基于深度学习的花卉识别系统开发
发布时间：2021-11-13 06:03
植物是我们日常生活中随处可见的一种生命形式,它为我们提供了生活所必需的氧气,与我们的生活息息相关[1]。花卉作为植物的一种,除了提供氧气,它更是有很强的观赏价值。我校作为一所有着百年历史的农业类院校,校园中的植物种类更是数不甚数,其中花卉作为这些植物中的一大亮点,也引起了广泛的关注。这就使得对花卉的认知显得尤为重要。近年来,几乎所有的智能科学研究者都注意到了一个神秘的技术名词——深度学习（Deep Learning）。这个名词和它所代表的尖端技术被著名的“麻省理工学院技术评论”评选为2013年世界十大突破性技术之首。而在此之前,诸多信息科技巨头,包括Google、Microsoft、Facebook等公司,都纷纷投入了前所未有的注意力和战略资源在这项技术上,高调宣布部署智能应用领域。工业界和学术界也在不遗余力地对这一技术进行研究探索[2]。本文从山西农业大学校园内常见的花卉入手,探索了基于深度学习技术的花卉识别方法。该方法以卷积神经网络结构为基础,构建了一种模拟视觉感知原理的深度神经网络结构,通过无监督学习的方式学习花卉本质特征来对花卉进行分类。本文提出的算法主要针对山西农业大学校园内...
【文章来源】：山西农业大学山西省
【文章页数】：42 页
【学位级别】：硕士
【部分图文】：
图２－１栈式自动编码器模型??Ｆｉｕｒｅ?２－１?ｓｔａｃｋ?ａｕｔｏｍａｔｉｃ?ｅｎｃｏｄｅｒ?ｍｏｄｅｌ??
消噪自动编码器模型被很多常见的ＳＡＥ模型作为基本模块？。其主要思想??是，用原始输入ｘ的退化版本７作为输入进行编码得到结果ｙ，企图在训练中用ｙ重建??原始信号ｘ。基本原理如图２－３。通过对７的学习，能够极大地增强自动编码器模型的??鲁棒性和推广能力。因为通过对７的学习，不仅仅能得到退化的数据点本身，还能得到??数据点的空间布局邻域。??－７?－??
?Ｕｎｒｏｌｌｉｎｇ?Ｆｌｎｅ－ｔｖｎｌｎｇ??图２－２?ＳＡＥ的预训练、展开和微调??Ｆｉｇｕｒｅ?２－２?ＳＡＥ?ｐｒｅ－ｔｒａｉｎｉｎｇ，?ｅｘｐａｎｓｉｏｎ?ａｎｄ?ｆｉｎｅ?ｔｕｎｉｎｇ??近年来，消噪自动编码器模型被很多常见的ＳＡＥ模型作为基本模块？。其主要思想??是，用原始输入ｘ的退化版本７作为输入进行编码得到结果ｙ，企图在训练中用ｙ重建??原始信号ｘ。基本原理如图２－３。通过对７的学习，能够极大地增强自动编码器模型的??鲁棒性和推广能力。因为通过对７的学习，不仅仅能得到退化的数据点本身，还能得到??数据点的空间布局邻域。??－７?－??
【参考文献】：
期刊论文
[1]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[2]一种卷积神经网络的优化方法[J]. 刘晨,曲长文,周强,李智. 舰船电子工程. 2017(05)
[3]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)
[4]受限玻尔兹曼机的稀疏化特征学习[J]. 康丽萍,许光銮,孙显. 计算机科学. 2016(12)
[5]基于叶片图像处理和稀疏表示的植物识别方法[J]. 李萍,张波,张善文. 江苏农业科学. 2016(09)
[6]基于卷积神经网络探讨深度学习算法与应用[J]. 高强,靳其兵,程勇. 电脑知识与技术. 2015(13)
[7]基于梯度的多输入卷积神经网络[J]. 费建超,芮挺,周遊,方虎生,朱会杰. 光电工程. 2015(03)
[8]基于卷积神经网络的植物叶片分类[J]. 龚丁禧,曹长荣. 计算机与现代化. 2014(04)
[9]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[10]自动识别应用在互联网上崛起[J]. 刘环宇. 中国自动识别技术. 2013(04)
硕士论文
[1]基于深度学习的植物图像集识别技术研究[D]. 刘孟南.华侨大学 2017
[2]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
[3]基于改进卷积神经网络算法的研究与应用[D]. 王飞飞.南京邮电大学 2016
[4]基于全噪声自动编码器的深度神经网络优化算法[D]. 夏林.武汉科技大学 2016
[5]深度学习算法在车牌识别系统中的应用[D]. 刘峥强.电子科技大学 2016
[6]基于Caffe深度学习框架的卷积神经网络研究[D]. 杨楠.河北师范大学 2016
[7]卷积神经网字符识别算法研究[D]. 吴香莲.电子科技大学 2016
[8]基于深度学习的图像识别算法研究[D]. 丰晓霞.太原理工大学 2015
[9]基于稀疏表示的植物叶片分类识别研究[D]. 李建武.长安大学 2014
[10]深度学习在图像语义分类中的应用[D]. 杜骞.华中师范大学 2014
本文编号：3492467
【文章来源】：山西农业大学山西省
【文章页数】：42 页
【学位级别】：硕士
【部分图文】：
图２－１栈式自动编码器模型??Ｆｉｕｒｅ?２－１?ｓｔａｃｋ?ａｕｔｏｍａｔｉｃ?ｅｎｃｏｄｅｒ?ｍｏｄｅｌ??
消噪自动编码器模型被很多常见的ＳＡＥ模型作为基本模块？。其主要思想??是，用原始输入ｘ的退化版本７作为输入进行编码得到结果ｙ，企图在训练中用ｙ重建??原始信号ｘ。基本原理如图２－３。通过对７的学习，能够极大地增强自动编码器模型的??鲁棒性和推广能力。因为通过对７的学习，不仅仅能得到退化的数据点本身，还能得到??数据点的空间布局邻域。??－７?－??
?Ｕｎｒｏｌｌｉｎｇ?Ｆｌｎｅ－ｔｖｎｌｎｇ??图２－２?ＳＡＥ的预训练、展开和微调??Ｆｉｇｕｒｅ?２－２?ＳＡＥ?ｐｒｅ－ｔｒａｉｎｉｎｇ，?ｅｘｐａｎｓｉｏｎ?ａｎｄ?ｆｉｎｅ?ｔｕｎｉｎｇ??近年来，消噪自动编码器模型被很多常见的ＳＡＥ模型作为基本模块？。其主要思想??是，用原始输入ｘ的退化版本７作为输入进行编码得到结果ｙ，企图在训练中用ｙ重建??原始信号ｘ。基本原理如图２－３。通过对７的学习，能够极大地增强自动编码器模型的??鲁棒性和推广能力。因为通过对７的学习，不仅仅能得到退化的数据点本身，还能得到??数据点的空间布局邻域。??－７?－??
【参考文献】：
期刊论文
[1]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[2]一种卷积神经网络的优化方法[J]. 刘晨,曲长文,周强,李智. 舰船电子工程. 2017(05)
[3]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)
[4]受限玻尔兹曼机的稀疏化特征学习[J]. 康丽萍,许光銮,孙显. 计算机科学. 2016(12)
[5]基于叶片图像处理和稀疏表示的植物识别方法[J]. 李萍,张波,张善文. 江苏农业科学. 2016(09)
[6]基于卷积神经网络探讨深度学习算法与应用[J]. 高强,靳其兵,程勇. 电脑知识与技术. 2015(13)
[7]基于梯度的多输入卷积神经网络[J]. 费建超,芮挺,周遊,方虎生,朱会杰. 光电工程. 2015(03)
[8]基于卷积神经网络的植物叶片分类[J]. 龚丁禧,曹长荣. 计算机与现代化. 2014(04)
[9]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[10]自动识别应用在互联网上崛起[J]. 刘环宇. 中国自动识别技术. 2013(04)
硕士论文
[1]基于深度学习的植物图像集识别技术研究[D]. 刘孟南.华侨大学 2017
[2]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
[3]基于改进卷积神经网络算法的研究与应用[D]. 王飞飞.南京邮电大学 2016
[4]基于全噪声自动编码器的深度神经网络优化算法[D]. 夏林.武汉科技大学 2016
[5]深度学习算法在车牌识别系统中的应用[D]. 刘峥强.电子科技大学 2016
[6]基于Caffe深度学习框架的卷积神经网络研究[D]. 杨楠.河北师范大学 2016
[7]卷积神经网字符识别算法研究[D]. 吴香莲.电子科技大学 2016
[8]基于深度学习的图像识别算法研究[D]. 丰晓霞.太原理工大学 2015
[9]基于稀疏表示的植物叶片分类识别研究[D]. 李建武.长安大学 2014
[10]深度学习在图像语义分类中的应用[D]. 杜骞.华中师范大学 2014
本文编号：3492467
本文链接：https://www.wllwen.com/nykjlw/yylw/3492467.html
