(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111663537.2 (22)申请日 2021.12.31 (71)申请人 中国电建集团河南省电力勘测设计 院有限公司 地址 450000 河南省郑州市中原区中原西 路212号 申请人 中国电建集团华中电力设计 研究院 有限公司 (72)发明人 孙步阳　高首都　剧成宇　张俊鹏　 王胜磊　蒋硕颜　李珂　吕献林　 (74)专利代理 机构 郑州中原 专利事务所有限公 司 41109 代理人 张春　李想 (51)Int.Cl. G06V 20/10(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 基于深度学习YOLO模型的植物 图像快速自 动识别方法 (57)摘要 本发明公开了一种基于深度学习YOLO模型 的植物图像快速自动识别方法， 包括以下步骤： a.在YOLOV3模型中加入可变 形卷积， 使得卷积 核 的形状适应目标的轮廓， 可以实现精细化网络提 取特征的标准； b.通过前向传播和反向传播两个 过程相结合， 对参数进行优化调整， 实现预期输 出与提取特征输出保持一致； c.为加快模型搜索 匹配速度及训练速度， 基于GPU传递层间节点数 据， 并行处理同层内网络， 得到理想响应速度； d. 利用a和b的结果， 基于c的运行策略， 实现植物图 像快速自动识别方法。 本发明使用YOL OV3的可变 形卷积模型， 通过深度学习进行模型训练， 实现 植物图像快速自动识别， 有效的提升了图像识别 的速度和正确率。 权利要求书1页 说明书5页 附图3页 CN 114399679 A 2022.04.26 CN 114399679 A 1.一种基于深度学习YOLO模型的植物图像快速自动识别方法， 其特征在于： 包括以下 步骤： a.在YOLOV3模型中加入可变形卷积， 使得卷积核的形状适应目标的轮廓， 可以实现精 细化网络提取 特征的标准； b.通过前向传播和反向传播两个过程相结合， 对参数进行优化调整， 实现预期输出与 提取特征输出保持一 致； c.为加快模型搜索匹配速度及训练速度， 基于GPU传递层间节点数据， 并行处理同层内 网络， 得到理想响应速度； d.利用a和b的结果， 基于 c的运行策略， 实现植物图像快速自动识别方法。 2.根据权利要求1所述基于深度学习YOLO模型的植物图像快速自动识别方法， 其特征 在于： 步骤a中， 可变形卷积是指采用anchor  box思想， 对其宽高进行聚类确定， 对小物体及 大物体分别进行 预测， 在三个尺度特 征输出层分配处 理anchor box评价。 3.根据权利要求1所述基于深度学习YOLO模型的植物图像快速自动识别方法， 其特征 在于： 在步骤b中， 前向传播和反向传播两个过程调整参数是指将 每层神经网络输出和预期 输出进行相减可得到每个神经元 的残差， 再基于链式求导法确定残差梯度， 并对参数进行 优化调整。 4.根据权利要求1所述基于深度学习YOLO模型的植物图像快速自动识别方法， 其特征 在于： 卷积神经网络训练的终止条件可以设置为每次迭代损失的变化值， 当损失变化值收 敛后， 可减少网络计算 量。 5.根据权利要求1所述基于深度学习YOLO模型的植物图像快速自动识别方法， 其特征 在于： GPU并行计算可以实现数据分配与传递的相互协作。权　利　要　求　书 1/1 页 2 CN 114399679 A 2基于深度学习Y OLO模型的植物图像快速自动识别方 法 技术领域 [0001]本发明属于植物图像快速自动识别领域， 具体的说是基于深度学习YOLO模型进行 植物图像快速自动识别算法研究， 主要应用是在植物图像集中快速、 自动、 准确识别多种类 植物。 背景技术 [0002]植物在地球当中是一种非常广 泛的生命形式， 直接关系到人类的生活环境。 目前， 植物识别主要依靠相关行业从业人员及有经验专家实践经验， 工作量大、 效率低。 近年来， 随着社会 科技及经济发展越来越 快， 计算机硬件进一步更新， 性能也日渐提高， 数字图像采 集设备应用广泛， 设备存储空间不断增大， 这样大量植物信息可被数字化。 同时， 基于视频 的目标检测在模式识别、 机器学习等领域得到快速发展， 进而基于图像集分类方法研究得 到发展。 提高硬件设备性能， 可方便获取、 存储愈图像， 可轻松获取充足图像 资源。 但因一些 客观因素存在， 采集的图像会受到灯光、 拍摄角度、 遮挡等因素影响， 造成目标图像特征信 息丢失， 这会影响目标对象的分类识别。 理论上， 大量目标图像 资源可提供目标对象更多信 息， 能有力推动物体分类识别研究的发展。 基于图像集分类技术已在文本识别、 人脸识别、 视频图像跟踪、 检测广泛应用， 同时涉及到植物分类、 植物种子分类等。 [0003]当前， 以植物图像集为研究对象分类技术属于机器学习领域重要分支， 经典植物 图像分类识别技术主要以目标对 象进行研究分类。 张宁认为基于K近邻判别及克隆选择算 法分析的一种叶片识别方法。 李萍等认为改进稀疏表示的一种植物识别方法， 在最近邻准 则使稀疏表示可以实现， 并结合稀疏对系数识别植物进 行表示， 不用提取特征。 在当前植物 识别中， 大多基于光谱特征光谱识别法或基于颜色、 形状、 纹理机器视觉法， 这种检测根据 形状特征识别时， 叶片交叠、 遮挡等问题影响识别正确率。 发明内容 [0004]本发明要解决的技术问题是： 当前大多数图像识别多为光谱识别法或机器视觉 法， 这些检测方法在叶片交叠、 遮挡是影响识别的正确率。 利用YOLO模型， 结合深度学习的 卷积训练和GPU、 CPU并行运 算策略， 实现植物图像快速自动识别。 [0005]为实现上述目的， 本发明采用以下技 术方案步骤如下： [0006]一种基于深度学习YOLO模型的植物图像快速自动识别方法， 包括以下步骤： [0007]a.在YOLOV3模型中加入可变形卷积， 使得卷积核的形状适应 目标的轮廓， 可以实 现精细化网络提取 特征的标准； [0008]b.通过前向传播和 反向传播两个过程相结合， 对参数进行优化调整， 实现预期输 出与提取 特征输出保持一 致； [0009]c.为加快模型搜索匹配速度及训练速度， 基于GPU传递层间节点数据， 并行处理同 层内网络， 得到理想响应速度； [0010]d.利用a和b的结果， 基于 c的运行策略， 实现植物图像快速自动识别方法。说　明　书 1/5 页 3 CN 114399679 A 3