CN113239783A - 基于拼图打乱式数据扰动机制的植物叶片识别系统 - Google Patents
基于拼图打乱式数据扰动机制的植物叶片识别系统 Download PDFInfo
- Publication number
- CN113239783A CN113239783A CN202110509020.1A CN202110509020A CN113239783A CN 113239783 A CN113239783 A CN 113239783A CN 202110509020 A CN202110509020 A CN 202110509020A CN 113239783 A CN113239783 A CN 113239783A
- Authority
- CN
- China
- Prior art keywords
- plant leaf
- picture
- module
- loss
- sub
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000000137 annealing Methods 0.000 claims abstract description 15
- 241000196324 Embryophyta Species 0.000 claims description 85
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 4
- 230000008447 perception Effects 0.000 abstract description 4
- 230000003042 antagnostic effect Effects 0.000 abstract 2
- 230000004044 response Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于拼图打乱式数据扰动机制的植物叶片识别系统，包括：拼图打乱模块、对抗学习模块、建模模块、损失函数计算分析模块、余弦退火学习模块，本发明所述系统采用将输入样本处理成随机打乱的形式，迫使模型提取子区域特征，同时使用对抗学习规避拼图机制带来的噪声模式的干扰，避免模型过度拟合拼图输入中包含的间隔信息，同时使用构建学习建模子区域之间的关联信息，增强模型对于子区域的空间感知能力，最后通过余弦退火方案给模型多次纠错的机会，以提高模型识别准确率。
Description
技术领域
本发明涉及植物叶片识别技术领域，特别涉及一种基于拼图打乱式数据扰动机制的植物叶片识别系统。
背景技术
识别和分类植物在农学研究中占有非常重要的位置，正确认识以及辨别植物能够改善制药工业、生态系统平衡以及有效提高农业生产力，目前主流的传统植物图像分类工作一般是通过人工完成，在一定工作强度内具有很高的准确率，但人工分类存在随着工作量的增加，工人的准确率会随之降低的问题，而通过植物图像识别技术分类则能够很好的弥补这一点，植物图像识别技术一般指的是利用当下主流的计算机视觉技术，提取输入图像的特征，进行预测分类，针对数据集进行模型训练以及结构调整，最终实现对图像植物的预测，因此通过植物图像识别技术进行分类具有极大的应用优势与前景。
近些年计算机视觉领域进展迅速，给很多实际场景的识别分类任务带来了巨大的帮助，但在复杂的植物叶片识别场景中，由于背景中容易包含其他类别样本或物体，且常常存在类内间距过大或类间间距过小的问题，以及很多植物叶片的外观只存在非常细小的区别，因此会造成在识别系统中识别样本分类错误，或者存在较多相似度极高的样本，使参数量不断增加，不仅给模型的部署以及落地带来了巨大的障碍，而且使识别难度增加，造成识别准确率不够理想。因此，本发明提出一种基于拼图打乱式数据扰动机制的植物叶片识别模型，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明提出一种基于拼图打乱式数据扰动机制的植物叶片识别模型，以解决现有技术中存在的技术问题，能够迫使模型提取子区域特征，同时使用对抗学习规避拼图机制带来的噪声模式的干扰，避免模型过度拟合拼图输入中包含的间隔信息，同时使用构建学习建模子区域之间的关联信息，增强模型对于子区域的空间感知能力，最后通过余弦退火方案给模型多次纠错的机会，以提高模型识别准确率。
为实现上述目的，本发明提供了如下方案：本发明提供基于拼图打乱式数据扰动机制的植物叶片识别系统，包括：拼图打乱模块、对抗学习模块、建模模块、损失函数计算分析模块、余弦退火学习模块；
所述拼图打乱模块用于将植物叶片的原始图片进行切分和重组，得到重组图片；
所述对抗学习模块用于消除所述重组图片所带来的噪声干扰；
所述建模模块用于对消除噪声干扰后的重组图片的植物叶片结构信息进行建模，得到植物叶片结构信息模型；
所述损失函数计算分析模块基于损失函数获得所述植物叶片结构信息模型的性能；
所述余弦退火学习模块用于跳出优化所述损失函数时陷入局部最优解的情况，使所述植物叶片结构信息模型完成对植物叶片的识别。
优选地，所述植物叶片的原始图片具体被切分为n*n个尺寸相同的子区域；所述重组图片与所述植物叶片的原始图片尺寸相同。
优选地，所述对抗学习模块包括依次连接的预处理单元、对抗学习单元、验证单元；
所述预处理单元将所述植物叶片的原始图片和所述重组图片的所述子区域在编码后输入特征提取网络；
所述对抗学习单元包括分类损失支路和对抗损失支路；所述分类损失支路中输入设置为相同标签的两种编码图片；所述对抗损失支路中输入设置为不同标签的两种编码图片；所述分类损失支路和所述对抗损失支路基于所述子区域的共同特征，使所述特征提取网络获得无噪声干扰的植物叶片子区域特征图谱；
所述验证单元通过将所述植物叶片子区域特征图谱绘制成散点图对消除噪声干扰的效果进行验证。
优选地，所述对抗损失支路通过输入不同标签的所述植物叶片的原始图片和所述重组图片对噪声干扰信息、植物叶片的原始图片结构信息、子区域差异特征信息进行区分，并选用子区域差异特征信息作为最终植物叶片判断分类的依据。
优选地，所述散点图具体表示为：
R(I,φ(I))＝(r(I,c),r(φ(I),c))
其中，R()表示重组图片和原始图片共同输入R函数计算对应的坐标值，r(I,c)为横坐标值，r(φ(I),c)为纵坐标值，r为输入样本I在标签为c情况下的输出值，c表示对应的类别，I为原始图片，φ(I)为重组图片。
优选地，所述建模模块的建模步骤包括：
S1.获取无噪声干扰的植物叶片子区域特征图谱；
S2.将所述无噪声干扰的植物叶片子区域特征图谱使用[0，n*n-1]范围内的整数，按顺序排列序号进行编码；
S3.将打乱后的所述重组图片依照每个所述子区域对应的所述序号进行重新编码，以得到相应标签值；
S4.每张植物叶片图片经过卷积层最终得到的网络回归目标为每个所述子区域输出位置的编码值所对应的标签值；
S5.通过使所述植物叶片的原始图片和所述重组图片的每个所述子区域分别回归对应位置的方式，对不同所述子区域之间的关联性进行建模。
优选地，所述步骤S2中的所述序号为切分后所述子区域对应所述植物叶片的原始图片中的位置。
优选地，所述损失函数计算分析模块包括损失计算单元和分析单元；
所述损失计算单元将所述原始图片对应的所述子区域的坐标信息转化为[0，n*n-1]范围内的整数，将按顺序排列好的坐标向量作为每个输出特征向量最终的回归目标，对L1损失函数、L2损失函数、Smooth L1损失函数分别进行计算；
所述分析单元基于各所述损失函数值获得所述植物叶片结构信息模型的性能。
优选地，所述余弦退火学习模块在所述植物叶片结构信息模型陷入局部最优解情况时，通过余弦函数降低学习率跳出局部最优解，寻找全局最优解，其参数ηt更新公式为：
其中，
和
分别代表了学习率的最小值和最大值，Tcur表示当前训练迭代次数，Ti为超参。
本发明公开了以下技术效果：
本系统将输入样本处理成随机打乱的形式，迫使模型提取子区域特征，同时使用对抗学习规避拼图机制带来的噪声模式的干扰，避免模型过度拟合拼图输入中包含的间隔信息，同时使用构建学习建模子区域之间的关联信息，增强模型对于子区域的空间感知能力，最后通过余弦退火方案给模型多次纠错的机会，以提高模型识别准确率。
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为本发明的识别系统整体模块图；
图2为本发明的拼图打乱扰动机制示意图；
图3为本发明的对抗学习模块规避噪声干扰示意图；
图4为本发明使用对抗损失对特征图谱输出的影响示意图，其中，图4(a)为使用分类损失的特征图谱输出图，图4(b)为使用分类损失和对抗损失的特征图谱输出图；
图5为本发明通过子区域位置建模学习空间序列关系，其中，图5(a)为原始图片经过子区域位置建模学习空间序列关系图，图5(b)为拼图打乱后的图片经过子区域位置建模学习空间序列关系图。
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，所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-3所示，本实施例提供一种基于拼图打乱式数据扰动机制的植物叶片识别系统，包括：拼图打乱模块、对抗学习模块、建模模块、损失函数计算分析模块、余弦退火学习模块。
所述拼图打乱模块用于将植物叶片的原始图片进行切分和重组，得到重组图片；所述对抗学习模块用于消除所述重组图片所带来的噪声干扰；所述建模模块用于对消除噪声干扰后的重组图片的植物叶片结构信息进行建模，得到植物叶片结构信息模型；所述损失函数计算分析模块基于损失函数获得所述植物叶片结构信息模型的性能；所述余弦退火学习模块用于跳出优化所述损失函数时陷入局部最优解的情况，使所述植物叶片结构信息模型完成对植物叶片的识别。
进一步地优化方案，所述植物叶片的原始图片具体被切分为n*n个尺寸相同的子区域；所述重组图片与所述植物叶片的原始图片尺寸相同。
进一步地优化方案，所述对抗学习模块包括依次连接的预处理单元、对抗学习单元、验证单元；网络训练时，会将原图和打乱后图都输入网络进行训练，预处理单元会对原图和打乱图进行一个二维的one-hot编码，用于表征输入图片是原图还是打乱后图片。
随后在对抗学习单元，两种输入图片经过网络在分类损失支路，使用的是相同的标签，在对抗损失支路使用的是不同的标签，在分类损失支路，模型希望通过对原始图片和重组图片使用相同标签告诉模型关注具有判别能力的细节信息，而不仅仅是关注模型原有的轮廓和结构信息，在进行子区域的特征提取过程中，模型可以发现原始图片和重组图片之间的共同特征，因此大多数注意力就会放在子区域的差异特征信息上，通过这种方式提升模型对于子区域的信息关注程度。
所述验证单元通过将所述植物叶片子区域特征图谱绘制成散点图对消除噪声干扰的效果进行验证。
进一步地优化方案，打乱原始图片子区域产生的噪声模式会在模型的学习过程中产生一定程度的干扰，因此需要使用对抗损失支路来克服这部分产生噪声带来的干扰。通过给对抗损失支路输入带有不同标签的原始图片和重组图片，让对抗损失支路能够对噪声干扰信息、植物叶片的原始图片结构信息、子区域差异特征信息这三者进行区分，从而从中选择子区域差异特征信息作为最终识别类别的依据。
参照图4所示，为了验证对抗损失的有效性，可以将特征提取网络中的最后一个stage的三层特征图谱的相应情况绘制成散点图，横纵坐标分别表示原图和打乱图对标签的响应强烈程度，具体表示为：
R(I,φ(I))＝(r(I,c),r(φ(I),c))
其中，R()表示重组图片和原始图片共同输入R函数计算对应的坐标值，r(I,c)为横坐标值，r(φ(I),c)为纵坐标值，r为输入样本I在标签为c的情况下，网络中该层的输出值，c表示对应的类别，I为原始图片，φ(I)为重组图片。
从图中可以看出单独使用分类损失支路进行学习时，模型对于所有不同输入图片的输出响应基本呈现正相关的结果，对比左右两图能够看出，左图受到了噪声、结构信息的干扰，无法针对细节信息进行特征提取，而右图在使用了分类损失支路和对抗损失支路共同学习之后，可以看到散点图分布较为松散，其中D区域模型对原始图片的响应较弱，而对重组图片的响应较为强烈，表明这部分的特征很明显为噪声模式引入的特征；而F区域模型对原始图片响应强烈，对重组图片响应弱，表明这部分提取到的更多的是原始图片中的全局结构信息；而E区域则是在原始图片和重组图片中响应均较为强烈的特征，表明这部分特征属于细节信息拥有的特征，可以作为最终分类的依据。
参照图5所示，所述建模模块的建模步骤包括：
S1.获取所述无噪声干扰的植物叶片子区域特征图谱。
S2.将所述无噪声干扰的植物叶片子区域特征图谱使用[0，n*n-1]范围内的整数，按顺序排列序号并进行编码。
S3.将打乱后的所述重组图片依照每个所述子区域对应的所述序号进行重新编码，以得到相应标签值。
S4.每张植物叶片图片经过卷积层最终得到的网络回归目标为每个所述子区域输出位置的编码值所对应的标签值。
S5.通过使所述植物叶片的原始图片和所述重组图片的每个所述子区域分别回归对应位置的方式，对不同所述子区域之间的关联性进行建模。
进一步地优化方案，所述步骤S2中的所述序号为切分后所述子区域对应所述植物叶片的原始图片中的位置。
结构建模过程使得模型对于不管是原始图片还是重组图片，都能很好地感知不同子区域的位置信息，例如在重组图片中，模型对叶片的尖端部分的纹理或脉络相应十分强烈，通过拼图打乱学习到了这种细节特征，那么通过结构建模，模型能够掌握到这类植物最具有判别能力的信息往往集中在叶片的尖端部分，这种定位能力，对于敏感信息的搜索能力，通过结构建模被模型很好的捕捉，以至于在预测时，模型碰到这类植物，能够快速准确的找到叶片尖端位置的信息，进行类别的判断，而不会受到其他无关信息的干扰。
进一步地优化方案，所述损失函数计算分析模块包括损失计算单元和分析单元；所述损失计算单元将所述原始图片对应的所述子区域的坐标信息转化为[0，n*n-1]范围内的整数，将按顺序排列好的坐标向量作为每个输出特征向量最终的回归目标，对L1损失函数、L2损失函数、Smooth L1损失函数分别进行计算；所述分析单元基于各所述损失函数值获得所述植物叶片结构信息模型的性能。
进一步地优化方案，所述L1损失函数为：
上述公式为L1损失函数的标准计算公式，包括预测值与标签值之间的差值绝对值计算，最后再除以归一化值即nxn，其中差值的绝对值计算包括原图对应的输出和打乱图对应的输出两者分别计算的结果再进行求和，以得到最终的损失值。
L1损失函数最大的特点就是梯度在任何情况下都是恒定的，即无论模型预测偏离真实值大还是小，损失函数都可以稳定的提供梯度，不会造成损失函数受输入样本或模型训练阶段过大的后果影响，也即不会出现梯度消失/梯度爆炸等问题。
所述L2损失函数为：
其中，f(xi)为模型预测值，yi为标签真实值。
对于模型训练来说，L2损失函数由于梯度随着偏离值变化，那么随着梯度下降的进行，损失降低意味着偏离越来越小，损失函数的梯度也会变小，对于模型收敛来说会变得越来越容易，而模型训练初始阶段偏离较大，损失函数也会获得更大的梯度，加速模型训练，L2损失函数可以自适应地改变模型参数的更新速度，以提升模型收敛效率。
所述Smooth L1损失函数为：
公式为smooth L1损失函数的标准形式，其中第一行公式计算的是打乱图片的损失值，第二行公式计算的是原图的损失值，最终的损失值为两者相加，再代入smooth L1损失函数。
公式中x为预测值与真实值之间的差值，Smooth L1在差值绝对值小于1范围内，导数值为差值本身，这就意味着差值越小梯度越小，差值越大梯度越大，保证了训练后期误差较小时，梯度也会越来越小，参数更新越来越缓慢，保证了模型误差可以降到更低，准确率更高。同时在x绝对值超过1的范围内，损失函数的梯度稳定为常数值，不会像L2损失函数一样误差过大时，梯度也过大，保证了训练初期梯度的稳定性。
进一步地优化方案，所述余弦退火学习模块在所述植物叶片结构信息模型陷入局部最优解情况时，通过余弦函数降低学习率跳出局部最优解，以寻找全局最优解，其参数ηt更新公式为：
其中，
和
分别代表了学习率的最小值和最大值，Tcur表示当前训练迭代次数，Ti为超参，用于调整余弦退火的周期大小。
当Tcur＝Ti时，学习率降为最低学习率；当Tcur＝0或Tcur是Ti的偶数倍时，学习率上升为最大学习率，此时如果模型陷入了局部最优解，就可以凭借突然增大的学习率，跳出当前局部最优解，进而重新规划优化路线，以寻找全局最优解。
本发明具有以下技术效果：
将输入样本处理成随机打乱的形式，迫使模型提取子区域特征，同时使用对抗学习规避拼图机制带来的噪声模式的干扰，避免模型过度拟合拼图输入中包含的间隔信息，同时使用构建学习建模子区域之间的关联信息，增强模型对于子区域的空间感知能力，最后通过余弦退火方案给模型多次纠错的机会，以提高模型识别准确率。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (9)
1.基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，包括：拼图打乱模块、对抗学习模块、建模模块、损失函数计算分析模块、余弦退火学习模块；
所述拼图打乱模块用于将植物叶片的原始图片进行切分和重组，得到重组图片；
所述对抗学习模块用于消除所述重组图片所带来的噪声干扰；
所述建模模块用于对消除噪声干扰后的重组图片的植物叶片结构信息进行建模，得到植物叶片结构信息模型；
所述损失函数计算分析模块基于损失函数获得所述植物叶片结构信息模型的性能；
所述余弦退火学习模块用于跳出优化所述损失函数时陷入局部最优解的情况，使所述植物叶片结构信息模型完成对植物叶片的识别。
2.根据权利要求1所述的基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，
所述植物叶片的原始图片具体被切分为若干个尺寸相同的子区域；所述重组图片与所述植物叶片的原始图片尺寸相同。
3.根据权利要求2所述的基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，
所述对抗学习模块包括依次连接的预处理单元、对抗学习单元、验证单元；
所述预处理单元将所述植物叶片的原始图片和所述重组图片的所述子区域在编码后输入特征提取网络；
所述对抗学习单元包括分类损失支路和对抗损失支路；所述分类损失支路中输入设置为相同标签的两种编码图片；所述对抗损失支路中输入设置为不同标签的两种编码图片；所述分类损失支路和所述对抗损失支路基于所述子区域的共同特征，使所述特征提取网络获得无噪声干扰的植物叶片子区域特征图谱；
所述验证单元通过将所述植物叶片子区域特征图谱绘制成散点图对消除噪声干扰的效果进行验证。
4.根据权利要求3所述的基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，
所述对抗损失支路通过输入不同标签的所述植物叶片的原始图片和所述重组图片对噪声干扰信息、植物叶片的原始图片结构信息、子区域差异特征信息进行区分，并选用子区域差异特征信息作为最终植物叶片判断分类的依据。
5.根据权利要求3所述的基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，
所述散点图具体表示为：
R(I,φ(I))＝(r(I,c),r(φ(I),c))
其中，R()表示重组图片和原始图片共同输入R函数计算对应的坐标值，r(I,c)为横坐标值，r(φ(I),c)为纵坐标值，r为输入样本I在标签为c情况下的输出值，c表示对应的类别，I为原始图片，φ(I)为重组图片。
6.根据权利要求1所述的基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，
所述建模模块的建模步骤包括：
S1.获取无噪声干扰的植物叶片子区域特征图谱；
S2.将所述无噪声干扰的植物叶片子区域特征图谱使用[0，n*n-1]范围内的整数，按顺序排列序号进行编码；
S3.将打乱后的所述重组图片依照每个所述子区域对应的所述序号进行重新编码，以得到相应标签值；
S4.每张植物叶片图片经过卷积层最终得到的网络回归目标为每个所述子区域输出位置的编码值所对应的标签值；
S5.通过使所述植物叶片的原始图片和所述重组图片的每个所述子区域分别回归对应位置的方式，对不同所述子区域之间的关联性进行建模。
7.根据权利要求6所述的基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，
所述S2中的所述序号为切分后所述子区域对应所述植物叶片的原始图片中的位置。
8.根据权利要求2所述的基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，
所述损失函数计算分析模块包括损失计算单元和分析单元；
所述损失计算单元将所述原始图片对应的所述子区域的坐标信息转化为[0，n*n-1]范围内的整数，将按顺序排列好的坐标向量作为每个输出特征向量最终的回归目标，对L1损失函数、L2损失函数、Smooth L1损失函数分别进行计算；
所述分析单元基于各所述损失函数值获得所述植物叶片结构信息模型的性能。
9.根据权利要求1所述的基于拼图打乱式数据扰动机制的植物叶片识别系统，其特征在于，
所述余弦退火学习模块在所述植物叶片结构信息模型陷入局部最优解情况时，通过余弦函数降低学习率跳出局部最优解，寻找全局最优解，其参数ηt更新公式为：
其中，
和
分别代表了学习率的最小值和最大值，Tcur表示当前训练迭代次数，Ti为超参。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110509020.1A CN113239783A (zh) | 2021-05-11 | 2021-05-11 | 基于拼图打乱式数据扰动机制的植物叶片识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110509020.1A CN113239783A (zh) | 2021-05-11 | 2021-05-11 | 基于拼图打乱式数据扰动机制的植物叶片识别系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113239783A true CN113239783A (zh) | 2021-08-10 |
Family
ID=77133435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110509020.1A Pending CN113239783A (zh) | 2021-05-11 | 2021-05-11 | 基于拼图打乱式数据扰动机制的植物叶片识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113239783A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108133186A (zh) * | 2017-12-21 | 2018-06-08 | 东北林业大学 | 一种基于深度学习的植物叶片识别方法 |
| CN111950525A (zh) * | 2020-08-31 | 2020-11-17 | 福州大学 | 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法 |
| CN112395815A (zh) * | 2020-12-04 | 2021-02-23 | 浙江科技学院 | 一种永磁同步电机的温度预测方法 |
| CN112528059A (zh) * | 2021-02-08 | 2021-03-19 | 南京理工大学 | 基于深度学习的交通目标图像检索方法、装置及可读介质 |
| AU2021101258A4 (en) * | 2021-03-11 | 2021-05-06 | Audre Arlene, A. MS | A system for detecting disease in leaf and a method thereof |
-
2021
- 2021-05-11 CN CN202110509020.1A patent/CN113239783A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108133186A (zh) * | 2017-12-21 | 2018-06-08 | 东北林业大学 | 一种基于深度学习的植物叶片识别方法 |
| CN111950525A (zh) * | 2020-08-31 | 2020-11-17 | 福州大学 | 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法 |
| CN112395815A (zh) * | 2020-12-04 | 2021-02-23 | 浙江科技学院 | 一种永磁同步电机的温度预测方法 |
| CN112528059A (zh) * | 2021-02-08 | 2021-03-19 | 南京理工大学 | 基于深度学习的交通目标图像检索方法、装置及可读介质 |
| AU2021101258A4 (en) * | 2021-03-11 | 2021-05-06 | Audre Arlene, A. MS | A system for detecting disease in leaf and a method thereof |
Non-Patent Citations (1)
| Title |
|---|
| YUE CHEN，ET AL: ""Destruction and Construction Learning for Fine-grained Image Recognition"", 《2019 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564129B (zh) | 一种基于生成对抗网络的轨迹数据分类方法 | |
| CN108416258B (zh) | 一种基于人体部位模型的多人体跟踪方法 | |
| Beikmohammadi et al. | SWP-LeafNET: A novel multistage approach for plant leaf identification based on deep CNN | |
| CN106503727B (zh) | 一种高光谱图像分类的方法及装置 | |
| CN111783505A (zh) | 伪造人脸的识别方法、装置和计算机可读存储介质 | |
| CN114841244B (zh) | 一种基于鲁棒采样和混合注意力金字塔的目标检测方法 | |
| CN107122411A (zh) | 一种基于离散多视图哈希的协同过滤推荐方法 | |
| CN113837308A (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
| CN112329656B (zh) | 一种视频流中人体动作关键帧的特征提取方法 | |
| CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
| CN109117746A (zh) | 手部检测方法及机器可读存储介质 | |
| CN107368526A (zh) | 一种数据处理方法及装置 | |
| CN113989747A (zh) | 终端区气象场景识别系统 | |
| CN113505810A (zh) | 基于池化视觉Transformer杂草生长周期检测方法 | |
| CN115937693A (zh) | 一种基于遥感图像的道路识别方法及系统 | |
| CN110349176B (zh) | 基于三重卷积网络和感知干扰学习的目标跟踪方法和系统 | |
| CN113420289B (zh) | 面向深度学习模型的隐蔽中毒攻击防御方法及其装置 | |
| CN117785993A (zh) | 图模式的挖掘方法及装置 | |
| CN117437691A (zh) | 一种基于轻量化网络的实时多人异常行为识别方法及系统 | |
| JP2011257805A (ja) | 情報処理装置および方法、並びにプログラム | |
| CN113239783A (zh) | 基于拼图打乱式数据扰动机制的植物叶片识别系统 | |
| Pereira et al. | Assessing active learning strategies to improve the quality control of the soybean seed vigor | |
| CN113658217B (zh) | 一种自适应目标跟踪方法、装置及存储介质 | |
| CN113837091A (zh) | 识别方法、装置、电子设备及计算机可读存储介质 | |
| CN114495269A (zh) | 一种行人重识别方法 |
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 |
Application publication date: 20210810 |
|
| RJ01 | Rejection of invention patent application after publication |