基于视频图像序列分析的植物物种识别系统

发布时间：2021-07-30 08:48

　　我国作为世界林业大国,拥有的植物资源极为丰富,为了对其更好地研究,植物分类方法的研究至关重要。植物物种识别对鉴定新物种、维持生态系统平衡以及发展生产力具有非常重要的作用。采用深度学习的方法对植物图像分类,需要通过大规模样本训练,不需要人工设计从而自动学习到特征,减小了工作量,提高了植物分类的工作效率。论文针对植物视频图像序列,采用深度学习方法,对植物样本自动提取特征（形状、纹理和颜色等）,训练出植物物种分类神经网络模型;然后通过模型提取包含植物特征的视频关键帧,从而达到对含有多个植物信息的视频进行识别并抽取植物物种图像信息。首先,使用随机剪裁、镜面翻转和亮度随机变化等图像增强方法构建丰富数据集,并将数据去均值与规范化后作为神经网络的输入,防止网络过度学习随机噪声,提高模型鲁棒性,充分发挥深度学习的优势。然后,使用MobileNet进行迁移学习,全局均值池化层代替全连接层,并新加入一层512维的全连接层,提高网络表达能力,缩短学习进程,增加模型的可用性,这点对移动端的实时分类很重要。最后,将算法模型移植到移动端,设计一个快速有效的植物物种识别系统,并测试了植物分类识别的准确率。论文在模型... 

【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

形色识花和花伴侣Figure1.1XingSeflowerrecognitionsoftware,andFlowerCompanionsoftware由此可知，深度学习在植物物种识别研究中具有不可替代的地位

基于视频图像序列分析的植物物种识别系统62相关理论及技术分析2.1卷积神经网络深度学习来自对人工神经网络的研究，人类识别物体是个不断抽象和迭代的过程，首先，眼睛将图像传入大脑皮层的低级V1区，提取物体的边缘特征，抽象判定出物体形状，再到V2区分析物体纹理等局部特征，最后到高层的前额皮层对物体进行具体类别的判断。深度学习识别图像和文本等信息的过程与人类大脑识别的过程类似。作为人工智能的经典案例，深度学习已经在图像分类、无人驾驶、语音识别和信息物理系统等方面取得了飞快发展。深度神经网络的训练过程主要是不停地循环前向传播和反向传播这两个过程，随迭代次数的增加使得整体损失值降低，直到网络预测能力得到提高，达到预期效果。在深度学习中，卷积神经网络是最具有代表性的网络结构之一，在不同的任务中，卷积层和池化层可以重复组合来对特征进行提龋CNN的结构如下图所示：图2.1卷积神经网络结构Figure2.1Convolutionalneuralnetworkstructure相比传统神经网络，CNN的神经元节点间是局部连接，优势是网络参数量相对减少，避免了训练时间过长。另外，CNN可以权值共享，每个神经元对应的局部感知区域间的权重相同，同一层相同节点之间可共享，进而使模型参数量减小，连接复杂度降低。图2.2全连接和局部连接Figure2.2GlobalConnectedLayerandLocalConnectedLayer

基于视频图像序列分析的植物物种识别系统62相关理论及技术分析2.1卷积神经网络深度学习来自对人工神经网络的研究，人类识别物体是个不断抽象和迭代的过程，首先，眼睛将图像传入大脑皮层的低级V1区，提取物体的边缘特征，抽象判定出物体形状，再到V2区分析物体纹理等局部特征，最后到高层的前额皮层对物体进行具体类别的判断。深度学习识别图像和文本等信息的过程与人类大脑识别的过程类似。作为人工智能的经典案例，深度学习已经在图像分类、无人驾驶、语音识别和信息物理系统等方面取得了飞快发展。深度神经网络的训练过程主要是不停地循环前向传播和反向传播这两个过程，随迭代次数的增加使得整体损失值降低，直到网络预测能力得到提高，达到预期效果。在深度学习中，卷积神经网络是最具有代表性的网络结构之一，在不同的任务中，卷积层和池化层可以重复组合来对特征进行提龋CNN的结构如下图所示：图2.1卷积神经网络结构Figure2.1Convolutionalneuralnetworkstructure相比传统神经网络，CNN的神经元节点间是局部连接，优势是网络参数量相对减少，避免了训练时间过长。另外，CNN可以权值共享，每个神经元对应的局部感知区域间的权重相同，同一层相同节点之间可共享，进而使模型参数量减小，连接复杂度降低。图2.2全连接和局部连接Figure2.2GlobalConnectedLayerandLocalConnectedLayer

【参考文献】：
期刊论文
[1]基于ViBe算法运动特征的关键帧提取算法[J]. 李秋玲,邵宝民,赵磊,王振,姜雪.  山东大学学报(工学版). 2020(01)
[2]基于深度学习的木材缺陷图像检测方法[J]. 程玉柱,顾权,王众辉,李赵春.  林业机械与木工设备. 2018(08)
[3]智能手机植物识别App在植物学教学中的应用[J]. 赵鹏,郭垚鑫,段栋,刘文哲.  高校生物学教学研究(电子版). 2018(01)
[4]深度学习的模型搭建及过拟合问题的研究[J]. 陶砾,杨朔,杨威.  计算机时代. 2018(02)
[5]一种改进的噪声图像语义分割方法[J]. 董晓亚,赵晓丽,张嘉褀.  光电子·激光. 2017(12)
[6]基于尺度不变特征变换算法的植物自动识别系统[J]. 黄婕,李浩锐,黄皓琪,胡小珍,刘馨欣,高凤连,叶志鹏.  计算机应用. 2016(S2)
[7]基于多肤色模型的人脸检测系统研究[J]. 滕秋霞,沈天飞,杨金霄.  电子测量技术. 2015(09)
[8]基于叶片图像多特征融合的观叶植物种类识别[J]. 王丽君,淮永建,彭月橙.  北京林业大学学报. 2015(01)
[9]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[10]一种适合于监控视频内容检索的关键帧提取新方法[J]. 周兵,郝伟伟,袁社锋.  郑州大学学报(工学版). 2013(03)

硕士论文
[1]基于镜头鉴别力分析的视频检索方法研究[D]. 殷杰.上海交通大学 2012
[2]基于压缩域特征的视频检索技术研究[D]. 张林林.北京交通大学 2010
[3]基于自适应阈值的压缩域上MPEG视频关键帧提取算法的研究[D]. 贺鹏.北京交通大学 2010
[4]基于内容的视频镜头分割及检索技术研究[D]. 韩全磊.山东大学 2009
[5]视频关键帧提取方法研究[D]. 曹晋高.重庆大学 2008
[6]基于内容的视频检索系统的设计与实现[D]. 王宁.华中科技大学 2007
[7]基于代表性镜头的视频检索方法[D]. 叶军.南京理工大学 2005
[8]视频检索中的特征提取方法研究[D]. 罗凤玲.中国人民解放军国防科学技术大学 2002



本文编号：3311102