[发明专利]一种基于季节特征的深度学习花朵分类方法

说明书

本发明公开了一种基于季节特征的深度学习花朵分类方法，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。本发明首先提出结合季节特征作为输入，相较于纯数据驱动的深度学习预测图像类别而言增加了约束条件使得神经网络可以更好的去预测花朵类别。

技术领域

本发明属于人工智能技术领域，具体涉及一种基于季节特征的深度学习花朵分类方法。

背景技术

在花卉养殖、农林种植业、以及对自然环境的调查等方面都会涉及对区域内花朵种类、数量等信息进行识别统计，而目前深度学习对于花朵图像进行分类很多都是基于三维的图像信息，同时标准的深度学习技术是纯数据驱动的，只需要图像的信息进行输入就可以得到相对应的花朵图像种类。但是基于图像信息包含的花朵的信息有限，种属相近的不同种类的花朵形状存在相似性，因此不能够很好的把握花朵图像的空间信息，容易造成对花朵图像的错误分类。同时我们所处的就是一个多维信息的场景，单纯考虑图像信息的输入容易遗漏很多与需要分类花朵相对应的信息，因此如何借助图像信息之外与花朵种类相关的信息提高识别的准确性就成了一个改进方向。

发明内容

本发明的目的是提供一种基于季节特征的深度学习花朵分类方法，用于解决现有技术中因为单纯依据花朵图像信息进行分类由于部分不同种类的花朵存在相似性导致容易出现分类错误的技术问题。

所述的一种基于季节特征的深度学习花朵分类方法，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(季节性花朵识别网络)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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。