CN112116598A - 一种花卉种类识别方法及系统 - Google Patents
一种花卉种类识别方法及系统 Download PDFInfo
- Publication number
- CN112116598A CN112116598A CN202010773803.6A CN202010773803A CN112116598A CN 112116598 A CN112116598 A CN 112116598A CN 202010773803 A CN202010773803 A CN 202010773803A CN 112116598 A CN112116598 A CN 112116598A
- Authority
- CN
- China
- Prior art keywords
- flower
- color image
- image
- img
- area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000001488 breeding effect Effects 0.000 claims abstract description 65
- 238000009395 breeding Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000010354 integration Effects 0.000 claims abstract description 19
- 239000000463 material Substances 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000003709 image segmentation Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 5
- 235000006961 Fumaria officinalis Nutrition 0.000 claims description 3
- 244000044980 Fumaria officinalis Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 11
- 238000011161 development Methods 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种花卉种类识别方法及系统，包括：采集花卉的彩色图像；采用基于GrabCut的图像分割方法进行图像分割，精准地提取出花朵区域；采用基于引导滤波的图像增强方法进行图像预处理；对花朵区域进行归一化处理；利用卷积网络集成的方法进行花卉种类的识别；将识别结果和花卉彩色图像上传至花卉育种信息管理系统保存；根据识别结果，在花卉育种信息管理系统中查找与其相关的育种材料、试验等育种信息，并与花卉彩色图像进行关联。采用本发明提供的方法能克服已有技术存在花卉种类识别不准确、劳动强度大等问题，还能应用于智能手机等移动终端，适合田间操作，拓宽该方法的应用范围，有利地促进花卉育种管理的信息化和智能化发展。
Description
技术领域
本发明涉及数字图像处理技术领域，尤其涉及一种花卉种类识别方法及系统。
背景技术
花卉种类识别是花卉育种信息化管理的一项重要内容。传统的人工识别方法往往需要育种专家通过目测花卉的整体形态特征(包括花色、花型、花量等)，确定花卉的属类。这种方法存在识别结果依赖育种者的专业技术水平，劳动强度大、识别主观性强等显著问题，极易导致花卉种类识别的不准确。
随着信息技术的迅猛发展，特别是数码相机和智能手机等移动图像获取终端的普及，采集花卉图像变得十分便捷。育种家可随手拍摄花卉图像，通过计算机视觉技术对花卉图像进行分析处理，从而准确地识别花卉的种类，在此基础上，将采集的花卉图像与其相关的育种材料、试验等信息进行关联，从而实现花卉育种的精准管理。
为此，迫切需要研究一种针对基于花卉图像的、稳定性好、识别结果准确的花卉种类识别方法，以期实现花卉育种管理的自动化、信息化、智能化，从而实现花卉品种的精准选育。
发明内容
本发明提供了一种花卉种类识别方法及系统，用以解决现有技术中花卉种类识别准确率低的缺陷，实现花卉种类的准确识别。
本发明提供了一种花卉种类识别方法，包括：
利用图像采集设备采集花卉的彩色图像；
对目标花卉的初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
利用卷积网络集成的方法对归一化后的花朵区域进行花卉种类的识别，获取所述目标花卉的种类；
将所述花卉图像的识别结果和初始花卉彩色图像上传至花卉育种信息管理系统进行保存；
根据花卉图像的识别结果，在花卉育种信息管理系统中查找与其相关的育种材料、试验等育种信息，并与所述初始花卉彩色图像进行关联。
根据本发明所述的一种花卉种类识别方法，所述对目标花卉的初始彩色图像进行分割具体通过GrabCut的图像分割方法实现，具体步骤如下：
S11，对所述初始彩色图像Img1手工标记出包含花朵在内的最大矩形区域，形成第一彩色图像Img1-1；
S12，在所述第一彩色图像Img1-1中，手工标识花朵所在位置和背景所在位置，并将其设定为GrabCut算法的初始值；
S13，利用GrabCut算法对所述初始彩色图像Img1进行分割，形成第二彩色图像Img1-2；
S14，若所述第二彩色图像Img1-2中已不包含背景区域，即无背景区域可标识，则所述第二彩色图像Img1-2即为分割出的花朵区域Img2；
反之，则将所述第二彩色图像Img1-2代替所述第一彩色图像Img1-1，重复S12至S14，直到最终获得的所述第二彩色图像Img1-2中已不包含背景区域，将最终获得的所述第二彩色图像Img1-2作为分割出的花朵区域Img2。
根据本发明所述的一种花卉种类识别方法，所述基于图像增强算法，对所述花朵区域进行处理，具体通过基于引导滤波的图像增强方法实现，具体步骤如下：
S21，将分割出的花朵区域Img2从RGB颜色空间转换到CIEL*a*b*颜色空间；
S22，利用亮度分布特征计算出细节图像的增强权重w，计算公式如下：
其中，
和
分别是亮度空间L*内所有像素亮度值的最大值和平均值，δ为固定常数；
S23，利用引导滤波算法对分割后的花朵区域Img2进行平滑，将其分为细节图像d和基础图像q；
S24，将加权后的细节图像与基础图像进行融合，融合公式如下：
Img2＝w×d+q，
实现对分割后的花朵区域Img2的增强，得到增强后的花朵区域Img3。
根据本发明所述的一种花卉种类识别方法，所述对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域，具体步骤如下：
S31，对增强后的花朵区域Img3，利用双线性插值方法将其归一化成m×n大小的图像，形成第三彩色图像Img3-1，其中m、n分别为归一化后图像的宽度和高度，其单位为像素；
S32，将所述第三彩色图像Img3-1转换成TFRecord格式的彩色图像，形成归一化后的彩色图像Img4。
根据本发明所述的一种花卉种类识别方法，所述的卷积网络集成方法，主要包括如下步骤：
S41，选择在ILSVRC-2012-CLS数据集上预训练好的深度网络模型，例如MobileNet网络，作为单分类器模型；
S42，构建花卉种类图像样本集，分为训练集、验证集和测试集，所述训练集中包括不同类别的花卉样本和每一花卉样本的标签；
S43，基于重采样技术和所述训练集，对每一预训练后的单分类器重新进行训练，形成K个具有差异性的单分类器；
S44，统计各单分类器在所述验证集上的识别率，并据此计算所述卷积网络的集成权重，其计算公式如下：
其中，Ri是第i个单分类器在验证集上的识别率，λi是第i个单分类器对应的权重；
S45，各单分类器对归一化后的花朵区域分别进行识别，利用线性加权法对各单分类器的识别结果进行集成，其计算公式如下：
其中，x为归一化后的花朵区域，fi(x)是第i个单分类器对图像x的识别结果，λi是第i个单分类器对应的权重，F(x)是集成识别结果；
S46，输出所述目标花卉的种类的识别结果。
本发明实施例还提供一种花卉种类识别系统，包括：
采集模块，用于采集目标花卉的初始彩色图像；
分割模块，用于对所述初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
增强模块，用于基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
归一化模块，用于对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
识别模块，用于利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类；
保存模块，用于将所述目标花卉的种类的识别结果和所述初始彩色图像上传至花卉育种信息管理系统进行保存；
关联模块，用于根据所述目标花卉的种类的识别结果，在所述花卉育种信息管理系统中查找相关的育种材料、试验等育种信息，并与所述初始彩色图像进行关联。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器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如上述任一种花卉种类识别方法的步骤。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种花卉种类识别方法的步骤。
本发明实施例提供的一种花卉种类识别方法及系统，实现花卉种类的快速、准确识别，克服了已有技术存在识别结果不准确、劳动强度大等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种花卉种类识别方法的流程图；
图2为本发明实施例提供的卷积网络的训练和识别过程示意图；
图3为本发明实施例提供的一种花卉种类识别系统的结构示意图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
图1为本发明实施例提供的一种花卉种类识别方法的流程图，如图1所示，该方法包括：
S1，采集目标花卉的初始彩色图像；
具体地，首先采集目标花卉的初始彩色图像，该目标花卉的初始彩色图像可以通过相机或者手机等设备获取。
S2，对所述初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
具体地，初始彩色图像是包括花朵和背景的，通过对初始彩色图像进行分割，可以将花朵和背景区分开来，提取出花朵区域。
S3，基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
具体地，通过图像增强算法，可以增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合。
通过图像增强算法有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
需要说明的是，将图像增强算法放在图像分割之后，则只需要对提取出的花朵区域进行图像增强，而不需要对整个初始彩色图像进行增强，一定程度上减小了算法的计算量，从而提高了计算效率。
S4，对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
由于不同设备拍摄的初始彩色图像的格式和大小等都不相同，为了方便后续处理，使得本方案能适应不同大小和格式的图像，对图像进行归一化处理，将花朵区域转化为标准格式和标准大小，最后得到归一化后的花朵区域。
S5，利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类；
将归一化后的花朵区域输入到各个单卷积网络中(单卷积网络又可称为单分类器)，可以得到各个单分类器对该目标花卉的种类的识别结果，通过对各个单分类器识别结果进行线性集成即可得到该目标花卉的种类，其中，本发明实施例中的卷积网络集成是由若干个单分类器集成，单分类器的个数可以预先设定，通过对每个单分类器的识别结果进行集成，得到目标花卉种类的最终识别结果。
其中，每个单分类器的类型可以相同或者不同，例如，常用的单分类器有AlexNet网络、Inception网络、Resnet网络、Desnet网络和MobileNet网络等，本发明实施例中的卷积网络集成可以由若干个AlexNet网络组成，也可以有AlexNet网络、Inception网络、Resnet网络这三种类型的网络组成，或采用若干个MobileNet网络等，具体根据实际情况进行确定。
S6，将识别结果和初始彩色图像上传至花卉育种信息管理系统进行保存。
具体地，优选“金种子”育种云平台作为花卉育种信息管理系统。
S7，根据识别结果，在花卉育种信息管理系统中查找与其相关的育种材料、试验等育种信息，并与初始彩色图像进行关联。
本发明实施例提供一种花卉种类识别方法，实现花卉种类的快速、准确识别，克服了已有技术存在识别结果不准确、劳动强度大等问题。
在上述实施例的基础上，优选地，图2为本发明实施例提供的卷积网络的训练和识别过程示意图，如图2所示，选择在ILSVRC-2012-CLS数据集上预训练好的深度卷积网络模型，作为预训练后的单分类器。然后通过迁移学习，将各单分类器迁移到花卉种类图像的训练集中。基于重采样技术和所述花卉种类图像的训练集，对每一预训练后的单分类器重新进行训练，获取最终的各单分类器，利用各单分类器对待识别图像进行识别，对每个单分类器的识别结果进行集成，得到该图像中目标花卉种类的最终识别结果。
在上述实施例的基础上，优选地，所述对目标花卉的初始彩色图像进行分割，具体包括：
通过GrabCut的图像分割方法，对目标花卉的初始彩色图像进行分割。
具体地，基于GrabCut的图像分割方法，对目标花卉的初始彩色图像Img1进行分割，主要包括如下步骤：
S11，对初始彩色图像Img1手工标记出包含花朵在内的最大矩形区域，形成第一彩色图像Img1-1。
S12，在第一彩色图像Img1-1中，手工标识花朵所在位置和背景所在位置，并将其设定为GrabCut的初始值。
S13，利用GrabCut算法对彩色图像Img1进行分割，形成第二彩色图像Img1-2。
S14，若第二彩色图像Img1-2中已不包含背景区域，即无背景区域可标识，则第二彩色图像Img1-2即为分割出的花朵区域Img2；
反之，则将第二彩色图像Img1-2代替第一彩色图像Img1-1，重复S12至S14，其它过程依次类推。
在上述实施例的基础上，优选地，所述基于图像增强算法，对所述花朵区域进行处理，具体包括：
基于引导滤波的图像增强方法，对所述花朵区域进行处理。
具体地，基于引导滤波的图像增强方法，主要包括如下步骤：
S21，将分割出的花朵区域Img2从RGB颜色空间转换到CIEL*a*b*颜色空间。
S22，利用亮度分布特征计算出细节图像的增强权重w，计算公式如下：
其中，
和
分别是亮度空间L*内所有像素亮度值的最大值和平均值，δ为固定常数，其值可根据试验确定。
本发明实施例中，优选δ＝10。
S23，利用引导滤波算法对分割出的花朵区域Img2进行平滑，将其分为细节图像d和基础图像q。
S24，将加权后的细节图像与基础图像进行融合，融合公式如下：
Img2＝w×d+q，
实现对分割出的花朵区域Img2的增强，得到增强后的花朵区域Img3。
还需要说明的是，对增强后的花朵区域进行归一化处理，主要包括如下步骤：
S31，对增强后的花朵区域Img3，利用双线性插值方法将其归一化成m×n大小的图像，形成第三彩色图像Img3-1，其中m、n分别为放缩后图像的宽度和高度，其单位为像素。
本实施例中，优选m＝100，n＝100。
S32，将第三彩色图像Img3-1转换成TFRecord格式的彩色图像，形成归一化后的花朵区域Img4。
在上述实施例的基础上，优选地，所述利用卷积网络集成的方法，对目标花卉的种类进行识别，具体步骤如下：
S41，选择在ILSVRC-2012-CLS数据集上预训练好的深度网络模型作为单分类器模型；
具体地，预训练好的深度网络模型可根据实际应用选择，例如AlexNet网络、Inception网络、Resnet网络、Desnet网络等，优选MobileNet网络。
S42，构建花卉种类图像样本集，分为训练集、验证集和测试集，所述训练集中包括不同类别的花卉样本和每一花卉样本的标签；
具体地，训练集中的图像样本与待识别图像大小、格式相同；
具体地，训练样本的数目不少于10000张。
S43，基于重采样技术和所述训练集，对每一预训练后的单分类器重新进行训练，形成K个具有差异性的单分类器；
具体地，通过设定不同的batch_size值，在花卉种类图像训练集上，利用重采样技术对MobileNet网络进行训练，形成K个具有差异性的单分类器；
具体地，batch_size值可根据硬件设备的计算能力设定，优选batch_size值为：8,16,32,50,64,100,128,150,180,200等；
具体地，K值可根据实际应用的需要设定，优选K＝10。
S44，统计各单分类器在所述验证集上的识别率，并据此计算所述卷积网络集成中每一单分类器对应的权重，其计算公式如下：
其中，Ri是第i个单分类器在验证集上的识别率，λi是第i个单分类器对应的权重；
S45，各单分类器对归一化后的花朵区域分别进行识别，利用线性加权法对各单分类器的识别结果进行集成，其计算公式如下：
其中，x为归一化后的花朵区域，fi(x)是第i个单分类器对图像x的识别结果，λi是第i个单分类器对应的权重，F(x)是集成识别结果；
S46，输出所述目标花卉的种类的识别结果。
具体地，输出的成别结果中选择最大概率值所对应的花卉种类，即为该花卉图像中花卉的种类。
综上，本发明实施例根据花卉的种类可以在花卉育种信息管理系统中查询该类别花卉的育种材料、试验等育种信息，并与所述的初始花卉图像进行关联，从而便于花卉育种信息的精准管理，有利地促进花卉育种的信息化发展，实现花卉品种的精准选育。
该方法具有速度快、连续性强、便于花卉育种信息的精准管理，还能够应用于智能手机等移动终端以及相应的商业化育种软件，适合田间操作，拓宽了该方法的应用范围。
图3为本发明实施例提供的一种花卉种类识别系统的结构示意图，如图3所示，该系统包括：采集模块301、分割模块302、增强模块303、归一化模块304、识别模块305、保存模块306和关联模块307，其中：
采集模块301用于采集目标花卉的初始彩色图像；
分割模块302用于对目标花卉的初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
增强模块303用于基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
归一化模块304用于对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
识别模块305用于利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类；
保存模块306用于将所述目标花卉的种类的识别结果和所述初始彩色图像上传至花卉育种信息管理系统进行保存；
关联模块307用于根据所述目标花卉的种类的识别结果，在所述花卉育种信息管理系统中查找相关的育种材料、试验等育种信息，并与所述初始彩色图像进行关联。
本实施例为与上述方法实施例对应的系统实施例，详情请参考上述方法实施例，本系统实施例在此不再赘述。
图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行一种花卉种类识别方法，该方法包括：
采集目标花卉的初始彩色图像；
对所述初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类；
将所述目标花卉的种类的识别结果和所述初始彩色图像上传至花卉育种信息管理系统进行保存；
根据所述目标花卉的种类的识别结果，在所述花卉育种信息管理系统中查找相关的育种材料、试验等育种信息，并与所述初始彩色图像进行关联。
此外，上述的存储器430中的逻辑指令可以通过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，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的一种花卉种类识别方法，该方法包括：
采集目标花卉的初始彩色图像；
对所述初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类；
将所述目标花卉的种类的识别结果和所述初始彩色图像上传至花卉育种信息管理系统进行保存；
根据所述目标花卉的种类的识别结果，在所述花卉育种信息管理系统中查找相关的育种材料、试验等育种信息，并与所述初始彩色图像进行关联。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的一种花卉种类识别方法，该方法包括：
采集目标花卉的初始彩色图像；
对所述初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类；
将所述目标花卉的种类的识别结果和所述初始彩色图像上传至花卉育种信息管理系统进行保存；
根据所述目标花卉的种类的识别结果，在所述花卉育种信息管理系统中查找相关的育种材料、试验等育种信息，并与所述初始彩色图像进行关联。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (8)
1.一种花卉种类识别方法，其特征在于，包括：
采集目标花卉的初始彩色图像；
对所述初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类；
将所述目标花卉的种类的识别结果和所述初始彩色图像上传至花卉育种信息管理系统进行保存；
根据所述目标花卉的种类的识别结果，在所述花卉育种信息管理系统中查找相关的育种材料、育种信息，并与所述初始彩色图像进行关联。
2.根据权利要求1所述的花卉种类识别方法，其特征在于，所述对所述初始彩色图像进行分割，具体通过GrabCut的图像分割方法实现，具体步骤如下：
S11，对所述初始彩色图像Img1手工标记出包含花朵在内的最大矩形区域，形成第一彩色图像Img1-1；
S12，在所述第一彩色图像Img1-1中，手工标识花朵所在位置和背景所在位置，并将其设定为GrabCut算法的初始值；
S13，利用GrabCut算法对所述初始彩色图像Img1进行分割，形成第二彩色图像Img1-2；
S14，若所述第二彩色图像Img1-2中已不包含背景区域，即无背景区域可标识，则所述第二彩色图像Img1-2即为分割出的花朵区域Img2；
反之，则将所述第二彩色图像Img1-2代替所述第一彩色图像Img1-1，重复S12至S14，直到最终获得的所述第二彩色图像Img1-2中已不包含背景区域，将最终获得的所述第二彩色图像Img1-2作为分割出的花朵区域Img2。
3.根据权利要求1所述的花卉种类识别方法，其特征在于，所述基于图像增强算法，对所述花朵区域进行处理，具体通过基于引导滤波的图像增强方法实现，具体步骤如下：
S21，将分割出的花朵区域Img2从RGB颜色空间转换到CIEL*a*b*颜色空间；
S22，利用亮度分布特征计算出细节图像的增强权重w，计算公式如下：
其中，
和
分别是亮度空间L*内所有像素亮度值的最大值和平均值，δ为固定常数；
S23，利用引导滤波算法对分割后的花朵区域Img2进行平滑，将其分为细节图像d和基础图像q；
S24，将加权后的细节图像与基础图像进行融合，融合公式如下：
Img2＝w×d+q，
实现对分割后的花朵区域Img2的增强，得到增强后的花朵区域Img3。
4.根据权利要求1所述的花卉种类识别方法，其特征在于，所述对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域，具体步骤如下：
S31，对增强后的花朵区域Img3，利用双线性插值方法将其归一化成m×n大小的图像，形成第三彩色图像Img3-1，其中m、n分别为归一化后图像的宽度和高度，其单位为像素；
S32，将所述第三彩色图像Img3-1转换成TFRecord格式的彩色图像，形成归一化后的彩色图像Img4。
5.根据权利要求1所述的花卉种类识别方法，其特征在于，所述利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类，具体通过如下方法实现：
S41，选择在ILSVRC-2012-CLS数据集上预训练好的深度网络模型作为单分类器模型；
S42，构建花卉种类图像样本集，分为训练集、验证集和测试集，所述训练集中包括不同类别的花卉样本和每一花卉样本的标签；
S43，基于重采样技术和所述训练集，对每一预训练后的单分类器重新进行训练，形成K个具有差异性的单分类器；
S44，统计各单分类器在所述验证集上的识别率，并据此计算所述卷积网络的集成权重，其计算公式如下：
其中，Ri是第i个单分类器在验证集上的识别率，λi是第i个单分类器对应的权重；
S45，各单分类器对归一化后的花朵区域分别进行识别，利用线性加权法对各单分类器的识别结果进行集成，其计算公式如下：
其中，x为归一化后的花朵区域，fi(x)是第i个单分类器对图像x的识别结果，λi是第i个单分类器对应的权重，F(x)是集成识别结果；
S46，输出所述目标花卉的种类的识别结果。
6.一种花卉种类识别系统，其特征在于，包括：
采集模块，用于采集目标花卉的初始彩色图像；
分割模块，用于对所述初始彩色图像进行分割，提取出所述初始彩色图像中的花朵区域；
增强模块，用于基于图像增强算法，对所述花朵区域进行处理，获取增强后的花朵区域；
归一化模块，用于对增强后的花朵区域进行归一化处理，获取归一化后的花朵区域；
识别模块，用于利用卷积网络集成的方法，对归一化后的花朵区域进行识别，获取所述目标花卉的种类；
保存模块，用于将所述目标花卉的种类的识别结果和所述初始彩色图像上传至花卉育种信息管理系统进行保存；
关联模块，用于根据所述目标花卉的种类的识别结果，在所述花卉育种信息管理系统中查找相关的育种材料、育种信息，并与所述初始彩色图像进行关联。
7.一种电子设备，包括存储器、处理器及存储在存储器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如权利要求1至5任一项所述花卉种类识别方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述花卉种类识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773803.6A CN112116598B (zh) | 2020-08-04 | 一种花卉种类识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773803.6A CN112116598B (zh) | 2020-08-04 | 一种花卉种类识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112116598A true CN112116598A (zh) | 2020-12-22 |
| CN112116598B CN112116598B (zh) | 2024-10-29 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022151575A1 (zh) * | 2021-01-18 | 2022-07-21 | 芦书峰 | 一种花卉分类加工工艺及花卉产品 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101075291A (zh) * | 2006-05-18 | 2007-11-21 | 中国科学院自动化研究所 | 一种用于人脸识别的高效提升训练方法 |
| KR20110072226A (ko) * | 2009-12-22 | 2011-06-29 | 인하대학교 산학협력단 | 한 장의 영상으로부터 동작 영상을 생성하는 시스템 |
| CN103559719A (zh) * | 2013-11-20 | 2014-02-05 | 电子科技大学 | 一种交互式图像分割方法 |
| CN103793056A (zh) * | 2014-01-26 | 2014-05-14 | 华南理工大学 | 基于距离向量的空中手势漫游控制方法 |
| CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
| CN106156401A (zh) * | 2016-06-07 | 2016-11-23 | 西北工业大学 | 基于多组合分类器的数据驱动系统状态模型在线辨识方法 |
| CN107491733A (zh) * | 2017-07-19 | 2017-12-19 | 南京农业大学 | 一种基于深度神经网络的菊花识别方法 |
| CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
| CN108898059A (zh) * | 2018-05-30 | 2018-11-27 | 上海应用技术大学 | 花卉识别方法及其设备 |
| CN109479683A (zh) * | 2018-12-26 | 2019-03-19 | 浙江师范大学 | 一种智能花卉灌溉系统及其种植花卉识别方法 |
| CN110458200A (zh) * | 2019-07-17 | 2019-11-15 | 浙江工业大学 | 一种基于机器学习的花朵种类识别方法 |
| US20190377944A1 (en) * | 2018-06-08 | 2019-12-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and device for image processing, computer readable storage medium, and electronic device |
| CN110874835A (zh) * | 2019-10-25 | 2020-03-10 | 北京农业信息技术研究中心 | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 |
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101075291A (zh) * | 2006-05-18 | 2007-11-21 | 中国科学院自动化研究所 | 一种用于人脸识别的高效提升训练方法 |
| KR20110072226A (ko) * | 2009-12-22 | 2011-06-29 | 인하대학교 산학협력단 | 한 장의 영상으로부터 동작 영상을 생성하는 시스템 |
| CN103559719A (zh) * | 2013-11-20 | 2014-02-05 | 电子科技大学 | 一种交互式图像分割方法 |
| CN103793056A (zh) * | 2014-01-26 | 2014-05-14 | 华南理工大学 | 基于距离向量的空中手势漫游控制方法 |
| CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
| CN106156401A (zh) * | 2016-06-07 | 2016-11-23 | 西北工业大学 | 基于多组合分类器的数据驱动系统状态模型在线辨识方法 |
| CN107491733A (zh) * | 2017-07-19 | 2017-12-19 | 南京农业大学 | 一种基于深度神经网络的菊花识别方法 |
| CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
| CN108898059A (zh) * | 2018-05-30 | 2018-11-27 | 上海应用技术大学 | 花卉识别方法及其设备 |
| US20190377944A1 (en) * | 2018-06-08 | 2019-12-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and device for image processing, computer readable storage medium, and electronic device |
| CN109479683A (zh) * | 2018-12-26 | 2019-03-19 | 浙江师范大学 | 一种智能花卉灌溉系统及其种植花卉识别方法 |
| CN110458200A (zh) * | 2019-07-17 | 2019-11-15 | 浙江工业大学 | 一种基于机器学习的花朵种类识别方法 |
| CN110874835A (zh) * | 2019-10-25 | 2020-03-10 | 北京农业信息技术研究中心 | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| HAZEM HIARY 等: "Flower classification using deep convolutional neural networks", 《IET COMPUTER VISION》, pages 855 - 862 * |
| MUSA CIBUK 等: "Efficient deep features selections and classification for flower species recognition", 《MEASUREMENT》, pages 7 - 13 * |
| 孙威: "人脸识别快速检索算法研究及通关系统开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 6, pages 138 - 494 * |
| 柴栋: "基于工业大数据平台的TFT-LCD不良现象的分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 4, pages 138 - 279 * |
| 王威 等: "基于综合特征的花卉种类识别方法研究", 《湖南城市学院学报（自然科学版）》, vol. 27, no. 4, pages 45 - 49 * |
| 赵玮霖 等: "结合贝叶斯分类与SLIC的Grabcut彩色图像分割", 《激光杂志》, vol. 38, no. 05, 25 May 2017 (2017-05-25), pages 84 - 88 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022151575A1 (zh) * | 2021-01-18 | 2022-07-21 | 芦书峰 | 一种花卉分类加工工艺及花卉产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583483B (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
| CN112818975B (zh) | 文本检测模型训练方法及装置、文本检测方法及装置 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
| US20210118135A1 (en) | Methods for automated chromosome analysis | |
| CN111639629B (zh) | 一种基于图像处理的猪只体重测量方法、装置及存储介质 | |
| CN109815823B (zh) | 数据处理方法及相关产品 | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| CN109948429A (zh) | 图像分析方法、装置、电子设备及计算机可读介质 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN113192022A (zh) | 基于深度学习的病原孢子识别计数方法和装置 | |
| CN116740135B (zh) | 红外弱小目标跟踪方法、装置、电子设备及存储介质 | |
| CN108647696B (zh) | 图片颜值确定方法及装置、电子设备、存储介质 | |
| CN115147862A (zh) | 底栖动物自动识别方法、系统、电子设备和可读存储介质 | |
| Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
| CN104504161B (zh) | 一种基于机器人视觉平台的图像检索方法 | |
| CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
| CN117496532A (zh) | 基于0cr的智慧识别工具 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| CN110874835A (zh) | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 | |
| CN112116598B (zh) | 一种花卉种类识别方法及系统 | |
| CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别系统和方法 | |
| CN112116598A (zh) | 一种花卉种类识别方法及系统 | |
| CN115393470A (zh) | 一种文物数字线图的绘制方法、绘制系统及绘制装置 | |
| CN113505784A (zh) | 甲片自动标注解析方法及装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant |