一种荒漠草原种群斑块识别的控制装置及方法

技术领域

本发明涉及生态种群斑块识别技术领域，具体来说，涉及一种荒漠草原种群斑块识别的控制装置及方法。

背景技术

针对种群斑块的识别，现有简单机器学习算法和BP神经网络等方法对高光谱数据进行模型训练，测试识别率达到92％左右，但该方法设备昂贵，数据采集较难。

发明内容

针对相关技术中的上述技术问题，本发明提出一种荒漠草原种群斑块识别的方法，能够克服现有技术方法的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种荒漠草原种群斑块识别的方法,包括以下步骤：

S1:首先采用普通移动设备采集斑块草种图像，获取到待处理斑块草种图像并定义为图像样本数据；

S2:按照属性特征的差异，将图像样本数据采用一定比例划分成训练图像数据和测试图像数据，来构成训练集和测试集；

S3:将训练集中的训练图像数据输入至DenseNet网络中进行模型训练，获得识别结果；

S4:再对结果进行判别解码，得到草种的类别。

进一步地，其中数据集处理数据，包括以下步骤：

S1:随机对草原斑块图像进行剪裁，获取到高宽为244x244大小的正方形剪裁图像；

S2:对所述剪裁图像进行随机的水平镜像翻转处理,翻转处理后,进行随机图像加噪处理；

S3:按照DenseNet数据集的均值和方差,对剪裁图像进行归一化处理。

进一步地，所述DenseNet由Dense Block和Transition Layer组成，Dense Block作为网络主体，负责网络分类特征的提取；Transition Layer由一个卷积核为1x1的卷积层和池化层组成。

进一步地，所述Dense Block由4个Residual Block和输入层构成，各结构间采用前馈全连接方法进行相连。

进一步地，所述卷积层从输入特征图的张数进行降维，减少比例为c，设置为0.5，即将特征图张数压缩为原来的一半；池化层从特征图的大小进行降维，一般将输入特征图的大小缩小为原来的一半。

根据本发明的另一方面，提供了一种荒漠草原种群斑块识别的控制装置，包括GPU处理器、输入设备、输出设备和存储器，所述GPU处理器、输入设备、输出设备和存储器相互连接。

进一步地，所述存储器用于存储计算机程序，所述计算机程序包括程序指令。

进一步地，所述GPU处理器被配置用于调用所述程序指令。

本发明的有益效果：通过卷积参数共享的优势，减少网络中的参数，通过对待处理草原斑块草种图像进行了数据划分，合理的选择了数据分析手段结合DenseNet网络进行模型训练以及识别结果的解码，为斑块草种类别识别的难题提供了新思路。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例所述的荒漠草原种群斑块识别的控制方法的方法流程示意图。

图2是根据本发明实施例所述的荒漠草原种群斑块识别的控制方法的损失函数图像示意图。

图3是根据本发明实施例所述的荒漠草原种群斑块识别的控制装置的装置流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围，为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。

如图1所示，根据本发明实施例所述的荒漠草原种群斑块识别的方法，包括数据采集，采用普通移动设备采集斑块草种图像，获取到待处理斑块草种图像并定义为图像样本数据，例如“短花针茅荒漠草原无芒隐子草斑块样本数据”；按照属性特征的差异，将图像样本数据采用一定比例划分成训练图像数据和测试图像数据，来构成训练集和测试集，(训练集用于进行模型训练获得数据结果，测试集用于测试实验研究对象)；然后将训练集中的训练图像数据输入至DenseNet网络中进行模型训练，获得识别结果；再对结果进行判别解码，得到草种的类别。

如图3所示，本发明还公开了一种草原斑块草种识别的控制装置，包括GPU处理器、输入设备、输出设备和存储器，所述GPU处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述GPU处理器被配置用于调用所述程序指令。

所述数据采集的方法是：通过相机、手机等拍摄工具采集多张草斑块图像；然后进行人工标注，得到多张带有草种种类标签的草原斑块图像；进行处理，数据集中包含训练集数据大小为5517张(53GB)的图像，分割为训练集Trainsize:5017，测试集Testsize:500。

其中数据集处理数据通过首先随机对所述草原斑块图像进行剪裁，得到高244x宽244大小的正方形剪裁图像，然后对所述剪裁图像进行随机水平镜像翻转处理，将经过所述随机水平镜像翻转处理后进行随机图像加躁处理；然后按照DenseNet数据集的方差和均值，对所述剪裁图像进行归一化处理。其中均值参数为：mean＝[0.485,0.456,0.406]方差参数为：std＝[0.229,0.224,0.225]。

通过系统WEB端上传彩色照片，服务器对照片自动进行预处理，经过模型判断返回斑块草种类型。

构建基于深度学习的草原斑块草种种类模型，图中算法模型使用DenseNet161模型，加载预训练的权重作为初始化；然后将草种种类标签进行编码，编码为：Classes:{'af':0,'cs':1,'ep':2,'sb':3}；然后使用NLLLoss损失函数进行约束，最后将训练图像数据输入模型中进行训练，以获得一组模型参数。

表1

如表1所示，ImageNet的DensNet体系结构前3个networds的增长率为k＝32，对于DensNet-161，k＝48，请注意，表1中显示的每个“conv”层对应于序列BN ReLU-conv。

DenseNet深度卷积神经网络具有自动学习分类特征和较好的拟合非线性函数，为图像分类的热门技术，并在多个图像分类任务中取得优异的分类效果。

深度卷积网络一般由卷积层、池化层以及全连接层组成，通过将不同类型的网络层依据一定的顺序进行连接与组合，形成不同的网络分类框架。

其中卷积层为特征抽取层，通过一个滑动带权重的小窗口对输入的二维数据进行滑动运算，具有局部感知野、权值共享以及多卷积核等特点，可有效提取图像的分类特征。二维卷积图中每个像素点在原图像上映射的区域大小称为感受野，随着网络层数的增加，感受野随着增大，模型提取特征所考虑的区域变大，如输入图像经过3×3的卷积核运算后，其卷积特征图中每个像素感受野为3×3。

池化层主要目的为减少网络中的参数，提高计算网络计算效率，可分为平均池化(Average-pooling)、最大池化(Max-pooling)。与卷积相比，池化操作可看为不带权重的卷积操作，如最大池化，即选出滑动窗口对应输入数据中最大的数值。

全连接层为特征整合层与分类层，主要将卷积层与池化层所提取的局部特征进行融合，抽取更具代表性的全局分类特征；但由于其神经元采用全连接的方式，导致该层网络参数较大，对网络的训练效率影响较大，故为了缓解此问题，一般采用1×1卷积代替全连接层，通过卷积参数共享的优势，减少网络中的参数。

DenseNet主要由Dense Block和Transition Layer组成。

Dense Block作为网络的主体，负责网络分类特征的提取；该Dense Block由4个Residual Block和输入层构成，各结构间采用前馈全连接方法进行相连，输入层与其余Residual Block均进行连接，第1个ResidualBlock与其后3个相连，以此类推。对于Residual Block主要由两层卷积层构成，并将卷积层的输入与输出的特征图进行合并，增加特征维度。Rransition Layer为网络中的降维结构，可将卷积特征图的维度进行一定比例的压缩，减少网络的参数，增加网络的计算效率。

Transition Layer由一个卷积核为1×1的卷积层和池化层组成，其中卷积层从输入特征图的张数进行降维，减少比例为c，一般设置为0.5，即将特征图张数压缩为原来的一半；池化层从特征图的大小进行降维，一般将输入特征图的大小缩小为原来的一半。

综上所述，本方法采用DenseNet卷积神经网络建立草原斑块草种识别模型，模型由输入层、卷积层、4个Dense Block、3个Transition Layer以及分类层组成。其中前3个Dense Block卷积后均传入Transition Layer进行特征维度压缩。由于组成4个DenseBlock的Residual Block数量不同，所构成的DenseNet网络层数不同，可构建不同的网络框架。本文主要采用161层的DenseNet161模型。

DenseNet161第一层均采用7×7的卷积，并对其卷积结果采取池化操作，降低特征图维度大小；两个模型Dense Block均采用两层的残差结构，其中第1层采用3×3卷积，第2层采用1×1卷积；两个模型的主要区别在于第3和第4个Dense Block中残差结构的数量，其中DenseNet161为36和24个。

本方法的模型训练环境为Linux Centos 7系统，处理器为intel E5，显卡为Nvidia Tesla P40。对于训练与测试样本的划分，采用简单随机抽样的方式，从每种草种类别中抽取10％作为测试数据，其余作为训练数据；对于训练参数，设置学习率为0.003，Epoch为120，采用Adam自适应矩估计梯度下降算法对参数进行更新。损失函数采用NLLLoss函数，损失函数图像如图2所示。

梯度下降Adam优化算法基本上就是将Momentum和RMSprop结合在一起。首先初始化Vdw＝0，Sdw＝0，Vab＝0，Sdb＝0。在第t次迭代中，用mini-batch梯度下降法计算出dw和db。然后计算Momentum指数加权平均数，用RMSprop进行更新，计算Momentum和RMSprop的pain差修正，最后更新权重，如下述代码所示。

所述损失函数NLLLoss函数为负对数似然损失函数(Negative Log Likelihood)，loss(x,label)＝-xlabel,在前面接上一个LogSoftMax层就等价于交叉熵损失了。注意这里的xlabel和上个交叉熵损失里的不一样，这里是经过log运算后的数值。这个损失函数一般像识别模型上。

综上所述，借助于本发明的上述技术方案，通过卷积参数共享的优势，减少网络中的参数，通过对待处理草原斑块草种图像进行了数据划分，合理的选择了数据分析手段结合DenseNet网络进行模型训练以及识别结果的解码，为斑块草种类别识别的难题提供了新思路。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。