基于卷积神经网络的植物幼苗图像识别研究

发布时间：2021-09-01 07:33

　　在植物学研究和农业生产中,植物幼苗识别分类和农作物信息监测采集是最为基础和重要的植物学研究和应用工作之一。传统人工采集的植物分类学普遍要求个人手动采集整理样本来获取数据和特征抓取,在数据缺乏客观性的同时,不仅处理过程复杂,而且处理效果差,还有诸多局限性。近年来机器学习、模式识别和数字图像处理等人工智能学科的高速发展,在许多场景下人类已经高效精确的解决一些实际农业生产中的问题。机器学习中的视觉算法一般以结构复杂,计算量大,硬件需求高为基础,训练实现了可靠的计算模型,满足了诸多应用场景下的各种实际需求。在植物幼苗图像识别研究匮乏和机器学习高速发展的背景下,本文拟提出一种基于卷积神经网络的植物幼苗图像识别方法,充分发挥卷积神经网络的优点来提升识别模型可靠性,以VGG模型为基础探索适用于解决本问题的模型结构。同时提出了一种基于VGG模型的植物幼苗识别方法,通过对比传统模型,分析实验结果得出了传统模型在植物幼苗图像识别能力上的的不足,探索网络结构以及参数训练上的改良方式,并对改良点加以实验对比,论证其对植物幼苗图像识别的影响。再以VGG为基础尝试对模型进行改良,设计改良网络结构来提升网络性能得到... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

主要研究流程

哈尔滨工业大学工程硕士学位论文-9-第2章图像识别相关理论技术2.1图像处理技术2.1.1图像处理流程图像的分类识别主要经过图像获娶图像处理和图像识别三个主要过程，其中图像获取是整个流程的第一步，作为机器学习训练的依据，图像数据集的质量直接关系到机器学习模型的性能，图像处理过程中的预处理如滤波、均值化等方式则决定算法能力发挥的程度，而图像识别是研究的重点内容，目的是得到对目标最为敏感有效的算法模型结构。图2-1图像识别流程2.1.2图像增强理论在植物图像识别问题中，图像增强的作用是借助算法处理原始RGB图像使其比原始图像更加匹配机器学习模型，图像增强的方式有很多种，效果要由实验的准确率来体现，最后比较选择针对每种模型最有的方法。图像灰度变换是最常见的图像增强方式，变换的公式主要有线性(y=kx)、对

哈尔滨工业大学工程硕士学位论文-10数(y=logx)、幂次(y=x^k)、阈值、对比度拉伸等形式，其中输出像素值可与输出像素值变换形成其他形式。作物和杂草在图像中的灰度比值对识别率有着重要的影响。吕俊伟等在2005年也通过实验论证了灰度变换对植物图像处理的帮助[19]。通过融合多光谱图像的方式提升灰度比值，结果显示可以有效识别农作物和土壤在图像中灰度比值的占比。′=255+255255(21)对拉伸区域采用最大值最小值化拉伸，公式如上。图2-2对比度拉伸函数模型图像滤波是一种邻域处理的增强方式，通过修正邻域的图像像值以及相应的与邻域有相同维数的子图像的值，就构成了滤波器。滤波器的工作方式就是在图像中逐点地移动选取邻域进行修正，通过滤波算法来计算修正。均值滤波器是最常见的滤波方式，可以有效地去除图像中的无关细节，对卷积神经网络这种关注局部的机器学习模型尤其有效。滤波器的输出是包含在滤波器规定邻域内像素的算数平均值。通过像素的平均灰度值代替图像每个像素点原有值，这种处理减小了图像灰度的变化，一定程度上起到了降噪的作用。但是需要注意，由于图像边缘特征是依赖锐化才能得到的特性，而叶片的边缘特性又被认为是植物图像识别中最关键的特征，所以均值滤波处理对高像素叶片图像处理中反而起到了负面作用。拉普拉斯滤波是与均值滤波相对的一种滤波方式，其中拉普拉斯是用于微分的算子，拉普拉斯算子是n维欧几里得空间中的一个二阶微分算子，定义为梯度（▽f）的散度（▽·f）。因此如果f是二阶可微的实函数，则f的拉普拉斯算子定义为：=2=(22)


本文编号：3376553