【CN109871885A】一种基于深度学习和植物分类学的植物识别方法【专利】

过程包括前向传播和反向传播，在反向传播时，根据预先设定的学习速率更新网络的权值。
2
CN 109871885 A
权 利 要 求 书
2/2 页
5 .根据权利要求1所述基于深度学习和植物分类学的植物识别方法，其特征在于：所述 损失阀值一般为0 .00001。
3
CN 109871885 A
说 明 书
1/4 页
代理人 彭英
(51)Int .Cl . G06K 9/62(2006 .01) G06N 3/04(2006 .01) G06K 9/00(2006 .01)
(10)申请公布号 CN 109871885 A (43)申请公布日 2019.06.11
( 54 )发明 名称 一种基于深度学习和植物分类学的植物识
所述随机梯度下降算法目标为：
min li
求解方法为，对于共m张训练图片，从1到m不断重复执行下式直到收敛：
θi:＝θΒιβλιοθήκη Baidu-αgt
其中，gt表示随机梯度，满足
表示li对于θi的偏导数，α是下降系数；
步骤3 ，将待识别植物图 像输入到步骤2已 训练好的 深度卷积神经网络中 ，依据输出标
记得到最终识别结果。
一种基于深度学习和植物分类学的植物识别方法
技术领域 [0001] 本发明涉及植物识别技术领域，具体为一种基于深度学习和植物分类学的植物识 别方法。
背景技术 [0002] 图像识别领域目前一般来说有两类方法，一类是基于传统机器学习的识别方法， 其特点是特征提取方式一般为人工定义 ；另一类是基于深度学 习的 方法 ，其特点是特征依 靠深度卷积神经网络自动提取。然而，前者往往会引入人工偏差，后者会有一定程度的过拟 合问题，影响识别性能。 [0003] 现有专利CN201810030151 .X，公开了一种植物种类识别方法以及装置，其通过获 取待识别植物的花、叶以及整体植株三个部位中的至少两个部位的图片作为待识别图片； 并基于预先保存的多个识别模型分别识别所述待识别图片中的每张图片，得到每个部位的 预测识别结果；然后将所有的预测识别结果进行融合，得到所述待识别植物的种类。本方法 根据叶 、花 和植株整体信息 ，融合利 用整体 和局部信息 ，对植物做精细的 识别分析 ，从而得 出准确的植物分类结果 ，可以让算法更具有鲁棒性 ，用户在使 用该算法时 ，能够较以 往更好 地实现植物分类。该专利使用了跨媒体方法进行识别。 [0004] 现有专利CN201611206559 .5，公开了一种基于深度学习的跨媒体中草药植物图像 检索方法。其步骤如下：1)通过OCR，文本结构化处理，从《植物分类学》等书籍中抽取植物分 类描述文字2)使用中文分词工具，对所有植物分类描述文字进行包括分词和去停用词在内 的预处理；3)用word2vec算法根据描述文本生成词向量；4)使用Fisher Vector将描述文本 进行编码；5)利用卷积神经网络在图片集上进行训练，使网络结构收敛到最优状态；6)提取 卷积 神经网 络的 倒数 第二层全连接层输出 作为图 片特征向 量 ；7) 融 合文本特征 与图 片特 征 ；8) 使用线性核SVM分类器进行模型训练 ；9) 用户检索时可输入图像、描述植物文本 ，之后 利用4)、6)、7)、8)步得到最终的图片检索结果。该专利使用了跨媒体方法。
别方法 ( 57 )摘要
本发明公开了一种基于深度学习和植物分 类学的植物识别方法。将样本植物图像进行科、 属、种的 标记 ；将样本植物图 像输入深度卷积神 经网络中进行训练。将损失函数设定为科、属、种 标签的交叉熵损失的加权和，通过随机梯度下降 算法更新神经网络的权值，待该深度卷积神经网 络收敛后结束训练并固定各层权值不再改变得 到训练好的深度卷积神经网络。本发明通过将深 度学 习与植物分类学结合 ，引入科 、属标签作为 学习目标，提高了识别正确率。
图像面积不小于原始图像的二分之一；放大是指多次随机将图像中的一部分放大后再进行
采样。
3 .根据权利要求1所述基于深度学习和植物分类学的植物识别方法，其特征在于：所述
深度卷积神经网络中输入层、卷积层、池化层、全连接层、输出层的总层数应在10层以上。
4 .根据权利要求1所述基于深度学习和植物分类学的植物识别方法，其特征在于：训练
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910079097 .2
(22)申请日 2019 .01 .28
(71)申请人 南京林业大学 地址 210037 江苏省南京市玄武区龙蟠路 159号
(72)发明人 朱悠翔 业宁 李若尘 张政 王香
(74)专利代理机构 南京经纬专利商标代理有限 公司 32200
其中，i∈{f ,g ,s}，li为分别对于科、属、种的交叉熵损失函数，n表示分类数，yij表示第 j个分类的真实概率， 表示第j个分类的预测概率，给定输入图片X，预测权值θi，则对第j 个分类预测权值为θij，则
通过随机梯度下降算法更新深度卷积神经网络的各层预测权值，待训练损失函数小于
损失阀值时，停止训练并固定各层权值不再改变，得到训练好的深度卷积神经网络；
权利要求书2页 说明书4页 附图2页
CN 109871885 A
CN 109871885 A
权 利 要 求 书
1/2 页
1 .一种基于深度学习和植物分类学的植物识别方法，其特征在于，包括以下步骤： 步骤1，收集样本植物图像和待识别植物图像，将样本植物图像进行科、属、种的标记； 步骤2 ，将样本植物图 像输入深度卷积神经网络中进行 训练 ，所述深度卷积神经网络包 括输入层、卷积层、池化层、全连接层和输出层 ，其中 ，输入层接收输入图 像 ，卷积层和池化 层 用于图 像特征提取 ，全连接层 用于特征分类 ，输出层 用于输出结果 ；输出层同时具有3个 输出值，分别为该植物的科、属、种标记； 所述深度卷积神经网络的损失函数为植物科、属、种的交叉熵损失的加权和，即为： l＝alf+blg+cls 其中 ，l表示损失函数加权和 ，lf ，lg ，ls分别为科、属、种的交叉熵损失函数 ，a ，b ，c分别 为科、属、种损失函数的权重，f ,g ,s分别表示科、属、种； 科、属、种的交叉熵损失函数为：
2 .根据权利要求1所述基于深度学习和植物分类学的植物识别方法，其特征在于：将收
集的样本植物图像和待识别植物图像输入深度卷积神经网络训练前，应先进行数据增强处
理，数据增强处理至少包括旋转、裁剪、放大；旋转是指将植物图像每旋转n度后进行一次采
样，0<n<360；裁剪是指多次随机多次裁剪植物图像中的一部分后进行采样，应保证裁剪后