植物类别的人工智能识别

机器学习图像识别识别花卉

我们的大脑非常善于理解图像

机器视觉的近几年进展

在女科学家李飞飞创建ImageNet以前，计算机只能识别如飞机、汽车等几种图像。后来李飞飞采用众包的方法创建imagenet让全球的网友对几十万种图像进行标记，然后组织计算机科研小组进行竞赛，到2012年时开始，深度学习团队开始对传统视觉算法有了优势，从此大大推进了深度学习的进展，如今深度学习不管在图像识别和语音识别都已比较成熟了。

谷歌tensorflow开源机器学习

Google的研究人员已经发表了一些的论文。但不容易理解。通过最新模型Inception-v3上运行图像识别的代码来让公众体验。

Inception-v3 使用2012年的数据对ImageNet大型视觉识别挑战进行了培训。这是计算机视觉中的一项标准任务，模型试图将整个图像分为1000个类，如“Zebra”，“Dalmatian”和“Dishwasher ”。例如，下面是AlexNet对一些图像进行分类的结果：AlexNet通过设置2012年验证数据集的前5位错误率达到15.3％初始（GoogLeNet）达到6.67％; BN-Inception-v2达到4.9％; Inception-v3达到3.46％。

如何训练图像分类器

如何区分苹果和橘子的不同。我们发现手工做这事不可能，因为世界上有太多不同的苹果和橘子。分类器把特征作为输入我们很难把橘子的表皮凹凸信息从图像中提取出来，你不会写一个探测表面材质的程序，为了解决这个问题，我们使用深度学习，你不用手动提取特征，你可以利用图像的像素，分类器会解决其余问题图片分类器仅仅是一个函数，分类器高级层面上来讲，这仅仅是另一个分类器

辰山植物园采集数据

采集到六种鲜花的图片，共2600张

在装有GTX1060 6GB显卡的电脑上进行训练

在GTX 1060 6GB 的显卡上训练训练4000步约需要十几分钟

训练结果，对测试集（每种花预留三朵）的识别准确率在93%以上

自己编程的图形界面

谢谢