CN109508650A - 一种基于迁移学习的树种识别方法 - Google Patents

Abstract

本发明公开了一种基于迁移学习的树种识别方法，包括以下步骤：S1收集树木图像，制作树种图像数据集；S2对原始数据集图像进行数据增强，以扩充图片的数量；S3获取一种以上在大型图像数据集上训练过的基于卷积神经网络的预训练模型，S4用树种图像数据集对预训练模型进行训练，在训练过程中优化预训练模型中的一个或几个全连接层，从而训练出多个基于卷积神经网络的分类器；测试每个分类器的准确率，选出准确率最高分类器；S5用步骤S4选出的分类器进行树种识别，从而获得识别的结果。本发明基于迁移学习的方式对树种进行识别，使得在树种样本量有限的情况下也能训练出一个泛化能力很好的模型，并且大大提高了复杂背景下的树种识别率。

Description

一种基于迁移学习的树种识别方法

技术领域

本发明涉及一种树种识别方法，具体是涉及一种基于迁移学习的树种识别方法。

背景技术

树是植物的一种，泛指木本植物。最新的研究表示，世界上有60065种树木，并且这个数字还在不断地更新，因为每年都会新命名大约2000种树木。种类非常的繁多， 其中中国大约有8000种树木。面对数量庞多的树种信息，单靠人工去识别显然是不合 理的，不但费力还可能识别的不准确。并且靠人脑识别需要研究者具备相当的经验。所 以，需要提出一种方法，通过树木的图像就可以自动识别出该树的种类。这对林业信息 化的建设，智慧林业的建成都有一定的积极意义。

树种识别技术，通常会根据树木的图像对树种进行识别。张帅等人在《基于分层卷积深度学习系统的植物叶片识别研究》中提供了一种树种识别技术，通过植物叶片图像 进行树种的识别，首先利用卷积神经网络自主学习叶片颜色、形状、纹理等特征，然后 再利用SVM、Softmax等分类器对植物进行分类。但是这种方法对叶片图像数据集的要 求较高，需要对每一张图片进行预处理，将叶片部分从背景中分离出来。因此，大大提 高了叶片数据集获取的难度。并且，这种方式对复杂背景下的树木识别率低；另外基于 深度卷积神经网络的植物识别方法依赖于数据驱动，要求训练的数据足够的多才可能有 好的效果。

公告号为CN106991439A的中国专利“基于深度学习与迁移学习的图像识别方法”，该方法包括如下步骤：一、准备阶段：读取预训练模型，并读取图片目录，划分训练集、 验证集以及测试集；二、训练阶段：构造全连接神经网络分类器，并将图片集作为所述 预训练模型的输入，使用与所述预训练模型的输出更新所述全连接神经网络分类器；三、 存储阶段：存储模型结果。该方法提供的基于深度学习与迁移学习的图像识别方法结合 深度学习与迁移学习的应用，从而在极有限的训练时间、训练样本数量的基础上，为使 用者提供相对准确的图像识别结果。但是该方法仍然存在一定的缺陷，该方法在样本数 量有限的情况下训练分类器，得到的分类器直接用来进行图像识别，不能保证分类器的 可靠性和识别的准确性。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于迁移学习的树种 识别方法，该方法通过自然拍摄场景下的树木整体的图像进行树种识别，图像数据集获取方便；并且利用迁移学习的思想，即使在训练样本有限的情况，训练出来的模型也有 很好的泛化能力，大大提高了复杂背景下的树种识别率。

技术方案：为实现上述目的，本发明的一种基于迁移学习的树种识别方法，包括以下步骤：

S1收集树木图像，制作树种图像数据集；

S2对原始数据集图像进行数据增强，以扩充图片的数量；

S3获取一种以上在大型图像数据集上训练过的基于卷积神经网络的预训练模型，

S4用树种图像数据集对预训练模型进行训练，在训练过程中优化预训练模型中的一个或几个全连接层，从而训练出多个基于卷积神经网络的分类器；测试每个分类器的 准确率，选出准确率最高分类器；

S5用步骤S4选出的分类器进行树种识别，从而获得识别的结果。

进一步的，所述步骤S1中，树种图像数据集的制作方式为：通过人工的方式直接在自然场景拍摄或者通过爬虫程序在网络上批量的爬取相关树种的图像数据组成图像 数据集。然后按照树木对图像进行分类，将同种的树的图像作为一个集合，以各树种的 名称作为相应集合的标签，然后进行数据清洗，筛选出图像与标签不匹配的数据，并将 这些不匹配的数据删除。

进一步的，所述步骤S2中，数据增强具体操作为：通过对原始数据集中的每张图片以左右/上下翻转或者调整普片的亮度，对比度、饱和度的方式对图片进行变换，变换 后的图片保存为新的图片，并储存在相应的图像集合里，从而扩充图片的数量。

进一步的，所述步骤S3中，获取3种在ImageNet大型图像数据集上训练出来的基于卷积神经网络的预训练模型。

进一步的，所述步骤S4具体为：首先将树种图像数据集划分为训练集、验证集和测试集，将训练集的图片输入到预训练模型中，每张图片经过预训练模型中的各个卷积 层和池化层后得到多个特征图，这些特征图再经过各个全连接层得到预测结果，然后用 交叉熵函数评价预测结果和真实值之间的差距，对训练集中的每张图片都重复上述步 骤，在这个过程中，每次都用梯度下降法对模型的一个或几个全链接层参数进行优化更 新，所有的训练图片样本都输入过该网络为一次网络的更新，每次网络更新后，用验证 集去计算准确率，选出准确率最高的模型得到一个分类器，用类似的方法，选用不同的 预训练模型，更新不同的全连接层，得到多个分类器，再用测试集验证各个分类器的准 确率，然后选出准确率最高的分类器。

进一步的，在对模型进行训练时，先将所有图片的尺寸修改为固定大小，每张图片输入到预训练模型中后会经过多个卷积层、池化层、全连接层的计算，卷积层操作的公 式如下所示：

其中,L_i表示卷积神经网络第i层的特征图；W_i表示第i层卷积核，W_i是一个张量；b_i表示第i层的偏置向量；表示卷积运算，卷积是两个张量在某范围内相乘后求和的 结果；act(x)表示激活函数；

卷积层操作的整个过程是第i-1层的输出图像与第i层的卷积核做卷积操作，再加上偏置矩阵b_i，然后经过激活函数计算，最终得到第i层的特征图L_i；

池化层做的是在图像的每n×n的范围，取出n×n范围内最大的一个值，并且将这个范围在图像上按照从左到右、从上到下的顺序平移，最终取出所有的值组成新的图片；

全连接层的计算公式如下所示：

Z＝X_i×W_i+b_i

式中，X_i为特征图的每一个像素值，W_i为权重参数，b_i为偏置值，Z为特征图的每 一个像素值在全连接层的计算结果；

全连接层的最后一层使用softmax函数归一化，输出一个n行的向量，n的值为树种的种类数。Softmax函数的公式如下所示：

其中，xⁱ代表输出层第i个神经元的值；

输出的n行的向量即模型的输出值，向量中每一行的值代表模型预测的当前行表示 的树种的概率值，概率值越大，代表预测的结果越偏向该树种。

进一步的，在训练过程中，每输入一张图片得到预测结果后都用交叉熵函数评价预 测结果和真实值之间的差距，并且用梯度下降法对模型的一个或几个全链接层参数进行 优化更新，

交叉熵函数的公式如下所示：

其中，m表示一次训练输入的样本数，n代表n种类别，y_ji表示真实的标签，代表预测的标签。

梯度下降法的公式如下所示：

式中，θ：表示更新后的参数值，θ表示模型需要更新的参数，α表示学习率，J(θ) 表示损失函数；

具体训练过程为：随机初始化W_i，b_i，以及学习率α的值，使用梯度下降法不断的 更新一个或几个全连接层中的W_i，b_i的值，从而降低loss值，所有的训练图片样本都 输入过该网络为一次网络的更新，每次网络更新后，用验证集去计算准确率，当网络更 新了i次或者loss值低于j时，即停止网络的训练，选出在验证集上准确率最高的模 型得到一个分类器，重复上述过程，选择不同的全连接层进行更新，可以得到多个分类 器，然后用测试集验证各个分类器的准确率，选出准确率最高的分类器。

进一步的，卷积层中所用的激活函数是ReLu激活函数，公式如下：

a＝max(0,z)

式中，z代表的值。

进一步的，通过更新不同的全连接层可以得到个分类器，其中，n表示 预训练模型的个数，k_i表示每个预训练模型的层数。

进一步的，准确率的计算公式如下：

其中accuracy为准确率，m为测试的图像的总数目，n为该模型预测的前五个结果中任意一个正确的图像数目。

有益效果：

本发明与现有技术比较，具有的优点是：

1、采用本发明的方法，基于树木整体的图像进行树种的识别。不需要对图像数据集进行额外的预处理，大大降低了图像数据集的获取难度。并且基于整体图像的识别方 式能提供更多的特征供神经网络学习；

2、采用本发明的方法，基于迁移学习的方式对树种进行识别，使得在树种样本量有限的情况下也能训练出一个泛化能力很好的模型，并且大大提高了复杂背景下的树种识别率。

3、本发明的方法，通过翻转图片、调整图片亮度、对比度等方式对图片的数量进行扩充，从而增加了样本数量，增加了训练的次数，从而使模型得到更好的优化，提高 了模型的可靠性和准确率。

4、本发明的方法，从网络上获取在大型图像数据集上训练过的基于卷积神经网络的预训练模型，然后用树种图像集中的图像对预训练模型进行训练，在训练的过程中通 过交叉熵函数来评估模型计算的准确性，并不断的通过梯度下降法更新模型的一个或几 个全连接层中的参数，优化卷积神经网络，从而确保卷积神经网络能够准确的识别树木 的种类。

5、本发明的方法，每次训练通过更新不同的全连接层得到多个不同的分类器，然后测试每个分类器的准确率，通过比较各个分类器的准确率，选出准确率最高的分类器 来进行图像识别，保证了图像识别结果的可靠性。

6、本发明的方法，模型输出的结果用softmax分类器进行处理来获得最终的结果，通过softmax函数计算出待测图片属于每一种树种的概率，最后的输出结果为概率值最 大的5个树种，进一步的提高了识别的准确率，且输出结果清晰明了。

附图说明

图1是本发明基于迁移学习的树种识别方法流程图。

图2是本发明实施例10种树木实验样本图。

图3是本发明实施例对其中一个实验样本数据增强后的效果图。

图4是实施例九中的技术路线图。

图5是本发明实施例对树种识别的结果图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

实施例一

本实施例的一种基于迁移学习的树种识别方法，包括以下步骤：

S1收集树木图像，制作树种图像数据集；

S2对原始数据集图像进行数据增强，以扩充图片的数量；

S3获取一种以上在大型图像数据集上训练过的基于卷积神经网络的预训练模型，

S4用树种图像数据集对预训练模型进行训练，在训练过程中优化预训练模型中的一个或几个全连接层，从而训练出多个基于卷积神经网络的分类器；测试每个分类器的 准确率，选出准确率最高分类器；

S5用步骤S4选出的分类器进行树种识别，从而获得识别的结果。

实施例二

本实施例的一种基于迁移学习的树种识别方法，基于实施例一，树种图像数据集的 制作方式为：通过人工的方式直接在自然场景拍摄或者通过爬虫程序在网络上批量的爬 取相关树种的图像数据组成图像数据集。然后按照树木对图像进行分类，将同种的树的图像作为一个集合，以各树种的名称作为相应集合的标签，然后进行数据清洗，筛选出 图像与标签不匹配的数据，并将这些不匹配的数据删除。

实施例三

本实施例的一种基于迁移学习的树种识别方法，基于实施例二，数据增强具体操作 为：通过对原始数据集中的每张图片以左右/上下翻转或者调整普片的亮度，对比度、饱和度的方式对图片进行变换，变换后的图片保存为新的图片，并储存在相应的图像集合里，从而扩充图片的数量。

实施例四

本实施例的一种基于迁移学习的树种识别方法，基于实施例三，在进行训练前，要获取一种以上在大型图像数据集上训练过的基于卷积神经网络的预训练模型，预训练模型可以从AlexNet,VggNet,Inception V1～V4,ResNet等模型中选择，本例中使用3种在ImageNet大型图像数据集上训练出来的基于卷积神经网络的预训练模型，分别为AlexNet、VggNet以及Inception V3。

实施例五

本实施例的一种基于迁移学习的树种识别方法，基于实施例四，用树种图像数据集 对预训练模型进行训练的方法具体为：首先将树种图像数据集划分为训练集、验证集和测试集，将训练集的图片输入到预训练模型中，每张图片经过预训练模型中的各个卷积 层和池化层后得到多个特征图，这些特征图再经过各个全连接层得到预测结果，然后用 交叉熵函数评价预测结果和真实值之间的差距，对训练集中的每张图片都重复上述步 骤，在这个过程中，每次都用梯度下降法对模型的一个或几个全链接层参数进行优化更 新，所有的训练图片样本都输入过该网络为一次网络的更新，每次网络更新后，用验证 集去计算准确率，选出准确率最高的模型得到一个分类器，用类似的方法，选用不同的 预训练模型，更新不同的全连接层，得到多个分类器，再用测试集验证各个分类器的准 确率，然后选出准确率最高的分类器。

实施例六

本实施例的一种基于迁移学习的树种识别方法，基于实施例五，在对模型进行训练 时，先将树种图像数据集划分为训练集、验证集和测试集，一般三者的比例为8:1:1或7:1.5:1.5,然后将所有图片的尺寸修改为固定大小x×y像素，其中x代表图像的宽度， y代表图像的高度，x,y的大小一般没有限制要求，为了方便后面的计算，x,y的值尽量 保持一致，每张图片输入到预训练模型中后会经过多个卷积层、池化层、全连接层的计 算，卷积层操作的公式如下所示：

其中,L_i表示卷积神经网络第i层的特征图；W_i表示第i层卷积核，W_i是一个张量；b_i表示第i层的偏置向量；表示卷积运算，卷积是两个张量在某范围内相乘后求和的 结果；act(x)表示激活函数；

卷积层中所用的激活函数是ReLu激活函数，公式如下：

a＝max(0,z)

式中，z代表的值。

卷积层操作的整个过程是第i-1层的输出图像与第i层的卷积核做卷积操作，再加上偏置矩阵b_i，然后经过激活函数计算，最终得到第i层的特征图Li；

池化层做的是在图像的每n×n的范围，取出n×n范围内最大的一个值，并且将这个范围在图像上按照从左到右、从上到下的顺序平移，最终取出所有的值组成新的图片；

由于本方法使用的迁移学习，所以不必从头训练网络，预训练模型前面卷积层、池化层的参数都是在ImageNet数据集中训练得出，将原始图片经过卷积神经网络卷积层、 池化层的前向计算，即可以抽离出特征图，这些特征图往往比特征工程手动提取的特征 更加的可靠。本文方法利用抽离出来的特征图，只用自己的树种图像数据集训练全连接 层，

全连接层的计算公式如下所示：

Z＝X_i×W_i+b_i

式中，X_i为特征图的每一个像素值，W_i为权重参数，b_i为偏置值，Z为特征图的每 一个像素值在全连接层的计算结果；

全连接层的最后一层使用softmax函数归一化，输出一个n行的向量，n的值为树种的种类数。Softmax函数的公式如下所示：

其中，xⁱ代表输出层第i个神经元的值；

输出的n行的向量即模型的输出值，向量中每一行的值代表模型预测的当前行表示 的树种的概率值，概率值越大，代表预测的结果越偏向该树种。

实施例七

本实施例的一种基于迁移学习的树种识别方法，基于实施例六，在训练过程中，每输入一张图片得到预测结果后都用交叉熵函数评价预测结果和真实值之间的差距，并且用梯度下降法对模型的一个或几个全链接层参数进行优化更新，

交叉熵函数的公式如下所示：

其中，m表示一次训练输入的样本数，n代表n种类别，y_ji表示真实的标签，代表预测的标签。

梯度下降法的公式如下所示：

式中，θ：表示更新后的参数值，θ表示模型需要更新的参数，α表示学习率，J(θ) 表示损失函数；

具体训练过程为：随机初始化W_i，b_i，以及学习率α的值，使用梯度下降法不断的 更新一个或几个全连接层中的W_i，b_i的值，从而降低loss值，所有的训练图片样本都 输入过该网络为一次网络的更新，每次网络更新后，用验证集去计算准确率，当网络更 新了i次或者loss值低于j时，即停止网络的训练，i的值根据数据量来定，数据量越 多，i的值也就需要设的越大，本例中的i设为10000。Loss值越小代表网络收敛的效 果越好，本例中j的值设为0.001，选出在验证集上准确率最高的模型得到一个分类器， 重复上述过程，选择不同的全连接层进行更新，可以得到多个分类器，然后用测试集验 证各个分类器的准确率，选出准确率最高的分类器。

准确率的计算公式如下：

其中accuracy为准确率，m为测试的图像的总数目，n为该模型预测的前五个结 果中任意一个正确的图像数目。

实施例八

本实施例的一种基于迁移学习的树种识别方法，基于实施例七，通过更新不同的全连接层可以得到个分类器，其中，n表示预训练模型的个数，k_i表示每个预 训练模型的层数。

本例中通过迁移学习的方法共训练出了以下8个分类器：

其中，AlexNet-fc8”表示只训练AlexNet模型的fc8层,“AlexNet-fc8,fc7”表 示训练AlexNet模型的fc8和fc7层。“AlexNet-fc8,fc7,fc6”表示训练AlexNet模 型的fc8,fc7和fc6后面三层。以此类推，VggNet-16模型跟AlexNet模型表示含义一 样。“Inception-V3”表示只训练Inception-V3模型的最后一层。“Inception-V3-a1” 表示在Inception-V3后面增加一个全连接层，然后训练后面两层。

实施例九

本实施例的一种基于迁移学习的树种识别方法，参照图1，包括以下步骤：

制作树种图像数据集。制作方式为：一部分通过人工的方式直接在自然场景拍摄得 到，另一部分通过网络爬虫技术在网络上获取，最后再由人工将这些数据整合起来，进行数据清洗，从而得出适合训练的树种数据集；本例中的实验数据样本包括：美国山毛 榉、美国梧桐、黑胡桃、东方红杉、银杏、红枫树、南方玉兰、郁金香白杨、白橡木以 及白松共10个树种的1593个图像，其中美国山毛榉104张、美国梧桐130张、黑胡桃 154张、东方红杉102张、银杏270张、红枫树183张、南方玉兰175张、郁金香白杨 133张、白橡木202张、白松140张，如图2所示，其中每种树只选取了一张图片作为 代表；

对原始数据集图像进行数据增强，采用以下几种方式进行数据增强：第一，针对图像颜色进行数据增强，包括：图像亮度、饱和度、对比度等方面；第二，对原始图像进 行水平/垂直翻转；第三，采用最近邻差值、双线性差值、双三次差值等方式对图片进行 缩放，然后随机裁剪图片五个区域生成新的图片。通过Python编程语言实现上述几种 方式的数据增强。实验效果图如图3所示，这里只显示将一张照片数据增强后的效果；

下载基于ImageNet图像数据集训练出来的预训练模型，网络上的资源非常的丰富， 例如：https://github.com/tensorflow/models/tree/master/research/slim，本实施例选择 Inception_v3预训练模型。

模型下载完毕，就可以基于该模型编写程序。本发明实施例中神经网络的搭建和运 行都是在windows10下通过Python编程语言调用TensorFlow深度学习库来实施完成的。

具体实现步骤如下：

1.使用WebAPP开发框架MUI和5+Runtime进行程序UI的设计。

2.数据库采用开源社区版的MySQL，主要用于存放用户上传的图像数据。

3.服务端使用PHP程序语言，主要用于执行业务操作。具体逻辑为，用户通过拍 照或者相册选取图片的方式上传图片到服务器的目录，利用Python语言基于前面训练 的模型编写识别脚本，识别上述目录下的图片，最后由PHP调用Python脚本获得识别 结果。

技术路线如图4所示：

设置模型的初始化学习率，选择合适的优化算法，最后设置一定的迭代步数。就可以开启模型的训练了。一次模型训练完成，计算出该模型在测试集上的准确率。然后继 续调整模型初始化参数，开启第二次训练。如此循环，最后对比得出一个效果最好的模 型。本发明实施例中取得最高的准确率时的设置如下：学习率设为0.001，使用Adam 优化器迭代100000次；

利用训练好的模型进行树种的识别，最终会输出top-5的识别结果。如图5所示，左边为拍摄的一张银杏树图像，右边是基于本发明方法得到的树种识别结果，top-5识 别结果中银杏的得分最高，识别正确。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的技术人员来说， 在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为 本发明的保护范围。

Claims (10)

1.一种基于迁移学习的树种识别方法，其特征在于，包括以下步骤：

S1收集树木图像，制作树种图像数据集；

S2对原始数据集图像进行数据增强，以扩充图片的数量；

S3获取一种以上在大型图像数据集上训练过的基于卷积神经网络的预训练模型，

S4用树种图像数据集对预训练模型进行训练，在训练过程中优化预训练模型中的一个或几个全连接层，从而训练出多个基于卷积神经网络的分类器；测试每个分类器的准确率，选出准确率最高分类器；

S5用步骤S4选出的分类器进行树种识别，从而获得识别的结果。

2.根据权利要求1所述的基于迁移学习的树种识别方法，其特征在于，所述步骤S1中，树种图像数据集的制作方式为：通过人工的方式直接在自然场景拍摄或者通过爬虫程序在网络上批量的爬取相关树种的图像数据组成图像数据集。然后按照树木对图像进行分类，将同种的树的图像作为一个集合，以各树种的名称作为相应集合的标签，然后进行数据清洗，筛选出图像与标签不匹配的数据，并将这些不匹配的数据删除。

3.根据权利要求1所述的基于迁移学习的树种识别方法，其特征在于，所述步骤S2中，数据增强具体操作为：通过对原始数据集中的每张图片以左右/上下翻转或者调整普片的亮度，对比度、饱和度的方式对图片进行变换，变换后的图片保存为新的图片，并储存在相应的图像集合里，从而扩充图片的数量。

4.根据权利要求1所述的基于迁移学习的树种识别方法，其特征在于，所述步骤S3中，获取3种在ImageNet大型图像数据集上训练出来的基于卷积神经网络的预训练模型。

5.根据权利要求1所述的基于迁移学习的树种识别方法，其特征在于，所述步骤S4具体为：首先将树种图像数据集划分为训练集、验证集和测试集，将训练集的图片输入到预训练模型中，每张图片经过预训练模型中的各个卷积层和池化层后得到多个特征图，这些特征图再经过各个全连接层得到预测结果，然后用交叉熵函数评价预测结果和真实值之间的差距，对训练集中的每张图片都重复上述步骤，在这个过程中，每次都用梯度下降法对模型的一个或几个全链接层参数进行优化更新，所有的训练图片样本都输入过该网络为一次网络的更新，每次网络更新后，用验证集去计算准确率，选出准确率最高的模型得到一个分类器，用类似的方法，选用不同的预训练模型，更新不同的全连接层，得到多个分类器，再用测试集验证各个分类器的准确率，然后选出准确率最高的分类器。

6.根据权利要求5所述的基于迁移学习的树种识别方法，其特征在于，在对模型进行训练时，先将所有图片的尺寸修改为固定大小，每张图片输入到预训练模型中后会经过多个卷积层、池化层、全连接层的计算，卷积层操作的公式如下所示：

其中,L_i表示卷积神经网络第i层的特征图；W_i表示第i层卷积核，W_i是一个张量；b_i表示第i层的偏置向量；表示卷积运算，卷积是两个张量在某范围内相乘后求和的结果；act(x)表示激活函数；

卷积层操作的整个过程是第i-1层的输出图像与第i层的卷积核做卷积操作，再加上偏置矩阵b_i，然后经过激活函数计算，最终得到第i层的特征图L_i；

池化层做的是在图像的每n×n的范围，取出n×n范围内最大的一个值，并且将这个范围在图像上按照从左到右、从上到下的顺序平移，最终取出所有的值组成新的图片；

全连接层的计算公式如下所示：

Z＝X_i×W_i+b_i

式中，X_i为特征图的每一个像素值，W_i为权重参数，b_i为偏置值，Z为特征图的每一个像素值在全连接层的计算结果；

全连接层的最后一层使用softmax函数归一化，输出一个n行的向量，n的值为树种的种类数。Softmax函数的公式如下所示：

其中，xⁱ代表输出层第i个神经元的值；

输出的n行的向量即模型的输出值，向量中每一行的值代表模型预测的当前行表示的树种的概率值，概率值越大，代表预测的结果越偏向该树种。

7.根据权利要求6所述的基于迁移学习的树种识别方法，其特征在于，在训练过程中，每输入一张图片得到预测结果后都用交叉熵函数评价预测结果和真实值之间的差距，并且用梯度下降法对模型的一个或几个全链接层参数进行优化更新，

交叉熵函数的公式如下所示：

其中，m表示一次训练输入的样本数，n代表n种类别，y_ji表示真实的标签，代表预测的标签。

梯度下降法的公式如下所示：

式中，θ：表示更新后的参数值，θ表示模型需要更新的参数，α表示学习率，J(θ)表示损失函数；

具体训练过程为：随机初始化W_i，b_i，以及学习率α的值，使用梯度下降法不断的更新一个或几个全连接层中的W_i，b_i的值，从而降低loss值，所有的训练图片样本都输入过该网络为一次网络的更新，每次网络更新后，用验证集去计算准确率，当网络更新了i次或者loss值低于j时，即停止网络的训练，选出在验证集上准确率最高的模型得到一个分类器，重复上述过程，选择不同的全连接层进行更新，可以得到多个分类器，然后用测试集验证各个分类器的准确率，选出准确率最高的分类器。

8.根据权利要求6所述的基于迁移学习的树种识别方法，其特征在于，卷积层中所用的激活函数是ReLu激活函数，公式如下：

a＝max(0,z)

式中，z代表的值。

9.根据权利要求7所述的基于迁移学习的树种识别方法，其特征在于，通过更新不同的全连接层可以得到个分类器，其中，n表示预训练模型的个数，k_i表示每个预训练模型的层数。

10.根据权利要求7或9所述的基于迁移学习的树种识别方法，其特征在于，准确率的计算公式如下：

其中accuracy为准确率，m为测试的图像的总数目，n为该模型预测的前五个结果中任意一个正确的图像数目。