基于深度学习的树木叶片视觉特征融合分类研究
发布时间：2022-02-26 17:58
计算机视觉是自二十世纪六十年代中期迅速兴起的一门新学科。随着计算机视觉技术的发展和技术成熟度的提高,应用领域不断扩充,更加显现出其卓越的优势,同时受到木材行业研究工作者的关注。将视觉技术应用于树木分类和资源开发,可使林业科技工作者从重复性极高的辨别工作中解放出来。由于以往的特征提取与分类器组合的树木叶片识别方法存在特征选取单一,信息量不足、分类器简易等问题,导致树木叶片的分类准确率受到限制。本文将深度学习与计算机视觉技术相融合,有效的提高树木叶片识别的辨识精度与效率。目前树木叶片特征提取与深度学习相结合的分类模型研究,已成为当今木材行业的研究热点。为了验证所提出方法的可行性,通过Pl@ntNet Identify、leafsnap等叶片数据库获取了大量树木叶片样本,共计9500张。同时分别对9500张图片进行自适应动态局部三值模式特征和梯度方向直方图特征提取,并采用零均值标准化方法进行特征融合,以融合后的特征作为分类依据,选用深度信念网络对其进行训练、识别、分类,实现了树木叶片的快速识别。具体的研究内容如下:1.首先进行叶片预处理与实验前的准备工作,分别对叶片提取自适应动态局部三值模式...
【文章来源】：东北林业大学黑龙江省211工程院校教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 叶片分类的研究现状
1.2.2 深度学习的研究发展现状
1.3 叶片分类面临的问题与趋势
1.4 文章的结构安排
2 叶片图像的获取与预处理
2.1 叶片图像的获取
2.2 叶片图像去噪
2.2.1 图像噪声
2.2.2 中值滤波去噪
2.3 叶片图像区域提取
2.3.1 大津法阈值分割
2.4 本章小结
3 叶片图像特征提取
3.1 局部二值模式特征
3.1.1 LBP算子
3.1.2 LBP旋转模式与等价模式
3.2 自适应动态阈值LTP特征
3.3 改进前后两种特征图像熵的对比
3.4 HOG特征
3.5 主成分分析
3.6 特征信息融合
3.7 本章小结
4 基于Dropout的深度信念网络模型
4.1 受限玻尔兹曼机(RBM)
4.2 RBM的能量模型
4.3 RBM学习算法
4.3.1 Gibbs采样算法
4.3.2 对比散度法
4.4 BP神经网络
4.4.1 信号正向传播
4.4.2 误差反向传播
4.5 基于Dropout的DBN网络
4.5.1 规则化
4.5.2 Dropout
4.6 本章小结
5 实验与分析
5.1 基于Dropout的DBN模型试验过程
5.1.1 特征提取及融合
5.1.2 网络结构的设计
5.1.3 与不同特征和分类器的比较
5.1.4 在光照下的对比
5.2 网络结构的影响与分析
5.2.1 网络层数的影响
5.2.2 隐层单元数量的影响
5.2.3 其他参数的选取
5.3 Dropout的值对结果的影响
5.4 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于BP神经网络的冗余机械臂逆运动学分析[J]. 刘世平,曹俊峰,孙涛,胡江波,付艳,张帅,李世其. 中国机械工程. 2019(24)
[2]一种基于多模态特征融合的骨质疏松评估方法[J]. 罗涛,李剑峰,韩家辉,王艺宁,雷璐. 北京邮电大学学报. 2019(06)
[3]基于区域特征融合网络的群组行为识别[J]. 杨兴明,范楼苗. 模式识别与人工智能. 2019(12)
[4]融合高阶信息的遥感影像建筑物自动提取[J]. 王舒洋,慕晓冬,杨东方,贺浩,郑玉航. 光学精密工程. 2019(11)
[5]传统特征和深度特征融合的红外空中目标跟踪[J]. 胡阳光,肖明清,张凯,王晓柱,段耀泽. 系统工程与电子技术. 2019(12)
[6]机器学习中的PCA降维方法研究及其应用[J]. 孙平安,王备战. 湖南工业大学学报. 2019(01)
[7]基于深度置信网络的风力发电机故障诊断方法[J]. 李梦诗,余达,陈子明,夏侯凯顺,李堉鋆,季天瑶. 电机与控制学报. 2019(02)
[8]基于Faster R-CNN的机器人目标检测及空间定位[J]. 郭毓,苏鹏飞,吴益飞,郭健. 华中科技大学学报(自然科学版). 2018(12)
[9]基于X射线的盒装水饺异物自动检测与分类[J]. 王强,武凯,王新宇,孙宇,杨晓燕,楼晓华. 计算机辅助设计与图形学学报. 2018(12)
[10]自适应窗口形状的中值滤波[J]. 邹永宁,姚功杰. 光学精密工程. 2018(12)
博士论文
[1]基于色彩信息的图像增强研究[D]. 陈杰.南京邮电大学 2017
硕士论文
[1]基于边缘检测技术的地层边界和地层倾角提取[D]. 王研博.吉林大学 2018
[2]低截获基带混合信号设计及其低复杂度接收算法研究[D]. 陈丹.电子科技大学 2018
[3]栈式自编码器的改进及其工程应用[D]. 郑煜伟.华中科技大学 2017
[4]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
[5]基于叶片图像多特征提取的观叶植物种类识别[D]. 王丽君.北京林业大学 2014
[6]基于图像分析的植物叶片识别算法研究[D]. 张宁.北京林业大学 2013
本文编号：3644906
【文章来源】：东北林业大学黑龙江省211工程院校教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 叶片分类的研究现状
1.2.2 深度学习的研究发展现状
1.3 叶片分类面临的问题与趋势
1.4 文章的结构安排
2 叶片图像的获取与预处理
2.1 叶片图像的获取
2.2 叶片图像去噪
2.2.1 图像噪声
2.2.2 中值滤波去噪
2.3 叶片图像区域提取
2.3.1 大津法阈值分割
2.4 本章小结
3 叶片图像特征提取
3.1 局部二值模式特征
3.1.1 LBP算子
3.1.2 LBP旋转模式与等价模式
3.2 自适应动态阈值LTP特征
3.3 改进前后两种特征图像熵的对比
3.4 HOG特征
3.5 主成分分析
3.6 特征信息融合
3.7 本章小结
4 基于Dropout的深度信念网络模型
4.1 受限玻尔兹曼机(RBM)
4.2 RBM的能量模型
4.3 RBM学习算法
4.3.1 Gibbs采样算法
4.3.2 对比散度法
4.4 BP神经网络
4.4.1 信号正向传播
4.4.2 误差反向传播
4.5 基于Dropout的DBN网络
4.5.1 规则化
4.5.2 Dropout
4.6 本章小结
5 实验与分析
5.1 基于Dropout的DBN模型试验过程
5.1.1 特征提取及融合
5.1.2 网络结构的设计
5.1.3 与不同特征和分类器的比较
5.1.4 在光照下的对比
5.2 网络结构的影响与分析
5.2.1 网络层数的影响
5.2.2 隐层单元数量的影响
5.2.3 其他参数的选取
5.3 Dropout的值对结果的影响
5.4 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢
【参考文献】：
期刊论文
[1]基于BP神经网络的冗余机械臂逆运动学分析[J]. 刘世平,曹俊峰,孙涛,胡江波,付艳,张帅,李世其. 中国机械工程. 2019(24)
[2]一种基于多模态特征融合的骨质疏松评估方法[J]. 罗涛,李剑峰,韩家辉,王艺宁,雷璐. 北京邮电大学学报. 2019(06)
[3]基于区域特征融合网络的群组行为识别[J]. 杨兴明,范楼苗. 模式识别与人工智能. 2019(12)
[4]融合高阶信息的遥感影像建筑物自动提取[J]. 王舒洋,慕晓冬,杨东方,贺浩,郑玉航. 光学精密工程. 2019(11)
[5]传统特征和深度特征融合的红外空中目标跟踪[J]. 胡阳光,肖明清,张凯,王晓柱,段耀泽. 系统工程与电子技术. 2019(12)
[6]机器学习中的PCA降维方法研究及其应用[J]. 孙平安,王备战. 湖南工业大学学报. 2019(01)
[7]基于深度置信网络的风力发电机故障诊断方法[J]. 李梦诗,余达,陈子明,夏侯凯顺,李堉鋆,季天瑶. 电机与控制学报. 2019(02)
[8]基于Faster R-CNN的机器人目标检测及空间定位[J]. 郭毓,苏鹏飞,吴益飞,郭健. 华中科技大学学报(自然科学版). 2018(12)
[9]基于X射线的盒装水饺异物自动检测与分类[J]. 王强,武凯,王新宇,孙宇,杨晓燕,楼晓华. 计算机辅助设计与图形学学报. 2018(12)
[10]自适应窗口形状的中值滤波[J]. 邹永宁,姚功杰. 光学精密工程. 2018(12)
博士论文
[1]基于色彩信息的图像增强研究[D]. 陈杰.南京邮电大学 2017
硕士论文
[1]基于边缘检测技术的地层边界和地层倾角提取[D]. 王研博.吉林大学 2018
[2]低截获基带混合信号设计及其低复杂度接收算法研究[D]. 陈丹.电子科技大学 2018
[3]栈式自编码器的改进及其工程应用[D]. 郑煜伟.华中科技大学 2017
[4]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
[5]基于叶片图像多特征提取的观叶植物种类识别[D]. 王丽君.北京林业大学 2014
[6]基于图像分析的植物叶片识别算法研究[D]. 张宁.北京林业大学 2013
本文编号：3644906
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3644906.html
