首页 > 分享 > 一种基于花蕊局部特征的花卉识别方法与流程

一种基于花蕊局部特征的花卉识别方法与流程

花匠小妙招
2024-11-06 11:16

[0001]
本发明涉及图像识别技术领域，具体涉及一种基于花蕊局部特征的花卉识别方法。

背景技术：

[0002]
花卉识别在自动化种植，机械采摘，病虫害防治，鲜花定级等方面均起到关键性作用。但由于自然环境下拍摄的花卉图像，存在背景复杂，花瓣容易受到周边杂草，叶片，以及其他花瓣遮挡的情况。所以目前基于全局特征提取的花卉识别技术，提取的特征干扰较多，即使利用图像分割技术也很难将背景完全去除，影响最终的识别准确率。

技术实现要素：

[0003]
本发明针对现有方法的不足，提出一种基于花蕊局部特征的花卉识别方法。通过对花蕊区域特征的提取，可以极大的改善背景及遮挡对识别精度的影响，有效的提升识别准确率。
[0004]
本发明的上述技术目的是通过以下技术方案得以实现的：
[0005]
一种基于花蕊局部特征的花卉识别方法，所述方法包括以下步骤：
[0006]
第一步：收集需要识别的花卉图像样本，并且切取花卉图像的花蕊区域；
[0007]
第二步：根据第一步提取的花蕊图像，利用图像预处理技术对花蕊区域图像进行尺寸调整及归一化操作，标注每个花蕊图像的花卉类别，制作成训练集和测试集；
[0008]
第三步：根据第二步获取的训练集数据，利用resnet18神经网络对训练集图像提取特征，训练分类模型，并保存模型；
[0009]
第四步：根据第三步获取的网络模型对测试集数据进行测试，获得模型识别准确率，并根据测试结果调整训练参数，再执行第三步，直到准确率不再提升为止，保存准确率最高的模型；
[0010]
第五步：对待识别的花卉图像，先手动切割花蕊区域，然后调整尺寸并做归一化操作，然后利用第四步保存的模型对图像进行分类，获取识别结果。
[0011]
进一步地，所述第一步是从原花卉图像中截取花蕊区域图像，其他区域图像舍去。
[0012]
进一步地，所述第二步中利用图像预处理技术对花蕊区域图像进行尺寸调整及归一化操作，具体为，先通过双线性插值将图像长宽全部调整为224像素，并将每个像素点的值调整至0到1之间。
[0013]
进一步地，所述第三步中采用的是resnet18神经网络，训练过程中，学习率设置为0.001，优化器采用adam优化器，每次从训练集随机选择8张图片进行训练，当损失值不在下降时停止训练。
[0014]
进一步地，所述第四步中，载入第三步保存的网络模型，将学习率减少十倍，每次从训练集随机选择的图片张数增加一倍，再次执行第三步，往复循环，直到准确率不再提升为止。
[0015]
本发明的与现有的主流花卉识别方法相比，其优点在于：
[0016]
1、花蕊区域一般在花朵中心，其周边一般不含背景，且受到其他物体遮挡的概率较小。提取花蕊区域的特征不易受到背景及遮挡的干扰，可以极大的改善背景及遮挡对识别精度的影响，有效的提升识别准确率
[0017]
2、花蕊区域相比于原花卉图像，所需提取特征的区域较小，消耗的计算机资源少，运算速度快，识别效率高。
附图说明
[0018]
图1是本发明的方法流程图。
具体实施方式
[0019]
为了使本技术领域的人员更好地理解本发明的技术方案，下面结合实施例对本发明作进一步的详细描述。
[0020]
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。
[0021]
参照图1，一种基于花蕊局部特征的花卉识别方法，所述方法包括以下步骤：
[0022]
第一步：收集需要识别的花卉图像样本，并且切取花卉图像的花蕊区域；
[0023]
第二步：根据第一步提取的花蕊图像，利用图像预处理技术对花蕊区域图像进行尺寸调整及归一化操作，标注每个花蕊图像的花卉类别，制作成训练集和测试集；
[0024]
第三步：根据第二步获取的训练集数据，利用resnet18神经网络对训练集图像提取特征，训练分类模型，并保存模型；
[0025]
第四步：根据第三步获取的网络模型对测试集数据进行测试，获得模型识别准确率，并根据测试结果调整训练参数，再执行第三步，直到准确率不再提升为止，保存准确率最高的模型；
[0026]
第五步：对待识别的花卉图像，先手动切割花蕊区域，然后调整尺寸并做归一化操作，然后利用第四步保存的模型对图像进行分类，获取识别结果。
[0027]
进一步地，所述第一步是从原花卉图像中截取花蕊区域图像，其他区域图像舍去。
[0028]
进一步地，所述第二步中利用图像预处理技术对花蕊区域图像进行尺寸调整及归一化操作，具体为，先通过双线性插值将图像长宽全部调整为224像素，并将每个像素点的值调整至0到1之间。
[0029]
进一步地，所述第三步中采用的是resnet18神经网络，训练过程中，学习率设置为0.001，优化器采用adam优化器，每次从训练集随机选择8张图片进行训练，当损失值不在下降时停止训练。
[0030]
进一步地，所述第四步中，载入第三步保存的网络模型，将学习率减少十倍，每次从训练集随机选择的图片张数增加一倍，再次执行第三步，往复循环，直到准确率不再提升为止。
[0031]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变
化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。