[发明专利]一种基于季节特征的深度学习花朵分类方法

权利要求书

1.一种基于季节特征的深度学习花朵分类方法，其特征在于：包括下列步骤：收集若干各种花朵视频，按不同花朵种类和拍摄时的季节特征标记花朵视频；处理视频数据为多张图像格式的输入，构建数据集；

基于卷积神经网络构建SeasonNet网络模型；

通过数据集对SeasonNet网络模型进行训练；

将实际需要进行分类的花朵视频输入训练后的SeasonNet网络模型进行分类，得到预测结果。

2.根据权利要求1所述的一种基于季节特征的深度学习花朵分类方法，其特征在于：对花朵视频进行花朵种类和季节特征标记的标记规则为：对于花朵种类兰花、荷花、菊花、梅花分别标记为0、1、2、3，对于季节特征春夏秋冬分别标记为0、1、2、3。

3.根据权利要求1所述的一种基于季节特征的深度学习花朵分类方法，其特征在于：模型对数据进行处理时，首先将花朵视频对应的季节特征信息提取出，每个花朵视频有一个数值，将数值复制为3*224*224大小的矩阵数据，对应将花朵视频数据的帧数目设为128，将视频数据尺寸设为224*224。

4.根据权利要求1所述的一种基于季节特征的深度学习花朵分类方法，其特征在于：花朵视频是由许多帧连续图像数据所组成，每一帧图像数据按RGB三通道分为三个矩阵，再分别进行两次二维卷积；同时在此过程期间将3*224*224大小的季节特征信息与输出卷积层的信息进行融合，然后输出作为融合结果的矩阵；对这个矩阵在进行两次3D卷积，最后接上两层卷积层，达到对花朵视频数据的分类。

5.根据权利要求4所述的一种基于季节特征的深度学习花朵分类方法，其特征在于：每一帧图像数据按RGB三通道分为128*224*224大小的三个矩阵，第一次2D卷积进行下采样，使得数据大小变为64*112*112，第二次2D卷积为上采样，使得数据大小变为32*224*224；同时在此过程期间将3*224*224大小的季节特征信息分解为1*224*224的矩阵分别与第一次卷积的结果进行融合，然后三个通道输出结果为32*224*224，再融合为3*32*224*224大小的数据，并与季节特征信息融合为3*33*224*224大小的矩阵。

6.根据权利要求1所述的一种基于季节特征的深度学习花朵分类方法，其特征在于：每层神经网络之间添加激活函数ReLU和Dropout防止过拟合和加速拟合。

7.根据权利要求1所述的一种基于季节特征的深度学习花朵分类方法，其特征在于：训练时将数据集中的四类花朵视频数据打乱输入SeasonNet网络模型进行训练，得到在测试集上准确率最高的模型参数，将此参数最为优化后的模型，并将模型保存。