[发明专利]一种基于单张照片的阔叶林树种识别方法

权利要求书

1.一种基于单张照片的阔叶林树种识别方法，其特征在于，包括以下步骤：

S1收集不同种类树木的图像，建立树种图像数据集，并将树种图像数据集划分为训练集、验证集以及测试集；

S2调整图像大小：将树种图像数据集中的每张图片都调整为尺寸相同的图像；

S3设计一个卷积神经网络，用所述训练集图像进行网络的训练，训练完成后用测试集图像测试网络的准确率；

S4用训练后的卷积神经网络的构建一个阔叶林树种识别系统，通过输入一张树种图像进行识别，从而获得识别的结果。

2.根据权利要求1所述的基于单张照片的阔叶林树种识别方法，其特征在于，所述步骤S1中，树种图像数据集中树木的种类至少为两类，且每种树木图像至少10000张。

3.根据权利要求1或2所述的基于单张照片的阔叶林树种识别方法，其特征在于，将树种图像数据集随机的划分为训练集、验证集和测试集，其中，训练集、验证集、测试集的比例是5～9:0.5～2.5:0.5～2.5。

4.根据权利要求1所述的基于单张照片的阔叶林树种识别方法，其特征在于，所述步骤S2中，将每张图像的尺寸都修改为固定大小的x×y像素；其中x代表图像的宽度，y代表图像的高度，且x＝y。

5.根据权利要求1所述的基于单张照片的阔叶林树种识别方法，其特征在于，卷积神经网络HCNN一共有11层，具体包括如下网络结构，

输入层Input:，输入尺寸为x×y×z的图像，其中x代表图像的宽度，y代表图像的高度，且x＝y，z代表图像的通道数，

卷积层C1：使用u₁个F₁×F₁×z的卷积核进行卷积操作，步长为S₁×S₁,其中卷积运算采用当超出图像边界时不补0的“VALID”形式，卷积后使用RelU非线性激活函数，卷积后的结果输出为：W₁×W₁×u₁；

其中，W为输入层的尺寸，即W＝x＝y，为向上取整符号；

池化层P2：将C1层的输出W₁×W₁×u₁作为输入，使用S₂×S₂的步长进行最大池化，最大池化后的结果为W₂×W₂×u₁：

其中，W₁为C1层的输出尺寸，为向下取整符号；

卷积层C3：使用u₂个F₂×F₂×u₁的卷积核进行卷积操作，步长为S₃×S₃，其中卷积运算采用的是当超出图像边界时补0的“SAME”形式，卷积后使用ReLU 非线性激活函数，卷积后的输出结果为：W₃×W₃×u₂，

其中，W₂为C2层的输出尺寸，为向上取整符号；

池化层P4：将C3层的输出W₃×W₃×u₂作为输入，使用S₄×S₄的步长进行最大池化，最大池化后的结果为W₄×W₄×u₂，

其中，W₃为C3层的输出尺寸，为向下取整符号

卷积层C5：使用u₃个F₃×F₃×u₂的卷积核进行卷积操作，步长为S₅×S₅，其中卷积运算采用的是当超出图像边界时补0的“SAME”形式，卷积后使用RelU非线性激活函数，卷积后的输出结果为：W₅×W₅×u₃，

其中，W₄为P4层的输出尺寸，为向上取整符号；

池化层P6：将C5层的输出W₅×W₅×u₃作为输入，使用S₆×S₆的步长进行最大池化，最大池化后的结果为W₆×W₆×u₃，

其中，W₅为C5层的输出尺寸，为向下取整符号

全连接层FC7：将P6层的输出W₆×W₆×u₃作为输入，P6层运算后共有W₆×W₆×u3个像素点，将这每一个像素点的值表示为一个神经元，再令FC7层的输出为n₁个神经元，其中每一个神经元的值由以下公式计算得出：

其中，z为每个神经元的值，x_i为上一层的每个神经元的值，l为上一层输出神经元的个数，w为权重参数，b为偏置值，w初始值采用截断的高斯分布来进行初始化，b的初始值设为0；

全连接层FC8：将FC7层的输出n₁个神经元作为输入，令输出为n₂个神经元，每个神经元的计算方法与全连接层FC7中的方法相同；

全连接层FC9：将FC8层的输出n₂个神经元作为输入，令输出n₃个神经元，每个神经元的计算方法与全连接层FC7中的方法相同；

输出层Output：将FC8层的输出n₃个神经元作为输入，令输出为n个神经元,每个神经元的计算方法与全连接层FC7中的方法相同；

其中，n的值等于阔叶林树种的种类数，且n₁>n₂>n₃>n。