一种基于迁移卷积神经网络的蓝莓叶片品种识别方法

1.本发明属于图像识别技术领域，具体涉及一种基于迁移卷积神经网络的蓝莓叶片品种识别方法。


背景技术：

2.蓝莓(blueberry)为多年生浆果类，果实味道鲜美，它不仅具有良好的营养保健作用，还具有防止脑神经老化、保护视力、强心、抗癌、软化血管、增强人机体免疫等功能，是世界粮食及农业组织推荐的五大健康水果之一。全世界蓝莓品种有450余种，中国已知几十种，众多蓝莓品种的正确识别既有利于蓝莓资源的保护与利用，又有利于促进蓝莓种类发现和培育新品种。
3.传统的蓝莓品种识别需要相关领域专家现场鉴别，结果准确性受相关的分类知识和实践经验所影响。该方法及时性差、经济成本高。随着计算机视觉技的不断推动，通过数字图像处理技术对植物花、果、叶等的解析实现植物品种的鉴别，已然成为一种新途径。蓝莓属于落叶灌木，不同品种的叶片纹理和几何信息存在差异，相比花果而言，叶片的存活期长、形态稳定，且采集叶片不会影响蓝莓植株的生长，适合用来进行蓝莓品种分类。当前网上公开的蓝莓品种叶片样本库极少，且相关蓝莓叶片品种分类文献也极少。


技术实现要素：

4.本发明的目的在于提供一种蓝莓叶片品种识别方法，解决蓝莓品种数量繁多，人工分类成本高和新品种人工发现难等问题。
5.本发明的目的是通过以下技术方案实现的：
6.本发明的一种基于迁移卷积神经网络的蓝莓叶片品种识别方法，包括以下步骤：
7.步骤1：数据准备，获取蓝莓叶片图像数据，对蓝莓叶片数据进行预处理，制作蓝莓叶片数据集；然后将其分为训练集和验证集；
8.步骤2：建立模型，该模型以efficientnet-b1网络模型为基础，并对efficientnet-b1网络模型结构中stage1～stage7的mbconv结构进行改进，改进后的mbconv结构由一个卷积核大小为1
×
1的逐点卷积，一个卷积核大小为k
×
k的深度可分离卷积，一个se模块，一个卷积核大小为1
×
1的逐点卷积和一个cbam模块组成；
9.步骤3：训练模型，将所述步骤1中的训练集中的蓝莓叶片图像作为输入，对应蓝莓叶片标签作为输出，对步骤2构建的改进的efficientnet-b1模型进行训练，将训练后权重保存入模型；
10.步骤4：确定模型，将所述步骤1中的验证集中的蓝莓叶片图像作为输入，对应蓝莓叶片标签作为输出，将输出值与图像的实际标签比较计算得到模型准确率；重复上述过程，选取准确率最高的模型作为蓝莓叶片识别模型；
11.步骤5：将待检测的蓝莓叶片图像进行预处理后，输入所述步骤4得到的蓝莓品种识别模型，输出待检测的蓝莓叶片图像标签，即蓝莓品种识别结果。
12.进一步的，所述步骤1和所述步骤5中的预处理，具体步骤如下：
13.步骤a：根据蓝莓叶片图像的颜色特征，以叶片图像的r、g、b通道为算子，根据超绿特征的公式exg＝2*g-r-b，得到蓝莓叶片灰度图像；
14.步骤b：根据蓝莓叶片灰度图像叶片和背景灰度值差异大的特点，使用otsu最大类间方差法进行阈值分割，得到粗糙的蓝莓叶片二值图像；再使用腐蚀和膨胀的方法去除斑点毛刺等，得到光滑的蓝莓叶片二值图像；
15.步骤c：对蓝莓叶片二值图像使用最小外接正矩形算法得到起始点(x,y)和矩形的宽和高，直接对原始蓝莓叶片图像进行截取，得到预处理后的蓝莓叶片图像，减少了背景对于蓝莓叶片品种识别的干扰。
16.进一步的，所述步骤3中对改进的efficientnet-b1模型进行训练的方法采用迁移学习的方法，该方法的具体步骤为：利用在imagenet数据集上预训练的efficientnet-b1模型参数文件对改进的efficientnet-b1模型网络的权值进行初始化；然后利用反向传播算法更新训练权重，将训练后权重保存入模型。
17.进一步的，所述反向传播算法，具体方法为：
18.将训练集中的图像数据输入到网络模型，输出对应蓝莓叶片标签，计算输出值与图像的实际标签之间的误差，并将该误差反向传播；在反向传播的过程中，根据误差按照梯度下降法调整网络中各层中的权重。
19.有益效果
20.1)本发明的蓝莓叶片品种识别方法，自动提取蓝莓叶片特征。通过蓝莓叶片图像数据训练卷积神经网络，自动选择学习特征，解决人为选取特征导致分类结果精度不高和没有专门针对蓝莓叶片品种的识别模型的问题。
21.2)本发明的蓝莓叶片品种识别方法，采用改进的efficientnet-b1模型，能够更好地关注蓝莓叶片本身，提高特征提取能力；
22.3)本发明的蓝莓叶片品种识别方法，蓝莓叶片品种识别精度高，对蓝莓叶片图像受光照影响产生的光斑和阴影具有较好的鲁棒性，有较高的实用价值。
附图说明
23.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
24.图1是本发明蓝莓叶片品种识别方法的系统框图；
25.图2是本发明蓝莓叶片品种识别方法中提供的改进的mbconv结构的示意图。
26.具体实施方法
27.下面结合附图和实施例对本发明的内容作进一步描述。
实施例
28.本发明的一种基于迁移卷积神经网络的蓝莓叶片品种识别方法，系统框图如图1所示，包括以下步骤：
29.步骤1：数据准备；
30.本实施例中使用的蓝莓叶片图像数据集来源于金华蓝莓基地，该蓝莓叶片图像数据集包含10个蓝莓品种，分别为蓝光(bry)、达柔(drw)、早蓝(elb)、园蓝(gdb)、奥尼尔(onl)、粉蓝(pdb)、杰兔(prm)、斯巴坦(spt)、梯芙蓝(tfb)、优瑞卡(urk)等，总计8000张蓝莓叶片图像。拍摄设备是华为mate20手机，该手机后置摄像头分辨率为1600万像素，并且根据不同的光照情况、不同距离以及不同角度进行拍摄。
31.根据蓝莓种类对所述蓝莓叶片图像数据中的图像进行分类，将相同所述多种蓝莓种类的图像进行对应存储，以得到多个不同种类的图像集合；
32.根据蓝莓叶片图像的颜色特征，以叶片图像的r、g、b通道为算子，根据超绿特征的公式exg＝2*g-r-b，得到蓝莓叶片灰度图像；
33.根据蓝莓叶片灰度图像叶片和背景灰度值差异大的特点，使用otsu最大类间方差法进行阈值分割，得到粗糙的蓝莓叶片二值图像；再使用腐蚀和膨胀的方法去除斑点毛刺等，得到光滑的蓝莓叶片二值图像；
34.对蓝莓叶片二值图像使用最小外接正矩形算法得到起始点(x,y)和矩形的宽和高，直接对原始蓝莓叶片图像进行截取，得到适合于模型训练的蓝莓叶片图像，减少了背景对于蓝莓叶片品种识别的干扰；
35.根据所述蓝莓种类名称对所述图像集合进行标签标记，以得到所述叶片图像数据集，分为训练集和验证集，图像数量比例为7:1。
36.步骤2：建立模型；
37.所述建立的蓝莓品种分类模型是该模型以efficientnet-b1网络模型为基础，对efficientnet-b1网络模型结构中stage1～stage7的mbconv结构进行改进，其中efficientnet-b1网络模型结构如表1所示；改进后的mbconv结构由一个卷积核大小为1
×
1的逐点卷积，一个卷积核大小为k
×
k的深度可分离卷积，一个se模块，一个卷积核大小为1
×
1的逐点卷积和一个cbam模块组成；所述的mbconv的结构图如图2所示。
38.表1：efficientnet-b1网络模型结构表
39.[0040][0041]
步骤3：训练模型；
[0042]
将训练集中的蓝莓叶片图像作为输入，对应蓝莓叶片标签作为输出，对步骤2构建的改进的efficientnet-b1模型进行训练。其中efficientnet-b1采用了迁移学习的方法，即利用在imagenet数据集上预训练的efficientnet-b1模型参数文件对改进的efficientnet-b1模型网络的权值进行初始化；然后利用反向传播算法更新训练权重，保存模型的参数；再将验证集中的蓝莓叶片图像作为输入，对应蓝莓叶片标签作为输出，输入到更新参数的模型，通过计算输出值与验证集图像的实际标签对比得到模型准确率；重复上述过程，选取验证集准确率最高的模型作为蓝莓叶片品种识别模型。
[0043]
所述反向传播算法将训练集中的图像数据输入到网络模型，输出对应蓝莓叶片标签，计算输出值与图像的实际标签之间的误差，并将该误差反向传播；在反向传播的过程中，根据误差按照梯度下降法调整网络中各层中的权重。
[0044]
步骤4：测试；
[0045]
将待检测的蓝莓叶片图像进行步骤1所述的预处理后，输入所述蓝莓品种识别模型，输出待检测的蓝莓叶片图像标签，即蓝莓品种识别结果。
[0046]
传统的蓝莓品种识别需要相关领域专家现场鉴别，结果准确性受相关的分类知识和实践经验所影响，且该方法及时性差、经济成本高。而基于迁移卷积神经网络的蓝莓品种识别方便、快捷，在保证品种识别准确性的前提下，对蓝莓叶片图像受光照影响产生的光斑和阴影具有较好的鲁棒性；在蓝莓品种识别方面有较高的实用价值。