CN110852341A - 基于深度学习的白术检测方法、及其相关设备 - Google Patents
基于深度学习的白术检测方法、及其相关设备 Download PDFInfo
- Publication number
- CN110852341A CN110852341A CN201910897832.0A CN201910897832A CN110852341A CN 110852341 A CN110852341 A CN 110852341A CN 201910897832 A CN201910897832 A CN 201910897832A CN 110852341 A CN110852341 A CN 110852341A
- Authority
- CN
- China
- Prior art keywords
- image
- atractylodes rhizome
- resolution
- target
- sample
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 9
- 241000092665 Atractylodes macrocephala Species 0.000 title claims description 14
- 241000196324 Embryophyta Species 0.000 claims abstract description 162
- 241000132012 Atractylodes Species 0.000 claims abstract description 112
- 241000411851 herbal medicine Species 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 241000208838 Asteraceae Species 0.000 description 2
- 241000132011 Atractylodes lancea Species 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能技术领域,提供了一种基于深度学习的白术检测方法、及其相关设备,所述基于深度学习的白术检测方法包括:从图像库中获取待识别的中草药植株图像;将所述中草药植株图像的图像分辨率与预设分辨率进行比较,得到比较结果;根据所述比较结果确定目标植株图像;将所述目标植株图像导入到预先训练好的目标模型中进行识别,确认所述目标植株图像是否包含白术;若包含白术,则将所述识别结果发送给目标用户进行清除处理。本发明的技术方案实现自动识别白术,避免人工干预,从而提高白术识别的准确性以及用户的工作效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于深度学习的白术检测方法、及其相关设备。
背景技术
苍术是高需求的中草药品种,年产量高达1000吨以上。苍术的主要药用部分是根部,但其根部与另外一种植物白术的根部十分相似,需要经验丰富的人才能正确区分。由于苍术和白术同属于菊科苍术属,二者植株的外形具有相似性,如果在种植过程中就能把二者区分开来,保留苍术并移除不需要的白术,就可以增加高纯度苍术药材的产量。
目前对白术的识别方法主要是人工判断或者是预先提取白术的特征,对特征进行编码并将进行编码后的特征放到一个分类器中进行2分类,训练出最优分类面,找到最能代表白术的特征,去掉对分类无关和自相关的特性。然而,这些特征的提取主要依赖人的经验与主观意识,提取到的特征的不同对分类性能影响很大,甚至提取的特征的顺序也会影响最后的白术识别性能,同时,图像预处理的好坏也会影响到提取的特征。从而存在白术识别不准确的情况,进一步影响用户对白术进行识别的工作效率。
发明内容
本发明实施例提供一种基于深度学习的白术检测方法、及其相关设备,以解决无法准确识别白术,影响用户工作效率的问题。
一种基于深度学习的白术检测方法,包括:
从图像库中获取待识别的中草药植株图像;
将所述中草药植株图像的图像分辨率与预设分辨率进行比较,得到比较结果;
根据所述比较结果确定目标植株图像;
将所述目标植株图像导入到预先训练好的目标模型中进行识别,确认所述目标植株图像是否包含白术;
若包含白术,则将所述识别结果发送给目标用户进行清除处理。
一种基于深度学习的白术检测装置,包括:
第一获取模块,用于从图像库中获取待识别的中草药植株图像;
比较模块,用于将所述中草药植株图像的图像分辨率与预设分辨率进行比较,得到比较结果;
确定模块,用于根据所述比较结果确定目标植株图像;
识别模块,用于将所述目标植株图像导入到预先训练好的目标模型中进行识别,确认所述目标植株图像是否包含白术;
发送模块,用于若包含白术,则将所述识别结果发送给目标用户进行清除处理。
一种计算机设备,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上述基于深度学习的白术检测方法的步骤。
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上述基于深度学习的白术检测方法的步骤。
上述基于深度学习的白术检测方法、装置、计算机设备及存储介质,通过将获取到的中草药植株图像中的图像分辨率与预设分辨率进行比较,并根据比较结果确定目标植株图像,然后将目标植株图像导入预先训练好的目标模型中进行识别,确认目标植株图像中是否包含白术,若包含白术,则识别结果发送给目标用户进行清除处理。从而实现对白术的自动识别,避免人工干预,能够有效提高对白术识别的准确性,进一步提高用户对白术进行识别的工作效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,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是本发明实施例提供的基于深度学习的白术检测方法的流程图;
图2是本发明实施例提供的基于深度学习的白术检测方法中步骤S3的流程图;
图3是本发明实施例提供的基于深度学习的白术检测方法中步骤S32的流程图;
图4是本发明实施例提供的基于深度学习的白术检测方法中训练目标模型的流程图;
图5是本发明实施例提供的基于深度学习的白术检测方法中步骤S62的流程图;
图6是本发明实施例提供的基于深度学习的白术检测方法中对正负样本进行更新的流程图;
图7是本发明实施例提供的基于深度学习的白术检测方法中对卷积神经网络模型进行训练的流程图;
图8是本发明实施例提供的基于深度学习的白术检测装置的示意图;
图9是本发明实施例提供的计算机设备的基本机构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本申请提供的基于深度学习的白术检测方法应用于服务端,服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。在一实施例中,如图1所示,提供一种基于深度学习的白术检测方法,包括如下步骤:
S1:从图像库中获取待识别的中草药植株图像。
在本发明实施例中,待识别的中草药植株图像是指需要识别中草药植株中是否包含白术的中草药植株图像;通过对图像库进行检测,当检测到图像库中存在中草药植株图像时,直接对该中草药植株图像进行获取。其中,图像库是指专门用于存储中草药植株图像的数据库。
需要说明的是,当从图像库中获取到中草药植株图像时,将该中草药植株图像从该图像库中进行删除处理,避免对中草药植株图像的重复获取。
S2:将中草药植株图像的图像分辨率与预设分辨率进行比较,得到比较结果。
在本发明实施例中,根据步骤S1获取到的中草药植株图像,将该中草药植株图像的图像分辨率与预设分辨率进行比较,得到比较结果。其中,预设分辨率具体可以是800*800,也可以根据用户的实际需求进行设置,此处不做限制,优选地,本发明实施例采用800*800的预设分辨率。
需要说明的是,本发明实施例采用800*800的分辨率是用户综合考虑了识别准确率、识别速度和服务器硬件配置之后,而设置的模型输入尺寸。即其他分辨率的图像需要缩放到这一尺寸再进行识别。
进一步地,存在3种比较结果,分别为图像分辨率大于预设分辨率、图像分辨率等于预设分辨率、图像分辨率小于预设分辨率。
S3:根据比较结果确定目标植株图像。
具体地,根据步骤S2得到的比较结果,按照预设条件将中草药植株图像确定为目标植株图像。其中,预设条件具体可以将图像分辨率等于预设分辨率的中草药植株图像确定为目标植株图像,也可以根据用户的实际需求进行设置,此处不做限制。
S4:将目标植株图像导入到预先训练好的目标模型中进行识别,确认目标植株图像是否包含白术。
在本发明实施例中,预先训练好的目标模型主要用于识别目标植株图像中是否包含白术,通过将步骤S3得到的目标植株图像导入到预先训练好的目标模型中进行识别,目标模型在接收到目标植株图像后,将对目标植株图像进行白术检测,并输出识别结果,从而根据识别结果确认目标植株图像中是否包含白术。
S5:若包含白术,则将识别结果发送给目标用户进行清除处理。
具体地,根据步骤S4的识别方式,当识别结果为目标植株图像中包含白术时,将该识别结果按照预设的方法发送给目标用户,提示用户对该目标植株图像所在中草药植株中的白术进行清除处理。
需要说明的是,白术为普通的草本植物,而与白术同属于菊科苍术属的苍术,是一种高需求的中草药品种,由于二者植株的外形具有相似性,在种植过程中,为了保留苍术并移除不需要的白术,就可以增加高纯度苍术药材的产量,因此在种植过程中需要对识别到的白术进行清除处理。
本实施例中,通过将获取到的中草药植株图像中的图像分辨率与预设分辨率进行比较,并根据比较结果确定目标植株图像,然后将目标植株图像导入预先训练好的目标模型中进行识别,确认目标植株图像中是否包含白术,若包含白术,则识别结果发送给目标用户进行清除处理。从而实现对白术的自动识别,避免人工干预,能够有效提高对白术识别的准确性,进一步提高用户对白术进行识别的工作效率。
在一实施例中,如图2所示,步骤S3中,即根据比较结果确定目标植株图像包括如下步骤:
S31:若比较结果为图像分辨率与预设分辨率相同,则将图像分辨率对应的中草药植株图像确定为目标植株图像。
在本发明实施例中,根据步骤S2将中草药植株图像的图像分辨率与预设分辨率进行比较的比较方式,若得到的比较结果为图像分辨率与预设分辨率相同,则表示该中草药植株图像的分辨率达到用户要求的标准,并将该中草药植株图像确定为目标植株图像。
例如,预设分辨率为800*800,存在中草药植株图像A,且中草药植株图像A对应的图像分辨率为800*800,将该图像分辨率与预设分辨率进行比较,由于都为800*800,故将中草药植株图像A确定为目标植株图像。
S32:若比较结果为图像分辨率与预设分辨率不同,则对图像分辨率对应的中草药植株图像进行缩放处理,得到目标植株图像。
具体地,根据步骤S2将中草药植株图像的图像分辨率与预设分辨率进行比较的比较方式,若得到的比较结果为图像分辨率与预设分辨率不同,则表示该中草药植株图像的分辨率未达到用户要求的标准,将该中草药植株图像导入到预设缩放端口中进行缩放处理,并将缩放处理后的中草药植株图像确定为目标植株图像。
其中,预设缩放端口是指用于对中草药植株图像进行缩放处理的处理端口。
本实施例中,在图像分辨率与预设分辨率相同的情况下,将该图像分辨率对应的中草药植株图像确定为目标植株图像,在图像分辨率与预设分辨率不相同的情况下,对该图像分辨率对应的中草药植株图像进行缩放处理,并将缩放处理后的中草药植株图像确定为目标植株图像。从而实现对目标植株图像的准确获取,通过将图像分辨率与预设分辨率进行比较的方式,能够保证目标植株图像的图像分辨率为最佳分辨率,进而提高后续利用目标植株图像进行白术识别的准确性。
在一实施例中,如图3所示,步骤S32中,即若比较结果为图像分辨率与预设分辨率不同,则对图像分辨率对应的中草药植株图像进行缩放处理,得到目标植株图像包括如下步骤:
S321:若比较结果为图像分辨率大于预设分辨率,则对图像分辨率对应的中草药植株图像进行降采样处理,得到目标植株图像。
在本发明实施例中,降采样处理是指针对一副N*M的图像,设定降采样系数k,从N*M的图像中每行每列每隔k个像素点取一个像素点组成一幅新的图像。
具体地,根据步骤S2将中草药植株图像的图像分辨率与预设分辨率进行比较的比较方式,若得到的比较结果为图像分辨率大于预设分辨率,则将该图像分辨率对应的中草药植株图像导入到预设降采样库中,并根据预设降采样系数,对中草药植株图像进行降采样处理,将降采样处理后的中草药植株图像作为目标植株图像,且该目标植株图像的图像分辨率与预设分辨率相同。
其中,预设降采样库是指专门用于对中草药植株图像进行降采样处理的数据库。预设降采样系数是指根据预设分辨率进行设置的常数,该常数的取值范围在0~9。
若针对中草药植株图像预先设置10个降采样级别,即设置降采样系数0~9,其中,当降采样系数为0时,表示不对中草药植株图像进行降采样处理,当降采样系数为9时,表示对中草药植株图像进行最大程度的降采样处理。
需要说明的是,降采样系数k越大,对应的降采样率就越大,图像的分辨率就越小。
例如,若设置降采样系数为1,对中草药植株图像进行降采样处理时,针对该中草药植株图像中每行和每列的像素点,每间隔1个像素点取出一个像素点作为目标像素点,最终根据每个目标像素点组成一幅中草药植株图像对应的缩略图像,该缩略图像即为目标植株图像。
S322:若比较结果为图像分辨率小于等于预设分辨率,则对图像分辨率对应的中草药植株图像进行升采样处理,得到目标植株图像。
在本发明实施例中,升采样处理是指针对一副N*M的图像,设定升采样系数k,把N*M的图像中每个像素在水平和竖直方向都复制k遍,组成一幅新的图像,分辨率为kN*kM。
具体地,根据步骤S2将中草药植株图像的图像分辨率与预设分辨率进行比较的比较方式,若得到的比较结果为图像分辨率小于等于预设分辨率,则将该图像分辨率对应的中草药植株图像导入到预设升采样库中,并根据预设升采样系数,对中草药植株图像进行升采样处理,将升采样处理后的中草药植株图像作为目标植株图像,且该目标植株图像的图像分辨率与预设分辨率相同。
其中,预设采样库是指专门用于对中草药植株图像进行升采样处理的数据库。预设升采样系数是指根据预设分辨率进行设置的常数,该常数的取值范围在0~9。
若针对中草药植株图像预先设置10个升采样级别,即设置升采样系数0~9,其中,当升采样系数为1时,表示不对中草药植株图像进行升采样处理,当升采样系数为9时,表示对中草药植株图像进行最大程度的升采样处理。
需要说明的是,升采样系数k越大,对应的升采样率就越大,中草药植株图像的分辨率就越大。
例如,若设置降采样系数为k,对中草药植株图像进行降采样处理时,针对该中草药植株图像中每行和每列的像素点,在水平和竖直方向都复制k遍,最终把原本图像的尺寸放大k倍,该放大后的图像即为目标植株图像。
本实施例中,在图像分辨率大于预设分辨率的情况下,对该图像分辨率对应的中草药植株图像进行降采样处理,得到目标植株图像,在图像分辨率小于等于预设分辨率的情况下,对该图像分辨率对应的中草药植株图像进行升采样处理,得到目标植株图像。从而实现对中草药植株图像对应的图像分辨率的调整,保证根据中草药植株图像得到的目标植株图像的图像分辨率为最佳分辨率,进而提高后续利用目标植株图像进行白术识别的准确性。
在一是实例中,如图4所示,步骤S3之后,步骤S4之前,该基于深度学习的白术检测方法还包括如下步骤:
S61:从预设数据库中获取图像样本,其中,图像样本中存在包含白术边界框的图像样本。
在本发明实施例中,图像样本是指专门用于训练卷积神经网络模型以得到目标模型的样本数据,该图像样本主要为包含中草药植株的图像,且部分图像样本中存在白术边界框。
具体地,通过直接从预设数据库中获取图像样本,其中,预设数据库是指专门用于存储图像样本的数据库。
S62:根据白术边界框对图像样本进行筛选,得到正负样本。
具体地,根据白术边界框将图像样本区分为正样本和负样本,若检测到图像样本包含白术边界框,则将该图像样本标识为正样本,若检测到图像样本未包含白术边界框,则将该图像样本标识为负样本,最后对正样本和负样本进行汇总,得到正负样本。
S63:将正负样本导入到卷积神经网络模型中进行训练,得到目标模型。
具体地,将步骤S62得到的正负样本导入到卷积神经网络模型中进行训练,将训练后达到用户设定要求的模型确定为目标模型。
本实施例中,根据白术边界框对获取到的图像样本进行筛选,得到正负样本,并根据正负样本进行模型训练,得到目标模型。从而实现对目标模型的准确训练,保证后续利用目标模型进行白术识别的准确性。
在一实施例中,如图5所示,步骤S62中,即根据白术边界框对图像样本进行筛选,得到正负样本的步骤包括:
S621:通过对图像样本中的白术边界框进行检测,若图像样本中存在白术边界框,则将图像样本确定为正样本。
在本发明实施例中,通过对图像样本进行扫描,当扫描到图像样本中存在白术边界框时,表示该图像样本包含白术,将该图像样本确定为正样本。
S622:若图像样本中不存在白术边界框,则将图像样本确定为负样本。
在本发明实施例中,通过对图像样本进行扫描,当扫描到图像样本中未存在白术边界框时,表示该图像样本不包含白术,将该图像样本确定为负样本。
S623:按照预设比例配置正样本和负样本的数量,得到正负样本。
在本发明实施例中,预设比例是指初始预先设置的正样本和负样本数量的比例,优选地,本实施例中的预设比例为1:1,避免因正负样本对应的训练数量不相同而出现过拟合现象。其中,过拟合是指为了得到一致假设而使假设变得过度严格的现象,避免过拟合是分类器设计中的一个核心任务。
具体地,按照预设比例选取正样本和负样本进行混合,得到正负样本。例如按照1:1的预设比例进行混合,得到的正负样本中包含一半的正样本和一半的负样本,以避免过拟合现象。
本实施例中,通过对图像样本中的白术边界框进行检测,将存在白术边界框的图像样本确定为正样本,将不存在白术边界框的图像样本确定为负样本,并按照预设比例配置正样本和负样本的数量,得到正负样本。从而实现对正负样本的准确获取,根据预设比例配置正负样本能够避免过拟合现象,进一步保证后续利用正负样本对模型进行训练的准确性。
在一实施例中,如图6所示,步骤S62之后,步骤S63之前,该基于深度学习的白术检测方法还包括如下步骤:
S71:针对正负样本中的每个正样本和负样本,遍历正样本和负样本中的每个像素点,并获取每个像素点的像素值。
在本发明实施例中,针对正负样本中的每个正样本和负样本,按照预设的遍历方式对正样本和负样本中的像素点进行遍历,获取正样本和负样本中每个像素点像素值。
其中,预设的遍历方式具体可以是以正样本和负样本的左上角像素点为起点,从上往下从左往右的顺序进行逐行遍历,也可以是从正样本和负样本的中线位置同时向两边遍历,还可以是其他遍历方式,此处不做限制。
S72:对像素值进行归一化处理,得到更新后的正负样本。
在本发明实施例中,归一化处理是指将正样本和负样本中每个像素点的像素值变换到[-1,1]之间。按照公式(1)对正样本和负样本中每个像素点的像素值进行归一化处理,并利用归一化处理后的正样本和负样本构成正负样本母,即得到更新后的正负样本。
(x-127.5)/127.5=z公式(1)
其中,x为像素点的像素值,z为像素点归一化处理后的像素值。
需要说明的是,由于后续模型训练计算框架的需求,需要将像素点的像素值变换到[-1,1]之间,属于数值上的变换,而最终的检测结果,是在原始图像上显示,不受[-1,1]变换的影响。通过将正负样本中每个像素点的像素值进行归一化处理,变换到[-1,1]之间,使得数据分布更加均匀,从而加速后续模型的训练过程。
本实施例中,通过获取正样本和负样本中每个像素点的像素值,再对像素值进行归一化处理得到更新后的正负样本,能够使数据分布更加均匀,从而加速后续利用正负样本进行模型训练的过程。
在一实施例中,如图7所示,S63中,即将正负样本导入到卷积神经网络模型中进行训练,得到目标模型的步骤包括:
S631:初始化卷积神经网络模型,得到初始模型。
在本发明实施例中,通过服务端对卷积神经网络模型的模型参数进行初始化处理,为卷积神经网络模型中的各个网络层的权值和偏置均赋予一个初始参数,使得卷积神经网络模型能够根据初始参数对正负样本进行特征的提取和计算,其中,权值和偏置是用于对输入的数据在网络中进行的折射变换计算的模型参数,使得网络经过计算输出的结果能够与实际情况相符。
可以理解地,以人接收信息为例,当人在接收信息后,经过人脑神经元的判断、传递后,人会得到某个结果或者认知,即从信息中获取认知的过程,而对卷积神经网络模型的训练过程就是优化网络中的神经元连接的权值和偏置,使得训练后的卷积神经网络模型对待识别的数据的识别结果,能够达到与真实情况相符的识别效果。
可选地,服务端可以在[-0.30,+0.30]的区间内,任意获取一个权值作为初始参数,将初始参数设置在一个均值为0并且较小的区间内,能够提高模型的收敛速度,以提高模型的构建效率。
S632:将正负样本导入到初始模型中,计算初始模型的前向输出。
具体地,将正负样本作为输入数据依次导入到初始模型中的输入层、卷积层、池化层、全连接层和输出层中进行卷积操作,最后将输出层的输出结果作为前向输出。其中,输入层、卷积层、池化层、全连接层和输出层都有预先设置好的卷积核,通过将正负样本作为输入数据导入到每一层中能够根据预先设置好卷积核进行卷积操作,得到对应的输出结果。
S633:根据前向输出,计算前向输出与预设目标值之间的预测误差。
在本发明实施例中,根据步骤S632得到的前向输出与预设目标值,按照公式(2)计算前向输出与预设目标值之间的预测误差:
Loss=K—Ki公式(2)
其中,Loss为预测误差,K为预设目标值,Ki为前向输出。
S634:根据预测误差,使用误差反向传播算法对初始模型中各个网络层的初始参数进行调整,得到目标模型。
在本发明实施例中,误差反向传播算法是用于将预测误差分摊给各个网络层的所有单元,从而获得各个网络层的所有单元的误差信号,进而调整各个网络层的初始参数。初始参数只是为了方便初始模型的运算预设的一个参数,使得根据正负样本获得的前向输出与预设目标值之间必然存在误差,需要将这个误差信息逐层回传给初始模型中的各层网络结构,让每一层网络结构对预设的初始参数进行调整,才能获得识别效果更好的目标模型。
具体地,根据预测误差,使用误差反向传播算法对初始模型各个网络层的初始参数进行调整,根据各层的输出对初始模型各个网络层进行误差反传更新,获取更新后的各个网络层的权值和偏置,使用更新后的各个网络层的权值和偏置,对正负样本进行预测,并将正负样本的前向输出与预设目标值进行对比,获取预测误差小于预设阈值的正负样本作为预测准确样本数,对正负样本的总数进行统计,得到正负样本总数,并按照公式(3)计算初始模型的总误差:
其中,W为总误差,M为预测准确样本数,N为正负样本总数;
若当前模型的总误差大于预设精度阈值,则将当前调整后的模型作为目标模型,其中,预设精度阈值是用于表示初始模型对正负样本的预测准确率,具体的精度阈值可以根据实际需要进行设置,此处不做限制。
需要说明的是,若当前模型的总误差小于预设精度阈值,则返回步骤S743继续执行,直到模型的总误差大于预设精度阈值,并将当前模型作为目标模型。
本实施例中,通过对卷积神经网络模型进行初始化得到初始模型,根据正负样本计算初始模型的前向输出,再计算前向输出与预设目标值之间的预测误差,最后根据预设误差,使用误差反向传播算法对初始模型进行调整得到目标模型,从而实现对初始模型的训练调优,提高目标模型对正负样本的识别准确率。
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,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种基于深度学习的白术检测装置,该基于深度学习的白术检测装置与上述实施例中基于深度学习的白术检测方法一一对应。如图8所示,该基于深度学习的白术检测装置包括第一获取模块81,比较模块82确定模块83,识别模块84和发送模块85。各功能模块详细说明如下:
第一获取模块81,用于从图像库中获取待识别的中草药植株图像;
比较模块82,用于将中草药植株图像的图像分辨率与预设分辨率进行比较,得到比较结果;
确定模块83,用于根据比较结果确定目标植株图像;
识别模块84,用于将目标植株图像导入到预先训练好的目标模型中进行识别,确认目标植株图像是否包含白术;
发送模块85,用于若包含白术,则将识别结果发送给目标用户进行清除处理。
进一步地,确定模块83包括:
比较相同子模块,用于若比较结果为图像分辨率与预设分辨率相同,则将图像分辨率对应的中草药植株图像确定为目标植株图像;
比较不同子模块,用于若比较结果为图像分辨率与预设分辨率不同,则对图像分辨率对应的中草药植株图像进行缩放处理,得到目标植株图像。
进一步地,比较不同子模块包括:
降采样单元,用于若比较结果为图像分辨率大于预设分辨率,则对图像分辨率对应的中草药植株图像进行降采样处理,得到目标植株图像;
升采样单元,用于若比较结果为图像分辨率小于等于预设分辨率,则对图像分辨率对应的中草药植株图像进行升采样处理,得到目标植株图像。
进一步地,基于深度学习的白术检测装置还包括:
第二获取模块,用于从预设数据库中获取图像样本,其中,图像样本中存在包含白术边界框的图像样本;
筛选模块,用于根据白术边界框对图像样本进行筛选,得到正负样本;
训练模块,用于将正负样本导入到卷积神经网络模型中进行训练,得到目标模型。
进一步地,筛选模块包括:
正样本确定子模块,用于通过对图像样本中的白术边界框进行检测,若图像样本中存在白术边界框,则将图像样本确定为正样本;
负样本确定子模块,用于若图像样本中不存在白术边界框,则将图像样本确定为负样本;
配置子模块,用于按照预设比例配置正样本和负样本的数量,得到正负样本。
进一步地,基于深度学习的白术检测装置还包括:
第三获取模块,用于针对正负样本中的每个正样本和负样本,遍历正样本和负样本中的每个像素点,并获取每个像素点的像素值;
更新模块,用于对像素值进行归一化处理,得到更新后的正负样本。
进一步地,训练模块包括:
初始化子模块,用于初始化卷积神经网络模型,得到初始模型;
导入子模块,用于将正负样本导入到初始模型中,计算初始模型的前向输出;
预测误差计算子模块,用于根据前向输出,计算前向输出与预设目标值之间的预测误差;
目标模型确定子模块,用于根据预测误差,使用误差反向传播算法对初始模型中各个网络层的初始参数进行调整,得到目标模型。
本申请的一些实施例公开了计算机设备。具体请参阅图9,为本申请的一实施例中计算机设备90基本结构框图。
如图9中所示意的,所述计算机设备90包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是,图9中仅示出了具有组件91-93的计算机设备90,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器91可以是所述计算机设备90的内部存储单元,例如该计算机设备90的硬盘或内存。在另一些实施例中,所述存储器91也可以是所述计算机设备90的外部存储设备,例如该计算机设备90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。当然,所述存储器91还可以既包括所述计算机设备90的内部存储单元也包括其外部存储设备。本实施例中,所述存储器91通常用于存储安装于所述计算机设备90的操作系统和各类应用软件,例如所述基于深度学习的白术检测方法的程序代码等。此外,所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备90的总体操作。本实施例中,所述处理器92用于运行所述存储器91中存储的程序代码或者处理数据,例如运行所述基于深度学习的白术检测方法的程序代码。
所述网络接口93可包括无线网络接口或有线网络接口,该网络接口93通常用于在所述计算机设备90与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供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白术信息录入程序,所述白术信息录入程序可被至少一个处理器执行,以使所述至少一个处理器执行上述任意一种基于深度学习的白术检测方法的步骤。
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上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台计算机设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
最后应说明的是,显然以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于深度学习的白术检测方法,其特征在于,所述基于深度学习的白术检测方法包括:
从图像库中获取待识别的中草药植株图像;
将所述中草药植株图像的图像分辨率与预设分辨率进行比较,得到比较结果;
根据所述比较结果确定目标植株图像;
将所述目标植株图像导入到预先训练好的目标模型中进行识别,确认所述目标植株图像是否包含白术;
若包含白术,则将所述识别结果发送给目标用户进行清除处理。
2.如权利要求1所述的基于深度学习的白术检测方法,其特征在于,所述根据所述比较结果确定目标植株图像的步骤包括:
若所述比较结果为所述图像分辨率与预设分辨率相同,则将所述图像分辨率对应的所述中草药植株图像确定为所述目标植株图像;
若所述比较结果为所述图像分辨率与预设分辨率不同,则对所述图像分辨率对应的所述中草药植株图像进行缩放处理,得到所述目标植株图像。
3.如权利要求2所述的基于深度学习的白术检测方法,其特征在于,所述若所述比较结果为所述图像分辨率与预设分辨率不同,则对所述图像分辨率对应的所述中草药植株图像进行缩放处理,得到所述目标植株图像的步骤包括:
若所述比较结果为所述图像分辨率大于预设分辨率,则对所述图像分辨率对应的中草药植株图像进行降采样处理,得到目标植株图像;
若所述比较结果为所述图像分辨率小于等于预设分辨率,则对所述图像分辨率对应的中草药植株图像进行升采样处理,得到目标植株图像。
4.如权利要求1所述的基于深度学习的白术检测方法,其特征在于,所述根据所述比较结果确定目标植株图像的步骤之后,所述将所述目标植株图像导入到预先训练好的目标模型中进行识别,确认所述目标植株图像是否包含白术的步骤之前,所述基于深度学习的白术检测方法还包括:
从预设数据库中获取图像样本,其中,所述图像样本中存在包含白术边界框的图像样本;
根据所述白术边界框对所述图像样本进行筛选,得到正负样本;
将所述正负样本导入到卷积神经网络模型中进行训练,得到所述目标模型。
5.如权利要求4所述的基于深度学习的白术检测方法,其特征在于,所述根据所述白术边界框对所述图像样本进行筛选,得到正负样本的步骤包括:
通过对所述图像样本中的所述白术边界框进行检测,若所述图像样本中存在所述白术边界框,则将所述图像样本确定为正样本;
若所述图像样本中不存在所述白术边界框,则将所述图像样本确定为负样本;
按照预设比例配置所述正样本和所述负样本的数量,得到所述正负样本。
6.如权利要求5所述的基于深度学习的白术检测方法,其特征在于,所述根据所述白术边界框对所述图像样本进行筛选,得到正负样本的步骤之后,所述将所述正负样本导入到卷积神经网络模型中进行训练,得到所述目标模型的步骤之前,所述基于深度学习的白术检测方法包括:
针对所述正负样本中的每个所述正样本和所述负样本,遍历所述正样本和所述负样本中的每个像素点,并获取每个像素点的像素值;
对所述像素值进行归一化处理,得到更新后的正负样本。
7.如权利要求4所述的基于深度学习的白术检测方法,其特征在于,所述将所述正负样本导入到卷积神经网络模型中进行训练,得到所述目标模型的步骤包括:
初始化所述卷积神经网络模型,得到初始模型;
将所述正负样本导入到所述初始模型中,计算所述初始模型的前向输出;
根据所述前向输出,计算所述前向输出与预设目标值之间的预测误差;
根据所述预测误差,使用误差反向传播算法对所述初始模型中各个网络层的初始参数进行调整,得到所述目标模型。
8.一种基于深度学习的白术检测装置,其特征在于,所述基于深度学习的白术检测装置包括:
第一获取模块,用于从图像库中获取待识别的中草药植株图像;
比较模块,用于将所述中草药植株图像的图像分辨率与预设分辨率进行比较,得到比较结果;
确定模块,用于根据所述比较结果确定目标植株图像;
识别模块,用于将所述目标植株图像导入到预先训练好的目标模型中进行识别,确认所述目标植株图像是否包含白术;
发送模块,用于若包含白术,则将所述识别结果发送给目标用户进行清除处理。
9.一种计算机设备,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任一项所述基于深度学习的白术检测方法的步骤。
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任一项所述基于深度学习的白术检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897832.0A CN110852341A (zh) | 2019-09-23 | 2019-09-23 | 基于深度学习的白术检测方法、及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910897832.0A CN110852341A (zh) | 2019-09-23 | 2019-09-23 | 基于深度学习的白术检测方法、及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852341A true CN110852341A (zh) | 2020-02-28 |
Family
ID=69596045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910897832.0A Pending CN110852341A (zh) | 2019-09-23 | 2019-09-23 | 基于深度学习的白术检测方法、及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852341A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507768A (zh) * | 2020-04-16 | 2021-03-16 | 苏州极目机器人科技有限公司 | 目标物检测方法、装置和图像采集方法、装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635653A (zh) * | 2018-11-09 | 2019-04-16 | 华南农业大学 | 一种植物识别方法 |
CN109711448A (zh) * | 2018-12-19 | 2019-05-03 | 华东理工大学 | 基于判别关键域和深度学习的植物图像细粒度分类方法 |
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 |
CN110059715A (zh) * | 2019-03-12 | 2019-07-26 | 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 |
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 |
-
2019
- 2019-09-23 CN CN201910897832.0A patent/CN110852341A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635653A (zh) * | 2018-11-09 | 2019-04-16 | 华南农业大学 | 一种植物识别方法 |
CN109711448A (zh) * | 2018-12-19 | 2019-05-03 | 华东理工大学 | 基于判别关键域和深度学习的植物图像细粒度分类方法 |
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 |
CN110059715A (zh) * | 2019-03-12 | 2019-07-26 | 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 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507768A (zh) * | 2020-04-16 | 2021-03-16 | 苏州极目机器人科技有限公司 | 目标物检测方法、装置和图像采集方法、装置 |
WO2021208407A1 (zh) * | 2020-04-16 | 2021-10-21 | 苏州极目机器人科技有限公司 | 目标物检测方法、装置和图像采集方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117876B (zh) | 一种稠密小目标检测模型构建方法、模型及检测方法 | |
CN110287960B (zh) | 自然场景图像中曲线文字的检测识别方法 | |
CN110428428B (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
CN111160335B (zh) | 基于人工智能的图像水印处理方法、装置及电子设备 | |
CN108171104B (zh) | 一种文字检测方法及装置 | |
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
CN108764195B (zh) | 手写模型训练方法、手写字识别方法、装置、设备及介质 | |
CN108805002B (zh) | 基于深度学习和动态聚类的监控视频异常事件检测方法 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN105825502B (zh) | 一种基于显著性指导的词典学习的弱监督图像解析方法 | |
CN107958230B (zh) | 人脸表情识别方法及装置 | |
WO2020253508A1 (zh) | 异常细胞检测方法、装置及计算机可读存储介质 | |
CN111813997B (zh) | 入侵分析方法、装置、设备及存储介质 | |
EP4047509A1 (en) | Facial parsing method and related devices | |
CN106778768A (zh) | 基于多特征融合的图像场景分类方法 | |
CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
CN110929621B (zh) | 一种基于拓扑信息细化的道路提取方法 | |
CN115082966B (zh) | 行人重识别模型训练方法、行人重识别方法、装置和设备 | |
CN112669323A (zh) | 图像处理方法及相关设备 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115439654B (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
CN116092179A (zh) | 一种改进的yolox跌倒检测系统 | |
CN111626134A (zh) | 一种基于隐密度分布的密集人群计数方法、系统及终端 | |
CN112036520A (zh) | 基于深度学习的大熊猫年龄识别方法、装置及存储介质 |
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 |