结合图像分割的叶片识别技术研究
发布时间：2022-02-11 03:14
随着计算机技术的快速发展,通过叶片对植物进行实时分类和识别是当前研究的热点和难点。利用计算机技术对植物进行实时分类和识别,可用于数字化植物标本、林业信息化等领域。然而,当前的叶片识别方法易受环境因素影响,识别率和运算效率较低。本文主要研究结合图像分割的叶片识别方法,设计并实现一个可实时完成叶片目标检测与识别的系统。本文的主要研究成果如下:（1）针对当前图像分割存在着过度分割、分割边界不准确的问题,提出并实现了基于目标轮廓的叶片图像分割方法。对叶片图像进行降噪处理;构建全卷积网络结构,采用VGG-16作为FCN的初始化训练模型;利用FCN分割叶片轮廓,通过反卷积上采样恢复原图尺寸,利用跳跃结构融合特征信息;采用多孔卷积提高轮廓分辨率,再利用CRF算法优化轮廓边缘,输出叶片目标分割图。（2）针对当前有监督性特征提取难以自动提取叶片特征问题,研究并设计基于卷积神经网络的叶片特征提取方法。标注叶片类别,映射叶片类别;建立Inception-V2网络模型结构,采用非对称卷积方式降低运算成本,利用Batch Normalization辅助器提高运算效率;采用Inception-V2网络模型提取叶片...
【文章来源】：北方工业大学北京市
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
基于目标轮廓的叶片图像分割流程图
第二章基于目标轮廓的叶片图像分割方法13采用VGG-16作为FCN的初始化训练模型，将模型的全连接层替换为全卷积层。在此基础上，结合上采样方法，构建FCN网络结构。其网络结构如图2-2所示。经过多次卷积操作后，获得了分辨率较低的特征图像，通过对其进行上采样操作，将特征图恢复为原始图像大校在图2-2中，蓝色区域进行卷积操作；绿色区域进行池化操作；黄色区域进行多特征的求和运算，即进行逐像素数据相加的融合结果。橙色区域进行反卷积上采样操作；灰色区域进行图像裁剪。最终，该网络采用反卷积运算、裁剪操作，将特征图放大至原始图像大校图2-2FCN全卷积网络图2.3.3分割叶片轮廓传统的分割方法，无法实现含有多叶片图像的前景目标分割，通常需要人工介入，而人工介入后，带来的问题则是人工干预过多、耗时较长、准确率较低。若采用有监督式的分割方法，其结果难以符合自动化及快速化的性能要求，且准确率较低，分割结果过分依赖于人工标记的准确度。FCN分割方法采用端到端的网络结构，通过自动化分割的方式，避免了人工干预处理图像存在的误差和主观性。同时，该网络可接受任意大小的输入图像。采用FCN分割方法对多叶片图像进行目标分割，本文将VGG-16网络的后三层全连接层都替换成卷积层，对叶片目标图像进行卷积得到特征图，再通过将特征图进行反卷积上采样操作，将输出的特征图恢复为原始图像大小，如图2-3所示。全卷积神经网络实现图像分割主要用到了以下三个技术，上采样、双线性插值、跳跃结构.（1）上采样对最后一层卷积层输出的特征图进行上采样操作，分为反卷积上采样和反池
第二章基于目标轮廓的叶片图像分割方法14化上采样两种方法。反卷积上采样，反卷积是卷积的逆运算操作，首先，在特征图像四周补像素值为0的像素点，然后进行卷积操作，将特征图像恢复至输入大校如图2-4所示。反池化上采样，对图像池化的位置坐标进行记录，保留池化后的位置坐标及像素值不变，其他位置的像素值都补为0，将图像恢复至原始图像大校图2-3FCN全卷积分割图图2-4上采样FCN全卷积网络通过转置卷积层，将中间池化层输出的特征图的高、宽变换回原图大小，使预测结果与输入图像在空间高度和宽度一致。在输出图像的空间坐标上的相应位置处，能够准确对应输入图像像素的位置并预测类别。转置卷积采用公式(2-1)，将转置卷积的输入与输出反过来，得到公式(2-2)。12kerstridepaddingnelnninout(2-1)12kerstridepaddingnelnnoutin(2-2)通过对原始图像进行多次卷积和池化操作，对提取后的特征图像进行信息过滤，有效减少网络的参数。再采用反卷积对特征图进行上采样，将高维度、小尺
【参考文献】：
期刊论文
[1]基于深度学习的驾驶关注区域检测研究与实现[J]. 叶继华,时淑霞,李汉曦,王仕民,杨思渝. 系统仿真学报. 2019(07)
[2]面向多尺度坦克装甲车辆目标检测的改进Faster R-CNN算法[J]. 王全东,常天庆,张雷,戴文君. 计算机辅助设计与图形学学报. 2018(12)
[3]基于多域融合CNN的高速列车转向架故障检测[J]. 吴昀璞,金炜东,黄颖坤. 系统仿真学报. 2018(11)
[4]基于卷积神经网络的植物病害识别技术[J]. 廖经纬,蔡英,王语晨,张艳秋,谭周渝,魏静桐. 现代计算机(专业版). 2018(19)
[5]基于Fast R-CNN的车辆目标检测[J]. 曹诗雨,刘跃虎,李辛昭. 中国图象图形学报. 2017(05)
[6]基于降维LBP与叶片形状特征的植物叶片识别方法[J]. 付波,杨章,赵熙临,单治磊. 计算机工程与应用. 2018(02)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]基于叶片形状特征的植物识别方法[J]. 刘骥,曹凤莲,甘林昊. 计算机应用. 2016(S2)
[9]基于卷积神经网络的SAR图像目标检测算法[J]. 杜兰,刘彬,王燕,刘宏伟,代慧. 电子与信息学报. 2016(12)
[10]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄. 软件学报. 2017(01)
硕士论文
[1]基于深度学习的葡萄叶片分割[D]. 赵兵.甘肃农业大学 2018
[2]基于深度网络特征学习的植物叶片识别算法研究与实现[D]. 刘晶晶.深圳大学 2017
[3]基于迭代阀值分割法的栲属植物识别技术研究[D]. 官飞.福州大学 2017
[4]基于深度学习的植物叶片识别算法研究[D]. 张帅.北京林业大学 2016
[5]基于叶片形状的植物特征提取方法的设计与实现[D]. 李敬涛.中国科学院大学（工程管理与信息技术学院） 2014
本文编号：3619770
【文章来源】：北方工业大学北京市
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
基于目标轮廓的叶片图像分割流程图
第二章基于目标轮廓的叶片图像分割方法13采用VGG-16作为FCN的初始化训练模型，将模型的全连接层替换为全卷积层。在此基础上，结合上采样方法，构建FCN网络结构。其网络结构如图2-2所示。经过多次卷积操作后，获得了分辨率较低的特征图像，通过对其进行上采样操作，将特征图恢复为原始图像大校在图2-2中，蓝色区域进行卷积操作；绿色区域进行池化操作；黄色区域进行多特征的求和运算，即进行逐像素数据相加的融合结果。橙色区域进行反卷积上采样操作；灰色区域进行图像裁剪。最终，该网络采用反卷积运算、裁剪操作，将特征图放大至原始图像大校图2-2FCN全卷积网络图2.3.3分割叶片轮廓传统的分割方法，无法实现含有多叶片图像的前景目标分割，通常需要人工介入，而人工介入后，带来的问题则是人工干预过多、耗时较长、准确率较低。若采用有监督式的分割方法，其结果难以符合自动化及快速化的性能要求，且准确率较低，分割结果过分依赖于人工标记的准确度。FCN分割方法采用端到端的网络结构，通过自动化分割的方式，避免了人工干预处理图像存在的误差和主观性。同时，该网络可接受任意大小的输入图像。采用FCN分割方法对多叶片图像进行目标分割，本文将VGG-16网络的后三层全连接层都替换成卷积层，对叶片目标图像进行卷积得到特征图，再通过将特征图进行反卷积上采样操作，将输出的特征图恢复为原始图像大小，如图2-3所示。全卷积神经网络实现图像分割主要用到了以下三个技术，上采样、双线性插值、跳跃结构.（1）上采样对最后一层卷积层输出的特征图进行上采样操作，分为反卷积上采样和反池
第二章基于目标轮廓的叶片图像分割方法14化上采样两种方法。反卷积上采样，反卷积是卷积的逆运算操作，首先，在特征图像四周补像素值为0的像素点，然后进行卷积操作，将特征图像恢复至输入大校如图2-4所示。反池化上采样，对图像池化的位置坐标进行记录，保留池化后的位置坐标及像素值不变，其他位置的像素值都补为0，将图像恢复至原始图像大校图2-3FCN全卷积分割图图2-4上采样FCN全卷积网络通过转置卷积层，将中间池化层输出的特征图的高、宽变换回原图大小，使预测结果与输入图像在空间高度和宽度一致。在输出图像的空间坐标上的相应位置处，能够准确对应输入图像像素的位置并预测类别。转置卷积采用公式(2-1)，将转置卷积的输入与输出反过来，得到公式(2-2)。12kerstridepaddingnelnninout(2-1)12kerstridepaddingnelnnoutin(2-2)通过对原始图像进行多次卷积和池化操作，对提取后的特征图像进行信息过滤，有效减少网络的参数。再采用反卷积对特征图进行上采样，将高维度、小尺
【参考文献】：
期刊论文
[1]基于深度学习的驾驶关注区域检测研究与实现[J]. 叶继华,时淑霞,李汉曦,王仕民,杨思渝. 系统仿真学报. 2019(07)
[2]面向多尺度坦克装甲车辆目标检测的改进Faster R-CNN算法[J]. 王全东,常天庆,张雷,戴文君. 计算机辅助设计与图形学学报. 2018(12)
[3]基于多域融合CNN的高速列车转向架故障检测[J]. 吴昀璞,金炜东,黄颖坤. 系统仿真学报. 2018(11)
[4]基于卷积神经网络的植物病害识别技术[J]. 廖经纬,蔡英,王语晨,张艳秋,谭周渝,魏静桐. 现代计算机(专业版). 2018(19)
[5]基于Fast R-CNN的车辆目标检测[J]. 曹诗雨,刘跃虎,李辛昭. 中国图象图形学报. 2017(05)
[6]基于降维LBP与叶片形状特征的植物叶片识别方法[J]. 付波,杨章,赵熙临,单治磊. 计算机工程与应用. 2018(02)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]基于叶片形状特征的植物识别方法[J]. 刘骥,曹凤莲,甘林昊. 计算机应用. 2016(S2)
[9]基于卷积神经网络的SAR图像目标检测算法[J]. 杜兰,刘彬,王燕,刘宏伟,代慧. 电子与信息学报. 2016(12)
[10]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄. 软件学报. 2017(01)
硕士论文
[1]基于深度学习的葡萄叶片分割[D]. 赵兵.甘肃农业大学 2018
[2]基于深度网络特征学习的植物叶片识别算法研究与实现[D]. 刘晶晶.深圳大学 2017
[3]基于迭代阀值分割法的栲属植物识别技术研究[D]. 官飞.福州大学 2017
[4]基于深度学习的植物叶片识别算法研究[D]. 张帅.北京林业大学 2016
[5]基于叶片形状的植物特征提取方法的设计与实现[D]. 李敬涛.中国科学院大学（工程管理与信息技术学院） 2014
本文编号：3619770
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3619770.html
最近更新
教材专著
