花卉圖像識別的設(shè)計(jì)與研究

顏琪

摘要：在花卉培養(yǎng)和種植領(lǐng)域，往往需要對一些花卉品種進(jìn)行識別和分類以及監(jiān)測其生長。這種傳統(tǒng)的方法不僅浪費(fèi)大量的勞動力和物質(zhì)資源，而且效率極其低下，很大程度上限制了花卉培養(yǎng)和發(fā)展。由于不同花朵之間存在相似度，所以使用傳統(tǒng)的圖像分類方法很困難，因此對花朵進(jìn)行分類來解決此問題。本文通過從花朵圖像中提取子特征信息，并研究可以表達(dá)花朵圖像中包含的更多信息的識別方法來實(shí)現(xiàn)高精度，完成花卉圖像的識別，以此輔助花卉鑒定和花卉生長的自動監(jiān)測，減少花農(nóng)的工作，提高花農(nóng)的生產(chǎn)力。

關(guān)鍵詞：花卉圖像識別;超像素分割;特征分類

中圖分類號： TP18? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）02-0175-02

1 引言

隨著社會的發(fā)展，智慧農(nóng)業(yè)也在不斷發(fā)展，人們對花卉圖像識別的需求也在日益高漲。傳統(tǒng)花卉圖像識別的顏色，紋理，形狀和其他特征是通過肉眼觀察花卉并且手動完成，該過程復(fù)雜，耗時(shí)且有不確定性，并且需要進(jìn)行大量工作來促進(jìn)花卉行業(yè)發(fā)展。基于此，本文將設(shè)計(jì)并實(shí)現(xiàn)花卉圖像的識別，輔助花卉的鑒定與生長的檢測。通過對超像素分割，特征提取算法和卷積神經(jīng)網(wǎng)絡(luò)的研究，融合應(yīng)用多種算法以滿足花卉圖像識別的需求。花卉識別首先完成花卉圖像數(shù)據(jù)庫的建立，之后完成圖像的超像素分割，超像素分割采用改進(jìn)SLIC算法實(shí)現(xiàn)，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)在復(fù)雜環(huán)境中的圖像分類及準(zhǔn)確的花朵識別。花卉圖像識別流程如圖1所示。

2 花卉圖像數(shù)據(jù)庫的建立

本文根據(jù)玫瑰開度的切割標(biāo)準(zhǔn)和《通海麗都切花月季綜合標(biāo)準(zhǔn)》的質(zhì)量等級分類標(biāo)準(zhǔn)，基于不同的花開放度，不同的質(zhì)量水平和多個(gè)花的分布創(chuàng)建了三個(gè)小型數(shù)據(jù)庫，共計(jì)1300張樣本照片，樣本集采集自牛津花卉數(shù)據(jù)集。為了確定圖像中花朵的生長狀態(tài)和質(zhì)量水平，本文訓(xùn)練了3種不同生長期的500張花朵圖像和4種不同質(zhì)量水平的200張花朵圖。

3 超像素分割

通過改進(jìn)SLIC算法實(shí)現(xiàn)基于超像素的圖像預(yù)分割。傳統(tǒng)SLIC算法將彩色圖像轉(zhuǎn)換為CIELAB顏色空間和XY 2D空間中的5D特征向量，然后根據(jù)顏色信息和空間信息制定距離信息，最后將圖像聚類以生成超像素，實(shí)現(xiàn)圖像分割。但傳統(tǒng)SLIC分割后，僅僅獲得圖像的超像素信息，實(shí)際上，有效圖像信息既未被檢測也未被分割。而分割效果將直接影響到識別的最終效果，所以只有對花朵圖像中的花朵進(jìn)行了有效分割，才能順利進(jìn)行以下分類實(shí)驗(yàn)。改進(jìn)SLIC算法添加了分類和識別算法，可以避免許多浮點(diǎn)運(yùn)算并節(jié)省算法時(shí)間，以此達(dá)到良好的分割效果。改進(jìn)SLIC算法的具體實(shí)現(xiàn)流程如下。

1）? 收集花卉圖像背景和前景的多個(gè)圖像，提取圖像函數(shù)運(yùn)算符，SVM分類器輸入，用于訓(xùn)練和導(dǎo)入二進(jìn)制分類模型。

2） 輸入花朵圖像，并使用改進(jìn)的SLIC分割算法來獲取圖像的超像素信息。

3） 基于圖像的超像素信息，我們從聚類的中心區(qū)域提取3種大小的圖像塊函數(shù)，并使用二元分類模型對背景標(biāo)記為0和前景標(biāo)記為1的圖像塊進(jìn)行分類。

4） 跨過圖像中的每個(gè)超級像素塊，依次對標(biāo)簽進(jìn)行排序，直到將所有超級像素劃分為背景和前景。

5） 刪除背景信息并檢測到花朵的位置后，圖像分割完成。

由于傳統(tǒng)SLIC算法使用K-means聚類實(shí)現(xiàn)，在算法收斂之前，需要花費(fèi)更多時(shí)間進(jìn)行更新迭代才能獲得超像素圖像。改進(jìn)SLIC算法后，顏色轉(zhuǎn)換和距離測量性能得到優(yōu)化，在某種程度上減少了10%左右的SLIC算法的時(shí)間消耗，并提高了系統(tǒng)的實(shí)時(shí)性能。SLIC超像素分割算法的優(yōu)化前后耗時(shí)比較如表1所示。

4 特征提取與分類

與傳統(tǒng)的人工特征和基于特征融合的花卉分類方法相比，基于卷積神經(jīng)網(wǎng)絡(luò)的花朵分類算法具有非常強(qiáng)的提取花卉特征的能力。后者算法簡單高效，能提取圖像表面特征例如顏色，形狀和紋理等，提取出的特征比人工特征更具區(qū)分性，更具有提取圖像深層特征的能力。

該分類模型的訓(xùn)練是在使用卷積神經(jīng)網(wǎng)絡(luò)提取特征之后完成特征分類鏈接。通過離線訓(xùn)練分類模型以執(zhí)行在線花卉識別。首先將特征輸入到SVM分類器中進(jìn)行訓(xùn)練來提取花朵圖像特征，并獲得具有三個(gè)生長狀態(tài)類別的分類功能的模型和具有四個(gè)質(zhì)量等級的分類功能模型，用來保存模型提供在線花朵識別過程。其次，在識別之前，服務(wù)器須訓(xùn)練脫機(jī)網(wǎng)絡(luò)參數(shù)模型和分類模型，并在在線識別期間直接加載訓(xùn)練后的模型。再次，服務(wù)器提取圖像特征再次使用卷積神經(jīng)網(wǎng)絡(luò)，特征的分類能力遠(yuǎn)遠(yuǎn)優(yōu)于用戶的傳統(tǒng)特征分類能力。最后，客戶端識別完成后，結(jié)果將未經(jīng)處理即發(fā)送到服務(wù)器。識別完成后，服務(wù)器將分析結(jié)果，分析花朵的生長狀況和質(zhì)量水平，并創(chuàng)建反饋。

在準(zhǔn)確性方面，該算法在Oxfordflower17和Oxfordflower102數(shù)據(jù)集上的精度達(dá)到85%或更高，表現(xiàn)更好。在算法時(shí)間上，需花費(fèi)很短的時(shí)間將圖形中的功能輸入網(wǎng)絡(luò)，通過正向?qū)ㄌ崛」δ埽缓笸ㄟ^支持向量機(jī)進(jìn)行分類，然后輸出最終結(jié)果，滿足了應(yīng)用程序的實(shí)時(shí)要求。

從表中可以看出，在花卉圖像的識別方面，采用卷積神經(jīng)網(wǎng)絡(luò)的方式比傳統(tǒng)的特征提取方式的準(zhǔn)確率提升約20%～30%左右，能取得相對較好的效果，提高花卉識別系統(tǒng)的識別準(zhǔn)確率。

5 結(jié)論

對花卉圖像識別的執(zhí)行時(shí)間進(jìn)行測試和分析，即從開始讀取單張圖片到花朵分割后，花朵分類識別過程完成的時(shí)間，計(jì)算在此期間各個(gè)功能模塊所使用的時(shí)間。計(jì)算在此期間各個(gè)功能模塊所使用的時(shí)間，如表4所示。

通過將SLIC超像素分割算法與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，滿足了花卉圖像識別的準(zhǔn)確性和實(shí)時(shí)性要求。

6 結(jié)束語

本文設(shè)計(jì)的花卉圖像識別改進(jìn)了SLIC超像素分割算法，可以自動分割花朵圖像，并對顏色轉(zhuǎn)換過程和距離度量進(jìn)行了優(yōu)化，避免過多的浮點(diǎn)運(yùn)算，并節(jié)省算法時(shí)間。結(jié)合使用卷積神經(jīng)網(wǎng)絡(luò)的深度特征提取功能提取圖像特征，增加花朵圖像的分類識別率。但在更復(fù)雜的情況下，無法識別到部分清晰的花朵，將來，將進(jìn)一步優(yōu)化系統(tǒng)以提高系統(tǒng)性能。

參考文獻(xiàn)：

[1] 周楚涵.花卉識別的前沿技術(shù)[J].城市建設(shè)理論研究（電子版），2018（23）：188-189.

[2] 韓猛. 基于深度學(xué)習(xí)的花卉圖像種類識別[D].山西農(nóng)業(yè)大學(xué)，2017.

【通聯(lián)編輯：唐一東】