基于深度学习的刺绣图像分类与识别研究
发布时间：2021-03-29 06:52
刺绣作为中国传统的手工技艺,是非物质文化遗产不可或缺的一部分。本文针对苏绣、蜀绣、粤绣、湘绣以及青海地区特有的土族盘绣五类刺绣图像,利用深度学习的方法根据每种刺绣的不同风格、图案等因素,提取出相应的图像特征,对其进行分类和识别,为刺绣图像研究和数字化保护提供了依据。卷积神经网络（Convolutional Neural Networks,CNN）以其强大的图像处理能力,被广泛应用于各种图像分类系统,并取得了显著的成效。在图像识别方面,以R-CNN为基础的Faster R-CNN检测算法近年来受到了越来越多的重视。与传统的图像处理算法相比,该类算法可以在复杂的刺绣图像中提取更深层次的图案特征,提高算法的鲁棒性和识别准确性。本文的研究工作主要体现如下方面:1.传统机器学习算法对刺绣图像的特征提取效果不理想,使得刺绣图像分类的效率低下。本文提出了使用基于深度学习的AlexNet网络进行图像分类,在AlexNet网络中使用了ReLu激活函数和局部响应归一化（Local Response Normalization,LRN）,加入了Dropout层使得分类效果更好。在此基础上加载了预训练模型参数...
【文章来源】：青海师范大学青海省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
三层BP网络结构图
??淼腇astR-CNN和FasterR-CNN算法，它们都是基于RegionProposal的，需要首先产生确定目标位置的候选框，其次针对候选框进行分类确定类别，回归确定位置，是two-stage。另一种是基于CNN的YOLO[33]，SSD[34]等，这类算法直接确定不同目标的类别与位置，是one-stage，因而速度会优于前一种算法，但准确率低[35]。众所周知，目标检测（ObjectDetection）的目的是确定物体的位置，并且标注其类别。但实际进行检测任务时，物体的类别、尺寸、姿态、摆放位置以及出现在图片中的位置都不尽相同。对于图像识别，其主要任务如图2-6所示。图2-6图像识别展示图将图像中的物体进行识别是一方面，目标检测还要对物体的位置进行确定。图像识别好坏主要由准确率进行判断。但对于定位，输出内容是检测框的位置，通常用（x,y,w,h）四个参数的值对候选框的中心坐标和宽高进行表示。预测位置时其评估标准是IoU（intersection-over-union），用来判断重合度，这一步使用CNN
青海师范大学硕士学位论文12完成，使用classification+regression模式进行目标检测的方法如图2-7所示。图2-7图像回归示意图2.4AlexNet的相关理论2.4.1卷积神经网络概述图2-8展示了典型的卷积神经网络结构，主要由五部分构成，分别为输入层、卷积层、池化层、全连接层以及Softmax输出层。在常见的卷积神经网络架构模型中，常常叠加M个卷积层，然后在此基础上选择是否添加一个池化层，对这种卷积+池化的结构重复N次，最后在末尾阶段放置K个全连接层[36]。图2-8卷积神经网络的基本结构输入层：一般来讲，输入层就是把图像数据作为输入，而图像数据常常是用一个像素矩阵来表示，是卷积操作的直接数据。卷积层：卷积层是整个神经网络最重要的部分，卷积层解决了整个网络中的大部分计算量。不同于一般的神经网络，CNN中的卷积层根据其特点通常被叫作特征提取层。输入层或者池化层的输出，是卷积层的输入来源。卷积操作的实质是矩阵之间的内积再求和，最后得到目标像素值，图2-9是卷积操作的过程。
【参考文献】：
期刊论文
[1]融合全局与局部特征的国画图像分类算法[J]. 李大湘,张玥. 现代计算机. 2019(34)
[2]基于深度学习的图像分类研究综述[J]. 苏赋,吕沁,罗仁泽. 电信科学. 2019(11)
[3]基于高阶残差和参数共享反馈卷积神经网络的农作物病害识别[J]. 曾伟辉,李淼,李增,熊焰. 电子学报. 2019(09)
[4]蜀绣制作工艺的数字化展示研究[J]. 孟庆琳. 美术教育研究. 2019(03)
[5]基于BP神经网络的空气质量模型分类预测研究[J]. 邱晨,罗璟,赵朝文,崔凯辉. 软件. 2019(02)
[6]苏绣文化保护与传承研究[J]. 李清扬,赵晔. 开封教育学院学报. 2019(01)
[7]湖南湘绣:飞针走线绘形神[J]. 王锦强. 收藏界. 2018(06)
[8]基于改进的AlexNet网络模型的遥感图像分类方法研究[J]. 周天顺,党鹏飞,谢辉. 北京测绘. 2018(11)
[9]国画的艺术目标分割及深度学习与分类[J]. 盛家川,李玉芝. 中国图象图形学报. 2018(08)
[10]非物质文化遗产的数字化保护与开发——以青海刺绣艺术为例[J]. 张效娟. 青海社会科学. 2018(03)
硕士论文
[1]基于深度学习的真菌图像分类算法研究[D]. 周院.西安理工大学 2019
[2]基于深度特征与手工特征融合的图像检索方法研究[D]. 李剑.东南大学 2019
[3]基于深度学习的卫星图像船只目标检测算法研究[D]. 王颖.北京邮电大学 2019
[4]基于深度学习的静态图像目标检测研究[D]. 严海.华北电力大学 2019
[5]中国传统手工艺在现代设计中的应用研究[D]. 韩雪梅.深圳大学 2018
[6]基于卷积神经网络的鞋印图像分类算法研究[D]. 张弛.大连海事大学 2016
[7]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
[8]基于分形特征的目标检测[D]. 李雪平.武汉科技大学 2010
本文编号：3107119
【文章来源】：青海师范大学青海省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
三层BP网络结构图
??淼腇astR-CNN和FasterR-CNN算法，它们都是基于RegionProposal的，需要首先产生确定目标位置的候选框，其次针对候选框进行分类确定类别，回归确定位置，是two-stage。另一种是基于CNN的YOLO[33]，SSD[34]等，这类算法直接确定不同目标的类别与位置，是one-stage，因而速度会优于前一种算法，但准确率低[35]。众所周知，目标检测（ObjectDetection）的目的是确定物体的位置，并且标注其类别。但实际进行检测任务时，物体的类别、尺寸、姿态、摆放位置以及出现在图片中的位置都不尽相同。对于图像识别，其主要任务如图2-6所示。图2-6图像识别展示图将图像中的物体进行识别是一方面，目标检测还要对物体的位置进行确定。图像识别好坏主要由准确率进行判断。但对于定位，输出内容是检测框的位置，通常用（x,y,w,h）四个参数的值对候选框的中心坐标和宽高进行表示。预测位置时其评估标准是IoU（intersection-over-union），用来判断重合度，这一步使用CNN
青海师范大学硕士学位论文12完成，使用classification+regression模式进行目标检测的方法如图2-7所示。图2-7图像回归示意图2.4AlexNet的相关理论2.4.1卷积神经网络概述图2-8展示了典型的卷积神经网络结构，主要由五部分构成，分别为输入层、卷积层、池化层、全连接层以及Softmax输出层。在常见的卷积神经网络架构模型中，常常叠加M个卷积层，然后在此基础上选择是否添加一个池化层，对这种卷积+池化的结构重复N次，最后在末尾阶段放置K个全连接层[36]。图2-8卷积神经网络的基本结构输入层：一般来讲，输入层就是把图像数据作为输入，而图像数据常常是用一个像素矩阵来表示，是卷积操作的直接数据。卷积层：卷积层是整个神经网络最重要的部分，卷积层解决了整个网络中的大部分计算量。不同于一般的神经网络，CNN中的卷积层根据其特点通常被叫作特征提取层。输入层或者池化层的输出，是卷积层的输入来源。卷积操作的实质是矩阵之间的内积再求和，最后得到目标像素值，图2-9是卷积操作的过程。
【参考文献】：
期刊论文
[1]融合全局与局部特征的国画图像分类算法[J]. 李大湘,张玥. 现代计算机. 2019(34)
[2]基于深度学习的图像分类研究综述[J]. 苏赋,吕沁,罗仁泽. 电信科学. 2019(11)
[3]基于高阶残差和参数共享反馈卷积神经网络的农作物病害识别[J]. 曾伟辉,李淼,李增,熊焰. 电子学报. 2019(09)
[4]蜀绣制作工艺的数字化展示研究[J]. 孟庆琳. 美术教育研究. 2019(03)
[5]基于BP神经网络的空气质量模型分类预测研究[J]. 邱晨,罗璟,赵朝文,崔凯辉. 软件. 2019(02)
[6]苏绣文化保护与传承研究[J]. 李清扬,赵晔. 开封教育学院学报. 2019(01)
[7]湖南湘绣:飞针走线绘形神[J]. 王锦强. 收藏界. 2018(06)
[8]基于改进的AlexNet网络模型的遥感图像分类方法研究[J]. 周天顺,党鹏飞,谢辉. 北京测绘. 2018(11)
[9]国画的艺术目标分割及深度学习与分类[J]. 盛家川,李玉芝. 中国图象图形学报. 2018(08)
[10]非物质文化遗产的数字化保护与开发——以青海刺绣艺术为例[J]. 张效娟. 青海社会科学. 2018(03)
硕士论文
[1]基于深度学习的真菌图像分类算法研究[D]. 周院.西安理工大学 2019
[2]基于深度特征与手工特征融合的图像检索方法研究[D]. 李剑.东南大学 2019
[3]基于深度学习的卫星图像船只目标检测算法研究[D]. 王颖.北京邮电大学 2019
[4]基于深度学习的静态图像目标检测研究[D]. 严海.华北电力大学 2019
[5]中国传统手工艺在现代设计中的应用研究[D]. 韩雪梅.深圳大学 2018
[6]基于卷积神经网络的鞋印图像分类算法研究[D]. 张弛.大连海事大学 2016
[7]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
[8]基于分形特征的目标检测[D]. 李雪平.武汉科技大学 2010
本文编号：3107119
本文链接：https://www.wllwen.com/projectlw/qgylw/3107119.html
