基于深度卷积神经网络的图像分类方法研究及应用

发布时间：2020-11-21 00:10

　　 图像分类是计算机视觉技术重要的研究方向,是指通过获取图像的显著特征以实现不同类别划分的图像处理方法。传统的图像分类方法通过特征描述符加分类器的方法来实现,这种方法的准确度很大程度上取决于特征提取的有效性。随着计算机硬件性能、大数据及学习算法的发展,深度学习的方法被广泛应用到图像处理的各个领域。卷积神经网络运用了深度学习的思想,是一种深层前馈神经网络模型,在语音识别、人脸识别、运动分析、医学诊断等多个图像分类领域都表现出很好的性能。卷积神经网络相较于传统的人工神经网络,具有稀疏连接、权值共享等特点。卷积神经网络更好地模拟了视觉神经元响应图像局部信息的特点,使用稀疏连接构建图像的局部感知野,大大降低了神经网络的参数规模。通过共享权值的方法将卷积层的每一个卷积核重复的作用于整个感受野中,提取出图像的局部特征,减少了自由参数的数量,提高了模型的训练效率。基于卷积神经网络的图像分类方法避免了繁杂的显示特征提取,将图像的特征分析并入神经网络之中,通过调节神经网络的权值和偏置,实现真正的端到端的图像分类。设计基本结构的卷积神经网络模型是一个简单的过程,而对于模型的优化和训练是一个漫长和复杂的过程,因此对于模型的优化方法研究和训练效率提升至关重要。文中基于卷积神经网络的基本结构,提出了依次使用数据集扩充、准确度提升、过拟合解决、效率提升的一套优化方法流程。通过对比实验验证了数据增强提升数据集的多样性有利于提升准确度和泛化能力;在数据集不变的情况下,提升网络模型规模和层深度是有效提升模型分类准确度的方法;对于大规模网络模型带来的过拟合问题,配合使用正则化、稀疏性优化、数据分布优化等方法均能够实现不同程度的解决;训练大规模模型和数据时,优化梯度下降方法可以有效提升网络的收敛速度,而使用GPU加速将极大的提升训练效率。针对气象行业地基全天空云图的分类问题,建立了 9层的卷积神经网络模型,并通过BN算法、dropout方法对模型进行优化,在中国气象科学研究院公开的云图数据集上进行训练,并对测试集实现了最优97.8%的分类准确度,相较于经典模型Alexnet和GoogLeNet inception-v3分类准确度更佳、参数量更少、训练效率更高。运用迁移学习的方法将训练好的卷积神经网络模型应用到自制全天空云图仪数据集的分类中,实验证明,使用迁移学习可以使网络模型在新的数据集上实现快速收敛,在相同的时间内训练出的模型分类性能要好于重新训练的网络模型。经过对两类数据集上训练,在混合测试集上预测准确度达到95.5%,也使所设计的网络模型对于图像的尺寸、仪器的采样方式具有更强的适应性,在自制的全天空云图仪上实现较好的分类效果。针对质检行业卷烟烟丝组成成分的分类问题,研究了烟丝各组成成分的特征,确定使用烟丝的局部特征图像建立分类数据集。设计了基于卷积神经网络的烟丝识别模型,使用11层卷积神经网络用于局部特征图像的分类,在训练过程中,提出了运用多尺度分割方法提升模型的适用性,运用数据增强方法提升数据集的多样性,运用正则化方法提升模型的泛化能力,使卷积神经网络在局部图片测试集上最优预测准确度达到93.23%。在对烟丝样本的测试过程中,设计了基于图像尺寸匹配的预处理方法,并对卷积神经网络的输出结果运用了基于统计分析的判定方法,上述方法使识别模型不完全依赖于卷积神经网络的性能,提升了识别模型对卷积神经网络泛化能力的容忍度,在烟丝训练和测试样本上分别实现了100%和98.75%的正确率。
【学位单位】：中国科学技术大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TP391.41;TP183
【部分图文】：

人工神经网络是模仿动物神经网络的基本特征，进行分布式并行信息处理的??数学模型。神经元是神经网络的基本单元，每个神经元由树突、细胞体和轴突组??成。受生物神经元的启发，神经元模型设计为如图２．１所示［５１】。神经元输出可以??按照式２．１计算：??ｙ?＝?ｆ（，ｗｘ?＋?ｂ）?（２．１）??其中，ｘ为输入信号，为权值，６为偏置，／为传输函数或激活函数。??权值ｗ代表了对应突触的连接强度，ｗ和Ｚ）为神经网络中可调节的参数。??输入?通用神经元??ｂ??＼??Ｊ??ｙ＝Ｊ｛ｗｘ＋ｂ）??图２．１单个神经元模型??一个神经元可以有多个输入，对于多输入的神经元如图２．２所示。其输出可??以表示为：??ｙ?￣?／（＾ｕ＾ｉ?＋?ｗｉ＼ｘ２?＋?？?？?？?＋?＋ｂ）?＝?ｆ?（?Ｗｘ＋６）?（２．２）??其中，ＸＰＸ２，．．．，Ｘ，为输入信号，矩阵形式表不为Ｘ，为输入信号??对应的权值，矩阵形式表示为Ｗ。??输入?多输入神经元??ｙ＝ｙ（＼Ｖｘ＋ｂ）??图２．２多输入神经元模型??７??

第２章卷积神经网络的基本特征及络模型??是模仿动物神经网络的基本特征，进行神经网络的基本单元，每个神经元由启发，神经元模型设计为如图２．１所ｙ?＝?ｆ（，ｗｘ?＋?ｂ）信号，为权值，６为偏置，／为传输应突触的连接强度，ｗ和Ｚ）为神经网

２．３从公式２．３中可看出，在设置不同尺寸的移动步长时，步长往往不能整除整??张图的像素宽度，因此我们将卷积运算的过程分为两种，一种是不越过边缘取样，??取样面积小于输入图像的像素宽度，记作为“ＶＡＬＩＤ”，另一种是越过边缘取样，??取样面积和输入图像的像素宽度一致，记作为“ＳＡＭＥ”。??
【参考文献】

相关期刊论文 前10条

1 高震宇;王安;董浩;刘勇;王锦平;周明珠;夏营威;张龙;;基于卷积神经网络的烟丝物质组成识别方法[J];烟草科技;2017年09期

2 周敏;史振威;丁火平;;遥感图像飞机目标分类的卷积神经网络方法[J];中国图象图形学报;2017年05期

3 张任其;李建华;范磊;;分布式环境下卷积神经网络并行策略研究[J];计算机工程与应用;2017年08期

4 王晓斌;黄金杰;刘文举;;基于优化卷积神经网络结构的交通标志识别[J];计算机应用;2017年02期

5 张超凡;董浩;刘勇;夏营威;高震宇;张龙;王锦平;周明珠;邢军;;基于视觉形态特征检测的烟梗切丝质量分析[J];烟草科技;2017年01期

6 唐智川;张克俊;李超;孙守迁;黄琦;张三元;;基于深度卷积神经网络的运动想象分类及其在脑控外骨骼中的应用[J];计算机学报;2017年06期

7 孙晓;潘汀;任福继;;基于ROI-KNN卷积神经网络的面部表情识别[J];自动化学报;2016年06期

8 张婷;李玉鑑;胡海鹤;张亚红;;基于跨连卷积神经网络的性别分类模型[J];自动化学报;2016年06期

9 庄会富;邓喀中;范洪冬;;纹理特征向量与最大化熵法相结合的SAR影像非监督变化检测[J];测绘学报;2016年03期

10 夏营威;冯茜;赵砚棠;向兰康;朱震;刘勇;刘军;张龙;赵继俊;钟青;易浩;杜瑞华;;基于计算机视觉的烟丝宽度测量方法[J];烟草科技;2014年09期

相关硕士学位论文 前2条

1 张鼎;基于卷积神经网络和K邻近算法的车标识别[D];西安电子科技大学;2015年

2 米龙;自适应深度学习算法在目标分类问题中的应用[D];东北大学;2014年

本文编号：2892222