CN108038499A - 一种基于深度学习的树种分类方法与系统 - Google Patents
一种基于深度学习的树种分类方法与系统 Download PDFInfo
- Publication number
- CN108038499A CN108038499A CN201711272966.0A CN201711272966A CN108038499A CN 108038499 A CN108038499 A CN 108038499A CN 201711272966 A CN201711272966 A CN 201711272966A CN 108038499 A CN108038499 A CN 108038499A
- Authority
- CN
- China
- Prior art keywords
- seeds
- image
- measured
- sample image
- feature
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的树种分类方法与系统,所述方法包括:采集样本图像进行标注,利用标注后的样本图像构造数据集并进行预处理,然后对预处理后的图像数据集利用卷积神经网络提取图像特征,获取特征向量集,利用获取的特征向量集训练验证三十分类器。最后采集待测树种的叶片图像数据以及进行预处理操作,并提取特征向量,再利用训练过的三十分类器对提取的叶片图像特征向量进行判断分类,实现树种的自动分类。本发明解决了现有树种分类方法无法完整反映树种叶片轮廓特征而造成结果不准确的问题,保证了树种分类的准确性以及可靠性。
Description
技术领域
本发明涉及人工智能技术领域,更具体地,涉及一种基于深度学习的树种分类方法与系统。
背景技术
树种的识别与分类对于探索植物生态系统的进化规律具有重要的意义,经过长期的发展,植物研究学界提出了很多树种分类方法。这些分类方法主要选择树木的一些比较稳定的外观性状,即外观特征,通过观察和测量采集关于这些性状的特征数据,再对这些性状特征数据进行聚类分析和主成分分析,实现分类。树木性状的选择一般基于树木的局部,比如叶、花、果、茎、枝的一些特征,而识别树木的叶片是识别树木种类最直接、有效和简单的方式。传统的识别叶片特征的方法都是通过采集标本,观察测量获得数据。这些方法工作效率低并且数据客观性难以保证。
目前,研究学者们开始采用计算机视觉技术对树叶分类,具体是通过计算树叶轮廓的曲率、纵横轴比、矩形度、偏心率等形状特征来进行识别分类,但这种方法对树叶轮廓进行了参数化处理,不能反映轮廓的原貌,结果存在一定的偏差。因此,如何设计一种能对树种自动识别分类而且又能保证准确性的方法,是现在面临的一个主要问题。
发明内容
本发明的目的在于提供一种基于深度学习的树种分类方法及系统,实现树种的自动分类,并保证较高的准确率和可靠性。
为实现上述目的,本发明提供了一种基于深度学习的树种分类方法,包括:
采集预设数量的树种叶片图像,获得样本图像;
对所述获得的样本图像进行标注,利用标注后的样本图像构造数据集以及对所述数据集进行预处理操作,便于训练三十分类器;所述三十分类器用于对树种的叶片图像进行分类;
对所述预处理后的样本图像进行特征提取,获得特征向量集;
利用所述获得的特征向量集对三十分类器进行训练和验证;
采集待测树种的叶片图像,对所述待测树种的叶片图像进行预处理,并提取特征,利用所述三十分类器对提取的特征进行判断分类,获得所述待测树种的种类。
在所述采集待测树种的叶片图像,对所述待测树种的叶片图像进行预处理,并提取特征,利用所述三十分类器对提取的特征进行分类,获得所述待测树种的种类之后,还包括步骤:保存所述待测树种的叶片图像,用于丰富样本图像数据集的多样性。
所述预处理操作具体包括重构图像大小和去均值操作。
所述对所述预处理后的样本图像进行特征提取,获得特征向量集,具体步骤是:利用VGG16卷积神经网络以迁移学习的方式对所述预处理后的样本图像进行特征提取,获得特征向量集。
本发明还提供了一种基于深度学习的树种分类系统,包括:
数据集采集模块,用于采集预设数量的树种叶片图像,获得样本图像;
图像预处理模块,用于对所述获得的样本图像进行标注,利用标注后的样本图像构造数据集以及对所述数据集进行预处理操作,便于训练三十分类器;所述三十分类器用于对树种的叶片图像进行分类;
特征提取模块,用于对所述预处理后的样本图像进行特征提取,获得特征向量集;
分类器训练模块,用于利用所述获得的特征向量集对三十分类器进行训练和验证;
待测树种鉴定模块,用于采集待测树种的叶片图像,对所述待测树种的叶片图像进行预处理,并提取特征,利用所述三十分类器对提取的特征进行判断分类,获得所述待测树种的种类。
待测树种数据保存模块:用于保存所述待测树种的叶片图像数据,丰富样本图像数据集的多样性。
所述图像预处理模块具体通过重构图像大小和去均值操作对所述样本图像数据集进行预处理。
所述特征提取模块利用VGG16卷积神经网络以迁移学习的方式对所述预处理后的样本图像进行特征提取,获得特征向量集。
本发明的有益效果:
本发明通过采集大量样本图像,并对这些样本图像进行处理之后,利用卷积神经网络提取特征,然后利用提取的特征对三十分类器进行训练,达到对树种进行分类的目的。本发明解决了现有树种分类方法无法完整反映树种叶片轮廓特征而造成结果不准确的问题,既能实现对树种自动分类,又能保证树种分类的准确性以及可靠性。
附图说明
图1为一种基于深度学习的树种分类方法流程图;
图2为VGG16卷积神经网络结构的示意图;
图3为一种基于深度学习的树种分类系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,本实施例提供的基于深度学习的树种分类方法,包括以下步骤:
S101,在光照适宜、无强烈反光、摄像头焦距固定的环境下,使用摄像头(ANCA9HD1080P(059Y3))采集已知30种树种的叶片图像数据90000张,作为样本图像。采集的图像大小是200像素×200像素。
S102,由植物学家对采集后的样本图像进行筛选并标注:对于30种树种,每种挑选出2000张叶片图像分别进行标注,并放到数据集中,为后续三十分类器的训练、测试准备数据集。同时对数据集中的图像进行预处理,预处理具体包括重构图像大小和去均值操作。
重构图像大小即对200像素×200像素的图像调整其大小,使其成为规范的卷积神经网络初始输入数据。去均值操作即对所有数据集中的样本图像求均值,然后将每个样本图像减去该均值。
S103,使用不包含top层的VGG16卷积神经网络提取构建图像特征,以预处理后的规范的样本图像数据作为输入,输出各个样本图像对应的512×1×1维特征向量。VGG16卷积神经网络的网络结构示意图请参阅图2,其中提取图像特征主要由卷积层来完成,它是卷积神经网络的重要组成部分。
S104,利用样本图像数据集经过卷积神经网络提取的512×1×1维特征向量,对三十分类器进行训练验证。三十分类器的网络结构如表1所示:
表1
其中SoftMax层是三十分类器的重要一层,主要用于进行多分类。SoftMax层的归类函数为:
从该函数可以看出,如果某一个zj大于其他z,那么这个映射的分量就逼近于1,其他的就逼近于0。对于三十分类器,经过SoftMax层的函数计算后输出为[p0,p1,p2,……,p29,p30],表示输入图像表现为各个树种类别的概率分别是p0,p1,p2,……,p29,p30。该输入树种的种类即为最大概率值对应的那个种类。
S105,使用摄像头(ANCA9HD1080P(059Y3))采集待测树种的叶片图像数据,采集的图像大小是200像素×200像素,然后由VGG16卷积神经网络对该图像提取特征,再由三十分类器进行判断分类,得到待测树种的类别。
S106,保存待测树种的叶片图像数据,为后续分类器模型更新时提供训练和测试数据集,数据集的增加在一定程度上能够提高分类器的分类准确率,可以让分类器模型在实际应用中有更佳的表现。
请参阅图3,为本实施例提供的基于深度学习的树种分类系统,包括:
数据集采集模块301,用于通过摄像头(ANCA9HD1080P(059Y3))采集90000张样本图像,采集的样本图像大小是200像素×200像素;
图像预处理模块302,用于对采集的样本图像,每个树种筛选出2000张图像进行标注以及预处理,具体的预处理包括重构图像大小和去均值操作;
特征提取模块303,用于利用VGG16卷积神经网络以迁移学习的方式对预处理后的图像进行特征提取,获取特征向量集;
分类器训练模块304,用于利用获取的特征向量集对三十分类器进行训练和验证;
待测树种鉴定模块305,用于采集待测树种的叶片图像数据,对采集的待测树种叶片图像进行预处理,利用预处理后的样本图像数据作为VGG16卷积神经网络的输入数据,获取图像的特征模型。再由三十分类器对提取的特征模型进行判断分类,实现树种的分类。
待测树种数据保存模块306,用于保存待测树种的叶片图像数据,为后续分类器模型更新时提供训练和测试数据集,数据集的增加在一定程度上能够提高分类器的分类准确率,可以让分类器模型在实际应用中有更佳的表现。
采用本发明提供的技术方案,通过采集大量样本图像进行标注,利用标注后的图像构造数据集并进行预处理,然后对预处理后的图像利用卷积神经网络提取图像特征,获取特征向量集,利用获取的特征向量集训练验证三十分类器。最后采集待测树种的叶片图像数据以及对其进行预处理操作,并提取特征向量,再利用训练过的三十分类器对提取的特征向量进行判断分类,实现树种的自动分类。本发明解决了现有树种分类方法无法完整反映树种叶片轮廓特征而造成结果不准确的问题,既能实现对树种自动分类,又能保证树种分类的准确性以及可靠性。
Claims (8)
1.一种基于深度学习的树种分类方法,其特征在于,包括以下步骤:
采集预设数量的树种叶片图像,以获得样本图像;
对获得的所述样本图像进行标注,利用标注后的样本图像构造数据集以及对所述数据集进行预处理操作,用于训练三十分类器;所述三十分类器用于对树种的叶片图像进行分类;
对所述预处理后的样本图像进行特征提取,获得特征向量集;
利用获得的所述特征向量集对所述三十分类器进行训练和验证;
采集待测树种的叶片图像,对所述待测树种的叶片图像进行预处理,并提取特征,利用所述经过训练和验证的三十分类器对提取的特征进行判断分类,获得所述待测树种的种类。
2.如权利要求1所述的一种基于深度学习的树种分类方法,其特征在于,在所述采集待测树种的叶片图像,对所述待测树种的叶片图像进行预处理,并提取特征,利用所述三十分类器对提取的特征进行分类,获得所述待测树种的种类之后,还包括步骤:保存所述待测树种的叶片图像,用于丰富样本图像数据集的多样性。
3.如权利要求1所述的一种基于深度学习的树种分类方法,其特征在于,所述预处理操作具体包括重构图像大小和去均值操作。
4.如权利要求1所述的一种基于深度学习的树种分类方法,其特征在于,所述对所述预处理后的样本图像进行特征提取,获得特征向量集,具体步骤是:利用VGG16卷积神经网络以迁移学习的方式对所述预处理后的样本图像进行特征提取,获得特征向量集。
5.一种基于深度学习的树种分类系统,其特征在于,包括:
数据集采集模块,用于采集预设数量的树种叶片图像,获得样本图像;
图像预处理模块,用于对所述获得的样本图像进行标注,利用标注后的样本图像构造数据集以及对所述数据集进行预处理操作,便于训练三十分类器;所述三十分类器用于对树种的叶片图像进行分类;
特征提取模块,用于对所述预处理后的样本图像进行特征提取,获得特征向量集;
分类器训练模块,用于利用所述获得的特征向量集对三十分类器进行训练和验证;
待测树种鉴定模块,用于采集待测树种的叶片图像,对所述待测树种的叶片图像进行预处理,并提取特征,利用所述三十分类器对提取的特征进行判断分类,获得所述待测树种的种类。
6.如权利要求5所述的一种基于深度学习的树种分类系统,其特征在于,还包括:
待测树种数据保存模块:用于保存所述待测树种的叶片图像数据,丰富样本图像数据集的多样性。
7.如权利要求5所述的一种基于深度学习的树种分类系统,其特征在于,所述图像预处理模块具体通过重构图像大小和去均值操作对所述样本图像数据集进行预处理。
8.如权利要求5所述的一种基于深度学习的树种分类系统,其特征在于,所述特征提取模块利用VGG16卷积神经网络以迁移学习的方式对所述预处理后的样本图像进行特征提取,获得特征向量集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711272966.0A CN108038499A (zh) | 2017-12-06 | 2017-12-06 | 一种基于深度学习的树种分类方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711272966.0A CN108038499A (zh) | 2017-12-06 | 2017-12-06 | 一种基于深度学习的树种分类方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038499A true CN108038499A (zh) | 2018-05-15 |
Family
ID=62095870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711272966.0A Pending CN108038499A (zh) | 2017-12-06 | 2017-12-06 | 一种基于深度学习的树种分类方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038499A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446985A (zh) * | 2018-10-28 | 2019-03-08 | 贵州师范学院 | 基于矢量神经网络的多角度植物识别方法 |
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
CN110214967A (zh) * | 2019-06-24 | 2019-09-10 | 中国计量大学 | 鸡枞根部切削设备 |
CN110263735A (zh) * | 2019-06-25 | 2019-09-20 | 北京林业大学 | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 |
CN110348277A (zh) * | 2018-11-30 | 2019-10-18 | 浙江农林大学 | 一种基于自然背景下的树种图像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787519A (zh) * | 2016-03-21 | 2016-07-20 | 浙江大学 | 一种基于叶脉检测的树种分类方法 |
CN106599925A (zh) * | 2016-12-19 | 2017-04-26 | 广东技术师范学院 | 一种基于深度学习的植物叶片识别系统与方法 |
CN106874929A (zh) * | 2016-12-28 | 2017-06-20 | 诸暨市奇剑智能科技有限公司 | 一种基于深度学习的珍珠分类方法 |
EP3223183A1 (en) * | 2016-03-25 | 2017-09-27 | Siemens Healthcare GmbH | Case-based reasoning in the cloud using deep learning |
-
2017
- 2017-12-06 CN CN201711272966.0A patent/CN108038499A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787519A (zh) * | 2016-03-21 | 2016-07-20 | 浙江大学 | 一种基于叶脉检测的树种分类方法 |
EP3223183A1 (en) * | 2016-03-25 | 2017-09-27 | Siemens Healthcare GmbH | Case-based reasoning in the cloud using deep learning |
CN106599925A (zh) * | 2016-12-19 | 2017-04-26 | 广东技术师范学院 | 一种基于深度学习的植物叶片识别系统与方法 |
CN106874929A (zh) * | 2016-12-28 | 2017-06-20 | 诸暨市奇剑智能科技有限公司 | 一种基于深度学习的珍珠分类方法 |
Non-Patent Citations (2)
Title |
---|
陈敏: "《认知计算导论》", 30 April 2017 * |
龚丁禧 等: "基于卷积神经网络的植物叶片分类", 《计算机与现代化》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508650A (zh) * | 2018-10-23 | 2019-03-22 | 浙江农林大学 | 一种基于迁移学习的树种识别方法 |
CN109446985A (zh) * | 2018-10-28 | 2019-03-08 | 贵州师范学院 | 基于矢量神经网络的多角度植物识别方法 |
CN109446985B (zh) * | 2018-10-28 | 2021-06-04 | 贵州师范学院 | 基于矢量神经网络的多角度植物识别方法 |
CN110348277A (zh) * | 2018-11-30 | 2019-10-18 | 浙江农林大学 | 一种基于自然背景下的树种图像识别方法 |
CN110214967A (zh) * | 2019-06-24 | 2019-09-10 | 中国计量大学 | 鸡枞根部切削设备 |
CN110263735A (zh) * | 2019-06-25 | 2019-09-20 | 北京林业大学 | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN108038499A (zh) | 一种基于深度学习的树种分类方法与系统 | |
Yang et al. | Development of image recognition software based on artificial intelligence algorithm for the efficient sorting of apple fruit | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN111695466B (zh) | 一种基于特征mixup的半监督极化SAR地物分类方法 | |
CN111179216B (zh) | 一种基于图像处理与卷积神经网络的作物病害识别方法 | |
CN111339935B (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN108416353A (zh) | 基于深度全卷积神经网络的大田稻穗快速分割方法 | |
CN113919443B (zh) | 一种基于图像分析烟叶成熟度状态概率计算方法 | |
CN108447048B (zh) | 基于关注层的卷积神经网络图像特征处理方法 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN112380917A (zh) | 一种用于农作物病虫害检测的无人机 | |
Granwehr et al. | Analysis on digital image processing for plant health monitoring | |
CN114596274A (zh) | 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法 | |
Liu et al. | Tomato detection based on convolutional neural network for robotic application | |
CN103617417A (zh) | 植物自动识别方法和系统 | |
CN110852398B (zh) | 一种基于卷积神经网络的棉蚜识别方法 | |
Musyoka | Automatic delineation of small holder agricultural field boundaries using fully convolutional networks | |
CN115424029A (zh) | 一种改进yolox网络结构的小目标检测方法 | |
CN115063700A (zh) | 一种基于小尺度松材线虫病树的检测方法 | |
CN114494828A (zh) | 葡萄病害识别方法、装置、电子设备及存储介质 | |
Pushpa et al. | Tomato leaf disease detection and classification using CNN | |
Girdher et al. | Detecting and Estimating Severity of Leaf Spot Disease in Golden Pothos using Hybrid Deep Learning Approach | |
CN110866540A (zh) | 一种田间幼苗期草类识别方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180515 |
|
RJ01 | Rejection of invention patent application after publication |