颜琪
摘要:在花卉培养和种植领域,往往需要对一些花卉品种进行识别和分类以及监测其生长。这种传统的方法不仅浪费大量的劳动力和物质资源,而且效率极其低下,很大程度上限制了花卉培养和发展。由于不同花朵之间存在相似度,所以使用传统的图像分类方法很困难,因此对花朵进行分类来解决此问题。本文通过从花朵图像中提取子特征信息,并研究可以表达花朵图像中包含的更多信息的识别方法来实现高精度,完成花卉图像的识别,以此辅助花卉鉴定和花卉生长的自动监测,减少花农的工作,提高花农的生产力。
关键词:花卉图像识别;超像素分割;特征分类
中图分类号: TP18 文献标识码:A
文章编号:1009-3044(2021)02-0175-02
1 引言
随着社会的发展,智慧农业也在不断发展,人们对花卉图像识别的需求也在日益高涨。传统花卉图像识别的颜色,纹理,形状和其他特征是通过肉眼观察花卉并且手动完成,该过程复杂,耗时且有不确定性,并且需要进行大量工作来促进花卉行业发展。基于此,本文将设计并实现花卉图像的识别,辅助花卉的鉴定与生长的检测。通过对超像素分割,特征提取算法和卷积神经网络的研究,融合应用多种算法以满足花卉图像识别的需求。花卉识别首先完成花卉图像数据库的建立,之后完成图像的超像素分割,超像素分割采用改进SLIC算法实现,并结合卷积神经网络,实现在复杂环境中的图像分类及准确的花朵识别。花卉图像识别流程如图1所示。
2 花卉图像数据库的建立
本文根据玫瑰开度的切割标准和《通海丽都切花月季综合标准》的质量等级分类标准,基于不同的花开放度,不同的质量水平和多个花的分布创建了三个小型数据库,共计1300张样本照片,样本集采集自牛津花卉数据集。为了确定图像中花朵的生长状态和质量水平,本文训练了3种不同生长期的500张花朵图像和4种不同质量水平的200张花朵图。
3 超像素分割
通过改进SLIC算法实现基于超像素的图像预分割。传统SLIC算法将彩色图像转换为CIELAB颜色空间和XY 2D空间中的5D特征向量,然后根据颜色信息和空间信息制定距离信息,最后将图像聚类以生成超像素,实现图像分割。但传统SLIC分割后,仅仅获得图像的超像素信息,实际上,有效图像信息既未被检测也未被分割。而分割效果将直接影响到识别的最终效果,所以只有对花朵图像中的花朵进行了有效分割,才能顺利进行以下分类实验。改进SLIC算法添加了分类和识别算法,可以避免许多浮点运算并节省算法时间,以此达到良好的分割效果。改进SLIC算法的具体实现流程如下。
1) 收集花卉图像背景和前景的多个图像,提取图像函数运算符,SVM分类器输入,用于训练和导入二进制分类模型。
2) 输入花朵图像,并使用改进的SLIC分割算法来获取图像的超像素信息。
3) 基于图像的超像素信息,我们从聚类的中心区域提取3种大小的图像块函数,并使用二元分类模型对背景标记为0和前景标记为1的图像块进行分类。
4) 跨过图像中的每个超级像素块,依次对标签进行排序,直到将所有超级像素划分为背景和前景。
5) 删除背景信息并检测到花朵的位置后,图像分割完成。
由于传统SLIC算法使用K-means聚类实现,在算法收敛之前,需要花费更多时间进行更新迭代才能获得超像素图像。改进SLIC算法后,颜色转换和距离测量性能得到优化,在某种程度上减少了10%左右的SLIC算法的时间消耗,并提高了系统的实时性能。SLIC超像素分割算法的优化前后耗时比较如表1所示。
4 特征提取与分类
与传统的人工特征和基于特征融合的花卉分类方法相比,基于卷积神经网络的花朵分类算法具有非常强的提取花卉特征的能力。后者算法简单高效,能提取图像表面特征例如颜色,形状和纹理等,提取出的特征比人工特征更具区分性,更具有提取图像深层特征的能力。
该分类模型的训练是在使用卷积神经网络提取特征之后完成特征分类链接。通过离线训练分类模型以执行在线花卉识别。首先将特征输入到SVM分类器中进行训练来提取花朵图像特征,并获得具有三个生长状态类别的分类功能的模型和具有四个质量等级的分类功能模型,用来保存模型提供在线花朵识别过程。其次,在识别之前,服务器须训练脱机网络参数模型和分类模型,并在在线识别期间直接加载训练后的模型。再次,服务器提取图像特征再次使用卷积神经网络,特征的分类能力远远优于用户的传统特征分类能力。最后,客户端识别完成后,结果将未经处理即发送到服务器。识别完成后,服务器将分析结果,分析花朵的生长状况和质量水平,并创建反馈。
在准确性方面,该算法在Oxfordflower17和Oxfordflower102数据集上的精度达到85%或更高,表现更好。在算法时间上,需花费很短的时间将图形中的功能输入网络,通过正向导通提取功能,然后通过支持向量机进行分类,然后输出最终结果,满足了应用程序的实时要求。
从表中可以看出,在花卉图像的识别方面,采用卷积神经网络的方式比传统的特征提取方式的准确率提升约20%~30%左右,能取得相对较好的效果,提高花卉识别系统的识别准确率。
5 结论
对花卉图像识别的执行时间进行测试和分析,即从开始读取单张图片到花朵分割后,花朵分类识别过程完成的时间,计算在此期间各个功能模块所使用的时间。计算在此期间各个功能模块所使用的时间,如表4所示。
通过将SLIC超像素分割算法与卷积神经网络相结合,满足了花卉图像识别的准确性和实时性要求。
6 结束语
本文设计的花卉图像识别改进了SLIC超像素分割算法,可以自动分割花朵图像,并对颜色转换过程和距离度量进行了优化,避免过多的浮点运算,并节省算法时间。结合使用卷积神经网络的深度特征提取功能提取图像特征,增加花朵图像的分类识别率。但在更复杂的情况下,无法识别到部分清晰的花朵,将来,将进一步优化系统以提高系统性能。
参考文献:
[1] 周楚涵.花卉识别的前沿技术[J].城市建设理论研究(电子版),2018(23):188-189.
[2] 韩猛. 基于深度学习的花卉图像种类识别[D].山西农业大学,2017.
【通联编輯:唐一东】