基于深度卷积网的多肉植物图像分类技术研究

发布时间：2020-06-03 21:26

【摘要】：近年来,多肉植物由于观赏价值高、易种植等特点,受到人们的关注和喜爱。但多肉植物种类较多,外形相似,仅仅依靠人工识别比较困难,错误率较高。针对我国最常见的十种多肉植物,本文搜集大量多肉植物图片,运用TensorFlow深度学习框架研究多肉植物识别方法,通过训练实现了基于图像的多肉植物自动识别模型。本文的主要工作如下:1.构建多肉植物图库。该图库由我国常见的十种多肉植物图片和九种生石花图片组成。多肉植物图库共有9348幅图片,每类平均934幅。生石花图库共5988幅图片,每类近600幅。图库中的每幅图像分辨率均为300×300。2.使用自搭建的卷积神经网络实现多肉植物的图像识别。构建多层卷积神经网络,并利用数据增强、Dropout、随机梯度下降(Stochastic Gradient Descent,SGD)等技术训练此卷积神经网络模型。针对多肉植物和生石花图像分类,所训练出的模型分别实现了94.7%和86.7%的分类正确率。经测试,平均每幅图片识别时间为6s左右。3.基于AlexNet深度模型和迁移学习技术实现多肉植物的图像分类。①使用微调(Fine-tuning)技术对最后三个全连接层进行重新训练,得到分类模型。针对多肉植物和生石花图像,该模型可实现95.3%和87.3%的分类正确率,平均每幅图片测试用时7.5s。②将全连接层提取的特征融合以后,再重新训练最后三个全连接层,得到最终模型对多肉植物和生石花图像进行分类的正确率分别为96.3%和88.1%,平均每幅图片测试用时8s。4.为实现识别多肉植物的便携性,本文将多肉植物图像分类模型移植到手机上的安卓操作系统,直接用终端设备即可离线识别多肉植物。经测试,此分类模型在手机上可以正常运行且有较好的分类性能。测试结果表明,该系统识别一幅多肉植物图片平均用时为10s。
【图文】：

照片,测试效果,微软,植物图像

作为判别器官。花朵可以提供关于颜色方面的信息，而叶片则可以提。由于拍摄角度、距离和清晰度等因素影响，从植物图像中提取的差异，且植物图像分类效果取决于提取特征的好坏，因此植物图像大的难点。逡逑像分类早己不是一个新话题了，而现下大部分的植物图像分类算法差异去进行分类识别。Ｌｉｉ＾ｌ等用小波变换算法提取植物叶片的纹理片图像使用支持向量机分类器进行分类识别，实验表明小波变换和合运用的方法可行并有效。田有文Ｎ等提出了基于纹理特征和支持、小斑病、灰斑病等病害识别方法。刘海波［１（）】利用深度卷积网提取片特征，通过训练实现了番茄病虫害自动检测模型。逡逑内市场上也研宄开发了为数不多的植物图像分类手机应用（ＡＰＰ），、花伴侣、朝花夕拾等，它们可以通过拍照和上传本地照片两种方类，具有实时性和便捷性，而且这些手机应用的识别引擎都是使用型（卷积神经网络）来实现的。虽然它们能够识别的植物种类比较不高，且是对生石花的分类更没有细致的区分，下图分别是微软识植物静夜和生石花朝贡玉的识别，具体的测试效果如下图所示。逡逑亁赘逦ＩＪＷ逦？邋ＭＸ邋＇邋Ｍ逦，逦１３：ＳＪ逦＞邋ｓｅｎ．＇逡逑

基于深度卷积网的多肉植物图像分类技术研究

白鸟到9l.3Flskuehe
【学位授予单位】：大连交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;S682.33

【参考文献】