一种智能虫草辅助识别设备及方法

1.本发明涉及虫草识别技术领域，特别涉及一种智能虫草辅助识别设备及方法。


背景技术：

2.虫草的生长环境在3500～6500公尺的高山上，气候变化大，且复杂，无法通过网络信号来连接服务器辨识。更重要的是在移动中搜寻辨识虫草存在，背景不断改变，野外干扰的情境不断增加，相对搜寻辨识就显得十分困难。
3.目前，现有技术主要显微镜拍照进行中药品种的辨识，但是，通过显微镜拍照图像无法实现野外虫草的辨识，因此，亟需提出一种智能虫草辅助识别设备及方法以解决现有技术存在的问题。


技术实现要素：

4.为解决上述现有技术中所存在的问题，本发明提供一种智能虫草辅助识别设备及方法，将虫草识别与lstm结合，极大提升了虫草识别的时效性与准确性，适用于野外环境。
5.一方面，为了实现上述技术目的，本发明提供了一种智能虫草辅助识别设备，包括：
6.数据库构建功能单元、虫草识别模型构建功能单元和虫草辅助识别单元；
7.所述数据库构建功能单元用于采集虫草图像数据，构建虫草数据库；
8.所述虫草识别模型构建功能单元用于基于所述虫草数据库，构建虫草识别模型；
9.所述虫草辅助识别单元用于基于所述虫草识别模型，完成虫草识别。
10.可选地，所述虫草图像数据统一为224*224像素，并进行标注。
11.可选地，所述虫草识别模型的构建过程包括：
12.将所述虫草数据库划分为训练集与测试集；
13.采用lstm网络，构建虫草识别模型；
14.将所述训练集输入至虫草识别模型进行训练；
15.将所述测试集输入至训练好的虫草识别模型进行测试，完成所述虫草识别模型的构建。
16.可选地，所述训练集与所述测试集的划分比例为7：3。
17.可选地，基于lstm网络，构建虫草识别模型的过程分为忘记阶段、输入阶段和细胞状态更新阶段三方面。
18.另一方面，为了实现上述技术目的，本发明还提供了一种智能虫草辅助识别方法，包括：
19.采集虫草图像数据，构建虫草数据库；
20.基于所述虫草数据库，构建虫草识别模型；
21.基于所述虫草识别模型，完成虫草识别。
22.可选地，所述虫草图像数据统一为224*224像素，并进行标注。
23.可选地，所述虫草识别模型的构建过程包括：
24.将所述虫草数据库划分为训练集与测试集；
25.采用lstm网络，构建虫草识别模型；
26.将所述训练集输入至虫草识别模型进行训练；
27.将所述测试集输入至训练好的虫草识别模型进行测试，完成所述虫草识别模型的构建。
28.可选地，所述训练集与所述测试集的划分比例为7：3。
29.可选地，基于lstm网络，构建虫草识别模型的过程分为忘记阶段、输入阶段和细胞状态更新阶段三方面。
30.本发明具有如下技术效果：
31.本发明将虫草识别与lstm结合，极大提升了虫草识别的时效性与准确性，适用于野外环境。
附图说明
32.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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
33.图1为本发明实施例一智能虫草辅助识别设备示意图；
34.图2为本发明实施例一的lstm运行图。
具体实施方式
35.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.实施例一
37.如图1所示，本发明公开一种智能虫草辅助识别设备，包括：数据库构建功能单元、虫草识别模型构建功能单元和虫草辅助识别单元；数据库构建功能单元用于采集虫草图像数据，构建虫草数据库；虫草识别模型构建功能单元用于基于虫草数据库，构建虫草识别模型；虫草辅助识别单元用于基于虫草识别模型，完成虫草识别。
38.进一步地，在本实施例中，数据库构建功能单元采集虫草图像数据，将采集到的虫草图像统一为224*224像素，并进行标注；采集的虫草图像带有类别标签信息，包括虫草在不同生长时期的图像数据和不同生长环境下的图像数据。
39.进一步地，在本实施例中，虫草识别模型的构建过程包括：
40.将虫草数据库划分为训练集与测试集，训练集与测试集的划分比例为7：3；
41.采用lstm网络，构建虫草识别模型；如图2所示，虫草识别模型的构建设置忘记阶段、输入阶段和细胞状态更新阶段：
42.忘记阶段：这个阶段主要是对上一个节点传进来的输入信息进行选择性忘记。主
要由遗忘门层的s型网络层做出，通过计算得到的zf(f表示forget)，表示接受h
t-1
和x
t
，并对细胞状态c
t-1
中的每一个数输出值都介于0和1之间。1表示“完全接受这个”，0表示“完全忽略这个”。
43.f
t
＝σ(wf·
[h
t-1
,x
t
] bf)
[0044]
输入阶段：这个阶段将这个阶段的输入有选择性地进行“记忆”。哪些重要则着重记录下来，哪些不重要，则少记一些。其中第一部分，是“输入门层”的s形网络层确定哪些信息需要更新。第二部分，一个tanh形网络层创建一个新的备选值向量可以用来添加到细胞状态。在下一步中我们将上面的两部分结合起来，产生对状态的更新。
[0045]it
＝σ(wi·
[h
t-1
,x
t
] bi)
[0046][0047]
细胞状态更新阶段：这个阶段将现在更新旧的细胞状态c
t-1
更新到c
t
。对旧的状态乘以f
t
，用来忘记我们决定忘记的事。然后我们加上这是新的候选值，根据我们对每个状态决定的更新值按比例进行缩放。
[0048][0049]
将训练集的所有虫草图像数据输入至虫草识别模型进行训练，直至训练结束；
[0050]
将测试集输入至训练好的虫草识别模型进行测试，与真实的虫草图像进行数据对比，如通过则得到虫草识别模型，如失败，则调整训练集参数重新进行训练环节。
[0051]
进一步地，在虫草识别模型训练、测试、构建完成后，数据库构建功能单元还用于采集待识别虫草图像，将待识别虫草图像输入至虫草识别模型中，得到识别结果。
[0052]
进一步地，在本实施例中，还包括存储功能单元，存储功能单元与数据库构建功能单元连接，将待识别虫草图像实时存储更新至虫草数据库，提高虫草识别模型的训练准确度，拓宽虫草辅助识别的应用场景。
[0053]
实施例二
[0054]
本发明还公开一种智能虫草辅助识别方法，包括：
[0055]
采集虫草图像数据，构建虫草数据库；
[0056]
基于虫草数据库，构建虫草识别模型；
[0057]
基于虫草识别模型，完成虫草识别。
[0058]
进一步地，在本实施例中，将采集到的虫草图像统一为224*224像素，并进行标注；采集的虫草图像带有类别标签信息，包括虫草在不同生长时期的图像数据和不同生长环境下的图像数据。
[0059]
进一步地，在本实施例中，虫草识别模型的构建过程包括：
[0060]
将虫草数据库划分为训练集与测试集，训练集与测试集的划分比例为7：3；
[0061]
采用lstm网络，构建虫草识别模型；虫草识别模型的构建设置忘记阶段、输入阶段和细胞状态更新阶段：
[0062]
忘记阶段：这个阶段主要是对上一个节点传进来的输入信息进行选择性忘记。主要由遗忘门层的s型网络层做出，通过计算得到的zf(f表示forget)，表示接受h
t-1
和x
t
，并对细胞状态c
t-1
中的每一个数输出值都介于0和1之间。1表示“完全接受这个”，0表示“完全忽略这个”。
[0063]ft
＝σ(wf·
[h
t-1
,x
t
] bf)
[0064]
输入阶段：这个阶段将这个阶段的输入有选择性地进行“记忆”。哪些重要则着重记录下来，哪些不重要，则少记一些。其中第一部分，是“输入门层”的s形网络层确定哪些信息需要更新。第二部分，一个tanh形网络层创建一个新的备选值向量可以用来添加到细胞状态。在下一步中我们将上面的两部分结合起来，产生对状态的更新。
[0065]it
＝σ(wi·
[h
t-1
,x
t
] bi)
[0066][0067]
细胞状态更新阶段：这个阶段将现在更新旧的细胞状态c
t-1
更新到c
t
。对旧的状态乘以f
t
，用来忘记我们决定忘记的事。然后我们加上这是新的候选值，根据我们对每个状态决定的更新值按比例进行缩放。
[0068][0069]
将训练集的所有虫草图像数据输入至虫草识别模型进行训练，直至训练结束；
[0070]
将测试集输入至训练好的虫草识别模型进行测试，与真实的虫草图像进行数据对比，如通过则得到虫草识别模型，如失败，则调整训练集参数重新进行训练环节。
[0071]
进一步地，在虫草识别模型训练、测试、构建完成后，采集待识别虫草图像，将待识别虫草图像输入至虫草识别模型中，得到识别结果。
[0072]
进一步地，在本实施例中，将待识别虫草图像实时存储更新至虫草数据库，提高虫草识别模型的训练准确度，拓宽虫草辅助识别的应用场景。
[0073]
以上显示和描述了本发明的基本原理、主要特征和优点。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。