[发明专利]一种用于耕地监测的自动识别系统及方法

说明书

本发明公开了一种用于耕地监测的自动识别系统及方法，主要涉及自动识别技术领域。用以解决现有的植物自动识别方法产生的特征向量的范围重叠较多、检索效率低等技术问题。包括：数据搭建模块，用于将若干标记好植物名称的叶片图像作为训练样本；确定植物名称、叶片特征向量之间的对应关系；目标获取模块，用于基于最大类间方差算法，获得采集图片中植物叶片对应的目标图片；图片处理模块，用于将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量；进而确定采集图片对应的植物名称。本发明通过上述方法降低了待处理图片的数据量，满足了降低特征向量的需求，提高了特征向量的典型性，进而提高了识别技术的效率。

技术领域

本发明涉及自动识别领域，尤其涉及一种用于耕地监测的自动识别系统及方法。

背景技术

随着科技的发展，尺度不变特征变换模型基于其对于光线、噪声、微视角改变的容忍度相当高的特性，被广泛应用于识别领域中。

现阶段，通过尺度不变特征变换模型进行的图片识别的技术方案主要为：将待测图片中的特征向量与预存的特征向量进行对比来确定该图片对应的植物种类。

但是，传统的尺度不变特征变换模型在对图像进行特征向量提取的过程中，需要多次干预，提出的特征向量不能反映图像特点，使各种识别对象的特征向量范围重叠较多等，导致效率低、工作量大和存在人为误差的问题。

发明内容

本发明实施例提供了一种用于耕地监测的自动识别系统及方法，用以解决上述问题。

第一方面，本发明实施例提供了一种用于耕地监测的自动识别系统，系统包括：数据搭建模块，用于将若干标记好植物名称的叶片图像作为训练样本；基于训练样本及预设神经网络算法，确定植物名称、叶片特征向量之间的对应关系，以更新预设的样本数据库；目标获取模块，用于获取预设采集设备上传的采集图片，基于最大类间方差算法，获得采集图片中植物叶片对应的目标图片；图片处理模块，用于将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量；进而基于目标特征向量以及样本数据库，确定采集图片对应的植物名称。

进一步地，数据搭建模块包括：样本获取单元、样本处理单元以及数据库更新单元；样本获取单元，用于获取若干标记好植物名称的原始图像；样本处理单元，用于对原始图像进行灰度处理和图像分割，以获得叶片图像作为训练样本；导入训练样本至预设神经网络算法，以获得训练样本对应的叶片特征向量；将植物名称作为聚类中心，以通过邻近算法对所叶片特征向量进行聚类处理，去除无效的特征向量，以获得叶片特征向量与植物名称之间的对应关系；数据库更新单元，用于将叶片特征向量与植物名称之间的对应关系，更新至预设的样本数据库。

进一步地，图片处理模块包括：特征变换单元；特征变换单元，用于将目标图片导入尺度不变特征变换算法，以通过算法中预设的高斯函数获取目标图片中的关键点；确定计算关键点对应的直方图的高斯权重函数参数；确定直方图的泰勒展开式进行二次曲线拟合，确定关键点对应的方向；通过尺度不变特征变换，确定关键点对应的关键点描述子；根据关键点、关键点方向以及关键点描述子，确定目标图片对应的目标特征向量。

进一步地，系统还包括二次验证模块；二次验证模块包括标准图片单元、MATLAB校验单元；标准图片单元，用于存储植物名称对应的标准图片；MATLAB矫正单元，用于在确定采集图片对应的植物名称后，基于MATLAB软件以及植物名称，确定采集图片与标准图片之间的相似度；当相似度小于预设相似度阈值时，生成错误维护指令至维护终端。

第二方面，本发明实施例提供了一种用于耕地监测的自动识别，方法包括：将若干标记好植物名称的叶片图像作为训练样本；基于训练样本及预设神经网络算法，确定植物名称、叶片特征向量之间的对应关系，以更新预设的样本数据库；获取预设采集设备上传的采集图片，基于最大类间方差算法，获得采集图片中植物叶片对应的目标图片；将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量；进而基于目标特征向量以及样本数据库，确定采集图片对应的植物名称。