1  引言

移动信息技术的快速发展，在生活中，人们获取花卉图片的方式也多种多样，移动通信设备占据人类生活中得重要地位，对于花卉种类得区分，大多数人是不甚了解的，对于花卉图像复杂的问题，传统的花卉识别方法不能解决问题，近年来，大数据的时代的快速崛起，图像处理器（GPU）运算速度的相较于以往有显著的提升，深度学习的网络也不断复杂加深，为此带来的更好的识别特征的学习能力和表达能力，更多没有花卉相关背景的人可以从事花卉分类。最终目的是通过计算机使传统的花卉分类变得简单，从而减少相关人员繁琐的手工工作，更加高效、准确、快速分类花卉。

2  常见的花卉识别方法

目前，花卉图像分类的普遍方法是利用神经网络的方式，其首先是将预分类的图像进行分割，在图像中将花卉的主体分割出来，分割图像的优劣对识别准确率的高低影响明显，然后对于花卉的特征，一般是需要人工来选择，因此特征提取的准确与否，与人工的分类至关重要，因此也影响最终的分类结果。而伴随深度卷积网络的发展，使用这种方法，可以使得机器像人一样具有观察功能，自己学习复杂的特征和多种花卉所处的环境。该方法不需要人工干预图像分割，也不需要人工设计和选择图像特征。从事花卉分类工作的人员通常需要大量的专业植物学知识，普通人难以从事此类工作，不利于花卉分类的研究以及普及。而本文所研究的分类方法是将花卉分类简单化，让普通人也可以从事花卉分类的工作。因此，对花卉分类方法的研究具有现实意义。??

3  卷积神经网络

3.1  典型的卷积神经网络

以人体神经系统为灵感创造的前馈神经网络，称为卷积神经网络，它的实质是一种多层感知器模型。其参数共享，具有稀疏连接，与传统的识别算法相比，复杂度大大降低，因此是当前图像领域研究的重点，并且已在图像分类、分割等领域取得良好的成果。典型的卷积神经网络包括输入层、卷积层、池化层、全连接层以及输出层^[1]，如图1所示。

图1  卷积网络示意图

3.3  VGG16卷积神经网络

VGG16神经网络是2014年ImageNet挑战赛的冠军，直到现在依然被认为是优秀的图像分类模型。VGG是由五个group卷积、两个全连接图像特征层和一个分类特征层。224×224×3的为输入图像，卷积过程中使用的均是3×3的小卷积核，使用小的卷积核的好处是可以减少参数的数量，进而加快训练速度。其结构示意图如图2所示，图中Conv3的含义为卷积核为3*3的卷积层，64*2的含义为64个卷积核，并且有两层这样的卷积层，Maxpooling为最大池化，2*2为池化卷积核。全连接层为FC，大体含义是通过算法将卷积层拉伸为4096或1000的一维向量。

图2  VGG16网络结构图

3.4  迁移学习

对于传统的机器学习而言，通常都需要大量的带有标签的样本，但在实际生产应用过程中，训练样本数量往往都是有限的、因此便难以满足模型的正常训练进行。迁移学习产生正是为了解决这样的问题，其核心思想是利用训练好的模型进一步学习，因此迁移学习的方法对于数据的要求并不是很高，能够高效快速的部署在新的应用场景之上。实际使用过程中，迁移学习的种类有以下常见几种，样本、模型、特征以及关联迁移。

本文所使用的是模型迁移，通过将VGG16应用在有大批量样本的数据集上，得到权重参数，然后将此参数应用于本文的花卉识别上，通过对分类器的训练，将提取到的特征输入到花卉样本分类器中，对花卉的分类需求便完成了。

4  实验结果与分析

4.1  数据集介绍

本文所使用的是来自牛津大学Visual Geometry Group实验室的数据集。其共创建了两种花卉图像数据集，即Oxford -17 flower和Oxford -102 flower两个数据集。本文所采用的是Oxford-17花卉数据库。在这个数据库中，有1360幅花卉图片，分为17个类别。每个类别有80张图片。

4.2  实验设置

首先将数据集随机的分为测试、训练以及验证集，比例为8：1：1，进行30轮次的训练。使用的实验环境是Windows 10，基于tensorflow框架的分类器的实现。训练参数如表1所示。

表1  训练参数

4.3  实验结果

图3  训练的损失

通过对输入网络的数据进行多次迭代训练，得到以上训练的过程中的损失图像，从图3中可以看到随着迭代次数不断的增加，损失在不断的减少，最后得到的损失几乎为零，满足训练要求。

图4   验证集上的准确率

实验结果在验证集上准确率为91%，在测试集上的多次运行测试集，得到的准确率为97.22%，98.61%，93.06%，95.83%，其平均准确率达到了96.18%。

5  结束语

本文通过对花卉识别进行研究，将传统算法复杂的识别过程进行改进，以神经网络算法为主要方式，实现对多种花卉的识别，与此同时，把迁移学习引入到神经网络算法中大大提高了训练的速度，在提升了训练效率的同时也保证了识别准确率达到96%，实验结果表明本文提出的方法在oxford数据库上的识别准确率较高，相关研究表明，随着神经网络的不断加深，识别的准确率会越来越高，而越深的神经网络，其计算过程越复杂，计算开销越大，因此下一步的研究方向是怎样更好的平衡神经网络的深度和准确率，达到最优的效果。

参考文献：

[1]徐旭东,马立乾. 基于迁移学习和卷积神经网络的控制图识别[J]. 计算机应用,2018,38(S2):290-295.

[2]林君宇,李奕萱,郑聪尉,罗雯波,许蕾. 应用卷积神经网络识别花卉及其病症[J]. 小型微型计算机系统,2019,40(06):1330-1335.

[3]刘欣悦. 基于移动端的多特征花卉识别系统[D]. 吉林大学,2019.

[4]曾凡婧,雷鸣. 基于卷积神经网络的花卉识别研究[J]. 电脑知识与技术,2019,15(11):185-188.

[4]徐志杰,陈智锋. 基于移动终端的花卉识别技术研究[J]. 科技资讯,2018,16(24):94+96.

[5]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.

[6]王威,刘小翠,王新. 基于综合特征的花卉种类识别方法研究[J]. 湖南城市学院学报(自然科学版),2018,27(04):45-49.

[7]孔英会,朱成诚,车辚辚. 复杂背景下基于MobileNets的花卉识别与模型剪枝[J]. 科学技术与工程,2018,18(19):84-88.

[8]陈宇. 基于iOS平台的花卉识别系统设计与实现[D]. 湖南农业大学,2018.

[9]王莉源. 花卉识别系统中数据库的设计与实现[D]. 山西农业大学,2018.

[10]李英英. 基于深度学习的花卉识别系统开发[D]. 山西农业大学,2018.

[11]王云鹏. 基于图像识别的花卉监控嵌入式系统研制[D]. 电子科技大学,2018.

[12]王爽. 基于机器学习的花卉识别算法的研究与实现[D]. 电子科技大学,2018.

[13]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.

[14]王丽雯. 基于AlexNet的Oxford花卉识别方法[J]. 科技视界,2017(14):83.

[15]沈萍,赵备. 基于深度学习模型的花卉种类识别[J]. 科技通报,2017,33(03):115-119.

[16]包智妍. 基于图像处理的花卉识别技术的研究与实现[D]. 华北电力大学(北京),2017.

[17]刘德建. 基于LeNet的花卉识别方法[J]. 电子技术与软件工程,2015(23):13-14.