基于深度学习的花卉图像分类研究
发布时间：2021-10-17 06:51
花卉植物是我们生活中不可缺少的一部分,在保护花卉植物的过程中如果只是单靠人力对花卉进行识别分类,那么将会花费大量的人力物力。如何利用机器自动的对花卉进行准确的分类,是当前需要解决的热点问题。花卉图像的准确分类也是花卉植物管理走向人工智能的必要前提。深度神经网络在粗粒度图像分类中已经取得了不错的分类效果,但是对于像花卉图像这种精细图像分类来说,深度神经网络在花卉图像分类中取得的效果还不是很理想。因为花卉图像属于属于花卉大类别下面的子类,存在着类内差异大,类间差异小的特点,分类任务比较困难。本文以花卉图像为研究对象,主要的研究内容如下:（1）本文以Xception卷积神经网络为基础网络,提出多损失空间注意力网络、多损失通道注意力网络、多损失多注意力网络。结合Xception、空间注意力和通道注意力设计空间注意力残差模块、通道注意力残差模块和多注意力残差模块。在Xception中分别加入这三种模块来加强对花卉图像区域的定位和特征提取能力;同时网络的损失层联合三元组损失（triplet loss）和分类损失（softmax loss）,使网络获得一个同时具有较高的类内紧致度和类间分离度的特征嵌...
【文章来源】：贵州财经大学贵州省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
不同物种
21.2研究的难点传统的图像分类主要是粗粒度图像的分类，粗粒度图像之间的差异比较大，比如狗，马，鸟等不同物种之间的分类，如图1.1所示。他们区别于彼此的特征有很大的差异，这类分类任务比较简单。图1.1不同物种而花卉图像分类属于同一个物种下的不同子类之间的分类，这类分类任务比较困难，主要存在以下几个难点：（1）类内差异较大：首先同一类别的花卉可能有不同的颜色，比如图1.2所示中同一种鸢尾花的颜色各不一样，如果仅仅通过颜色来区分，很难判别他们是同一类花。其次同一类别的花卉不同的生长周期有着不同的姿态，比如图1.3所示中的莲花在生长初期花苞还处于未开放紧闭的状态；到了莲花的中期，花苞开始开放，此时处于半开的状态；而到了后期，莲花此时处于完全张开的状态。莲花的初中后期莲花的形态完全不一样，如果仅仅通过形态来区分，也很难判别他们是同一类别的花。（2）类间差异较小：不同类别的花卉之间可能非常的相似，他们在颜色、形状等特征上都很接近，而区别于彼此的往往是花卉图像的一个局部区域之间的差异；比如图1.4所示中的蒲公英和款冬是不同的类别的花卉，但是他们在颜色和形态上都非常的相似，我们要经过仔细辨认和对比才能区分他们。（3）背景干扰：对花卉进行拍摄时，都会不可避免的混入一些其他不相关的景物；比如其他植物的叶片、花卉旁边的杂草等，在对花卉区域进行特征提取产生干扰；同时光照的角度和光线的强弱在对花卉进行颜色特征提取时也会产生干扰。如图1.5所示。图1.2不同颜色的鸢尾花
3图1.3不同时期的莲花（a）蒲公英（b）款冬图1.4蒲公英和款冬之间的相似性图1.5复杂的背景如果将传统的图像分类方法用于花卉图像的分类，分类的效果往往不是很好，所以对于这种花卉图像类内差异大、类间差异小的特征，需要在传统的图像分类方法上做进一步改进，设计一种能准确分类内差异大、类间差异小的特征的图像分类方法。1.3国内外研究现状最开始的时候，在花卉图像的分类研究上，人们主要是利用人工设计特征算法进行花卉的分类，取得了一定的效果；后来随着深度学习取得的巨大成功，人们开始尝试利用深度学习方法进行花卉图像分类研究，并且取得的效果远高于人工设计特征算法。1.3.1早期花卉图像分类研究早时间的花卉图像分类首先是将花卉图像区域单独分割出来，消除掉无关的背景信息，只留下对分类有帮助的花卉区域信息，之后再由人工设计的特征算法提取花卉区域信息，最后把提取到的特征信息送入分类器进行分类，完成整个花
【参考文献】：
期刊论文
[1]注意力机制在深度学习中的研究进展[J]. 朱张莉,饶元,吴渊,祁江楠,张钰. 中文信息学报. 2019(06)
[2]聚焦——识别网络架构的细粒度图像分类[J]. 王永雄,张晓兵. 中国图象图形学报. 2019(04)
[3]基于显著性检测和迁移学习的花卉图像分类[J]. 吴迪,刘秀磊,侯凌燕,刘旭红,李红臣. 北京信息科技大学学报(自然科学版). 2019(01)
[4]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟. 上海大学学报(自然科学版). 2018(03)
硕士论文
[1]基于注意力机制的图像分类深度学习方法研究[D]. 王培森.中国科学技术大学 2018
[2]基于双目视觉的指静脉识别系统设计与实现[D]. 王子谦.电子科技大学 2018
[3]基于卷积神经网络的人脸识别研究[D]. 王双印.兰州理工大学 2017
[4]基于卷积神经网络的图像分类算法研究[D]. 郭田梅.济南大学 2017
[5]基于卷积神经网络的花卉图像分类算法的研究[D]. 刘园园.华北电力大学(北京) 2017
[6]面向花卉图像的精细图像分类研究[D]. 谢晓东.厦门大学 2014
[7]卷积神经网络及其应用[D]. 李飞腾.大连理工大学 2014
本文编号：3441320
【文章来源】：贵州财经大学贵州省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
不同物种
21.2研究的难点传统的图像分类主要是粗粒度图像的分类，粗粒度图像之间的差异比较大，比如狗，马，鸟等不同物种之间的分类，如图1.1所示。他们区别于彼此的特征有很大的差异，这类分类任务比较简单。图1.1不同物种而花卉图像分类属于同一个物种下的不同子类之间的分类，这类分类任务比较困难，主要存在以下几个难点：（1）类内差异较大：首先同一类别的花卉可能有不同的颜色，比如图1.2所示中同一种鸢尾花的颜色各不一样，如果仅仅通过颜色来区分，很难判别他们是同一类花。其次同一类别的花卉不同的生长周期有着不同的姿态，比如图1.3所示中的莲花在生长初期花苞还处于未开放紧闭的状态；到了莲花的中期，花苞开始开放，此时处于半开的状态；而到了后期，莲花此时处于完全张开的状态。莲花的初中后期莲花的形态完全不一样，如果仅仅通过形态来区分，也很难判别他们是同一类别的花。（2）类间差异较小：不同类别的花卉之间可能非常的相似，他们在颜色、形状等特征上都很接近，而区别于彼此的往往是花卉图像的一个局部区域之间的差异；比如图1.4所示中的蒲公英和款冬是不同的类别的花卉，但是他们在颜色和形态上都非常的相似，我们要经过仔细辨认和对比才能区分他们。（3）背景干扰：对花卉进行拍摄时，都会不可避免的混入一些其他不相关的景物；比如其他植物的叶片、花卉旁边的杂草等，在对花卉区域进行特征提取产生干扰；同时光照的角度和光线的强弱在对花卉进行颜色特征提取时也会产生干扰。如图1.5所示。图1.2不同颜色的鸢尾花
3图1.3不同时期的莲花（a）蒲公英（b）款冬图1.4蒲公英和款冬之间的相似性图1.5复杂的背景如果将传统的图像分类方法用于花卉图像的分类，分类的效果往往不是很好，所以对于这种花卉图像类内差异大、类间差异小的特征，需要在传统的图像分类方法上做进一步改进，设计一种能准确分类内差异大、类间差异小的特征的图像分类方法。1.3国内外研究现状最开始的时候，在花卉图像的分类研究上，人们主要是利用人工设计特征算法进行花卉的分类，取得了一定的效果；后来随着深度学习取得的巨大成功，人们开始尝试利用深度学习方法进行花卉图像分类研究，并且取得的效果远高于人工设计特征算法。1.3.1早期花卉图像分类研究早时间的花卉图像分类首先是将花卉图像区域单独分割出来，消除掉无关的背景信息，只留下对分类有帮助的花卉区域信息，之后再由人工设计的特征算法提取花卉区域信息，最后把提取到的特征信息送入分类器进行分类，完成整个花
【参考文献】：
期刊论文
[1]注意力机制在深度学习中的研究进展[J]. 朱张莉,饶元,吴渊,祁江楠,张钰. 中文信息学报. 2019(06)
[2]聚焦——识别网络架构的细粒度图像分类[J]. 王永雄,张晓兵. 中国图象图形学报. 2019(04)
[3]基于显著性检测和迁移学习的花卉图像分类[J]. 吴迪,刘秀磊,侯凌燕,刘旭红,李红臣. 北京信息科技大学学报(自然科学版). 2019(01)
[4]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟. 上海大学学报(自然科学版). 2018(03)
硕士论文
[1]基于注意力机制的图像分类深度学习方法研究[D]. 王培森.中国科学技术大学 2018
[2]基于双目视觉的指静脉识别系统设计与实现[D]. 王子谦.电子科技大学 2018
[3]基于卷积神经网络的人脸识别研究[D]. 王双印.兰州理工大学 2017
[4]基于卷积神经网络的图像分类算法研究[D]. 郭田梅.济南大学 2017
[5]基于卷积神经网络的花卉图像分类算法的研究[D]. 刘园园.华北电力大学(北京) 2017
[6]面向花卉图像的精细图像分类研究[D]. 谢晓东.厦门大学 2014
[7]卷积神经网络及其应用[D]. 李飞腾.大连理工大学 2014
本文编号：3441320
本文链接：https://www.wllwen.com/nykjlw/yylw/3441320.html
