基于深度学习的水果图像识别算法研究

发布时间：2017-08-11 07:31

  本文关键词：基于深度学习的水果图像识别算法研究

  更多相关文章： 深度学习 水果图像识别 卷积神经网络 深度信念网络 Census变换

【摘要】：图像识别作为模式识别领域中的一种典型应用,如何准确快速的进行图像识别一直是各国学者研究的重要课题。水果图像的识别在智慧农业和数字医疗领域具有重要的地位。在智慧农业方面,通过对水果的识别可以实现对复合型果园的果树进行精准培育以及水果的自动化采摘;在数字医疗领域,进行水果识别主要用来辅助后期水果营养成分的分析,从而帮助病患制定合理的膳食。而如何对水果进行快速准确识别是这些工作的关键,目前一般的水果图像识别方法并不能满足应用的需求,所以需要寻找一种更加有效地算法进行水果图像的识别。深度学习作为机器学习领域内新兴并且蓬勃发展的一门学科,它不仅改变着传统的机器学习方法,也影响着我们对人类感知的理解,已经在图像识别和语音识别等领域取得广泛的应用。因此,本文在深入研究深度学习理论的基础上,将深度学习应用到水果图像识别中,以此来提高了水果图像的识别性能。本文主要工作如下:1.简要介绍了传统的图像识别方法及其存在的问题,概述了深度学习的研究现状和发展趋势,对比分析了深度学习相对于浅层学习的优势所在,详细介绍了两种常用的深度学习方法的训练过程。2.对基于卷积神经网络的水果图像识别算法进行了深入的研究。考虑到不同激活函数和下采样方式对识别性能有很大影响,通过实验选取合适的激活函数和下采样方法,并对这些激活函数和下采样方法进行了讨论分析。为了进一步提高网络性能,通过拓展网络深度进行水果图像识别,实验结果验证了水果数据集在网络深度增加时识别性能有一定的提高,最后将基于卷积神经网络的水果图像识别结果与传统水果图像识别方法的结果进行了对比分析,证明了该方法的有效性。3.针对卷积神经网络训练时间过长的局限性,设计了基于深度信念网络的水果图像识别方法。为了解决深度信念网络忽略图像局部结构,难以学习到图像的局部特征的缺点,同时考虑到水果图像受到光照变化的影响,本文采用Census变换与深度信念网络相结合的方法进行水果图像识别。首先,通过Census变换提取水果图像的纹理特征,以此来消除光照变化对特征提取的影响,并且Census变换能够有效保留图像局部特征,这就使得深度信念网络能有效地学习到图像局部特征,同时减少网络对不利的特征描述的学习;其次,利用获得的水果图像的Census特征训练深度信念网络,得到网络的相关参数;最后利用深度信念网进行水果图像识别。实验结果表明该方法表现出了较强的特征学习能力,识别性能优于一般传统识别算法并达到了卷积神经网络的识别效果,并且训练时间被大大缩短。
【关键词】：深度学习 水果图像识别 卷积神经网络 深度信念网络 Census变换
【学位授予单位】：河北大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要5-7
• Abstract7-11
• 第1章 绪论11-21
• 1.1 课题研究背景及意义11-15
• 1.2 研究现状15-19
• 1.2.1 深度学习的国内外研究现状15-17
• 1.2.2 水果识别的研究现状17-19
• 1.3 本文主要研究内容和章节安排19-21
• 第2章 深度学习21-36
• 2.1 引言21
• 2.2 浅层学习和深度学习21-23
• 2.3 深度学习的基本思想23-24
• 2.4 深度学习常用方法24-35
• 2.4.1 卷积神经网络24-29
• 2.4.1.1 卷积神经网络的网络结构24-25
• 2.4.1.2 卷积神经网络特性25-26
• 2.4.1.3 卷积神经网络训练过程26-29
• 2.4.2 深度信念网络29-35
• 2.4.2.1 限制玻尔兹曼机模型29-31
• 2.4.2.2 限制玻尔兹曼机学习算法31-33
• 2.4.2.3 深度信念网络模型33-34
• 2.4.2.4 深度信念网络训练过程34-35
• 2.5 本章小结35-36
• 第3章 基于卷积神经网络的水果图像识别36-51
• 3.1 引言36
• 3.2 数据集构建36-39
• 3.2.1 图像采集36-37
• 3.2.2 数据预处理37-39
• 3.3 卷积神经网络架构39-41
• 3.4 常用激活函数41-43
• 3.5 常用下采样方法43-44
• 3.6 分类方法选择44-46
• 3.7 实验及结果分析46-49
• 3.8 性能比较49-50
• 3.9 本章小结50-51
• 第4章 基于深度信念网络的水果图像识别51-61
• 4.1 引言51
• 4.2 Census变换的基本原理51-54
• 4.3 基于深度信念网络的原始像素水果图像识别结果及分析54-57
• 4.4 基于深度信念网络的Census变换后的水果图像识别结果及分析57-59
• 4.5 性能比较59
• 4.6 本章小结59-61
• 第5章 总结与展望61-63
• 5.1 总结61-62
• 5.2 展望62-63
• 参考文献63-67
• 致谢67

，

本文编号：654892