CN108256568A - 一种植物种类识别方法以及装置 - Google Patents
一种植物种类识别方法以及装置 Download PDFInfo
- Publication number
- CN108256568A CN108256568A CN201810030151.XA CN201810030151A CN108256568A CN 108256568 A CN108256568 A CN 108256568A CN 201810030151 A CN201810030151 A CN 201810030151A CN 108256568 A CN108256568 A CN 108256568A
- Authority
- CN
- China
- Prior art keywords
- plant
- identified
- forecasting recognition
- picture
- floristics
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种植物种类识别方法以及装置,该方法通过获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;并基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;然后将所有的预测识别结果进行融合,得到所述待识别植物的种类。本方法根据叶、花和植株整体信息,融合利用整体和局部信息,对植物做精细的识别分析,从而得出准确的植物分类结果,可以让算法更具有鲁棒性,用户在使用该算法时,能够较以往更好地实现植物分类。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种植物种类识别方法以及装置。
背景技术
如何识别植物种类是广大生物工作者和一般民众的需求。对一株不认识的植物,从它的具体形态特征确定出该植物所属的纲、目、科、属、种以及植物的名称,这就是植物种类识别。
然而,传统的植物类别识别方法,得到的识别结果的稳定性以及可靠性都较低,远远不能满足广大生物工作者和一般民众的需求。
发明内容
有鉴于此,本发明实施例的目的在于提供一种植物种类识别方法以及装置,以缓解上述问题。
第一方面,本发明实施例提供了一种植物种类识别方法,所述方法包括:获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;将所有的预测识别结果进行融合,得到所述待识别植物的种类。
第二方面,本发明实施例提供了一种植物种类识别装置,所述装置包括:获取模块,获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;识别模块,用于基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;融合模块,用于将所有的预测识别结果进行融合,得到所述待识别植物的种类。
与现有技术相比,本发明各实施例提出的植物种类识别方法以及装置的有益效果是:该方法通过获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;并基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;然后将所有的预测识别结果进行融合,得到所述待识别植物的种类。本方法根据叶、花和植株整体信息,融合利用整体和局部信息,对植物做精细的识别分析,从而得出准确的植物分类结果,可以让算法更具有鲁棒性,用户在使用该算法时,能够较以往更好地实现植物分类。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的客户端的结构框图;
图2为本发明第一实施例提供的一种植物种类识别方法的流程图;
图3为本发明第一实施例提供的另一种植物种类识别方法的流程图;
图4为本发明第二实施例提供的一种植物种类识别装置的结构框图;
图5为本发明第二实施例提供的另一种植物种类识别装置的结构框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,是电子设备100的方框示意图,所述电子设备100可以是个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant,PDA)等。所述电子设备100包括:植物种类识别装置、存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160、显示单元170。
所述存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160以及显示单元170各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述植物种类识别装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中或固化在客户端设备的操作系统(operating system,OS)中的软件功能模块。所述处理器130用于执行存储器110中存储的可执行模块,例如所述植物种类识别装置包括的软件功能模块或计算机程序。
其中,存储器110可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器110用于存储程序,所述处理器130在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流程定义的电子设备100所执行的方法可以应用于处理器130中,或者由处理器130实现。
处理器130可能是一种集成电路芯片,具有信号的处理能力。上述的处理器130可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口140将各种输入/输出装置耦合至处理器130以及存储器110。在一些实施例中,外设接口140,处理器130以及存储控制器120可以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实现。
输入输出单元150用于提供给用户输入数据实现用户与电子设备100的交互。所述输入输出单元150可以是,但不限于,鼠标和键盘等。
音频单元160向用户提供音频接口,其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元170在电子设备100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中,所述显示单元170可以是液晶显示器或触控显示器。若为触控显示器,其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作,并将该感应到的触控操作交由处理器130进行计算和处理。
第一实施例
请参照图2,图2是本发明第一实施例提供的一种植物种类识别方法的流程图,所述方法应用于电子设备。下面将对图2所示的流程进行详细阐述,所述方法包括:
步骤S110:获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片。
当人们需要对不认识的植物进行识别,得到该植物的类别时,可以直接采用手机、相机等具有拍摄功能的设备采集待识别植物的特征照片。其中,可以有选择性地获取待识别植物的花、叶片或者整体植株的照片,并在获取的多种照片中,至少选择其中的两个部位的照片作为待识别图片。进一步的,可以选择花的照片以及叶的照片作为待识别图片,还可以选择花的照片以及整体植株的照片作为待识别图片,还可以选择叶的照片以及整体植株的照片作为待识别图片,还可以选择花、叶以及整体植株三个部位的照片作为待识别图片。
步骤S120:基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果。
值得一提的是,本步骤的准确率是整个算法正确率的基础,为了提高本方法的正确率,可以采用多个公开的数据增大样本数量。卷积神经网络的优点在于,无需人为设计提取特征方法,即可提取出植株特征用于种类识别。已有研究证明,利用卷积神经网络或者残差网络等深度网络方法,可以提取出叶片的高层特征信息,用于植物种类识别。
其中,所述预先保存的多个识别模型可以包括:叶特征植物种类识别模型、花特征植物种类识别模型和植株全局特征植物种类识别模型。
此外,作为一种实施方式,在步骤S110之前,所述方法还包括:
步骤S101:电子设备通过卷积神经网络或者残差网络对预先获取的数据样本进行训练,得到叶特征植物种类识别模型、花特征植物种类识别模型和植株全局特征植物种类识别模型。
其中,用于训练的数据样本可以是由电子设备预先保存的数据,也可以是直接从第三方样本数据获取。
步骤S130:将所有的预测识别结果进行融合,得到所述待识别植物的种类。
于本发明实施例中,采用的融合方法主要有三种,分别为基于决策层输出的融合方法或者基于排序层输出的融合方法或者基于度量层输出的融合方法,下面分别进行介绍:
1:决策层输出:
在本实施方式中,叶特征植物种类识别模型对待识别植物的叶的图片进行识别,可以得到叶的图片的预测识别结果,花特征植物种类识别模型对待识别植物的花的图片进行识别,可以得到花的图片的预测识别结果,植株全局特征植物种类识别模型对待识别植物的整体植株的图片进行识别,可以得到整体植株的图片的预测识别结果。
每个部位的预测识别结果为一个类别,进一步的,每个模型对于同一个类别会得出同一个类别候选标号。电子设备在不同的分类模型针对不同的部位得到类别候选标号后,按照每个分类模型的分类结果进行投票,得票最多的类别候选标号就是待识别植物的类别,即电子将所述预测识别结果中重合度最高的类别确定为所述待识别植物的种类。
进一步的,可以设每个分类模型给出一个预测识别结果,待识别植物类别i得票数为ni。若nj=max(n1,n2,…,nm),则最终得到待识别植物类别号为j。
例如:
对于该株植物,模型判断其类别为:第一类得到2票,第二类得到1票,因此,最终判断待识别植株最有可能为第一类。
2:排序层输出:
在本实施方式中,叶特征植物种类识别模型对待识别植物的叶的图片进行识别,可以得到叶的图片的预测识别结果,花特征植物种类识别模型对待识别植物的花的图片进行识别,可以得到花的图片的预测识别结果,植株全局特征植物种类识别模型对待识别植物的整体植株的图片进行识别,可以得到整体植株的图片的预测识别结果。
每个部位的预测识别结果为多个类别,并按照可能性进行排序,进一步的,每个模型对于同一个类别会得出同一个类别候选标号。电子设备在不同的分类模型针对不同的部位得到类别候选标号排序后,电子设备可以采用多数制、排序复选制、Borda计数等方法,将所有多个类别的排序中得分最高的类别确定为所述待识别植物的种类。
其中,多数制表示为:设每个分类模型给出排名前r的植物种类类别,待测植物类别i得第一的票数为ni1,得第二的票数为ni2,得第r的票数为nir,该待测植物得分按照多数制方法为ni=ni1+ni2+ni3+…+nir,若nj=max(n1,n2,…,nm),则最终待测植物类别号为j。
其中,排序复选制表示为:
设每个分类器给出排名前r的植物种类类别,
循环
统计待测植物类别i得第一的票数为ni,
若nk=min(n1,n2,…,nm),则淘汰第k类植物,即所有分类器中,排名在类别k之后的所有植物类别,排名前进一位;
若nj超过分类器数目的一半,或者仅剩这一种待测植物j,则跳出循环;
则最终待测植物类别号为j。
其中,Borda计数表示为:
设每个分类模型给出排名前r的植物种类类别,待测植物类别i得第一的票数为ni1,得第二的票数为ni2,得第r的票数为nir,该待测植物得分按照多数制方法为ni=ω1ni1+ω2ni2+ω3ni3+…+ωrnir,若nj=max(n1,n2,…,nm)则最终待测植物类别号为j。注:权重ω1ω2ωr分别表示得到的名次占的权重,比如说可以取r,r-1,1。
以Borda计数方法为例
植物种类识别模型 | 基于叶特征 | 基于花特征 | 基于植株全局特征 |
排第一的类别号 | 1 | 2 | 1 |
排第二的类别号 | 2 | 1 | 2 |
排第三的类别号 | 3 | 4 | 4 |
假设我们按照第一名得3分,第二名得2分,第三名得1分的规则进行计算:类别1共得到3+2+3=8分,类别2共得到2+3+2=7分,类别3共得到1分,类别4共得到1+1=2分。因此,最后判定植株最有可能是类别1。
3:度量层输出:
在本实施方式中,每个部位的预测识别结果包括所述叶特征植物种类识别模型、所述花特征植物种类识别模型和所述植株全局特征植物种类识别模型分别输出的多个类别排序以及相应的度量值。对于三个分类模型(叶、花、植株),模型分别给出对于待识别株植物的结果预测,每个模型对于一个未知植株有个类别候选标号以及对于每一个类别的一种相似性度量,度量值越大说明属于该类别的可能性越大。这时的融合方法可以采用算术平均数、加权平均数等对结果进行计算。
设每个分类器给出所有植物种类类别以及度量值,待测植物类别i经第一个分类器的度量值为di1,经第二个分类器的度量值为di2,得第K个分类器的度量值为diK,该待测植物得分按照算术平均数方法为ni=(di1+di2+di3+…+diK)/K,按照加权平均数的方法为ni=ω1di1+ω2di2+ω3di3+…+ωKdiK,若nj=max(n1,n2,…,nm),则最终待测植物类别号为j。注:权重ω1ω2ωK分别表示各个分类器占的权重。
以算术平均数为例,下面仅仅为示例,度量值不完全等价于概率值,和不一定为1。
植物种类识别模型 | 基于叶特征 | 基于花特征 | 基于植株全局特征 |
排第一的类别号 | 1,0.6 | 2,0.7 | 1,0.4 |
排第二的类别号 | 2,0.2 | 1,0.1 | 2,0.3 |
排第三的类别号 | 3,0.1 | 4,0.05 | 4,0.1 |
排第四的类别号 | 其余,0 | 其余,0 | 其余,0 |
对于该株植物,模型判断其类别和相似性度量为:
类别1的相似性度量是(0.6+0.1+0.4)/3=0.367
类别2的相似性度量是(0.2+0.7+0.3)/3=0.4
类别3的相似性度量是0.1/3=0.033
类别4的相似性度量是(0.05+0.1)/3=0.05
因此,最后判定植株最有可能是类别2。
本发明第一实施例提供的一种植物种类识别方法的有益效果是:该方法通过获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;并基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;然后将所有的预测识别结果进行融合,得到所述待识别植物的种类。本方法根据叶、花和植株整体信息,融合利用整体和局部信息,对植物做精细的识别分析,从而得出准确的植物分类结果,可以让算法更具有鲁棒性,用户在使用该算法时,能够较以往更好地实现植物分类。
第二实施例
请参照图4,图4是本发明第二实施例提供的一种植物种类识别装置400的结构框图。下面将对图4所示的结构框图进行阐述,所示装置包括:
获取模块410,获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;
识别模块420,用于基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;
融合模块430,用于将所有的预测识别结果进行融合,得到所述待识别植物的种类。融合模块430具体用于将所有的预测识别结果基于决策层输出或者基于排序层输出或者基于度量层输出进行融合。
作为一种实施方式,所述每个部位的预测识别结果为一个类别,所述融合模块430,用于获取所有待识别图片得到的预测识别结果;将所述预测识别结果中重合度最高的类别确定为所述待识别植物的种类。
作为一种实施方式,所述每个部位的预测识别结果为多个类别的排序,所述融合模块430,用于获取所有待识别图片得到的预测识别结果所包括的多个类别的排序;将所有多个类别的排序中概率最大的类别确定为所述待识别植物的种类。
作为一种实施方式,所述每个部位的预测识别结果包括所述叶特征植物种类识别模型、所述花特征植物种类识别模型和所述植株全局特征植物种类识别模型分别输出的多个类别排序以及相应的度量值,所述融合模块430,用于获取所有待识别图片得到的预测识别结果所包括的多个类别的排序以及相应的度量值;基于加权平均数以及算数平均数对所述预测识别结果进行计算,将得到的结果中绝对值最大时所对应的种类确定为所述待识别植物的种类。
其中,所述预先保存的多个识别模型包括:叶特征植物种类识别模型、花特征植物种类识别模型和植株全局特征植物种类识别模型,请参看图5,作为一种实施方式,所述装置还包括:
训练模块440,用于通过卷积神经网络或者残差网络对预先获取的数据样本进行训练,得到叶特征植物种类识别模型、花特征植物种类识别模型和植株全局特征植物种类识别模型。
本实施例对植物种类识别装置400的各功能模块实现各自功能的过程,请参见上述图1至图3所示实施例中描述的内容,此处不再赘述。
综上所述,本发明实施例提出的一种植物种类识别方法以及装置,通过获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;并基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;然后将所有的预测识别结果进行融合,得到所述待识别植物的种类。本方法根据叶、花和植株整体信息,融合利用整体和局部信息,对植物做精细的识别分析,从而得出准确的植物分类结果,可以让算法更具有鲁棒性,用户在使用该算法时,能够较以往更好地实现植物分类。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种植物种类识别方法,其特征在于,所述方法包括:
获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;
基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;
将所有的预测识别结果进行融合,得到所述待识别植物的种类。
2.根据权利要求1所述的方法,其特征在于,所述预先保存的多个识别模型包括:叶特征植物种类识别模型、花特征植物种类识别模型和植株全局特征植物种类识别模型,所述获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片之前,所示方法还包括:
通过卷积神经网络或者残差网络对预先获取的数据样本进行训练,得到叶特征植物种类识别模型、花特征植物种类识别模型和植株全局特征植物种类识别模型。
3.根据权利要求1或2所述的方法,其特征在于,所述将所有的预测识别结果进行融合,包括:将所有的预测识别结果基于决策层输出或者基于排序层输出或者基于度量层输出进行融合。
4.根据权利要求3所述的方法,其特征在于,所述每个部位的预测识别结果为一个类别,所述将所有的预测识别结果进行融合,得到所述待识别植物的种类,包括:
获取所有待识别图片得到的预测识别结果;
将所述预测识别结果中重合度最高的类别确定为所述待识别植物的种类。
5.根据权利要求3所述的方法,其特征在于,所述每个部位的预测识别结果为多个类别的排序,所述将所有的预测识别结果进行融合,得到所述待识别植物的种类,包括:
获取所有待识别图片得到的预测识别结果所包括的多个类别的排序;
将所有多个类别的排序中得分最高的类别确定为所述待识别植物的种类。
6.根据权利要求3所述的方法,其特征在于,所述每个部位的预测识别结果包括所述叶特征植物种类识别模型、所述花特征植物种类识别模型和所述植株全局特征植物种类识别模型分别输出的多个类别排序以及相应的度量值,所述将所有的预测识别结果进行融合,得到所述待识别植物的种类,包括:
获取所有待识别图片得到的预测识别结果所包括的多个类别的排序以及相应的度量值;
基于加权平均数以及算数平均数对所述预测识别结果进行计算,将得到的结果中绝对值最大时所对应的种类确定为所述待识别植物的种类。
7.一种植物种类识别装置,其特征在于,所述装置包括:
获取模块,获取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片;
识别模块,用于基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片,得到每个部位的预测识别结果;
融合模块,用于将所有的预测识别结果进行融合,得到所述待识别植物的种类。
8.根据权利要求7所述的装置,其特征在于,所述预先保存的多个识别模型包括:叶特征植物种类识别模型、花特征植物种类识别模型和植株全局特征植物种类识别模型,所述装置还包括:
训练模块,用于通过卷积神经网络或者残差网络对预先获取的数据样本进行训练,得到叶特征植物种类识别模型、花特征植物种类识别模型和植株全局特征植物种类识别模型。
9.根据权利要求7或8所述的装置,其特征在于,所述融合模块,用于将所有的预测识别结果基于决策层输出或者基于排序层输出或者基于度量层输出进行融合。
10.根据权利要求9所述的装置,其特征在于,所述每个部位的预测识别结果为一个类别,所述融合模块,用于获取所有待识别图片得到的预测识别结果;将所述预测识别结果中重合度最高的类别确定为所述待识别植物的种类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030151.XA CN108256568B (zh) | 2018-01-12 | 2018-01-12 | 一种植物种类识别方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030151.XA CN108256568B (zh) | 2018-01-12 | 2018-01-12 | 一种植物种类识别方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256568A true CN108256568A (zh) | 2018-07-06 |
CN108256568B CN108256568B (zh) | 2021-10-01 |
Family
ID=62726353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810030151.XA Active CN108256568B (zh) | 2018-01-12 | 2018-01-12 | 一种植物种类识别方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256568B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002853A (zh) * | 2018-07-18 | 2018-12-14 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
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 |
CN109583318A (zh) * | 2018-11-06 | 2019-04-05 | 平安科技(深圳)有限公司 | 药用植物识别方法、装置和计算机设备 |
CN109615010A (zh) * | 2018-12-13 | 2019-04-12 | 济南大学 | 基于双尺度卷积神经网络的中药材识别方法及系统 |
CN110008925A (zh) * | 2019-04-15 | 2019-07-12 | 中国医学科学院皮肤病医院 | 一种基于集成学习的皮肤自动检测方法 |
CN110070101A (zh) * | 2019-03-12 | 2019-07-30 | 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 |
CN110569765A (zh) * | 2019-08-02 | 2019-12-13 | 北京旷视科技有限公司 | 图片识别方法、图片比对方法及装置 |
CN110851638A (zh) * | 2019-11-06 | 2020-02-28 | 杭州睿琪软件有限公司 | 获取物种识别名称的方法及装置 |
CN110889420A (zh) * | 2018-09-07 | 2020-03-17 | 华南农业大学 | 植物类别识别方法及系统 |
WO2020056148A1 (en) * | 2018-09-12 | 2020-03-19 | PlantSnap, Inc. | Systems and methods for electronically identifying plant species |
CN110956190A (zh) * | 2018-09-27 | 2020-04-03 | 深圳云天励飞技术有限公司 | 图像识别方法及装置、计算机装置和计算机可读存储介质 |
CN111783667A (zh) * | 2020-07-02 | 2020-10-16 | 南阳理工学院 | 一种中医药识别系统及其使用方法 |
CN112149682A (zh) * | 2020-09-29 | 2020-12-29 | 青海大学 | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 |
JP2021022159A (ja) * | 2019-07-26 | 2021-02-18 | 株式会社 日立産業制御ソリューションズ | 説明支援装置、および、説明支援方法 |
CN112686159A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 过敏植物分布统计方法以及装置 |
CN112906698A (zh) * | 2019-12-04 | 2021-06-04 | 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 |
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 |
CN116090603A (zh) * | 2022-12-02 | 2023-05-09 | 浙江天演维真网络科技股份有限公司 | 一种多时期农作物种植预测方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150027044A1 (en) * | 2013-03-07 | 2015-01-29 | Blue River Technology, Inc. | System and method for plant treatment |
CN106503741A (zh) * | 2016-10-31 | 2017-03-15 | 深圳前海弘稼科技有限公司 | 植物种类的识别方法、识别装置和服务器 |
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系统 |
WO2018015030A1 (de) * | 2016-07-20 | 2018-01-25 | M-Farms Gmbh | System zur automatischen erkennung von pflanzen |
-
2018
- 2018-01-12 CN CN201810030151.XA patent/CN108256568B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150027044A1 (en) * | 2013-03-07 | 2015-01-29 | Blue River Technology, Inc. | System and method for plant treatment |
WO2018015030A1 (de) * | 2016-07-20 | 2018-01-25 | M-Farms Gmbh | System zur automatischen erkennung von pflanzen |
CN106503741A (zh) * | 2016-10-31 | 2017-03-15 | 深圳前海弘稼科技有限公司 | 植物种类的识别方法、识别装置和服务器 |
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系统 |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002853A (zh) * | 2018-07-18 | 2018-12-14 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
CN109002853B (zh) * | 2018-07-18 | 2021-10-01 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
CN110889420A (zh) * | 2018-09-07 | 2020-03-17 | 华南农业大学 | 植物类别识别方法及系统 |
WO2020056148A1 (en) * | 2018-09-12 | 2020-03-19 | PlantSnap, Inc. | Systems and methods for electronically identifying plant species |
CN110956190A (zh) * | 2018-09-27 | 2020-04-03 | 深圳云天励飞技术有限公司 | 图像识别方法及装置、计算机装置和计算机可读存储介质 |
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 |
CN109583318A (zh) * | 2018-11-06 | 2019-04-05 | 平安科技(深圳)有限公司 | 药用植物识别方法、装置和计算机设备 |
CN109615010A (zh) * | 2018-12-13 | 2019-04-12 | 济南大学 | 基于双尺度卷积神经网络的中药材识别方法及系统 |
CN109615010B (zh) * | 2018-12-13 | 2020-11-10 | 济南大学 | 基于双尺度卷积神经网络的中药材识别方法及系统 |
CN110070101A (zh) * | 2019-03-12 | 2019-07-30 | 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 |
CN110008925A (zh) * | 2019-04-15 | 2019-07-12 | 中国医学科学院皮肤病医院 | 一种基于集成学习的皮肤自动检测方法 |
JP7161979B2 (ja) | 2019-07-26 | 2022-10-27 | 株式会社 日立産業制御ソリューションズ | 説明支援装置、および、説明支援方法 |
JP2021022159A (ja) * | 2019-07-26 | 2021-02-18 | 株式会社 日立産業制御ソリューションズ | 説明支援装置、および、説明支援方法 |
CN110569765A (zh) * | 2019-08-02 | 2019-12-13 | 北京旷视科技有限公司 | 图片识别方法、图片比对方法及装置 |
CN110569765B (zh) * | 2019-08-02 | 2022-04-22 | 北京旷视科技有限公司 | 图片识别方法、图片比对方法及装置 |
CN110851638A (zh) * | 2019-11-06 | 2020-02-28 | 杭州睿琪软件有限公司 | 获取物种识别名称的方法及装置 |
CN110851638B (zh) * | 2019-11-06 | 2023-06-02 | 杭州睿琪软件有限公司 | 获取物种识别名称的方法及装置 |
CN112906698A (zh) * | 2019-12-04 | 2021-06-04 | 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 |
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 |
CN111783667A (zh) * | 2020-07-02 | 2020-10-16 | 南阳理工学院 | 一种中医药识别系统及其使用方法 |
CN112149682A (zh) * | 2020-09-29 | 2020-12-29 | 青海大学 | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 |
CN112149682B (zh) * | 2020-09-29 | 2023-08-15 | 青海大学 | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 |
CN112686159A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 过敏植物分布统计方法以及装置 |
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 |
WO2022262585A1 (zh) * | 2021-06-15 | 2022-12-22 | 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 |
CN116090603A (zh) * | 2022-12-02 | 2023-05-09 | 浙江天演维真网络科技股份有限公司 | 一种多时期农作物种植预测方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108256568B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256568A (zh) | 一种植物种类识别方法以及装置 | |
CN108960782A (zh) | 内容审核方法以及装置 | |
CN107563429A (zh) | 一种网络用户群体的分类方法及装置 | |
CN109409677A (zh) | 企业信用风险评估方法、装置、设备及存储介质 | |
CN110428298A (zh) | 一种店铺推荐方法、装置及设备 | |
CN106056407A (zh) | 基于用户行为分析的网银用户画像方法及设备 | |
CN111028016A (zh) | 销量数据预测方法、装置以及相关设备 | |
US20200294067A1 (en) | Time series clustering analysis for forecasting demand | |
CN106228554B (zh) | 基于多属性约简的模糊粗糙集煤粉尘图像分割方法 | |
CN107578270A (zh) | 一种金融标签的构建方法、装置及计算设备 | |
CN105225135B (zh) | 潜力客户识别方法以及装置 | |
CN110489449A (zh) | 一种图表推荐方法、装置和电子设备 | |
CN107516246A (zh) | 用户类型的确定方法、确定装置、介质及电子设备 | |
WO2020150611A1 (en) | Systems and methods for entity performance and risk scoring | |
CN109272009A (zh) | 一种基于大数据分析的人群画像提取方法及装置 | |
CN106997350A (zh) | 一种数据处理的方法及装置 | |
CN111552865A (zh) | 用户兴趣画像方法及相关设备 | |
CN107944026A (zh) | 一种图集个性化推荐的方法、装置、服务器和存储介质 | |
CN110516713A (zh) | 一种目标群体识别方法、装置及设备 | |
CN110288468A (zh) | 数据特征挖掘方法、装置、电子设备及存储介质 | |
CN110197375A (zh) | 一种相似用户识别方法、装置、相似用户识别设备和介质 | |
CN116596576B (zh) | 目标推荐方法及装置 | |
CN114691932A (zh) | 用于生成合成数据的系统、方法和计算机程序产品 | |
CN107025494A (zh) | 数据预测方法、理财推荐方法、装置以及终端设备 | |
CN108647714A (zh) | 负面标签权重的获取方法、终端设备及介质 |
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 |