基于贝叶斯卷积神经网络的害虫图像识别方法

发布时间：2020-08-14 07:39

【摘要】：园林害虫的防治任务是生态环境保护中最重要的工作之一。随着退耕还林以及城镇绿化政策的发展,人们对生活环境的要求不断提高,园林植物的害虫防治显得尤为重要。园林害虫的种类繁多,人工识别的成本颇高,同时难度颇大。随着计算机视觉技术的兴起,很多方法都被应用到识别园林害虫图像中,并且在害虫图像识别、分类的任务上取得了较好的成果,其中包括一些传统的图像特征提取方式,如:视觉词袋框架(bag-of-words,BOW)以及SIFT(Scale Invariant Feature Transform)特征检测等。近几年来,伴随着深度学习的发展,各种深层次的网络结构逐渐进入人们的视线,其中卷积神经网络(Convolutional Neural Network,CNN)被广泛应用于各种的分类任务中。由于CNN能够自动的提取图像中的特征,并且随着不断的训练,能够提取出高级、抽象的特征,因此具有较强的表达能力,取得了更好的分类效果。传统的CNN中的权重参数是使用点估计来表示,也就是所有的权重都是某个确定的数值,并且通过反向传播等方法更新权重值。训练过程中使用dropout以及正则化等技术来防止出现过拟合现象,在实际应用中取得了较好的效果。但是从概率学习的角度来看,传统的CNN也存在着一定的弊端,例如:少量数据集上容易发生过拟合现象,并且对于训练集中没有训练的类别的数据,CNN会做出过于自信的分类结果,无法很好的的评估训练数据中的不确定性,在一定程度上缺少泛化能力。本文提出一种基于贝叶斯方法的卷积神经网络(Bayesian Convolutional Neural Network,BCNN)对常见的几种园林害虫图像进行分类,传统的CNN中的每个权重参数都是点估计的形式,也就是权重值是某个值。但是在BCNN中,每个权重都是以一个高斯分布的形式来进行初始化,通过变分等方法来近似后验分布、训练网络,更新每个概率分布的参数。为了降低模型的参数量以及训练成本,本文还提出了使用模型参数修剪的方法。由于BCNN中的每个权重参数都是以高斯分布的形式进行初始化,并不是传统的点估计形式,最终得到的模型相当于多个模型的平均,所以提高了网络的泛化能力,同时也有效避免了过拟合现象的发生。最后,使用相同的害虫图像数据集在不同的方法上进行比较,根据得到的实验结果证明了本文所提出方法的有效性。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;S436.8
【图文】：

感知机

网络概述网络（ArtificialNeuralNetwok，ANN）是依据生物的大脑来的，大量连通的神经元一起相互协作来解决复杂的问题于人的学习过程，在生物系统中学习涉及对突触连接的调中的权重更新，并且通过对权重的不断更新提高网络的效器描述神经元如何在人类的大脑中发挥作用的数学模型。如结构，其中等表示输入值，等表示每个输入的权重参每个节点不同的强度，将每个输入和权重的乘积加和的结可以使激活函数进行上下的移动。将得到的结果作为激活神经元的输出结果为 (∑ + )。感知机是一种线性的还可以用于监督学习，它有助于对给定的输入数据进行分

函数图像,激活函数

第 2 章相关理论技术介绍经过一个激活函数才能输出作为下一层神经元的输入，激以应用到非线性的模型中。绍几种常见的激活函数：id 函数：sigmoid 的函数式如公式（2.3），其函数图像为图范围控制在 0-1 之间，当神经网络进行反向传播时，若函梯度将会接近 0。当梯度接近 0 时，会导致神经元的权再继续更新，这种情况叫做梯度消失，会影响网络的训出值都大于 0，会导致 zigzag 现象的发生。f( ) =( )……………………………………

激活函数,隐藏层,函数图

图 2.3 sigmoid 激活函数活函数：ReLu 的函数式如公式（2.4），其函数图如图 2值 = 0，当 ≥ 0时， = ，ReLu 可以使网络快速收也会出现梯度消失的情况。ReLu 更加适用于隐藏层的f( ) = max(0, )……………………………………

【相似文献】