基于优化ResNet50网络的树种识别研究

发布时间：2024-01-24 17:38

　　森林资源是地球陆地生态圈的主体,在维护生态平衡的过程中发挥关键作用。缺林少绿仍是我国面临的问题,准确识别林木种类信息则是保护森林资源的前提,针对人眼和传统固定阈值提取特征对树种进行识别的方法不仅效率不高、识别率低、操作复杂而且对经验要求极高的问题。本文提出以卷积神经网络为核心的方法,通过优化的卷积神经网络模型对不同树皮纹理图像进行自动树种识别。基于此问题,本文研究内容如下:针对传统树种识别方法的不足,本文应用1个浅层和2个深层卷积神经网络,分别对东北地区常见的水曲柳、家榆、白桦、红皮云杉、蒙古栎5种共计12800张树皮纹理图像数据集,将训练集和测试集按照7:3的比例划分,进行树种的自动识别分类。其中:(1)浅层神经网络主要由两个卷积、最大池化层和输出层构成,测试集的识别率为 84.51%。(2)针对浅层CNN提取特征能力有限的问题,采用了经典ResNet50网络模型,该模型较浅层CNN识别精度有所提升,测试集识别率为89.1%,但不完全适用于本研究针对树皮纹理特征的树种识别。(3)在经典ResNet50网络的基础上,针对网络输入图像尺寸的大小、树皮纹理特征和卷积神经网络提取特征的特点,...

【文章页数】：54 页

【学位级别】：硕士

图１－１树种识别流程图??首先是输入图像数据的预处理环节，然后进行数据增强操作，按照一定比例设置为??

图２－１卷积祌经网络结构图??２＿１．１卷积层??

图２－２卷积层??图２－２中左边为原始图像的像素点，中间为卷积核，卷积核中每个作用点的数值代??表对应的权重，卷积核上的所有作用点，依次与原始图像像素点进行卷积运算，即卷积??－７－??

图２－３最大池化层??平均池化操作的过程同最大池化，只是保留的是过滤器范围内的平均值

本文编号：3884186