一种基于卷积神经网络的轻量级木材图像识别模型研究
发布时间：2022-01-17 20:14
木材鉴定工作对木材科学和产业发展具有重要意义。目前材种鉴定工作工序繁琐,易受图像分割技术以及特征提取算法等因素影响,识别结果无法满足快速、准确地鉴定大批量木材的要求。近年来,深度学习技术在图像识别领域的重大突破,其被广泛应用在很多领域,且取得了不错的应用效果。因此,本文基于深度卷积神经网络技术,以木材扫描电镜图像为研究对象,对木材的分类任务进行研究。针对小样本木材扫描电镜图像数据集分类问题构造了一种轻量级卷积神经网络模型——WSEMNet（Wood scanning electron microscopy network）。其中,木材显微图像数据集收集于日本森林综合研究所,经过图像预处理之后共计1210张图像,包含10个树种。WSEMNet结构中使用了两层Inception V1模块提高网络中参数的利用效率,并在激活函数之后使用Batch Normalization方法对网络结构进行优化,从而提高训练收敛速度,减少模型训练时间。初始模型在木材扫描电镜图像数据集（WSEMDatast）上进行训练,从而获得最终的分类模型。最后,使用测试集的图像作为网络的输入来验证模型的分类效果,将得到的分...
【文章来源】：浙江农林大学浙江省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
传统的卷积神经网络模型
入图像的不同局部区域提取特征，其输出形式为：( )= ∑( ) ( )∈+( ), 2 1）中的符号*表示卷积运算； 表示输入特征图的一个选择，的第 j 个特征图有连接关系的第（ 1）层的特征图；( )i 个特征图的输出值；( )是第 l 层的第 j 个特征图与第（ 连的卷积核，它是由二维矩阵来表示的；( )是第 l 层的第 j 图像尺寸为 W，卷积核大小为 F，卷积核滑动步长为 S，填充方一般在边界填充 0），那么经过该层卷积后输出的特征图大小2.2 所示，当前卷积层的神经元是通过卷积核和上一层的局部感×5 大小的二维特征图，使用 2×2 的滤波器与之进行卷积运算征图的每一个 2×2 大小的感受野区域上连续滑动，可以得到征图，其结果加上偏置值再经过激活函数的非线性作用就得到
正确输出之间的关系很复杂，并且网络有足够的隐藏层来建模，那么通常会有许多不同的权重设置可以近乎完美地对训练集进行建模[60]。但是，这个训练得到的模型在测试集上做预测时，其结果表现的非常差，模型无法对整个测试集的分布进行估计。这种现象称之为过拟合。2.2.1 Dropout当样本数据过少而 CNN 模型中参数较多时，根据线性代数相关知识可以得到，卷积神经网络模型能够完美地拟合出一条曲线。但是该模型在测试集上的表现就会显得非常不尽人意，也就是指模型的泛化能力较差，这种现象称之为过拟合（Overfitting）。因此，直到 2012 年，Hinton 等人[60]提出了 Dropout 函数，以此来减少模型训练过程中产生的过拟合现象。Dropout 函数是通过阻止各层滤波器的共同作用来提高神经网络的性能，即网络在提取样本的图像特征过程中，通过随机删除部分特征来提高模型的泛化能力。假设我们要训练图 2.3(a)的网络，在训练开始时，我们可以采用“Dropout”的方法随机地舍弃一定数量的隐层单元，从而得到图 2.3(b)展示的网络（显然地，图 2.3(b)中每个神经元随机被删除掉的概率是 0.5）。
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[2]基于Graph Cuts的木材扫描电镜图像特征提取方法[J]. 朱佳,汪杭军. 林业科学. 2014(04)
[3]基于横切面微观构造图像的木材识别方法[J]. 刘子豪,祁亨年,张广群,汪杭军. 林业科学. 2013(11)
[4]基于PCA+FisherTrees特征融合的木材识别[J]. 刘子豪,汪杭军. 林业科学. 2013(06)
[5]近红外光谱技术快速识别针叶材和阔叶材的研究[J]. 杨忠,吕斌,黄安民,刘亚娜,谢序勤. 光谱学与光谱分析. 2012(07)
[6]我国木材材种识别技术的新进展[J]. 任洪娥,高洁,马岩. 木材加工机械. 2007(04)
[7]板材材种识别中计算机图像处理技术的应用[J]. 徐海涛,任洪娥,马岩. 木材加工机械. 2005(06)
[8]木材横断面六棱规则细胞数学描述理论研究[J]. 马岩. 生物数学学报. 2002(01)
[9]长白落叶松人工林木材构造计算机视觉分析的研究[J]. 王金满,张守娟,王宏威,王永胜. 东北林业大学学报. 1995(03)
博士论文
[1]基于半监督学习的木材识别研究[D]. 卢纪丽.山东大学 2015
硕士论文
[1]卷积神经网络图像分类应用研究[D]. 柯小龙.深圳大学 2017
[2]基于卷积神经网络的花卉图像分类算法的研究[D]. 刘园园.华北电力大学(北京) 2017
[3]基于SEM显微图像的木材材种分类研究[D]. 朱佳.浙江农林大学 2014
本文编号：3595369
【文章来源】：浙江农林大学浙江省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
传统的卷积神经网络模型
入图像的不同局部区域提取特征，其输出形式为：( )= ∑( ) ( )∈+( ), 2 1）中的符号*表示卷积运算； 表示输入特征图的一个选择，的第 j 个特征图有连接关系的第（ 1）层的特征图；( )i 个特征图的输出值；( )是第 l 层的第 j 个特征图与第（ 连的卷积核，它是由二维矩阵来表示的；( )是第 l 层的第 j 图像尺寸为 W，卷积核大小为 F，卷积核滑动步长为 S，填充方一般在边界填充 0），那么经过该层卷积后输出的特征图大小2.2 所示，当前卷积层的神经元是通过卷积核和上一层的局部感×5 大小的二维特征图，使用 2×2 的滤波器与之进行卷积运算征图的每一个 2×2 大小的感受野区域上连续滑动，可以得到征图，其结果加上偏置值再经过激活函数的非线性作用就得到
正确输出之间的关系很复杂，并且网络有足够的隐藏层来建模，那么通常会有许多不同的权重设置可以近乎完美地对训练集进行建模[60]。但是，这个训练得到的模型在测试集上做预测时，其结果表现的非常差，模型无法对整个测试集的分布进行估计。这种现象称之为过拟合。2.2.1 Dropout当样本数据过少而 CNN 模型中参数较多时，根据线性代数相关知识可以得到，卷积神经网络模型能够完美地拟合出一条曲线。但是该模型在测试集上的表现就会显得非常不尽人意，也就是指模型的泛化能力较差，这种现象称之为过拟合（Overfitting）。因此，直到 2012 年，Hinton 等人[60]提出了 Dropout 函数，以此来减少模型训练过程中产生的过拟合现象。Dropout 函数是通过阻止各层滤波器的共同作用来提高神经网络的性能，即网络在提取样本的图像特征过程中，通过随机删除部分特征来提高模型的泛化能力。假设我们要训练图 2.3(a)的网络，在训练开始时，我们可以采用“Dropout”的方法随机地舍弃一定数量的隐层单元，从而得到图 2.3(b)展示的网络（显然地，图 2.3(b)中每个神经元随机被删除掉的概率是 0.5）。
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[2]基于Graph Cuts的木材扫描电镜图像特征提取方法[J]. 朱佳,汪杭军. 林业科学. 2014(04)
[3]基于横切面微观构造图像的木材识别方法[J]. 刘子豪,祁亨年,张广群,汪杭军. 林业科学. 2013(11)
[4]基于PCA+FisherTrees特征融合的木材识别[J]. 刘子豪,汪杭军. 林业科学. 2013(06)
[5]近红外光谱技术快速识别针叶材和阔叶材的研究[J]. 杨忠,吕斌,黄安民,刘亚娜,谢序勤. 光谱学与光谱分析. 2012(07)
[6]我国木材材种识别技术的新进展[J]. 任洪娥,高洁,马岩. 木材加工机械. 2007(04)
[7]板材材种识别中计算机图像处理技术的应用[J]. 徐海涛,任洪娥,马岩. 木材加工机械. 2005(06)
[8]木材横断面六棱规则细胞数学描述理论研究[J]. 马岩. 生物数学学报. 2002(01)
[9]长白落叶松人工林木材构造计算机视觉分析的研究[J]. 王金满,张守娟,王宏威,王永胜. 东北林业大学学报. 1995(03)
博士论文
[1]基于半监督学习的木材识别研究[D]. 卢纪丽.山东大学 2015
硕士论文
[1]卷积神经网络图像分类应用研究[D]. 柯小龙.深圳大学 2017
[2]基于卷积神经网络的花卉图像分类算法的研究[D]. 刘园园.华北电力大学(北京) 2017
[3]基于SEM显微图像的木材材种分类研究[D]. 朱佳.浙江农林大学 2014
本文编号：3595369
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3595369.html
