基于微调CaffeNet的林业图像分类

发布时间：2021-04-01 02:09

　　【目的】基于迁移学习提出一种微调卷积神经网络（CNN）的林业图像自动分类方法,以利于林业管理部门对相关事件作出合理的处置方案或指挥调度决策,从而提升森林管护水平,保护森林资源和生态安全。【方法】基于大规模辅助图像数据集ImageNet预训练好的CaffeNet模型,利用林业图像数据对模型进行微调训练。模型前5层参数通过迁移获得,包括卷积层、激活函数和池化层;全连接层和Softmax参数通过训练确定。【结果】微调预训练卷积神经网络CaffeNet模型具有很好的林业图像分类正确率,在根据林业业务需求建立的4类林业图像数据集上,经过一定次数迭代后,平均识别精度达97.5%。进一步特征可视化显示,训练好的深度卷积神经网络不同层获得的特征图可从不同方面获得林业图像分类能力。与传统特征提取方法相比,即使分类种类数增加1种,识别率也可提升10.8%。【结论】利用CaffeNet模型进行林业图像分类可行。相比传统特征提取识别方法,基于卷积神经网络的林业图像分类模型具有很强的特征提取和分类能力,能够在森林管护中发挥重要作用。 

【文章来源】：林业科学. 2020,56(10)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

4类林业图像样本

Caffe Net模型结构

试验选用的40幅测试图像是从4类图像中各随机留取10幅图像组成，最后分类结果是有1幅图像被误判，因此分类正确率为97.5%。从图3可以发现，训练2 500步时损失函数最小且稳定，所以用2 500步时的模型对所有测试图像进行再测试，找出其中被误分的图像。如图4a所示，这是一幅采伐类图像，被模型误分为动物死亡类，其原因是图中很多图像的细节特征与动物死亡类中的训练图像相似;如图4b、c、d所示，砍倒的横木与石板、树上的树瘤与死亡动物肢体的关节等特征都有一些相似之处。要解决此类被误分问题，唯有增加更多的训练数据，让网络模型学习更多的每个分类具有的细节特征。由于林业图像每个分类的图像变化都非常大，这也正是林业业务图像分类问题复杂的主要原因。图4 测试中误分图像和训练图像样本

【参考文献】：
期刊论文
[1]深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 李松,魏中浩,张冰尘,洪文.  中国科学院大学学报. 2018(01)
[2]大连市护林员队伍体系建设措施及建议[J]. 张罡.  现代农业科技. 2018(01)
[3]森林管护措施及造林工作探析[J]. 李维刚.  黑龙江科学. 2017(24)
[4]基于深度学习的蝴蝶科级标本图像自动识别[J]. 周爱明,马鹏鹏,席天宇,王江宁,冯晋,邵泽中,陶玉磊,姚青.  昆虫学报. 2017(11)
[5]基于词袋模型的林业业务图像分类[J]. 张广群,李英杰,汪杭军.  浙江农林大学学报. 2017(05)
[6]基于北斗位置服务的森林管护及系统研发[J]. 胡鸿,杨雪清,吴东亮.  中南林业科技大学学报. 2017(09)
[7]遥感图像飞机目标分类的卷积神经网络方法[J]. 周敏,史振威,丁火平.  中国图象图形学报. 2017(05)
[8]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[9]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远.  北京航空航天大学学报. 2017(09)
[10]基于ZY-3影像的农田防护林自动提取[J]. 幸泽峰,李颖,邓荣鑫,朱红雷,付波霖.  林业科学. 2016(04)

硕士论文
[1]基于SVM的油茶害虫图像模式分类方法研究[D]. 谢林波.中南林业科技大学 2015



本文编号：3112494