[发明专利]一种植物识别方法

说明书

本发明公开了一种植物识别方法，该方法包括：预处理，用于将植物图像转换为二值图像；特征提取，用于提取上述图像中的相对特征，构成特征数据矩阵；分类识别，用于构建基于深度学习的神经网络模型，该模型采用五层BP神经网络，4层全连接层，最后一层为归一层；通过训练该模型，用于后续的植物识别。本发明方法采用具有代表性的8个相对特征，使其能适用于大多数植物的识别，相对于现有技术，能更大限度的识别更多的植物种类，提高了识别的准确率。

技术领域

本发明涉及机器视觉研究领域，特别涉及一种植物识别方法。

背景技术

植物聚类识别技术对植物分类识别、植物资源的保护与利用、探索植物间的亲缘关系、阐明植物的进化规律、农业的应用等方面具有现实意义。

目前大部分计算机辅助植物分类方法都是基于叶片形状的特征进行分类。该类方法主要包括两个方面，特征提取和分类算法。

特征提取方法有人工提取特征的方法，有利用植物叶片边缘的曲率等提取特征的方法，还有提取颜色、形状和纹理等特征的方法。这些方法受叶片拍摄角度和距离等影响很大，不便于后续的分类识别。分类算法目前有PCA方法，支持向量机算法等等。但这些方法不适用于多植物分类，只能解决特定的植物叶片分类，在对多种叶片植物的大数据训练时，识别率会下降。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种植物识别方法，该方法采用具有代表性的8个相对特征，使其能适用于大多数植物的识别，相对于现有技术，能更大限度的识别更多的植物种类，提高了识别的准确率。

本发明的目的通过以下的技术方案实现：一种植物识别方法，包括：

预处理，用于将植物图像转换为二值图像，

特征提取，用于提取上述图像中的相对特征，构成特征数据矩阵；

分类识别，用于构建基于深度学习的神经网络模型，该模型采用五层BP神经网络，4层全连接层，最后一层为归一层；通过训练该模型，用于后续的植物识别。

优选的，所述预处理步骤中，采用加权平均法对图像进行灰度化。

优选的，所述预处理步骤中，采用双边滤波器方法对图像进行去噪。

更进一步的，所述预处理步骤中，采用最大类间方差法(OTSU)对图像进行阈值分割。

优选的，所述预处理步骤中，为了去除叶片中孔洞和叶柄，采用下述形态学操作：对处理过的图像进行开运算去除叶柄，进行闭运算去除孔洞。

优选的，所述特征提取步骤中，选取如下的相对特征：周长凹凸比、面积凹凸比、偏心率、形状参数、圆形度、狭长度、矩形度以及周长长宽比。本发明采用具有代表性的8个相对特征，使其能适用于大多数植物的识别，能更大限度的识别更多的植物种类，提高了识别的准确率。

优选的，在将特征数据矩阵输入到基于深度学习的神经网络模型时，先进行归一化处理，归一化的步骤是：

X_C＝tanh((x-E(x))*1.5)/σ(x))

其中，X_C表示归一化处理结果，x表示某一个特征值，E(x)表示x的均值，σ(x)表示x的标准差。

优选的，在神经网络模型构建之初，通过下述调试验证步骤来验证当前神经网络模型中反向传播的编写是否正确，步骤是：

F＝(f(w+Δw)-f(w-Δw))/(2*Δw)

其中，F表示权重的导数，f表示w与目标函数y的关系，w是权重，Δw是表示一个无穷小，可以取接近0的一个数字测试。

判断权重的导数F是否等于反向传播的误差，如果相等，则表示当前反向传播编写正确。