基于深度学习的树种识别算法研究
发布时间：2020-12-08 10:13
传统基于图像的树种识别相关研究包括植物叶片识别、花卉识别、树皮纹理识别以及木材纹理识别等,都是根据植物的单一器官进行识别,并且传统的基于人工提取特征的机器学习方法对单一纯色背景的植物图像有较好的识别效果,但是对自然环境下的复杂背景下的植物图像识别效果较差,本文提出一种基于深度学习和树木整体图像的树种识别方法,实现了对复杂背景的树木图像进行自动识别。本文的主要研究内容如下:（1）采用自主拍摄和网络爬取相结合的方式构建了一个TreesNet树木整体图像数据集,共包含10个树种总计1593幅RGB图像。同时,采用了翻转、裁剪等方式对图像进行数据增强,数据增强后生成了大量新的图片,最终得到的图像数量是原始数据集的10倍。（2）基于AlexNet、VggNet-16、Inception-V3、ResNet-50四种模型在原始树种数据集和使用了数据增强后的数据集上进行训练,分别采用了直接训练和迁移学习两种训练模型的方式,比较迁移学习和直接训练得到的模型的准确率。（3）基于集成学习的思想,采用相对多数投票法和加权平均法分别对上述直接训练和迁移学习训练出的四个模型进行集成,生成集成模型。（4）通过We...
【文章来源】：浙江农林大学浙江省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构
(c) (d)图 2.6 激活函数图像Figure 2.6Common activation function images2.2.3 池化层池化层即下采样层。池化过后减小了原特征图的尺寸，但同时不会过多的丢失原特征图的信息，所以在一定程度上提高了整个网络运算的效率。并且，池化操作在一定范围内保证了平移不变性。假设规模为 2 2，池化运算就是将该区域的4 个数按照一定的规则计算得出一个值。常见的池化运算有以下几种：最大池化（Max Pooling）：取 4 个点的最大值。这是最常用的池化方法。均值池化（Mean Pooling）：取 4 个点的均值。随机池化：在 4 个点中随机取一个值。以最大池化为例，其运算过程如图 2.7 所示。
基于深度学习的树种识别算法研究数据集的构建获取的用于植物识别的图像数据集包括：Pla大都是植物叶片图像数据集。还尚未有公的研究工作，采用自主拍摄和网络爬取据集-TreesNet。由于不同生长阶段的树的成熟阶段的图像。下面介绍一下树种构如图 3.1 所示。
【参考文献】：
期刊论文
[1]基于深度卷积生成对抗网络的植物图像识别方法的研究[J]. 张澎,崔梦天,谢琪,姜玥. 西南民族大学学报(自然科学版). 2019(02)
[2]基于深度学习的快速植物图像识别[J]. 张雪芹,陈嘉豪,诸葛晶晶,余丽君. 华东理工大学学报(自然科学版). 2018(06)
[3]基于双路卷积神经网络的植物叶片识别模型[J]. 于慧伶,麻峻玮,张怡卓. 北京林业大学学报. 2018(12)
[4]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露. 农业机械学报. 2018(S1)
[5]基于小波和可变局部边缘模式的植物物种识别[J]. 陈肖蒙,王瑜,邢素霞. 计算机应用与软件. 2018(09)
[6]复杂背景下基于MobileNets的花卉识别与模型剪枝[J]. 孔英会,朱成诚,车辚辚. 科学技术与工程. 2018(19)
[7]基于残差网络迁移学习的花卉识别系统[J]. 关胤. 计算机工程与应用. 2019(01)
[8]基于叶片图像算法的植物种类识别方法研究[J]. 毕立恒. 浙江农业学报. 2017(12)
[9]基于整体外观特征的植物种类识别研究[J]. 陈淑君,周永霞,方勇军. 计算机应用与软件. 2017(09)
[10]基于深度学习的乳腺癌病理图像自动分类[J]. 何雪英,韩忠义,魏本征. 计算机工程与应用. 2018(12)
硕士论文
[1]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
[2]基于植物图像特征的识别研究[D]. 李化乐.兰州大学 2017
[3]基于深度学习的植物叶片识别方法研究[D]. 曹凤莲.重庆大学 2017
[4]深度神经网络的研究及其在植物叶片图像识别中的应用[D]. 景辉芳.南昌航空大学 2016
[5]基于叶片图像的植物识别方法研究[D]. 忽胜强.河南理工大学 2016
[6]基于卷积神经网络的图像分类方法研究[D]. 谢宝剑.合肥工业大学 2015
本文编号：2904921
【文章来源】：浙江农林大学浙江省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构
(c) (d)图 2.6 激活函数图像Figure 2.6Common activation function images2.2.3 池化层池化层即下采样层。池化过后减小了原特征图的尺寸，但同时不会过多的丢失原特征图的信息，所以在一定程度上提高了整个网络运算的效率。并且，池化操作在一定范围内保证了平移不变性。假设规模为 2 2，池化运算就是将该区域的4 个数按照一定的规则计算得出一个值。常见的池化运算有以下几种：最大池化（Max Pooling）：取 4 个点的最大值。这是最常用的池化方法。均值池化（Mean Pooling）：取 4 个点的均值。随机池化：在 4 个点中随机取一个值。以最大池化为例，其运算过程如图 2.7 所示。
基于深度学习的树种识别算法研究数据集的构建获取的用于植物识别的图像数据集包括：Pla大都是植物叶片图像数据集。还尚未有公的研究工作，采用自主拍摄和网络爬取据集-TreesNet。由于不同生长阶段的树的成熟阶段的图像。下面介绍一下树种构如图 3.1 所示。
【参考文献】：
期刊论文
[1]基于深度卷积生成对抗网络的植物图像识别方法的研究[J]. 张澎,崔梦天,谢琪,姜玥. 西南民族大学学报(自然科学版). 2019(02)
[2]基于深度学习的快速植物图像识别[J]. 张雪芹,陈嘉豪,诸葛晶晶,余丽君. 华东理工大学学报(自然科学版). 2018(06)
[3]基于双路卷积神经网络的植物叶片识别模型[J]. 于慧伶,麻峻玮,张怡卓. 北京林业大学学报. 2018(12)
[4]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露. 农业机械学报. 2018(S1)
[5]基于小波和可变局部边缘模式的植物物种识别[J]. 陈肖蒙,王瑜,邢素霞. 计算机应用与软件. 2018(09)
[6]复杂背景下基于MobileNets的花卉识别与模型剪枝[J]. 孔英会,朱成诚,车辚辚. 科学技术与工程. 2018(19)
[7]基于残差网络迁移学习的花卉识别系统[J]. 关胤. 计算机工程与应用. 2019(01)
[8]基于叶片图像算法的植物种类识别方法研究[J]. 毕立恒. 浙江农业学报. 2017(12)
[9]基于整体外观特征的植物种类识别研究[J]. 陈淑君,周永霞,方勇军. 计算机应用与软件. 2017(09)
[10]基于深度学习的乳腺癌病理图像自动分类[J]. 何雪英,韩忠义,魏本征. 计算机工程与应用. 2018(12)
硕士论文
[1]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
[2]基于植物图像特征的识别研究[D]. 李化乐.兰州大学 2017
[3]基于深度学习的植物叶片识别方法研究[D]. 曹凤莲.重庆大学 2017
[4]深度神经网络的研究及其在植物叶片图像识别中的应用[D]. 景辉芳.南昌航空大学 2016
[5]基于叶片图像的植物识别方法研究[D]. 忽胜强.河南理工大学 2016
[6]基于卷积神经网络的图像分类方法研究[D]. 谢宝剑.合肥工业大学 2015
本文编号：2904921
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2904921.html
