[发明专利]入侵植物薇甘菊的自动识别方法及系统

权利要求书

1.入侵植物薇甘菊自动识别方法，其特征在于，包括以下步骤：

构建深度卷积神经网络，所述深度卷积神经网络结构为：

输入层：输入是尺寸224×224的RGB3通道图像，

第二层：卷积层，滤波函数尺寸7×7，步长2，无填充，

第三层：激活函数，

第四层：池化层，滤波函数尺寸3×3，步长2，无填充，

第五层：规则化层，

第六层：池化层，滤波函数尺寸3×3，步长2，无填充，

第七层至第二十层：GoogLeNet的inception v1结构，

第二十一层至第三十四层：GoogLeNet的inception v1结构，

第三十五层：池化层，滤波函数尺寸3×3，步长2，无填充，

第三十六层至第四十九层：GoogLeNet的inception v1结构，

第五十层：池化层，函数尺寸3×3，步长2，

第五十一层：池化层，函数尺寸7×7，步长1，

第五十二层：全连接层，设置全连接层的分类数为3，每个分类数分别对应入侵目标植物、绿色植物背景和除绿色植物外的背景，

第五十三层：softmaxLayer，

输出层：分类层；

将野外目标植物薇甘菊的彩色高清图像分成训练集和测试集，训练集和测试集的数量比为4：1，用训练集的彩色高清图像训练所述深度卷积神经网络，生成用于识别的深度卷积神经网络，其中，将野外目标植物薇甘菊的彩色高清图像裁剪成多个正方形的输入单元；

用测试集的野外目标入侵植物薇甘菊的彩色高清图像验证训练生成的深度卷积神经网络的准确率，其中，将待识别的野外目标入侵植物的彩色高清图像裁剪成多个正方形的输入单元；

当准确率小于预设阈值时，调整深度卷积神经网络结构的中间层和训练参数，再重新测试准确率，重复此步骤直至准确率大于等于预设阈值，完成训练，其中，设置训练参数为学习率衰减因子为0.8，学习率衰减周期为100，初始学习率为0.0005，训练循环最高次数为50，随机抽取的样本数为100，所述预设阈值为90％；

用训练完成的深度卷积神经网络对输入的待识别的野外目标入侵植物的彩色高清图像进行种类识别，标注识别结果并拼接。

2.一种入侵植物薇甘菊的自动识别系统，其特征在于，所述系统包括，

模型模块，用于构建深度卷积神经网络，

所述深度卷积神经网络结构为：

输入层：输入是尺寸224×224的RGB3通道图像，

第二层：卷积层，滤波函数尺寸7×7，步长2，无填充，

第三层：激活函数，

第四层：池化层，滤波函数尺寸3×3，步长2，无填充，

第五层：规则化层，

第六层：池化层，滤波函数尺寸3×3，步长2，无填充，

第七层至第二十层：GoogLeNet的inception v1结构，

第二十一层至第三十四层：GoogLeNet的inception v1结构，

第三十五层：池化层，滤波函数尺寸3×3，步长2，无填充，

第三十六层至第四十九层：GoogLeNet的inception v1结构，

第五十层：池化层，函数尺寸3×3，步长2，

第五十一层：池化层，函数尺寸7×7，步长1，

第五十二层：全连接层，设置全连接层的分类数为3，每个分类数分别对应入侵目标植物、绿色植物背景和除绿色植物外的背景，

第五十三层：softmaxLayer，

输出层：分类层；

训练模块，用于训练生成用于识别的深度卷积神经网络，并验证训练生成的深度卷积神经网络的准确度，若训练生成的深度卷积神经网络的识别准确率大于等于预设阈值，则训练结束，若训练生成的深度卷积神经网络的识别准确率小于预设阈值，则提醒用户调整所述深度卷积神经网络结构中间层和训练参数，重新训练深度卷积神经网络；

识别模块，用于对待识别的野外入侵植物的彩色高清图像进行种类识别，标注识别结果并拼接；

图像获取模块，用于获取待识别的野外目标入侵植物的彩色高清图像；

数据模块，用于将野外目标入侵植物的彩色高清图像分成训练集和测试集，并将彩色高清图像裁剪成多个正方形的输入单元。