R为下列形式：

R_r：若(Z₁为f_1o且(Z₂为f_2p且…且(Z_m为f_mp)，则y_r＝w_r。其中f_1o为第1个输入的第o个活跃的MF，f_2p为第二个输入的第p个活跃的MF,以此类推，w_r表示第r个规则的输出结果，现在，规则层的每个节点都计算每条规则的强度，因此，第r个节点用来计算第r条规则的强度。强度：对每个AND操作符使用乘法逻辑计算每条规则的前件的T-norm。网络输入到第r个节点与第r个节点的输出通过下式给出：

${\mathrm{net}}_r^3=\underset{i=1}{\overset{m}{\mathrm{\Π}}}{y}_{\mathrm{if}}^2---\left(5\right)$

$y_r^3={\mathrm{net}}_r^3---\left(6\right)$

其中，对于输入z_i，f表示第f个MF，与第r个节点连接。

标准化层：

该层计算每条规则的标准化输出强度，输入到第r个节点与第r个节点的输出通过下式给出：

${\mathrm{net}}_r^4=\frac{z_r^4}{{\mathrm{\Σ}}_{r=1}^F{z}_r^4}=\frac{z_r^3}{{\mathrm{\Σ}}_{r=1}^F{z}_r^3}---\left(7\right)$

$y_r^4={\mathrm{net}}_r^4---\left(8\right)$

$F=\underset{i=1}{\overset{m}{\mathrm{\Π}}}{n}_i---\left(9\right)$

其中n_i表示模糊集或成员函数MF的总数目，

输出分类层：

该层为分类器的最后一层，该层由1个节点组成，模式分类器设计如下，如果当前任务是将输入数据分成P种可能的输出类，那么输出可以仅仅通过整数来表示{1，2，…，P，…，P}，该节点的输入输出控制关系为：

${\mathrm{net}}^5=\underset{r=1}{\overset{F}{\mathrm{\Σ}}}{w}_r\×y_r^4---\left(10\right)$

这里w_r为第3层第r条规则的无序输出结果。

y⁵＝P，iff net⁵∈((P-0.5)，(P+0.5)]                (11)

依赖nef⁵的值，选择适当的类p作为输出。

（2）非线性时间变量演化PSO

粒子群优化算法(Part icle Swarm Optimization PSO)最初由Kennedy和Eberhar于1995年提出，在PSO算法中，每个粒子在问题空间中都保持其本身的位置以及速度参数，一个粒子的初始位置与速度由系统随机产生，然后，令第i个粒子在n维搜索空间中的位置和速度表示为P_i＝[p_i，1，p_i，2，...，p_i，n]与V_i＝[v_i，1，v_i，2，...，v_i，n]，相应地，根据一个特定的适应度函数，令第i个粒子的局部最优解表示为

迄今为止发现的全局最优解可以表示为

在每次迭代过程中，粒子的新位置与速度通过下列两个公式进行更新：

P_i(k+1)＝P_i(k)+v_i(k+1)   i＝1，2，...，m，             (12)

$V_i(k+1)=V_i\left(k\right)+c_1\·r_1\·(P_i^l\left(k\right)-P_i\left(k\right))+c_2\·r_2\·(P^{\mathrm{kJ}}-P_i\left(k\right))$ i＝1，2，...，m，    (13)

这里m为群中粒子的数量，k为当前的迭代次数，P_i(k)为第k次迭代中第i个粒子的位置，为第i个粒子在第k次迭代中的最优解，P^KJ为所有粒子的全局最优解，V_i(k)为第i个粒子在第k次迭代中的速度，c₁为感知参数(加速度系数)，c₂为相关参数(加速度系数)，r₁与r₂为(0，1)区间的随机数。

自从1995年PSO算法产生以来，研究者就致力于改进PSO算法，从而提高其性能，扩展其应用领域。Shi与Eberhart引进了惯性权值以平衡最优化处理中的局部与全局搜索，在所有的迭代中，惰性权值是现行下降的，这种PSO方法倾向于在迭代开始时拥有较强的全局搜索能力，然而在迭代结束时，则拥有较强的局部搜索能力。此后一段时间，PSO算法引入了时变惯性权重因子方法(Time-Varying Inertia Weight，TVIW-PSO)，为了提高收敛的速度和精度，Ko等人提出了一种非线性时间变量演化(Nonlinear Time-Varying Evolution,NTVE-PSO)来调整惯性权重和加速度，在NTVE-PSO方法中，惯性权重通常初值较高ω_max，然后在最大迭代次数内进行非线性下降，直到最低ω_min。由于存在着加速度系数，感知参数c₁开始时取值较高，然后非线性下降到：

V_i(k+1)＝ω(k)·V_i(k)+c₁(k)·r₁·(P′_i(k)-P_i(k))+c₂(k)·r₂·(P^bl-P_i(k))  fori＝1，2，...，m    (14)

$\mathrm{\ω}\left(k\right)={\mathrm{\ω}}_{\min }+{\left(\frac{{\mathrm{iter}}_{\max }-\mathrm{iter}}{{\mathrm{iter}}_{\max }}\right)}^{\mathrm{\α}}({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })---\left(15\right)$

$c_1\left(k\right)=c_{1\min }+{\left(\frac{{\mathrm{iter}}_{\max }-\mathrm{iter}}{{\mathrm{iter}}_{\max }}\right)}^{\mathrm{\β}}(c_{1\max }-c_{1\min })---\left(16\right)$

$c_2\left(k\right)=c_{2\min }+{\left(\frac{{\mathrm{iter}}_{\max }-\mathrm{iter}}{{\mathrm{iter}}_{\max }}\right)}^{\mathrm{\γ}}(c_{2\max }-c_{2\min })---\left(17\right)$

这里iter_max为迭代的最大次数，iter为当前的迭代次数，α，β和γ为常数系数。

NTVE-PSO方法激励粒子在全局搜索空间中运动，克服了优化的早期迭代中在某个局部最优解中的聚集，另一方面，算法在迭代后期加速向全局最优解收敛，通过这种方法，将会提高获取最优解的效率。

V_i＝w(t)V_i(t-1)+c₁u₁(p-x_i(t-1))+c₂u₂(g-x_i(t-1))         (18)

X_i(t-1)＝X_i(t)+V_i(t)                   (19)

这里w(t)为惯性权重，c为加速度常数，u∈(0，1)均匀分布的随机变量。

实施过程中，首先将植物特征进行归一化处理，从这些植物特征中提取特征向量，特征向量定义为f₁，f₂，…，f_m，这m个特征向量分别反馈到FNN分类器中，来自每个FNN分类器的平滑参数σ作为PSO中的粒子，在学习算法中，将来自每个FNN分类器的平滑参数σ进行调整，直至获得最优的平滑参数。

（3）NTVE-PSO神经网络分类识别模型

在基于NTVE-PSO的FNN植物分类模型中，采用NTVE-PSO方法来决定FNN的优化结构，然后采用优化的FNN执行植物分类识别预测，在采用NTVE-PSO方法训练FNN时，粒子的位置就表示FNN中参数yⁿ _i、m_i和w_ij的值，每个粒子都有自己的位置、速度和适应度，本发明定义的适应度函数为测试数据的绝对百分率：

$f=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\left|\frac{y_{\mathrm{ij}}-\widehat{y_{\mathrm{ij}}}}{y_{\mathrm{ij}}}\right|\×100\%---\left(20\right)$

这里n为训练样本的数量，y_ij和

为第i个样本中第j个输出神经元的加载值和估计加载值，相应地，k为输出神经元的数目，训练算法如下：

(1)指明粒子的位置、速度的极大极小值，设置最大迭代次数。

(2)随机初始化粒子群的位置和速度。

(3)通过适应度函数来计算群中每个粒子的适应度。

(4)通过比较适应度来确定每个粒子的局部最优值，如果存在某个粒子的当前局部最优值优于全局最优值，则用该粒子的最优值更新粒子群的全局最优值。

(5)使用公式(14)，用最新的惰性及加速度系数计算每个粒子的速度V_i，局部最优粒子以及全局最优粒子。

(6)根据公式(12)修改每个粒子的位置P_i。

(7)重复步骤（3）-（6），直到完成设置的最大迭代次数，然后确定FNN的最优结构，跳转到步骤8，否则返回步骤3。

(8)依据得出的FNN最优结构，对数据进行联合分析并聚合，得到最终植物类别。

优化FNN的关键是选择隐藏层的参数使其最光滑，优化后的分类器都各自输出一个概率值P₁，P₂，…，P_m，然后将这m个概率值进行平均，获取其平均值P_avg，根据P_avg决定植物样本的类别。

实施例一

(1)实验设计

本文的实验数据采用自建的可见光图像数据库，用可见光图片进行分类识别。使用了四种松科树木，分别为白扦、赤松、华山松与日本冷杉。图5显示了四种苗木的图像，程序重复执行100次，实验平台是Intel酷睿2.4G处理器，2G内存，操作系统为Windows XP，仿真软件是Matlab7.0。

图6描述了训练与测试数据集，训练数据与测试数据非常相似，这两个集合都是在正面拍摄，包含整株苗木的60%以上的面积，包含不同角度拍摄的图片，具有相同的清晰度。

图7所示，从总体上说，PCA与本文方法分类器在训练集上效率都比较高，对于测试集，大部分目标都能正确分类，都好过BP，而且本文方法识别效果超过PCA，分类的准确率：BP为71.5%，PCA为83.5%，而本文方法为89.5%。

当然，上述说明并非对本发明的限制，本发明也不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也属于本发明的保护范围。

Claims (5)

1.一种植物图片的自动分类方法，其特征在于，包括如下步骤：

(1)构建模糊神经网络FNN；

(2)用一组植物图片的特征信息作为训练数据集，通过NTVE-PSO方法训练FNN，从而得到最优模糊神经网络；

(3)综合使用一组植物图片的特征信息作为测试数据集，测试数据集作为最优模糊神经网络的输入，通过最优模糊神经网络进行分类，最终输出植物类别信息。

2.根据权利要求1所述的植物图片的自动分类方法，其特征在于，所述模糊神经网络FNN包括输入层、基于语义约束的模糊层、模糊规则层、标准层和输出分类层，所述输入层为第一层，包含m个节点，接收植物图片的各种特征作为输入数据，同时向基于语义约束的模糊层输出数据；

所述基于语义约束的模糊层为第二层，该层的模糊输入被送到存储在成员函数矩阵与语义约束矩阵的信息基上，通过成员函数矩阵MFA存储每个非线性成员函数MF的所有片段，语义约束矩阵LHA用于当前MF的每个片段的迭代，对于每个输入的MF，都有一个相关的成员函数矩阵MFA和一个相关的语义约束矩阵LHA，对每个输入z_i，MFA_if决定MF分段，在LHA_if矩阵相关量的帮助下，通过MF(·)来模糊z_i；

所述模糊规则层为第三层，该层实现了TS类型的模糊规则基础，每个模糊规则都有一个常量输出；

所述标准层为第四层，该层计算每条规则的标准化输出强度；

所述输出分类层为第五层，该层为分类器的最后一层，该层由一个节点组成，其输入输出通过加权优化进行控制，根据上层的输入值选择适当的类p作为输出。

3.根据权利要求1所述的植物图片的自动分类方法，其特征在于，所述步骤(2)包括如下步骤：

(2.1)首先选取m组不同的植物图片，获取每个植物图片特征信息；

(2．2)将植物图片特征信息进行归一化处理，从这些植物特征中提取特征向量，特征向量定义为f₁，f₂，…，f_m，作为训练数据集；

(2.3)将这m个特征向量分别输入到m个模糊神经网络FNN中，来自每个模糊神经网络FNN的平滑参数σ₁，σ₂,...,σ_m作为PSO中的粒子进行训练，在训练方法中，将来自每个模糊神经网络FNN的平滑参数σ₁，σ₂,...,σ_m进行调整，直至获得最优的平滑参数。

4.根据权利要求1所述的植物图片的自动分类方法，其特征在于，所述步骤(2.3)包括如下步骤：

(2.3.1)指明粒子的位置、速度的极大极小值，设置最大迭代次数；

(2.3.2)随机初始化粒子群的位置和速度；

(2.3.3)通过适应度函数来计算群中每个粒子的适应度；

(2.3.4)通过比较适应度来确定每个粒子的局部最优值，如果存在某个粒子的当前局部最优值优于全局最优值，则用该粒子的最优值更新粒子群的全局最优值；

(2.3.5)用最新的惰性及加速度系数计算每个粒子的速度V_i，局部最优粒子以及全局最优粒子；

(2.3.6)修改每个粒子的位置P_i；

(2.3.7)重复步骤2.3.3-2.3.6，直到完成设置的最大迭代次数，然后确定模糊神经网络FNN的最优结构，否则返回步骤(2.3.3)。

5.根据权利要求1所述的植物图片的自动分类方法，其特征在于，所述步骤（3）包括如下步骤：

（3.1）首先选取m组不同的植物图片，获取每个植物图片特征信息；

(3．2)将植物图片特征信息进行归一化处理，从这些植物特征中提取特征向量，特征向量定义为f’₁，f’₂，…，f’_m，作为测试数据集；

（3.3）将特征向量f’₁，f’₂，…，f’_m重新输入最优模糊神经网络，优化后的最优模糊神经网络输出一组概率值P₁，P₂，…，P_m；

（3.4）将输出的概率值P₁，P₂，…，P_m进行平均，获取其平均值P_avg，根据平均值P_avg决定植物样本的类别。

Images