[发明专利]一种基于深度卷积神经网络的烟草植株识别方法

权利要求书

1.一种基于深度卷积神经网络的烟草植株识别方法，其特征在于，所述方法包括：

整理无人机拍摄烟草植株的原始图像，并建立所述原始图像的图像库；

对所述图像库中的所述原始图像进行预处理，并将预处理后的所述原始图像分为训练样本和测试样本；

将所述训练样本用于深度卷积神经网络的训练，并确定所述深度卷积神经网络中的学习参数；

将所述测试样本输送到训练好的所述深度卷积神经网络中进行识别测试，并将识别结果标记在所述测试样本中的所述原始图像中。

2.根据权利要求1所述的基于深度卷积神经网络的烟草植株识别方法，其特征在于，所述将所述训练样本用于深度卷积神经网络的训练，并确定所述深度卷积神经网络中的学习参数的步骤，具体包括：

建立所述深度卷积神经网络的结构，并在建立后的所述深度卷积神经网络中训练所述训练样本；

确定建立后的所述深度卷积神经网络的学习参数。

3.根据权利要求2所述的基于深度卷积神经网络的烟草植株识别方法，其特征在于，所述建立所述深度卷积神经网络的结构，并在建立后的所述深度卷积神经网络中训练所述训练样本的步骤中，所述建立所述深度卷积神经网络的结构具体包括：

确定所述深度卷积神经网络的卷积层的层数、每卷积层的特征图数，全连接层的层数、每全连接层的特征图数，池化层的层数，卷积层所用的卷积核的大小，池化层所用的采样核的大小，以及训练步长。

4.根据权利要求2所述的基于深度卷积神经网络的烟草植株识别方法，其特征在于，所述确定建立后的所述深度卷积神经网络的学习参数的步骤，具体为：

通过不断降低价值函数的函数值来学习建立后的所述深度卷积神经网络的参数，所述价值函数表示为

J(ω)=1nΣi=1nL(yi,f(xi,ω))]]>

其中，ω是所述深度卷积神经网络的参数，n是所述训练样本的数量，x_i是第i个所述训练样本的特征向量，y_i是第i个所述训练样本的标签，f(·)为激励函数，L(·)为损失函数。

5.根据权利要求4所述的基于深度卷积神经网络的烟草植株识别方法，其特征在于，所述通过不断降低价值函数的函数值来学习建立后的所述深度卷积神经网络的参数的步骤，具体包括：

采用随机梯度下降法降低所述价值函数的函数值；

学习建立后的所述深度卷积神经网络的参数。