花卉圖像識別的設計與研究

顏琪

摘要：在花卉培養(yǎng)和種植領域，往往需要對一些花卉品種進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，并研究可以表達花朵圖像中包含的更多信息的識別方法來實現(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? ? ? ? 文獻標識碼：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，該過程復雜，耗時且有不確定性，并且需要進行大量工作來促進花卉行業(yè)發(fā)展?；诖耍疚膶⒃O計并實現(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)絡的研究，融合應用多種算法以滿足花卉圖像識別的需求?；ɑ茏R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SLIC算法實現(xiàn)，并結(jié)合卷積神經(jīng)網(wǎng)絡，實現(xiàn)在復雜環(huán)境中的圖像分類及準確的花朵識別?；ɑ軋D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)玫瑰開度的切割標準和《通海麗都切花月季綜合標準》的質(zhì)量等級分類標準，基于不同的花開放度，不同的質(zhì)量水平和多個花的分布創(chuàng)建了三個小型數(shù)據(jù)庫，共計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SLIC算法實現(xiàn)基于超像素的圖像預分割。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行了有效分割，才能順利進行以下分類實驗。改進SLIC算法添加了分類和識別算法，可以避免許多浮點運算并節(jié)省算法時間，以此達到良好的分割效果。改進SLIC算法的具體實現(xiàn)流程如下。

1）? 收集花卉圖像背景和前景的多個圖像，提取圖像函數(shù)運算符，SVM分類器輸入，用于訓練和導入二進制分類模型。

2） 輸入花朵圖像，并使用改進的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記為0和前景標記為1的圖像塊進行分類。

4） 跨過圖像中的每個超級像素塊，依次對標簽進行排序，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聚類實現(xiàn)，在算法收斂之前，需要花費更多時間進行更新迭代才能獲得超像素圖像。改進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算法的時間消耗，并提高了系統(tǒng)的實時性能。SLIC超像素分割算法的優(yōu)化前后耗時比較如表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)絡的花朵分類算法具有非常強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。

該分類模型的訓練是在使用卷積神經(jīng)網(wǎng)絡提取特征之后完成特征分類鏈接。通過離線訓練分類模型以執(zhí)行在線花卉識別。首先將特征輸入到SVM分類器中進行訓練來提取花朵圖像特征，并獲得具有三個生長狀態(tài)類別的分類功能的模型和具有四個質(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，服務器須訓練脫機網(wǎng)絡參數(shù)模型和分類模型，并在在線識別期間直接加載訓練后的模型。再次，服務器提取圖像特征再次使用卷積神經(jīng)網(wǎng)絡，特征的分類能力遠遠優(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)送到服務器。識別完成后，服務器將分析結(jié)果，分析花朵的生長狀況和質(zhì)量水平，并創(chuàng)建反饋。

在準確性方面，該算法在Oxfordflower17和Oxfordflower102數(shù)據(jù)集上的精度達到85%或更高，表現(xiàn)更好。在算法時間上，需花費很短的時間將圖形中的功能輸入網(wǎng)絡，通過正向?qū)ㄌ崛」δ?，然后通過支持向量機進行分類，然后輸出最終結(jié)果，滿足了應用程序的實時要求。

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)絡的方式比傳統(tǒng)的特征提取方式的準確率提升約20%～30%左右，能取得相對較好的效果，提高花卉識別系統(tǒng)的識別準確率。

5 結(jié)論

對花卉圖像識別的執(zhí)行時間進行測試和分析，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間，計算在此期間各個功能模塊所使用的時間。計算在此期間各個功能模塊所使用的時間，如表4所示。

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

6 結(jié)束語

本文設計的花卉圖像識別改進了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行了優(yōu)化，避免過多的浮點運算，并節(jié)省算法時間。結(jié)合使用卷積神經(jīng)網(wǎng)絡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。但在更復雜的情況下，無法識別到部分清晰的花朵，將來，將進一步優(yōu)化系統(tǒng)以提高系統(tǒng)性能。

參考文獻：

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

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

【通聯(lián)編輯：唐一東】