花卉圖像識別的設計與研究

顏琪

摘要：在花卉培養和種植領域，往往需要對一些花卉品種進行識別和分類以及監測其生長。這種傳統的方法不僅浪費大量的勞動力和物質資源，而且效率極其低下，很大程度上限制了花卉培養和發展。由于不同花朵之間存在相似度，所以使用傳統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測，減少花農的工作，提高花農的生產力。

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

隨著社會的發展，智慧農業也在不斷發展，人們對花卉圖像識別的需求也在日益高漲。傳統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發展。基于此，本文將設計并實現花卉圖像的識別，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網絡的研究，融合應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據庫的建立，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，并結合卷積神經網絡，實現在復雜環境中的圖像分類及準確的花朵識別。花卉圖像識別流程如圖1所示。

2 花卉圖像數據庫的建立

本文根據玫瑰開度的切割標準和《通海麗都切花月季綜合標準》的質量等級分類標準，基于不同的花開放度，不同的質量水平和多個花的分布創建了三個小型數據庫，共計1300張樣本照片，樣本集采集自牛津花卉數據集。為了確定圖像中花朵的生長狀態和質量水平，本文訓練了3種不同生長期的500張花朵圖像和4種不同質量水平的200張花朵圖。

3 超像素分割

通過改進SLIC算法實現基于超像素的圖像預分割。傳統SLIC算法將彩色圖像轉換為CIELAB顏色空間和XY 2D空間中的5D特征向量，然后根據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，實現圖像分割。但傳統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域提取3種大小的圖像塊函數，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SLIC算法使用K-means聚類實現，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，顏色轉換和距離測量性能得到優化，在某種程度上減少了10%左右的SLIC算法的時間消耗，并提高了系統的實時性能。SLIC超像素分割算法的優化前后耗時比較如表1所示。

4 特征提取與分類

與傳統的人工特征和基于特征融合的花卉分類方法相比，基于卷積神經網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網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類別的分類功能的模型和具有四個質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絡參數模型和分類模型，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網絡，特征的分類能力遠遠優于用戶的傳統特征分類能力。最后，客戶端識別完成后，結果將未經處理即發送到服務器。識別完成后，服務器將分析結果，分析花朵的生長狀況和質量水平，并創建反饋。

在準確性方面，該算法在Oxfordflower17和Oxfordflower102數據集上的精度達到85%或更高，表現更好。在算法時間上，需花費很短的時間將圖形中的功能輸入網絡，通過正向導通提取功能，然后通過支持向量機進行分類，然后輸出最終結果，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，采用卷積神經網絡的方式比傳統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，提高花卉識別系統的識別準確率。

5 結論

對花卉圖像識別的執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網絡相結合，滿足了花卉圖像識別的準確性和實時性要求。

6 結束語

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，并對顏色轉換過程和距離度量進行了優化，避免過多的浮點運算，并節省算法時間。結合使用卷積神經網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，將進一步優化系統以提高系統性能。

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].山西農業大學，2017.

【通聯編輯：唐一東】