CN110619349A - 植物图像分类方法及装置 - Google Patents
植物图像分类方法及装置 Download PDFInfo
- Publication number
- CN110619349A CN110619349A CN201910740062.9A CN201910740062A CN110619349A CN 110619349 A CN110619349 A CN 110619349A CN 201910740062 A CN201910740062 A CN 201910740062A CN 110619349 A CN110619349 A CN 110619349A
- Authority
- CN
- China
- Prior art keywords
- plant
- classifier
- image
- determining
- plant image
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于图像分类技术领域，提供了植物图像分类方法，包括：获取待分类的植物图像；将所述植物图像输入N级级联分类器，所述N为大于或者等于二的正整数，所述级联分类器包括多个基分类器，单个基分类器用于确定所述植物图像中的植物对应的一层植物等级归属信息；获取所述级联分类器所输出的分类结果，所述分类结果为所述植物图像中的植物对应的N层植物等级归属信息。通过上述方法，能够大大降低了植物图像的分类难度，且能使得植物图像的分类结果更加准确，即能对植物图像的分类效果产生正面的影响。
Description
技术领域
本申请属于图像分类技术领域，尤其涉及植物图像分类方法及装置。
背景技术
生存在地球上的植物大约有50万种以上，要对数目众多且各不相同的植物进行研究，第一步必须先对其分类。
目前，对植物图像中的植物进行分类的主要过程是：将待分类的植物图像输入神经网络，经过神经网络的多个卷积、池化以及全连接层处理之后，再通过一个softmax函数即可获得该植物图像中的植物对应的多层植物等级归属信息，相当于只将待分类的植物图像输入一个分类器，即可获得该植物图像中的植物对应的多层植物等级归属信息。例如，假设该植物图像中的植物为狗尾巴草，则通过一个softmax函数即可得知该植物对应的两层植物等级归属信息，分别为该植物对应的科为禾本科、其对应的属为狗尾草属。然而，随着所需获取的植物等级归属信息的层次数量越来越多，植物图像的分类难度会越来越大，且植物图像的分类效果会越来越差。
发明内容
本申请实施例提供了植物图像分类方法及装置，可以解决目前仅通过一个分类器获取植物图像中的植物对应的多层植物等级归属信息时，所需获取的植物等级归属信息的层次数量的增大，会增大植物图像的分类难度，且对植物图像的分类效果造成负面影响的问题。
第一方面，本申请实施例提供了一种植物图像分类方法，包括：
获取待分类的植物图像；
将所述植物图像输入N级级联分类器，所述N为大于或者等于二的正整数，所述级联分类器包括多个基分类器，单个基分类器用于确定所述植物图像中的植物对应的一层植物等级归属信息；
获取所述级联分类器所输出的分类结果，所述分类结果为所述植物图像中的植物对应的N层植物等级归属信息。
在第一方面的第一种可能的实现方式中，在所述将所述植物图像输入N级级联分类器之前，包括：
对N级级联分类器进行训练。
基于本申请第一方面的第一种可能的实现方式，在第二种可能的实现方式中，在所述对N级级联分类器进行训练之前，包括：
获取分类器训练数据，所述分类器训练数据包括至少两个分类器训练子数据；
对应地，所述对N级级联分类器进行训练包括：
从所述分类器训练数据中确定N级级联分类器中的基分类器对应的分类器训练子数据；
根据所述分类器训练子数据训练所述分类器训练子数据对应的基分类器。基于本申请第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述获取分类器训练数据，包括：
获取图片爬虫关键字；
根据所述图片爬虫关键字获取植物素材图片集；
从所述植物素材图片集中确定分类器训练数据。
基于本申请第一方面的第三种可能的实现方式，在第四种可能的实现方式中，在所述根据所述图片爬虫关键字获取植物素材图片集之后，包括：
确定出所述植物素材图片集中重复的图片；
从所述重复的图片中剔除指定图片；
对应地，所述从所述植物素材图片集中确定分类器训练数据具体为：
从剔除指定图片后的植物素材图片集中确定分类器训练数据。
基于本申请第一方面的第四种可能的实现方式，在第五种可能的实现方式中，所述确定出所述植物素材图片集中重复的图片，包括：
提取所述植物素材图片集中的每张图片的指定特征；
根据所述指定特征确定出所述植物素材图片集中重复的图片。
在第一方面的第六种可能的实现方式中，还包括：
根据结构调整指令调整所述级联分类器的结构。
第二方面，本申请实施例提供了一种植物图像分类装置，包括：
图像获取单元，用于获取待分类的植物图像；
图像输入单元，用于将所述植物图像输入N级级联分类器，所述N为大于或者等于二的正整数，所述级联分类器包括多个基分类器，单个基分类器用于确定所述植物图像中的植物对应的一层植物等级归属信息；
结果获取单元，用于获取所述级联分类器所输出的分类结果，所述分类结果为所述植物图像中的植物对应的N层植物等级归属信息。
第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述植物图像分类方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述植物图像分类方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的植物图像分类方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：由于待分类的植物图像是通过N级级联分类器进行分类，从而通过N级级联分类器能获取N层植物等级归属信息，且由于所述级联分类器中的每个基分类器只需确定所述植物图像中的植物对应的一层植物等级归属信息，大大降低了植物图像的分类难度，且能使得植物图像的分类结果更加准确，即能对植物图像的分类效果产生正面的影响。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种植物图像分类方法的流程示意图；
图2是本申请实施例提供的一种3级级联分类器的示意图；
图3是本申请实施例提供的一种科-种2级级联分类器的示意图；
图4是本申请实施例提供的一种3级-2级混合级联分类器的示意图；
图5是本申请另一实施例提供的一种植物图像分类方法的流程示意图；
图6是本申请实施例提供的一种植物图像分类装置的结构示意图；
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的植物图像分类方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
实施例一：
图1示出了本申请实施例提供的第一种植物图像分类方法的流程示意图，详述如下：
步骤S101，获取待分类的植物图像。
具体地，获取待分类的植物图像的存储地址信息，根据所述植物图像的存储地址信息获取所述植物图像，所述植物图像对应的植物可为杂草。
步骤S102，将所述植物图像输入N级级联分类器，所述N为大于或者等于二的正整数，所述级联分类器包括多个基分类器，单个基分类器用于确定所述植物图像中的植物对应的一层植物等级归属信息。
具体地，判断所述植物图像的指定属性是否符合预设属性标准，若所述植物图像的指定属性符合预设属性标准，则将所述植物图像输入N级级联分类器。
作为示例而非限定，假设所述指定属性为图像长宽比，所述植物图像的图像长宽比为4：3，预设属性标准为预设图像标准长宽比，假设预设图像标准长宽比为4：3，判定所述植物图像的指定属性符合预设属性标准，则将所述植物图像输入N级级联分类器。
可选地，为了使用户能了解到植物图像分类过程中所出现的问题，因此，所述植物图像分类方法还包括：若所述植物图像的指定属性不符合预设属性标准，则生成所述指定属性对应的提示信息。
所述级联分类器遵循植物分类学信息，所述植物分类学信息包括：植物分类学中植物等级对应的信息，其具体含义可为所述级联分类器中基分类器的级别关系遵循植物分类学中植物等级关系。例如，如图2所示，假设所述N等于3，植物等级包括科、属以及种，则级联分类器中的科基分类器的级别为第一级，科基分类器的级别高于级别为第二级的属基分类器，属基分类器的级别高于级别为第三级的种基分类器，对应地，植物分类学中植物等级关系包括：科的级别高于属，属的级别高于种，由此，可体现出所述级联分类器中基分类器的级别关系遵循植物分类学中植物等级关系。
由于所述级联分类器中最后一级基分类器没有下一级基分类器，因此，除最后一级基分类器之外，所述级联分类器中的其他基分类器所确定出的植物等级归属信息能决定将所述植物图像输入下一级中哪个基分类器。
例如，如图2所示，假设所述N等于3，将所述植物图像输入3级级联分类器，每一级的分类器包括若干个基分类器，第一级的分类器包括1个科基分类器，第二级的分类器包括3个属基分类器，第三级的分类器包括7个种基分类器，假设科基分类器所确定出的所述植物图像中的植物对应的一层植物等级(种)归属信息为禾本科，而禾本科对应的属基分类器为第二属基分类器，将所述植物图像输入所述第二属基分类器，所述第二属基分类器所确定出的所述植物图像中的植物对应的一层植物等级(属)归属信息为狗尾草属，而狗尾草属对应的种基分类器为第四种基分类器，将所述植物图像输入第四种基分类器，第四种基分类器所确定出的所述植物图像中的植物对应的一层植物等级(种)归属信息为狗尾草种。
步骤S103，获取所述级联分类器所输出的分类结果，所述分类结果为所述植物图像中的植物对应的N层植物等级归属信息。
具体地，当检测到所述级联分类器输出分类结果时，获取所述分类结果。
举例说明所述N层植物等级归属信息，假设N为二，对应地，所述N层植物等级归属信息可为：所述植物图像中的植物对应的科为禾本科、对应的属为狗尾草属以及对应的种为狗尾草种。
可选地，为了能满足用户的分类需求，因此，所述植物图像分类方法还包括：根据结构调整指令调整所述级联分类器的结构。
例如，假设所述结构调整指令具体为：将如图2所示的3级级联分类器调整为科-种2级级联分类器，则根据结构调整指令调整该3级级联分类器，调整后的级联分类器的结构可如图3所示；或者，假设所述结构调整指令具体为：将如图2所示的3级级联分类器调整为3级-2级混合级联分类器，则根据结构调整指令调整该3级级联分类器，调整后的级联分类器的结构可如图4所示。
本申请实施例中，由于待分类的植物图像是通过N级级联分类器进行分类，从而通过N级级联分类器能获取N层植物等级归属信息，且由于所述级联分类器中的每个基分类器只需确定所述植物图像中的植物对应的一层植物等级归属信息，大大降低了植物图像的分类难度，且能使得植物图像的分类结果更加准确，即能对植物图像的分类效果产生正面的影响。
实施例二：
图5示出了本申请实施例提供的第二种植物图像分类方法的流程示意图，本实施例的步骤S502、步骤S503、步骤S504分别与实施例一的步骤S101、S102、S103相同，此处不再赘述：
步骤S501，对N级级联分类器进行训练。
具体地，确定N级级联分类器对应的神经网络模型，所述神经网络模型包括但不限于：残差网络(Residual Network,ResNet)152模型或/和ResNet101模型或/和ResNet50模型，根据所述神经网络模型对所述级联分类器进行训练。
例如，如图2所示，假设确定出的N级级联分类器对应的神经网络模型为：ResNet152、ResNet101模型以及ResNet50模型，则可采用不同的神经网络模型训练不同的基分类器，例如，假设根据所述ResNet152模型对第一级的科基分类器进行训练、根据所述ResNet101模型对第二级的属基分类器进行训练以及根据所述ResNet101模型对第三级的种基分类器进行训练。
可选地，为了提高级联分类器的训练效率，因此，在所述步骤S501之前，包括：获取分类器训练数据，所述分类器训练数据包括至少两个分类器训练子数据；对应地，所述对N级级联分类器进行训练包括：从所述分类器训练数据中确定N级级联分类器中的基分类器对应的分类器训练子数据；根据所述分类器训练子数据训练所述分类器训练子数据对应的基分类器。
具体地，所述从所述分类器训练数据中确定N级级联分类器中的基分类器对应的分类器训练子数据包括：确定N级级联分类器中的基分类器对应的植物等级，确定所述植物等级对应的植物等级标签，根据所述植物等级标签确定所述级联分类器中的基分类器对应的分类器训练子数据，不同的植物等级标签对应不同的分类器训练子数据。
例如，如图2所示，以科基分类器为例说明，确定科基分类器对应的植物等级为科，确定科对应的植物等级标签为科标签，将科标签对应的分类器训练子数据确定为科基分类器对应的分类器训练子数据。
可选地，为了能够更快地确定出分类器训练数据，因此，所述获取分类器训练数据，包括：
步骤A1、获取图片爬虫关键字。
步骤A2、根据所述图片爬虫关键字获取植物素材图片集。
步骤A3、从所述植物素材图片集中确定分类器训练数据。
具体地，所述步骤A2包括：根据所述图片爬虫关键字获取植物素材图片的存储地址信息，根据所述植物素材图片的存储地址信息获取植物素材图片，将获取到的所有植物素材图片确定为植物素材图片集。
可选地，由于植物素材图片集中难免出现重复的图片，为了提高分类器的训练效率，因此，在所述步骤A2之后，包括：确定出所述植物素材图片集中重复的图片；从所述重复的图片中剔除指定图片；对应地，所述步骤A3具体为：从剔除指定图片后的植物素材图片集中确定分类器训练数据。
具体地，所述确定出所述植物素材图片集中重复的图片包括：根据所述植物素材图片集中的图片的图片属性，确定出所述植物素材图片集中重复的图片。
可选地，为了能够准确地确定出植物素材图片集中重复的图片，因此，所述确定出所述植物素材图片集中重复的图片，包括：提取所述植物素材图片集中的每张图片的指定特征；根据所述指定特征确定出所述植物素材图片集中重复的图片。
具体地，所述根据所述指定特征确定出所述植物素材图片集中重复的图片包括：根据所述指定特征计算指定特征相似度，若所述指定特征相似度大于或者等于预设相似度阈值，则将所述指定特征相似度对应的图片确定为所述植物素材图片集中重复的图片。
可选地，为了能够更进一步地提高分类器的训练效率，因此，在所述重复的图片中剔除指定图片之后，根据植物分类学信息获取植物模板图片，将所述植物模板图片和剔除指定图片后的植物素材图片集中的图片进行比对，根据比对结果处理所述剔除指定图片后的植物素材图片集。
其中，所述将所述植物模板图片和剔除指定图片后的植物素材图片集中的图片进行比对包括：将所述植物模板图片的图片主体清晰度和剔除指定图片后的植物素材图片集中的图片的图片主体清晰度进行比对，为了方便描述，将所述植物模板图片的图片主体清晰度命名为第一清晰度，将剔除指定图片后的植物素材图片集中的图片的图片主体清晰度命名为第二清晰度，对应地，所述根据比对结果处理所述剔除指定图片后的植物素材图片集包括：若比对结果为所述第一清晰度与所述第二清晰度的差值不在预设差值范围内，则剔除所述第二清晰度对应的图片；若比对结果为所述第一清晰度与所述第二清晰度的差值在预设差值范围内，则保留所述第二清晰度对应的图片。
步骤S502，获取待分类的植物图像。
步骤S503，将所述植物图像输入N级级联分类器，所述N为大于或者等于二的正整数，所述级联分类器包括多个基分类器，单个基分类器用于确定所述植物图像中的植物对应的一层植物等级归属信息。
步骤S504，获取所述级联分类器所输出的分类结果，所述分类结果为所述植物图像中的植物对应的N层植物等级归属信息。
本申请实施例中，由于能够在将植物图像输入N级级联分类器之前，对N级级联分类器进行训练，因此，大大提高了所述级联分类器所输出的分类结果的准确性。
实施例三：
与上述实施例二对应，图6示出了本申请实施例提供的一种植物图像分类装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
该植物图像分类装置包括：图像获取单元601、图像输入单元602以及结果获取单元603。
所述图像获取单元601，用于获取待分类的植物图像。
所述图像获取单元601，具体用于：获取待分类的植物图像的存储地址信息，根据所述植物图像的存储地址信息获取所述植物图像，所述植物图像对应的植物可为杂草。
可选地，该植物图像分类装置还包括：训练单元。
所述训练单元，用于对N级级联分类器进行训练。
所述训练单元，具体用于：确定N级级联分类器对应的神经网络模型，所述神经网络模型包括但不限于：残差网络(Residual Network,ResNet)152模型或/和ResNet101模型或/和ResNet50模型，根据所述神经网络模型对所述级联分类器进行训练。
可选地，为了提高级联分类器的训练效率，因此，该植物图像分类装置包括：数据获取单元。
所述数据获取单元，用于在所述训练单元执行所述对N级级联分类器进行训练之前，获取分类器训练数据，所述分类器训练数据包括至少两个分类器训练子数据；对应地，所述训练单元在执行对N级级联分类器进行训练时，具体用于：从所述分类器训练数据中确定N级级联分类器中的基分类器对应的分类器训练子数据；根据所述分类器训练子数据训练所述分类器训练子数据对应的基分类器。
可选地，为了能够更快地确定出分类器训练数据，因此，所述数据获取单元包括：关键字获取子单元、图片集获取子单元以及数据确定子单元。
所述关键字获取子单元，用于获取图片爬虫关键字。
所述图片集获取子单元，用于根据所述图片爬虫关键字获取植物素材图片集。
所述图片集获取子单元，具体用于：根据所述图片爬虫关键字获取植物素材图片的存储地址信息，根据所述植物素材图片的存储地址信息获取植物素材图片，将获取到的所有植物素材图片确定为植物素材图片集。
可选地，由于植物素材图片集中难免出现重复的图片，为了提高分类器的训练效率，因此，所述数据获取单元包括：剔除子单元。
所述剔除子单元用于：在所述图片集获取子单元执行所述根据所述图片爬虫关键字获取植物素材图片集之后，确定出所述植物素材图片集中重复的图片；从所述重复的图片中剔除指定图片；对应地，所述图片集获取子单元在执行所述从所述植物素材图片集中确定分类器训练数据时，具体用于：从剔除指定图片后的植物素材图片集中确定分类器训练数据。
可选地，为了能够准确地确定出植物素材图片集中重复的图片，因此，所述剔除子单元在执行所述确定出所述植物素材图片集中重复的图片时，具体用于：提取所述植物素材图片集中的每张图片的指定特征；根据所述指定特征确定出所述植物素材图片集中重复的图片。
可选地，为了能够更进一步地提高分类器的训练效率，因此，所述数据获取单元还包括：比对子单元。
所述比对子单元用于：在所述剔除子单元执行所述在所述重复的图片中剔除指定图片之后，根据植物分类学信息获取植物模板图片，将所述植物模板图片和剔除指定图片后的植物素材图片集中的图片进行比对，根据比对结果处理所述剔除指定图片后的植物素材图片集。
所述数据确定子单元，用于从所述植物素材图片集中确定分类器训练数据。
所述图像输入单元602，用于将所述植物图像输入N级级联分类器，所述N为大于或者等于二的正整数，所述级联分类器包括多个基分类器，单个基分类器用于确定所述植物图像中的植物对应的一层植物等级归属信息。
所述图像输入单元602，具体用于：判断所述植物图像的指定属性是否符合预设属性标准，若所述植物图像的指定属性符合预设属性标准，则将所述植物图像输入N级级联分类器。
可选地，为了使用户能了解到植物图像分类过程中所出现的问题，因此，所述图像输入单元602还用于：若所述植物图像的指定属性不符合预设属性标准，则生成所述指定属性对应的提示信息。
所述结果获取单元603，用于获取所述级联分类器所输出的分类结果，所述分类结果为所述植物图像中的植物对应的N层植物等级归属信息。
所述结果获取单元603，具体用于：当检测到所述级联分类器输出分类结果时，获取所述分类结果。
可选地，为了能满足用户的分类需求，因此，该植物图像分类装置还包括：结构调整单元。
所述结构调整单元用于：根据结构调整指令调整所述级联分类器的结构。
本申请实施例中，由于待分类的植物图像是通过N级级联分类器进行分类，从而通过N级级联分类器能获取N层植物等级归属信息，且由于所述级联分类器中的每个基分类器只需确定所述植物图像中的植物对应的一层植物等级归属信息，大大降低了植物图像的分类难度，且能使得植物图像的分类结果更加准确，即能对植物图像的分类效果产生正面的影响。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
实施例四：
图7为本申请一实施例提供的植物图像分类终端设备的结构示意图。如图7所示，该实施例的植物图像分类终端设备7包括：至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意各个植物图像分类方法实施例中的步骤。
所述植物图像分类终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该植物图像分类终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是植物图像分类终端设备7的举例，并不构成对植物图像分类终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，该处理器70还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器71在一些实施例中可以是所述植物图像分类终端设备7的内部存储单元，例如植物图像分类终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述植物图像分类终端设备7的外部存储设备，例如所述植物图像分类终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述植物图像分类终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的网络设备和方法，可以通过其它的方式实现。例如，以上所描述的网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种植物图像分类方法，其特征在于，包括：
获取待分类的植物图像；
将所述植物图像输入N级级联分类器，所述N为大于或者等于二的正整数，所述级联分类器包括多个基分类器，单个基分类器用于确定所述植物图像中的植物对应的一层植物等级归属信息；
获取所述级联分类器所输出的分类结果，所述分类结果为所述植物图像中的植物对应的N层植物等级归属信息。
2.如权利要求1所述的植物图像分类方法，其特征在于，在所述将所述植物图像输入N级级联分类器之前，包括：
对N级级联分类器进行训练。
3.如权利要求2所述的植物图像分类方法，其特征在于，在所述对N级级联分类器进行训练之前，包括：
获取分类器训练数据，所述分类器训练数据包括至少两个分类器训练子数据；
对应地，所述对N级级联分类器进行训练包括：
从所述分类器训练数据中确定N级级联分类器中的基分类器对应的分类器训练子数据；
根据所述分类器训练子数据训练所述分类器训练子数据对应的基分类器。
4.如权利要求3所述的植物图像分类方法，其特征在于，所述获取分类器训练数据，包括：
获取图片爬虫关键字；
根据所述图片爬虫关键字获取植物素材图片集；
从所述植物素材图片集中确定分类器训练数据。
5.如权利要求4所述的植物图像分类方法，其特征在于，在所述根据所述图片爬虫关键字获取植物素材图片集之后，包括：
确定出所述植物素材图片集中重复的图片；
从所述重复的图片中剔除指定图片；
对应地，所述从所述植物素材图片集中确定分类器训练数据具体为：
从剔除指定图片后的植物素材图片集中确定分类器训练数据。
6.如权利要求5所述的植物图像分类方法，其特征在于，所述确定出所述植物素材图片集中重复的图片，包括：
提取所述植物素材图片集中的每张图片的指定特征；
根据所述指定特征确定出所述植物素材图片集中重复的图片。
7.如权利要求1所述的植物图像分类方法，其特征在于，还包括：
根据结构调整指令调整所述级联分类器的结构。
8.一种植物图像分类装置，其特征在于，包括：
图像获取单元，用于获取待分类的植物图像；
图像输入单元，用于将所述植物图像输入N级级联分类器，所述N为大于或者等于二的正整数，所述级联分类器包括多个基分类器，单个基分类器用于确定所述植物图像中的植物对应的一层植物等级归属信息；
结果获取单元，用于获取所述级联分类器所输出的分类结果，所述分类结果为所述植物图像中的植物对应的N层植物等级归属信息。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910740062.9A CN110619349A (zh) | 2019-08-12 | 2019-08-12 | 植物图像分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910740062.9A CN110619349A (zh) | 2019-08-12 | 2019-08-12 | 植物图像分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110619349A true CN110619349A (zh) | 2019-12-27 |
Family
ID=68921743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910740062.9A Pending CN110619349A (zh) | 2019-08-12 | 2019-08-12 | 植物图像分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110619349A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487295A (zh) * | 2020-12-04 | 2021-03-12 | 中国移动通信集团江苏有限公司 | 5g套餐推送方法、装置、电子设备及计算机存储介质 |
| CN113298180A (zh) * | 2021-06-15 | 2021-08-24 | 杭州睿胜软件有限公司 | 用于植物识别的方法和计算机系统 |
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426007A (zh) * | 2013-08-29 | 2013-12-04 | 人民搜索网络股份公司 | 一种机器学习分类方法及装置 |
| CN104978328A (zh) * | 2014-04-03 | 2015-10-14 | 北京奇虎科技有限公司 | 一种获取层级分类器以及文本分类的方法及装置 |
| CN109740475A (zh) * | 2018-12-25 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种遥感图像地面场景分类方法 |
| CN109871885A (zh) * | 2019-01-28 | 2019-06-11 | 南京林业大学 | 一种基于深度学习和植物分类学的植物识别方法 |
| CN109948610A (zh) * | 2019-03-14 | 2019-06-28 | 西南交通大学 | 一种基于深度学习的视频中车辆细粒度分类方法 |
| CN109977802A (zh) * | 2019-03-08 | 2019-07-05 | 武汉大学 | 强噪音背景下作物分类识别方法 |
-
2019
- 2019-08-12 CN CN201910740062.9A patent/CN110619349A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426007A (zh) * | 2013-08-29 | 2013-12-04 | 人民搜索网络股份公司 | 一种机器学习分类方法及装置 |
| CN104978328A (zh) * | 2014-04-03 | 2015-10-14 | 北京奇虎科技有限公司 | 一种获取层级分类器以及文本分类的方法及装置 |
| CN109740475A (zh) * | 2018-12-25 | 2019-05-10 | 杭州世平信息科技有限公司 | 一种遥感图像地面场景分类方法 |
| CN109871885A (zh) * | 2019-01-28 | 2019-06-11 | 南京林业大学 | 一种基于深度学习和植物分类学的植物识别方法 |
| CN109977802A (zh) * | 2019-03-08 | 2019-07-05 | 武汉大学 | 强噪音背景下作物分类识别方法 |
| CN109948610A (zh) * | 2019-03-14 | 2019-06-28 | 西南交通大学 | 一种基于深度学习的视频中车辆细粒度分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 牟少敏: "《模式识别与机器学习技术》", 30 June 2019, 北京冶金工业出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487295A (zh) * | 2020-12-04 | 2021-03-12 | 中国移动通信集团江苏有限公司 | 5g套餐推送方法、装置、电子设备及计算机存储介质 |
| CN113298180A (zh) * | 2021-06-15 | 2021-08-24 | 杭州睿胜软件有限公司 | 用于植物识别的方法和计算机系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107463605B (zh) | 低质新闻资源的识别方法及装置、计算机设备及可读介质 | |
| CN111275107A (zh) | 一种基于迁移学习的多标签场景图像分类方法及装置 | |
| CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
| WO2020186887A1 (zh) | 一种连续小样本图像的目标检测方法、装置及设备 | |
| CN109242002A (zh) | 高维数据分类方法、装置及终端设备 | |
| CN111814770A (zh) | 一种新闻视频的内容关键词提取方法、终端设备及介质 | |
| CN110619349A (zh) | 植物图像分类方法及装置 | |
| CN112085701A (zh) | 一种人脸模糊度检测方法、装置、终端设备及存储介质 | |
| CN110134852B (zh) | 一种文档的去重方法、设备及可读介质 | |
| WO2020125100A1 (zh) | 一种图像检索方法、装置以及设备 | |
| CN114429222A (zh) | 一种模型的训练方法、装置及设备 | |
| CN112364198B (zh) | 一种跨模态哈希检索方法、终端设备及存储介质 | |
| EP4209959A1 (en) | Target identification method and apparatus, and electronic device | |
| CN112861934A (zh) | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 | |
| CN113435499A (zh) | 标签分类方法、装置、电子设备和存储介质 | |
| CN110135428B (zh) | 图像分割处理方法和装置 | |
| CN113591881B (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
| CN110852351A (zh) | 基于图像的垃圾分类方法、装置、终端设备和存储介质 | |
| CN114238746A (zh) | 跨模态检索方法、装置、设备及存储介质 | |
| CN116578738A (zh) | 一种基于图注意力和生成对抗网络的图文检索方法和装置 | |
| WO2023082993A1 (zh) | 信息推荐方法、装置和系统 | |
| CN114706927B (zh) | 基于人工智能的数据批量标注方法及相关设备 | |
| CN111767710B (zh) | 印尼语的情感分类方法、装置、设备及介质 | |
| WO2022155787A1 (zh) | 一种极限学习机训练方法、训练装置以及终端设备 | |
| CN112419249B (zh) | 一种特殊服饰图片转化方法、终端设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191227 |