[发明专利]基于生成式对抗网络模型和IOS平台的植物叶片识别系统

说明书

本发明涉及一种基于生成式对抗网络模型和IOS平台的植物叶片识别系统，该系统包括IOS客户端和与IOS客户端通过无线网络互相连接的服务器端，所述的IOS客户端获取植物叶片图像，并对植物叶片图像进行预处理，处理后的植物叶片图像通过IOS客户端的人机交互页面选取本地识别路径或服务器端识别路径，所述的IOS客户端对本地识别路径请求调用自身网络模型进行植物叶片识别，所述的服务器端在收到服务器端识别路径的请求后，对由IOS客户端无线发送的预处理后的植物叶片图像调用基于分段损失加权的生成式对抗网络进行识别。与现有技术相比，本发明具有改善模型的模式崩溃现象、识别效率高等优点。

技术领域

本发明涉及植物叶片识别技术领域，尤其是涉及一种基于生成式对抗网络模型和IOS平台的植物叶片识别系统。

背景技术

地球上存在众多的植物物种，由于植物的种类繁多，除非具有相关专业知识，否则很难记忆并识别多种植物，因此植物自动识别技术的研究具有重大意义。由于叶片是植物的重要器官，并且能反映出植物的重要特征，因此往往作为植物识别的重要判别依据。

目前，植物物种识别方法主要有三种：

(1)人工贴上的物种标签：这是大部分植物园或公园采取的为方便游客识别植物物种的一种方法，即，将刻有植物相关信息的标签牌贴于植物枝干上供游客阅读。此方法存在着耗费人力物力、传达信息较少、表达不醒目以及标签易被腐蚀等先天性不足，限于此，仅在收费或者受保护的景区得以普及；

(2)人工贴上的二维码：此方法可视为方法(1)的升级版，是物种标现代电子技术发展相结合的产物，游客通过扫描贴于植物枝干上的二维码，接入互联网即可获得丰富的植物物种信息，该方法克服了方法(1)中的传递信息少的缺点，但仍存在着耗费人力物力和标签易被腐蚀等缺点，仅在极少数园区得以实施，目前仍处于试验阶段；

(3)专业的植物分类学工作者的研究：这是最传统的植物分类学研究方法，研究者们通过采集标本和人工测量，并结合经验知识和书本指导对标本进行分类，这种方法工作量巨大，并且需要大量专业知识，只能在科研领域得以实施。

以上三种方法由于自身的缺陷都未能够得到普及，目前市场上并没有一种方便快捷并且代价小的植物物种识别方法。

图像识别问题是计算机视觉领域内的一个重要问题，传统的图像识别方法主要在于，首先基于原始图像提取出各种特征，然后将得到的特征输入到各种分类器中进行识别。再将图像识别涉及到视角不同、物体大小变化、物体形变、遮挡、光照强度变化等问题，难以用人为设计的图像特征描述，因此传统方法的识别精度普遍不高。卷积神经网络是一种前馈神经网络，由多个卷积层、池化层、全连接层等网络层结构组成，能够充分利用输入数据的二维结构，在图像领域有出色表现，相比于其他深度学习结构，更适合用于解决图像识别等相关问题。

深度学习在诸多领域取得了巨大成功，受到了广泛关注。神经网络能够再次焕发青春的原因有几个方面。首先，大数据的出现已经在很大程度上缓解了训练中过拟合的问题。例如ImageNet训练集拥有上百万已标注的图像。其次，各种硬件的飞速发展提供了非常强大的计算能力，甚至出现了专门用于深度学习的硬件设备，使得训练大规模的神经网络成为可能。最后，近年来在网络模型架构，神经网络参数的初始化，模型训练方法以及激活函数的选择等方面出现了很多研究成果，使得深度网络模型在趋于深度化的同时能够减少网络模型的参数，大大提高深度网络模型的训练速度和识别精度。