花卉識別的前沿技術

鶴壁高中 河南 鶴壁 458000

正文：

引言：

花卉，具有觀賞價值的草本植物，是用來欣賞的植物的統稱，喜陽且耐寒，具繁殖功能的短枝，有許多種類。花卉通常由花卉、花冠、花萼、花托、花蕊組成，有各種各樣的顏色，有的長的很艷麗，有香味。而圖像識別技術是人工智能一個重要領域，為識別各種不同模式和對象的技術。近年來，我國科技迅速發展，圖像識別技術也日益成熟，本文以圖像識別技術為基礎，以花卉為識別對象對其進行快速識別并且分類，為人工智能技術提供經驗。

一、識別系統概述

1.識別出花卉

前文中提到，花卉通常由花冠、花萼、花托、花蕊組成，且大多數為被子植物，通常生長在一個有限的短軸上，著其花冠與生殖器。通過使用圖像分割技術將提取圖像中的物體與背景分離，針對其紋理對其進行識別，判斷是否為花卉。

2.對花卉種類識別

不同的花卉，其葉，枝花冠形狀等都有明顯的區別，可通過使用圖像提取并在數據庫里進行查找的方法來識別花卉。

二、特征提取

特征提取是花卉識別的重要環節，在輔以正確的算法對特征進一步分析。由于花卉種類較多，花冠顏色較為繁雜，所以花冠不具備較大參考價值。本論文以其葉莖、形狀、紋理等方面進行分類。

1.形狀特征提取

形狀特征有利于分析花冠的瓣的層數，且光照，顏色對形狀特征無太大影響，具較強魯棒性。本論文主要采用最小外接矩形寬高比，凸包面積比，HU不變矩來描述牡丹形狀特征

2.最小外接矩形寬高比

此算法針對花朵側面圖片，對于花卉來說可辨識花瓣層數。判斷標準為花朵中間突出程度，此方法主要用于辨識側面圖片，而不適用于正面圖片。

3.凸包面積比

凸包是正面圖片中花朵的最小外接多邊形，該特征用于花瓣層數，葉片厚度，葉片疏密程度。花瓣層數少者，相應花瓣間縫隙較大，層數多著相反。兩類在凸包面積與花朵面積的比值上存在一定差異。此算法運用這種特征，用于定量描述花朵的形狀特征，直觀地呈現出不同花朵的不同差異。

4.HU不變矩

幾何矩主要用于圖像描述。不變矩是一種高度濃縮的圖像特征，具平移、旋轉與尺度不變形。一幅灰度圖像可用于二維灰度密度函數表示。因此用矩來描述灰度圖像特征，對其莖葉識別有很大幫助。

5.紋理特征提取

紋理是一種反應物體表面紋理脈絡的視覺特征，它體現了物理表面具有緩慢變化的表面結構組織排列屬性，可利用圖像信息，兼顧其宏觀性質，細微結構兩個方面。

6.灰度共生矩陣

在圖像任取一點以及偏離其的一點形成一個點對，并用函數表示初始的灰度值設為（i、j）令此點在整幅圖上移動，得各種（i、j）值，則形成灰度聯合概率矩陣（灰度共生矩陣）。根據不同的數值組合，可以得到不同情況下的聯合概率矩陣。

三、分類器選擇與模型計算

1.KNN算法

KNN算法是計算機算法中的一種監督、學習、識別算法。主要內容為給目標樣本周圍找個找個K“鄰居”根據其鄰居多少占比來賦予這個樣本周圍占比最大鄰居的屬性。

比較于其他圖像識別算法、KNN算法的過程十分簡單，而且是一種需要時刻重復“刷新”的計算方式。

KNN算法主要取決以下幾個方式要素：

1.距離

KNN作為以鄰居的占比來決定樣本性質的算法，其距離自然就成了影響模型的重要因素之一。K值（距離）的選擇直接影響其精確度與在圖像識別上的正確率，若K值較小，則意味其復雜度與精確度會再上一層，同時屆于擬合。但K值越大，模型越簡單，K值過大，則結界將總是占比較高的樣本。

根據圖像識別的原理我們可知：圖像識別的算法因為其識別對象的變幻與復雜性、需具備靈活多變性。

2.距離的度量

即測試樣本與訓練樣本的臨近程度，K的大小限制了其選擇

3.分類權重

找好測試樣本周圍的訓練樣本范圍后，我們就需要，根據訓練樣本決定測試樣本屬性，這時就需要制定好的決策規則，常用的有以下兩種：①多數表決；②給予不同距離的測試樣本不同的權值。C比如權值與距離成反比。

KNN的算法固然簡便，但在實際應用正確率卻并不高。并不是理想的圖像識別算法。

2.線性分類器

機器學習的算法之一，大體內容為將具有相似特征的對象通過線性組合來做出分類決定。有兩部分組成；評分與損失函數、對所處理數據問題進行優化，優化過程中通過更新評分函數的參數來最小損失函數值。在辨別圖像如下應用：

圖像是三維的，可拉伸為一個列向量，對其進行分類，即得出某值，占比最大。若訓練數據中有3000張圖像的數據，即可尋找不同圖像（即所識別的圖）權值比重，放入其分類器識別，占比高的一項即為這張圖的屬性。

總體來看，線性分類器實質上是一個學習模塊，通過深度的數據學習來建立一個個模板，再將目標圖片上的數據代入模塊，進行配比。相較于KNN的設定區域進行對目標數據的定義，這種方法準確性較高，因為線性分類器并未用其所有數據進行一一比對，而是每次識別只用一張圖（減少因數據太多太雜出錯的概率）而且是使用內積計算，不是用L1.L2來覺得其權重。

3.卷積神經網絡

以神經元為原理，即某一神經元可以影響其他神經元的高效識別方法，因為某方向性與獨特結構而別應用，它可以有效的降低反饋神經網絡復雜性與不穩定性，可以直接輸入原始圖像。卷積在此為內積，就是根據多個一定的權重（卷積核）對一個塊的圖像進行內積運算，重點位于由局部提取出的整體。一般來說，CNN的結構包括兩部分，特征提取層、特征映射層。每層與其下一層緊密相連。并且逐層提取其特征，并對其數據進行記錄，整理。二是特征映射層，每個計算層生多個特征映射層組成，每個特征提取層是一個平面，每個平面權值相同，因為特征提取性算法減小了結構的分辨率。

CNN的局部感知能力很強，多個反射層使其算法簡便了許多。僅需在局部提取，最終在最高層進行整合即可。CNN相較于普通網絡還有一個特點，橫向讀取，幾個神經元橫向對圖片進行提取，相對于普通神經網絡全部神經元都讀取全部圖片這一做法，卷積神經網絡效率更高，讀取更有規律性。圖像處理步驟更加簡便。

另外，池化也是其算法的特點之一，在部分特征提取時（假設劃定某一區域提取）即選擇該區域的最大值或平均值取代該區域，該算法使數據敏感度與算法復雜度降低。比較KNN算法過于死板，不注重變化，在圖像識別中不推薦使用。線性分類器通過深度學習結果模型代入數據的方法雖好，但終究讀取范圍能力有限，需要人為進行大量調整，反復修改。相較之下，卷積神經網絡運用局部特征提取的算法，減小了運算與數據處理的復雜度。兩者在這一點上可以取長補短進行結合。兩者在有光線影響遮擋的情況下，仍舊十分準確的識別出了目標圖片中花卉的種類，識別用時幾乎相同。相較之下，支付寶識花的準確率更大些（微軟喜歡給出幾個不同結果，雖然概率最大的那個是正確的）。

四、花卉識別的商用軟件評估

通過使用支付寶與百度的實話技術后，我得出兩者中的共同特點。

百度識花與支付寶識花都是運用類似線性分類器的算法運算——通過從海量圖庫中深度學習，建立起對界門綱目科種屬的具體識知（即成立相對應的線性分類器）鑒于花卉植物的多樣性采用單純的KNN算法出錯幾率太大。花卉識別注重其遞進性而不是整體性。而這時，卷積神經網絡里的局部特征提取法就占了優勢。我在運用支付寶識花軟件與微信識花軟件時的目標為巴粟，其判斷結果都具有類似的紋路，外形且準確率也很高。此外，在辨識出花卉的同時亦能判斷出其他物品所屬種類，說明其算法具有靈活多變的特點。