CN110059715A - 植物种类的识别方法及装置、存储介质、计算机设备 - Google Patents

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：对植物样本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；在第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本子图像；利用与多个预设位置对应的多个第二预设分辨率的植物样本子图像，分别建立与多个预设位置对应的训练样本集和测试样本集；分别利用与多个预设位置对应的训练样本集训练多个ResNet50卷积神经网络模型，直至每个训练好的与多个预设位置对应的模型识别对应的测试样本集的识别结果满足预设训练终止条件；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。

Description

植物种类的识别方法及装置、存储介质、计算机设备

技术领域

本申请涉及植物种类的识别技术领域，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。

在现有技术中，需要经验丰富的人仔细观察进行区分，从而保留苍术。但因为苍术是一种高需求量的药材，人工分类速度较慢并且对人员经验要求较高，经验不足的工作人员对苍术和白术的识别准确率很难保证，影响种植的苍术品质。

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准确率。

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：

对植物样本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；

在所述第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本子图像，其中，所述第二预设分辨率小于所述第一预设分辨率，所述多个预设位置各不相同，所述多个预设位置中的一个为所述第一预设分辨率的植物样本图像的中心位置处，其他预设位置对应的所述第二预设分辨率的植物样本子图像互不重叠且可组合成完整的所述第一预设分辨率的植物样本图像；

利用与所述多个预设位置对应的多个所述第二预设分辨率的植物样本子图像，分别建立与所述多个预设位置对应的所述训练样本集和所述测试样本集；

分别利用与所述多个预设位置对应的训练样本集训练多个ResNet50卷积神经网络模型，直至每个训练好的与所述多个预设位置对应的模型识别对应的所述测试样本集的识别结果满足预设训练终止条件；

接收待识别的植物图像，并利用训练好的所述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，其特征在于，包括：

样本分辨率处理模块，用于对植物样本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；

样本分块处理模块，用于在所述第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本子图像，其中，所述第二预设分辨率小于所述第一预设分辨率，所述多个预设位置各不相同，所述多个预设位置中的一个为所述第一预设分辨率的植物样本图像的中心位置处，其他预设位置对应的所述第二预设分辨率的植物样本子图像互不重叠且可组合成完整的所述第一预设分辨率的植物样本图像；

样本集建立模块，用于利用与所述多个预设位置对应的多个所述第二预设分辨率的植物样本子图像，分别建立与所述多个预设位置对应的所述训练样本集和所述测试样本集；

模型训练模块，用于分别利用与所述多个预设位置对应的训练样本集训练多个ResNet50卷积神经网络模型，直至每个训练好的与所述多个预设位置对应的模型识别对应的所述测试样本集的识别结果满足预设训练终止条件；

图像识别模块，用于接收待识别的植物图像，并利用训练好的所述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，通过对植物样本图像的分辨率进行处理，并按照预设位置对植物样本图像进行分块处理后，建立与每个预设位置对应的训练样本集以及测试样本集，从而利用与每个预设位置对应的训练样本集对相应的ResNet50模型进行训练，使得训练后的模型对相应位置的测试样本集的识别效果达到预设训练终止条件后，实现了通过训练后的模型对新的待识别的植物图像的分类。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，只需拍摄待识别植物的图像，即可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，并且采用ResNet50结构的深度卷积神经网络模型对于复杂图像的识别也具有较高的准确性。

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示出了本申请一个具体实施例提供的一种植物样本图像的分块示意图；

图4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5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，对植物样本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。

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。

在上述实施例中，植物样本图像可以包括苍术样本图像和白术样本图像，得到植物样本图像后，为了方便利用样本图像训练分类模型，提高训练效率，需要对样本图像的分辨率进行归一化，将样本图像的大小统一化，具体可以将全部的植物样本图像处理为第一预设分辨率的图像。

步骤102，在第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本子图像，其中，第二预设分辨率小于第一预设分辨率，多个预设位置各不相同，多个预设位置中的一个为第一预设分辨率的植物样本图像的中心位置处，其他预设位置对应的第二预设分辨率的植物样本子图像互不重叠且可组合成完整的第一预设分辨率的植物样本图像。

由于拍摄植物样本图像时，通常是将拍摄焦点对准植物的中心点处进行拍摄，因而拍摄得到的样本图像的不同位置对应的图像信息可能有较大差别，比如图像的底部可能包含较多植物的根部图像，图像的顶部可能包含较多植物的叶子图像，而植物的根部特征与植物的叶子特征的差别较大，因此为了得到更准确的分类结果，本实施例对植株的不同部位进行更具体的建模分析，将植物样本图像的分辨率处理为第一预设分辨率后，按照预设位置对图像进行分块处理，每一张植物样本图像按照多个预设位置进行分块处理后，一张完整的植物样本图像可以分成多个植物样本图像块，其中，每个预设位置对应一个图像块。并且为了保留完整的图像特征，分块处理后得到的图像块能够完整覆盖原有的第一预设分辨率的植物样本图像。

步骤103，利用与多个预设位置对应的多个第二预设分辨率的植物样本子图像，分别建立与多个预设位置对应的训练样本集和测试样本集。

对每张植物样本图像进行分块处理后，利用与每个预设位置对应的图像块建立与该预设位置对应的训练样本集以及测试样本集。例如，在样本图像中预设5个位置，分别标为位置1、位置2、位置3、位置4、位置5，将植物样本图像分块处理后分别得到5个位置对应的图像块，分别利用位置1、2、3、4、5对应的图像块建立位置1、2、3、4、5的训练样本集和位置1、2、3、4、5的测试样本集，一般来说训练样本集中的图像数量大于测试样本集的图像数量，本实施例中可以将训练样本集中的图像数量预设为2000张，测试样本集中的图像数量预设为300张，在本实施例中，训练样本集以及测试样本集都包含有对应预设位置的苍术样本图像块和白术样本图像块。

步骤104，分别利用与多个预设位置对应的训练样本集训练多个ResNet50卷积神经网络模型，直至每个训练好的与多个预设位置对应的模型识别对应的测试样本集的识别结果满足预设训练终止条件。

为了对每个特定的预设位置的图像进行准确识别，分别建立与每个预设位置对应的ResNet50卷积神经网络模型，并利用与每个预设位置对应的训练样本集训练对应预设位置的模型。例如，利用与位置1对应的训练样本集对位置1的模型进行训练。

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效果，如果经过一次训练后模型的分类效果没有达到预设训练终止条件，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，直至满足预设训练终止条件为止。

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，就可以利用训练好的模型对待识别的植物图像进行分类，具体可以按照预设位置获取待识别的植物图像的多个图像块后，通过相应的训练好的模型对待识别的植物图像对应的植物种类进行识别。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，通过对植物样本图像的分辨率进行处理，并按照预设位置对植物样本图像进行分块处理后，建立与每个预设位置对应的训练样本集以及测试样本集，从而利用与每个预设位置对应的训练样本集对相应的ResNet50模型进行训练，使得训练后的模型对相应位置的测试样本集的识别效果达到预设训练终止条件后，实现了通过训练后的模型对新的待识别的植物图像的分类。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，只需拍摄待识别植物的图像，即可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，若植物样本图像的分辨率大于第一预设分辨率，则对植物样本图像进行降采样处理，得到第一预设分辨率的植物样本图像。

本申请实施例采用的ResNet50卷积神经网络模型需要输入分辨率为720×540的图像进行训练，因此对于的预设分辨率为720×540，保证图像的清晰度，以便可以对植物样本图像进行进一步的处理，本申请实施例中，将第一预设分辨率设置为1440×1080。

若植物样本图像的分辨率大于第一预设分辨率，应对图像进行降采样处理使其下降到第一预设分辨率，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。

在本实施例中，具体地，ResNet50模型包括依次连接的50层卷积层和1层全连接层，其中，50层卷积层分为5个块，5个块分别表示为conv1，conv2_x，conv3_x，conv4_x，conv5_x，conv1包括一个卷积核为7×7的卷积层，conv2_x包括一个卷积核为3×3的卷积层和3个瓶颈构建块；conv3_x包括4个瓶颈构建块；conv4_x包括6个瓶颈构建块；conv5_x包括3个瓶颈构建块，每个瓶颈构建快包括3层卷积核为3×3的卷积层。

ResNet50是一种深度卷积神经网络结构，该网络结构采用残差连接的方式，增加网络结构的深度的同时提高了识别准确性。采用该网络结构可以实现对复杂图像的准确分类。具体包括50层卷积层和1层全连接层(或叫做上采样层)，具体地，conv1由一个单一的卷积核为7×7的全卷积层组成；conv2_x由一个3×3卷积核的卷积层和3个瓶颈构建块共计10层组成(每个瓶颈构建块分别包含一层卷积核为1×1、通道数为64的卷积层、一层卷积核为3×3、通道数为64的卷积层、以及一层卷积核为1×1、通道数为256的卷积层)；conv3_x由4个瓶颈构建块共计12层组成(每个瓶颈构建块分别包含一层卷积核为1×1、通道数为128的卷积层、一层卷积核为3×3、通道数为128的卷积层、以及一层卷积核为1×1、通道数为512的卷积层)；conv4_x由6个瓶颈构建块共计18层组成(每个瓶颈构建块分别包含一层卷积核为1×1、通道数为256的卷积层、一层卷积核为3×3、通道数为256的卷积层、以及一层卷积核为1×1、通道数为1024的卷积层)；conv5_x由3个瓶颈构建块共计9层组成(每个瓶颈构建块分别包含一层卷积核为1×1、通道数为512的卷积层、一层卷积核为3×3、通道数为512的卷积层、以及一层卷积核为1×1、通道数为2048的卷积层)；本申请实施例中最后经过一个2维的全连接层得到对于2种分类类别(苍术和白术)的预测结果。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，在此仅作为举例说明。

步骤202，若植物样本图像的分辨率小于第一预设分辨率，则对植物样本图像进行升采样处理，得到第一预设分辨率的植物样本图像。

如果植物样本图像的分辨率小于第一预设分辨率，也应将该图像的分辨率调整为第一预设分辨率大小，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第一预设分辨率。

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第一预设分辨率的图像作为样本图像。

步骤203，在第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本子图像，其中，第二预设分辨率小于第一预设分辨率，多个预设位置各不相同，多个预设位置中的一个为第一预设分辨率的植物样本图像的的中心位置处，其他的第二预设分辨率的植物样本子图像互不重叠。

本申请的实施例将植物样本图像进行分块处理，根据每张第一预设分辨率的植物样本图像得到与多个预设位置对应的多张分辨率为720×540的植物样本子图像，其中，多个预设位置包括植物样本图像的中心位置，中心位置对应的植物样本图像可以与其他位置对应的植物样本图像有重叠的部分，但是其他位置对应的植物样本图像互相不重叠而且其他位置对应的植物样本子图像应包括整个植物样本图像，以便根据分块后的植物样本图像建立训练样本集和测试样本集，以便将图像中的每个像素点都作为训练的样本，以免损失图像的特征信息，并且由于图像的中心位置处通常是区分植物种类的关键特征信息较为集中的部分，将中心位置处的图像单独提取出来从而进行训练，有助于提升模型的识别准确性。

例如，根据1440×1080分辨率的植物样本图像得到5个720×540分辨率的植物样本图像块。具体分块方式如图3所示，其中分块1的中心与1440×1080分辨率的植物样本图像的中心重合，分块2的左上角的像素点与1440×1080分辨率的植物样本图像的最上角的像素点重合，相似的得到分块3、4、5。

步骤204，按照RGB值归一化处理公式，将多个第二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，N为RGB通道的最大分量值，x和y分别为原有的和归一化处理后的第二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任一通道的分量值。

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分块后得到的植物样本图像进行RGB值归一化处理，使样本图像的每个像素点在R、G、B三通道上的分量值由原来的[0，255]变换到[-1，1]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。其中，N取255。

步骤205，利用RGB值归一化处理后的与多个预设位置对应的多个第二预设分辨率的植物样本子图像，分别建立与多个预设位置对应的训练样本集和测试样本集。

植物样本图像经过RGB值归一化处理处理后，根据与每个预设位置对应的720×540分辨率的植物样本图像建立相应的训练样本集以及测试样本集。在本申请的实施例中，分别建立5个与预设位置对应的训练样本集和5个对应的测试样本集，每个训练样本集中包括2000张不同样本的相同位置的图像，每个测试样本集中包括300张与训练样本集不同的样本的相同位置的图像。

步骤206，分别利用与多个预设位置对应的训练样本集，按照预设学习率训练对应的模型。

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的学习率利用位置1对应的训练样本集训练位置1对应的模型。其中，对于不同位置对应的模型可以设置不同的学习率也可以设置相同的学习率，在此不做限定。

步骤207，若训练后的模型识别对应的测试样本集的准确率小于预设准确率和/或召回率小于预设召回率，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对应的测试样本集的准确率大于或等于预设准确率且召回率大于或等于预设召回率为止。

按照预设学习率对模型进行训练后，利用训练好的模型对相应的测试样本集进行测试，如果模型的识别准确率和召回率分别大于或等于预设的准确率和召回率，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，而如果模型的识别准确率小于预设准确率以及召回率小于预设召回率中满足任何一个，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准确率和召回率直至分别达到对应的预设为止。

例如，假设预设学习率为0.01，预设准确率和召回率都为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准确率和/或召回率小于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准确率和召回率，如果仍然不满足预设条件，可以再次降低学习率继续学习。

另外，需要说明的是，与每个预设位置对应的模型可以采用相同的初始学习率，也可以分别设置不同的初始学习率，每个模型对应的预设准确率和召回率可以相同也可以不同，例如中心位置对应的准确率和召回率设置为95％，其他位置对应的准确率和召回率设置为90％。分别测试每个模型的分类准确率和召回率，直到训练后的每个模型的分类准确率和召回率都达到对应的预设为止。

步骤208，对接收到的待识别的植物图像进行分辨率预处理，以使待识别的植物图像的分辨率与第一预设分辨率一致；

步骤209，在处理后的待识别的植物图像的多个预设位置处分别获取对应的多个待识别的植物子图像，其中，多个待识别的植物图像中的任一个的分辨率与第二预设分辨率一致；

步骤210，按照RGB值归一化处理公式，分别对与多个预设位置对应的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值归一化处理后的与多个预设位置对应的待识别的植物子图像输入至对应的训练好的模型中，得到分别与多个预设位置对应的待识别的植物子图像的多个识别结果。

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，先将图像的分辨率处理为第一预设分辨率，然后按照多个预设位置对图像进行分块处理，得到与每个预设位置对应的待识别植物图像，再对每张待识别的植物图像的每个像素点的RGB值进行归一化处理，最后分别将每个预设位置对应的待识别图像输入至对应的模型中得到与每个预设位置对应的识别结果。

例如，将与5个预设位置的对应的待识别图像分别输入至对应的模型中，分别得到与5个预设位置对应的待识别图像的识别结果。

步骤212，按照与多个预设位置对应的预设权重，对多个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，其中，中心位置处的待识别的植物子图像对应的预设权重大于其他位置处的待识别的植物子图像对应的预设权重。

分别得到与每个预设位置对应的识别结果后，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，中心位置处可能包含的关键特征信息较多，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，5个预设位置中中心位置处对应的权重设为0.4，其余4个位置对应的权重分别设为0.15，假设中心位置处的识别结果为中心位置对应的图像为苍术的概率是80％，白术概率是10％，其余4个位置的识别结果为对应的图像为苍术的概率分别为40％、90％、80％、80％；为白术的概率分别为80％、20％、30％、20％。那么该待识别的植物图像为苍术的概率为80％*0.4+40％*0.15+90％*0.15+80％*0.15+80％*0.15＝75.5％，该图像为白术的概率为10％*0.4+80％*0.15+20％*0.15+30％*0.15+20％*0.15＝26.5％。那么可以根据苍术概率75.5％和白术概率26.5％确定待识别的植物图像的种类。

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60％，白术概率40％，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60％，白术概率40％，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分块处理得到与多个预设位置对应的多块植物样本图像，从而建立与不同的预设位置对应的训练样本集和测试样本集，进而分别利用与每个预设位置对应的训练样本集训练相应的分类模型，使每个分类模型对相应的训练样本集的识别准确率和召回率都满足对应的预设条件，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位置分块处理后，分别输入至对应的分类模型中，从而根据每个分类模型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，并且分别训练与不同预设位置对应的分类模型，综合多个分类模型的识别结果确定最终的待识别图像的分类结果，提高了识别的准确性和识别效率。

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4所示，该装置包括：样本分辨率处理模块41、样本分块处理模块42、样本集建立模块43、模型训练模块44、图像识别模块45。

样本分辨率处理模块41，用于对植物样本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；

样本分块处理模块42，用于在第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本子图像，其中，第二预设分辨率小于第一预设分辨率，多个预设位置各不相同，多个预设位置中的一个为第一预设分辨率的植物样本图像的中心位置处，其他预设位置对应的第二预设分辨率的植物样本子图像互不重叠且可组合成完整的第一预设分辨率的植物样本图像；

样本集建立模块43，用于利用与多个预设位置对应的多个第二预设分辨率的植物样本子图像，分别建立与多个预设位置对应的训练样本集和测试样本集；

模型训练模块44，用于分别利用与多个预设位置对应的训练样本集训练多个ResNet50卷积神经网络模型，直至每个训练好的与多个预设位置对应的模型识别对应的测试样本集的识别结果满足预设训练终止条件；

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5所示，样本分辨率处理模块41，具体包括：样本降采样单元411、样本升采样单元412。

样本降采样单元411，用于若植物样本图像的分辨率大于第一预设分辨率，则对植物样本图像进行降采样处理，得到第一预设分辨率的植物样本图像；

样本升采样单元412，用于若植物样本图像的分辨率小于第一预设分辨率，则对植物样本图像进行升采样处理，得到第一预设分辨率的植物样本图像。

在具体的应用场景中，如图5所示，该装置还包括：RGB值归一化单元46。

RGB值归一化单元46，用于在第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二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，将多个第二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，N为RGB通道的最大分量值，x和y分别为原有的和归一化处理后的第二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任一通道的分量值；

样本集建立单元43，具体用于利用RGB值归一化处理后的与多个预设位置对应的多个第二预设分辨率的植物样本子图像，分别建立与多个预设位置对应的训练样本集和测试样本集。

在具体的应用场景中，如图5所示，图像识别模块45，具体包括：图像分辨率处理单元451、图像分块单元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，用于对接收到的待识别的植物图像进行分辨率预处理，以使待识别的植物图像的分辨率与第一预设分辨率一致；

图像分块单元452，用于在处理后的待识别的植物图像的多个预设位置处分别获取对应的多个待识别的植物图像，其中，多个待识别的植物图像中的任一个的分辨率与第二预设分辨率一致；

图像RGB值归一化单元453，用于按照RGB值归一化处理公式，分别对与多个预设位置对应的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，用于分别将RGB值归一化处理后的与多个预设位置对应的待识别的植物子图像输入至对应的训练好的模型中，得到分别与多个预设位置对应的待识别的植物子图像的多个识别结果；

识别结果计算单元455，用于按照与多个预设位置对应的预设权重，对多个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，其中，中心位置处的待识别的植物子图像对应的预设权重大于其他位置处的待识别的植物子图像对应的预设权重。

在具体的应用场景中，如图5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，用于分别利用与多个预设位置对应的训练样本集，按照预设学习率训练对应的模型；

第二模型训练单元442，用于若训练后的模型识别对应的测试样本集的准确率小于预设准确率和/或召回率小于预设召回率，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对应的测试样本集的准确率大于或等于预设准确率且召回率大于或等于预设召回率为止。

在上述实施例中，具体地，模型的网络结构包括依次连接的50层卷积层和1层全连接层，其中，50层卷积层分为5个块，5个块分别表示为conv1，conv2_x，conv3_x，conv4_x，conv5_x，conv1包括一个卷积核为7×7的卷积层，conv2_x包括一个卷积核为3×3的卷积层和3个瓶颈构建块；conv3_x包括4个瓶颈构建块；conv4_x包括6个瓶颈构建块；conv5_x包括3个瓶颈构建块，每个瓶颈构建快包括3层卷积核为3×3的卷积层。

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4、图5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(RadioFrequency，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系统、网络通信模块。操作系统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通过对植物样本图像的分辨率进行处理，并按照预设位置对植物样本图像进行分块处理后，建立与每个预设位置对应的训练样本集以及测试样本集，从而利用与每个预设位置对应的训练样本集对相应的ResNet50模型进行训练，使得训练后的模型对相应位置的测试样本集的识别效果达到预设训练终止条件后，实现了通过训练后的模型对新的待识别的植物图像的分类。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，只需拍摄待识别植物的图像，即可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 (10)

1.一种植物种类的识别方法，其特征在于，包括：

对植物样本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；

在所述第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本子图像，其中，所述第二预设分辨率小于所述第一预设分辨率，所述多个预设位置各不相同，所述多个预设位置中的一个为所述第一预设分辨率的植物样本图像的中心位置处，其他预设位置对应的所述第二预设分辨率的植物样本子图像互不重叠且可组合成完整的所述第一预设分辨率的植物样本图像；

利用与所述多个预设位置对应的多个所述第二预设分辨率的植物样本子图像，分别建立与所述多个预设位置对应的所述训练样本集和所述测试样本集；

分别利用与所述多个预设位置对应的训练样本集训练多个ResNet50卷积神经网络模型，直至每个训练好的与所述多个预设位置对应的模型识别对应的所述测试样本集的识别结果满足预设训练终止条件；

接收待识别的植物图像，并利用训练好的所述模型对所述待识别的植物图像的种类进行识别。

2.根据权利要求1所述的方法，其特征在于，所述分别利用与所述多个预设位置对应的训练样本集训练多个ResNet50卷积神经网络模型，直至每个训练好的与所述多个预设位置对应的模型识别对应的所述测试样本集的识别结果满足预设训练终止条件，具体包括：

分别利用与所述多个预设位置对应的训练样本集，按照预设学习率训练对应的所述模型；

若训练后的所述模型识别对应的所述测试样本集的准确率小于所述预设准确率和/或召回率小于所述预设召回率，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对应的所述测试样本集的准确率大于或等于所述预设准确率且召回率大于或等于所述预设召回率为止。

3.根据权利要求1所述的方法，其特征在于，所述模型的网络结构包括依次连接的50层卷积层和1层全连接层，其中，50层卷积层分为5个块，5个块分别表示为conv1，conv2_x，conv3_x，conv4_x，conv5_x，conv1包括一个卷积核为7×7的卷积层，conv2_x包括一个卷积核为3×3的卷积层和3个瓶颈构建块；conv3_x包括4个瓶颈构建块；conv4_x包括6个瓶颈构建块；conv5_x包括3个瓶颈构建块，每个瓶颈构建快包括3层卷积核为3×3的卷积层。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述对植物样本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，具体包括：

若所述植物样本图像的分辨率大于所述第一预设分辨率，则对所述植物样本图像进行降采样处理，得到所述第一预设分辨率的植物样本图像；

若所述植物样本图像的分辨率小于所述第一预设分辨率，则对所述植物样本图像进行升采样处理，得到所述第一预设分辨率的植物样本图像。

5.根据权利要求4所述的方法，其特征在于，所述在所述第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本图像之后，所述方法还包括：

按照RGB值归一化处理公式，将多个所述第二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值归一化处理公式为：

其中，N为RGB通道的最大分量值，x和y分别为原有的和归一化处理后的所述第二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任一通道的分量值；

利用与所述多个预设位置对应的多个所述第二预设分辨率的植物样本子图像，分别建立与所述多个预设位置对应的所述训练样本集和所述测试样本集，具体包括：

利用RGB值归一化处理后的与所述多个预设位置对应的多个所述第二预设分辨率的植物样本图像，分别建立与所述多个预设位置对应的所述训练样本集和所述测试样本集。

6.根据权利要求5所述的方法，其特征在于，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：

对接收到的所述待识别的植物图像进行分辨率预处理，以使所述待识别的植物图像的分辨率与所述第一预设分辨率一致；

在处理后的所述待识别的植物图像的所述多个预设位置处分别获取对应的多个待识别的植物子图像，其中，所述多个待识别的植物子图像中的任一个的分辨率与所述第二预设分辨率一致；

按照所述RGB值归一化处理公式，分别对与所述多个预设位置对应的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；

分别将RGB值归一化处理后的与所述多个预设位置对应的待识别的植物子图像输入至对应的所述训练好的模型中，得到分别与所述多个预设位置对应的待识别的植物子图像的多个识别结果；

按照与所述多个预设位置对应的预设权重，对所述多个识别结果进行加权求和计算，得到所述待识别的图像的识别结果，其中，所述中心位置处的所述待识别的植物子图像对应的预设权重大于其他位置处的所述待识别的植物子图像对应的预设权重。

7.一种植物种类的识别装置，其特征在于，包括：

样本分辨率处理模块，用于对植物样本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；

样本分块处理模块，用于在所述第一预设分辨率的植物样本图像的多个预设位置处分别获取对应的多个第二预设分辨率的植物样本子图像，其中，所述第二预设分辨率小于所述第一预设分辨率，所述多个预设位置各不相同，所述多个预设位置中的一个为所述第一预设分辨率的植物样本图像的中心位置处，其他预设位置对应的所述第二预设分辨率的植物样本子图像互不重叠且可组合成完整的所述第一预设分辨率的植物样本图像；

样本集建立模块，用于利用与所述多个预设位置对应的多个所述第二预设分辨率的植物样本子图像，分别建立与所述多个预设位置对应的所述训练样本集和所述测试样本集；

模型训练模块，用于分别利用与所述多个预设位置对应的训练样本集训练多个ResNet50卷积神经网络模型，直至每个训练好的与所述多个预设位置对应的模型识别对应的所述测试样本集的识别结果满足预设训练终止条件；

图像识别模块，用于接收待识别的植物图像，并利用训练好的所述模型对所述待识别的植物图像的种类进行识别。

8.根据权利要求7所述的装置，其特征在于，所述模型训练模块具体包括：

第一模型训练单元，用于分别利用与所述多个预设位置对应的训练样本集，按照预设学习率训练对应的所述模型；

第二模型训练单元，用于若训练后的所述模型识别对应的所述测试样本集的准确率小于所述预设准确率和/或召回率小于所述预设召回率，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对应的所述测试样本集的准确率大于或等于所述预设准确率且召回率大于或等于所述预设召回率为止。

9.一种存储介质，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6中任一项所述的植物种类的识别方法。

10.一种计算机设备，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6中任一项所述的植物种类的识别方法。