CN114463639A - 基于安卓的月季花识别方法 - Google Patents
基于安卓的月季花识别方法 Download PDFInfo
- Publication number
- CN114463639A CN114463639A CN202210208299.4A CN202210208299A CN114463639A CN 114463639 A CN114463639 A CN 114463639A CN 202210208299 A CN202210208299 A CN 202210208299A CN 114463639 A CN114463639 A CN 114463639A
- Authority
- CN
- China
- Prior art keywords
- layer
- model
- identification
- rose
- chinese rose
- 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
Images
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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于安卓的月季花识别方法,属于图像识别领域。本发明包括:采集一定量的样本数据;对样本数据进行尺寸统一、灰度化、滤波等预处理操作;设计月季花识别模型;将训练好的模型转化成tflite模型;将tflite模型部署在移动端;在移动端处理用户上传的照片,返回月季花识别结果。本发明针对现有的神经网络模型以及众多花卉识别系统的不足,在LeNet‑5模型的基础上设计了用于月季花识别的网络模型结构,并部署在移动端,模型小巧,运算速度快,准确性高,满足了普通月季爱好者对月季花品种识别的需求。
Description
技术领域
本发明属于机器学习图像识别、移动技术领域,具体涉及一种基于安卓的月季花识别方法。
背景技术
机器学习是一种利用计算机对人类学习行为进行模拟的算法,通过学习训练集数据中的特点,不断调整网络的权值,用以预测新值的输出。机器学习这种特点赋予了计算机“智能”,是目前最前沿的研究领域之一。近年来,机器学习发展迅猛,在各个领域都展现出巨大的优势,机器学习理论和方法已被广泛应用于解决各领域的复杂问题。
机器学习中的深度学习具有强大的并行信息处理与自适应能力,在图像识别领域取得了突破性的进展。随着移动互联网、社交网络的发展,不受语言文化限制的图片逐步取代文字成为互联网上主流信息媒介。因此在现今互联网中,图像识别技术对信息检索起着十分关键的作用。月季花种类繁多,作为月季原产地之一,仅在国内就有上千种,对于非专业的人来说,很难判断月季花的具体种类,而利用图像识别技术可以帮助我们快速识别出图片内容。
移动端作为一种小巧便携的终端工具,近十多年也得到了快速发展,功能模式得到了前所未有的开发,未来移动端的发展将与人工智能技术紧密结合。为了实现移动端的智能化,各大公司团队都提出了将神经网络模型应用于移动端的框架。例如Google在2017年提出的TensorFlow Lite,2017年苹果公司推出用于iOS的Core ML移动端机器学习框架,Facebook提出的Caffe2跨平台移动框架等。
月季花品种繁多,且不同品种间差别不是很大,很多品种需要专业的花农才能辨别。目前市场上有的识花APP都是对不同种类的花进行识别,例如向日葵、玫瑰等大品类,而没有考虑到对特定品类下的花卉识别。为了满足普通人快速辨别月季品种的需求,本方法通过构建CNN模型,然后使用freeze_graph工具将模型转化成可以应用在TensorFlow Lite框架的移动端模型,并将该模型部署到移动端运行以识别月季花种类。
发明内容
本发明的目的是设计一种基于安卓的月季花识别方案,通过构建卷积神经网络模型,并且部署到移动端,实现在移动端离线条件下快速识别月季花种类的功能。
本发明解决其技术问题所采用的技术方案如下:
一种基于安卓的月季花识别方法,包括如下步骤:
(1)采集不同类别的月季花作为样本图像,对样本图像进行预处理;
(2)构建月季花识别模型,包括依次连接的第一卷积层、平均池化层、第二卷积层、最大池化层、全连接层、Dropout层和输出层;
(3)利用预处理后的样本图像对月季花识别模型进行训练;
(4)将训练好的月季花识别模型转换成tflite模型,部署在安卓系统中;
(5)将待识别的月季花图像预处理后作为安卓系统中的月季花识别模型的输入,输出识别结果。
进一步的,所述的步骤(1)具体为:
(1.1)采集不同类别的月季花作为样本图像;
(1.2)统一图像尺寸并进行灰度化处理,对灰度图进行高斯滤波;
(1.3)数据增强:对灰度图像进行平移、旋转或缩放操作,扩大样本图像集。
进一步的,所述的月季花识别模型采用改进后的LeNet-5神经网络模型;
将预处理后的图像作为第一卷积层的输入,所述的第一卷积层采用32个5*5的滤波器对输入图像进行卷积操作;第一卷积层的输出结果经平均池化层执行2*2的平均池化,然后作为第二卷积层的输入,所述的第二卷积层采用64个5*5的滤波器对输入图像层进行卷积操作,第二卷积层的输出结果经最大池化层执行2*2的最大池化,然后依次经全连接层、Dropout层后由输出层输出分类结果。
进一步的,所述的全连接层采用2048个神经元结构。
本发明的基于安卓的月季花识别方法产生以下几种良好的效果:
效果1:本发明采用将神经网络识别模型与手机端结合使用,使得用户可以直接在手机上离线实时快速获取月季花种类信息,保证了用户操作的便捷性,提高了用户体验,具有一定的实用性和价值性。
效果2:本发明在LeNet-5模型的基础之上进行改进,构建了适合月季花识别的神经网络模型,模型体积较小,运算速度较快,能够准确识别出月季花种类,转换成tflite模型后能很好的在移动端运行。
效果3:本发明采用深度学习来识别月季花品种,与现有的识花APP有所不同,定位明确,有效针对月季花的特点来进行网络模型设计。
附图说明
图1是本发明整体框架图;
图2是本发明图像预处理过程图;
图3是本发明卷积神经网络结构图;
图4是本发明月季花识别操作流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步描述本发明,但不作为对本发明的限定。
本实施例利用Google TensorFlow机器学习平台,在Python环境下训练出基于LeNet-5改进后的神经网络模型,并将其部署在移动端,实现月季花种类快速识别。
如图1-2所示,具体实施步骤如下:
A、采集样本图像,对样本图像进行预处理
对不同品种月季花的图像数据进行采集。本实施例通过相机拍照采集30个不同种类的月季花图片,每个种类包括不同角度、不同光照条件下100张照片,总计3000张图片。将图片尺寸进行压缩统一到100ppi*100ppi,为了去除颜色、光照对识别准确性的影响、减少处理的数据量,对采集到的图片进行灰度化处理,将RGB通道转化为一个单独的灰度通道。
对灰度图像进行高斯滤波,有效减少图像噪声,平滑图像;
数据增强:通过人工增加噪声将训练集增加到6000张,包括平移、旋转、缩放图像等,扩大后的样本数据能够提升模型的泛化能力。为了对基于LeNet-5改进后的神经网络模型进行训练,本实施例将6000张图像按照8:2分为训练集和测试集。
B、模型训练及部署
本实施例采用图3所示的基于LeNet-5改进的神经网络模型作为月季花识别模型,利用预处理后的样本数据在TensorFlow平台上对神经网络模型进行2000次迭代训练,利用测试集进行验证,保证预测准确度达到95%以上。
将训练好的模型转化成可用于移动端的tflite文件,部署在安卓设备。
在本发明的一项具体实施中,如图3所示,所述的月季花识别模型包括输入层、两个卷积层、一个平均池化层、一个最大池化层和一个全连接层,然后为输出的图像添加一个Dropout层,最后将结果输入softmax分类层进行分类。月季花识别模型的具体处理步骤为:
步骤a:输入层输入经过预处理后的图片,处理图像尺寸为100*100。C1卷积层的处理图像尺寸为96*96*32,采用32个5*5的滤波器对输入图像进行卷积操作,采用线性整流函数(Rectified Linear Unit,ReLU)作为非线性激活函数。S2层为保留图像细节信息,采用2*2的平均池化,步长为2,处理图像尺寸为48*48*32。C3卷积层采用64个5*5的滤波器对上一层进行卷积操作,得到的图像尺寸为44*44*64。S4层采用2*2的最大池化,,步长为2,得到的图像尺寸为22*22*64,减小卷积层参数误差造成的估计均值的偏移,更好地保留纹理信息。F5层为全连接层,采用2048个神经元与S4层进行全连接。
步骤b:F5层后面添加一个Dropout层。Dropout层的作用是随机让一部分节点失效,通过每次随机忽略隐藏层节点使得每次训练的网络都不同。此外,隐含节点都是以一定概率随机出现,这样权值的更新不再依赖于有固定关系隐含节点的共同作用,阻止了某些特征仅仅在其它特定特征下才有效果的情况。Dropout层的该种机制有效防止了模型过拟合。
步骤c:Dropout层后面为输出层,采用softmax进行多种类分类。
C、对待识别月季花进行识别
拍摄待识别的月季花图片,将图片尺寸大小调整为100ppi*100ppi并进行灰度化处理。将灰度化的图片输入到移动端离线的神经网络模型中进行识别,得到所要识别的月季花的图像的结果。
本发明将上述训练好的月季花识别模型转换成tflite模型,部署在安卓系统中,能很好的在移动端运行,tflite模型的转换步骤为:使用freeze_graph工具对训练好的模型进行freeze操作,将生成的文件进行合并生成一个变量值和运算图模型相结合的pb文件。对pb模型进行toco操作,将固化模型转化成可供TensorFlow Lite框架使用的.tflite文件。
在实际使用中,可直接通过移动端进行月季花识别,如图4所示,用户选择拍摄或者上传相册中已有的照片,安卓端将图片进行尺寸统一、灰度化等预处理之后,通过TensorFlow Lite框架将图片输入到离线的月季花识别模型中进行种类识别,识别结果显示在手机页面上。
下面结合具体实施例来说明本发明的效果。
数据集:为了评估本发明中的基于LeNet-5改进的神经网络模型的性能,共选取了6000张图片作为数据集,并将数据集按照8:2的比例随机取4800张图片作为训练集和1200张图片作为测试集。模型训练结束后,对1200张图像进行测试。
实验参数:
设置初始学习率为0.00001,采用按需调整学习率的策略,总的迭代次数为2000,网络权重更新方式为SGD,并采用L2正则化避免模型过拟合,其中momentum设置为0.9,decay设置为0.0005。下面为训练月季花图像检测网络步骤。
评判标准:采用召回率(Recall)、准确率(Accuracy)和每秒帧率(Frame PerSecond FPS)指标来评价月季花的检测效果。
实验数据:召回率84.41%,准确率97.4%,52fps。可见,月季花识别效率高、准确率高。
将初始化网络改进的LeNet-5换为传统LeNet-5网络,进行同样的检测步骤,其召回率为80.17%,准确率90.0%。
以上列举的仅是本发明的具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (4)
1.一种基于安卓的月季花识别方法,其特征在于,包括如下步骤:
(1)采集不同类别的月季花作为样本图像,对样本图像进行预处理;
(2)构建月季花识别模型,包括依次连接的第一卷积层、平均池化层、第二卷积层、最大池化层、全连接层、Dropout层和输出层;
(3)利用预处理后的样本图像对月季花识别模型进行训练;
(4)将训练好的月季花识别模型转换成tflite模型,部署在安卓系统中;
(5)将待识别的月季花图像预处理后作为安卓系统中的月季花识别模型的输入,输出识别结果。
2.根据权利要求1所述的基于安卓的月季花识别方法,其特征在于,所述的步骤(1)具体为:
(1.1)采集不同类别的月季花作为样本图像;
(1.2)统一图像尺寸并进行灰度化处理,对灰度图进行高斯滤波;
(1.3)数据增强:对灰度图像进行平移、旋转或缩放操作,扩大样本图像集。
3.根据权利要求1所述的基于基于安卓的月季花识别方法,其特征在于,所述的月季花识别模型采用改进后的LeNet-5神经网络模型;
将预处理后的图像作为第一卷积层的输入,所述的第一卷积层采用32个5*5的滤波器对输入图像进行卷积操作;第一卷积层的输出结果经平均池化层执行2*2的平均池化,然后作为第二卷积层的输入,所述的第二卷积层采用64个5*5的滤波器对输入图像层进行卷积操作,第二卷积层的输出结果经最大池化层执行2*2的最大池化,然后依次经全连接层、Dropout层后由输出层输出分类结果。
4.根据权利要求3所述的基于安卓的月季花识别方法,其特征在于,所述的全连接层采用2048个神经元结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208299.4A CN114463639A (zh) | 2022-03-04 | 2022-03-04 | 基于安卓的月季花识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210208299.4A CN114463639A (zh) | 2022-03-04 | 2022-03-04 | 基于安卓的月季花识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463639A true CN114463639A (zh) | 2022-05-10 |
Family
ID=81414743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210208299.4A Pending CN114463639A (zh) | 2022-03-04 | 2022-03-04 | 基于安卓的月季花识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463639A (zh) |
-
2022
- 2022-03-04 CN CN202210208299.4A patent/CN114463639A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764471B (zh) | 基于特征冗余分析的神经网络跨层剪枝方法 | |
CN109409198B (zh) | Au检测方法、装置、设备及介质 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN108171701B (zh) | 基于u网络和对抗学习的显著性检测方法 | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
CN106960206A (zh) | 字符识别方法和字符识别系统 | |
CN109657582A (zh) | 人脸情绪的识别方法、装置、计算机设备及存储介质 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN114821238B (zh) | 基于全局细节补充的卷积神经网络的图像识别方法及系统 | |
CN111079784B (zh) | 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法 | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN110751072B (zh) | 基于知识嵌入图卷积网络的双人交互识别方法 | |
CN107480723B (zh) | 基于局部二进制阈值学习网络的纹理识别方法 | |
CN111339935A (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
CN110751212A (zh) | 一种移动设备上高效的细粒度图像识别方法 | |
CN114882278A (zh) | 一种基于注意力机制和迁移学习的轮胎花纹分类方法和装置 | |
CN113920516A (zh) | 一种基于孪生神经网络的书法字骨架匹配方法及系统 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN114581789A (zh) | 一种高光谱图像分类方法及系统 | |
CN110688966A (zh) | 语义指导的行人重识别方法 | |
CN114170657A (zh) | 融合注意力机制与高阶特征表示的面部情感识别方法 | |
CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
CN113361589A (zh) | 基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法 | |
CN116563683A (zh) | 一种基于卷积神经网络和多层感知机的遥感影像场景分类方法 | |
CN114463639A (zh) | 基于安卓的月季花识别方法 |
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 |