基于深度学习的植物叶片识别算法研究

发布时间：2017-05-03 11:07

  本文关键词：基于深度学习的植物叶片识别算法研究，由笔耕文化传播整理发布。

【摘要】：近年来,植物信息学逐步重视对基于图像的植物识别技术的研究。植物的分类与识别一般依赖植物的形态、纹理、颜色等特征进行识别,即根据花、果实、叶等器官的形态特征完成分类识别工作。植物叶片纹理、颜色和形态结构各异,是区别植物物种的主要依据。而且植物叶片图像采集方便,存活时间较长,四季变化分明,通过叶片对植物进行分类研究成为目前许多学者的研究热点。基于卷积神经网络的深度学习算法,可以自主学习叶片特征减少人工干预,对于复杂背景叶片图像能排除噪声干扰等,提高图像识别效率。本文基于卷积神经网络算法构建了一个8层的深度学习叶片识别系统,并且利用Pl@antNet叶片库及自主扩展的植物叶片数据来训练样本数据,完成识别率测试。为了提高识别率,对单一背景和复杂背景的叶片图像分别给出了图像预处理方案；并将基于深度学习的识别系统跟SIFT算子和叶片图像特征的多分类器识别系统进行了对比分析,验证了算法的有效性。实验证明本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率能够高达91.11%和90.90%,识别复杂背景叶片图像识别率也能高达34.38%,取得了较好的识别效果。本文实现的8层深度学习叶片识别系统依然有改进空间,各层参数等均采取的默认值,权值参数调优过程依然值得改进。同时,图像分割处理部分依然可以作为未来研究的重点之一。复杂叶片图像背景下识别率不到40%,改进空间依然很大,同时对于叶形过于相似的植物分类识别将是植物分类中面临的挑战问题。
【关键词】：植物识别 叶片图像 特征提取 深度学习 卷积神经网络
【学位授予单位】：北京林业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-4
• ABSTRACT4-7
• 1 绪论7-13
• 1.1 研究背景和意义7-8
• 1.2 国内外研究现状8-10
• 1.2.1 植物叶片识别研究发展现状8-9
• 1.2.2 深度学习研究发展现状9-10
• 1.3 植物叶片识别研究难点10-11
• 1.4 本文的主要内容及章节安排11-13
• 2 深度学习相关算法研究13-28
• 2.1 深度学习训练过程14-15
• 2.2 深度学习常用模型15-27
• 2.2.1 自动编码器15-17
• 2.2.2 限制玻尔兹曼机17-21
• 2.2.3 深度信念网络21-23
• 2.2.4 卷积神经网络23-27
• 2.2.4.1 卷积神经网络核心优势24-25
• 2.2.4.2 卷积神经网络结构25
• 2.2.4.3 卷积神经网络训练过程25-27
• 2.3 本章小结27-28
• 3 分层卷积深度学习网络设计28-32
• 3.1 网络结构设计28-30
• 3.2 分类器30-31
• 3.2.1 Softmax回归模型30-31
• 3.2.2 支持向量机31
• 3.3 本章小结31-32
• 4 植物叶片种类识别实验系统设计与实现32-47
• 4.1 单一背景叶片图像预处理33-36
• 4.1.1 图像灰度化34
• 4.1.2 图像降噪34-35
• 4.1.3 图像分割35-36
• 4.2 复杂背景叶片图像预处理36-39
• 4.2.1 叶片兴趣区检测36-38
• 4.2.2 分水岭分割38-39
• 4.3 叶片图像特征识别模块39-41
• 4.3.1 叶片图像特征提取39-40
• 4.3.2 叶片图像特征识别系统40-41
• 4.4 SIFT特征识别模块41-43
• 4.5 深度学习识别模块43-44
• 4.6 系统测试与结果44-46
• 4.7 本章小结46-47
• 5 结论与展望47-49
• 5.1 结论47
• 5.2 下一步工作展望47-49
• 参考文献49-52
• 个人简介52-53
• 导师简介53-54
• 获得成果目录54-55
• 致谢55

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

  本文关键词：基于深度学习的植物叶片识别算法研究，，由笔耕文化传播整理发布。

本文编号：342882