基于卷积神经网络的宝石识别方法与实证分析
发布时间：2021-11-13 03:42
近年来,随着卷积神经网络（Convolutional Neural Network,CNN）等深度学习模型的广泛使用,人工智能（Artificial Intelligence,AI）领域有了突破性的进展,尤其是在图像识别领域里取得了前所未有的提升。由此,本文在整理与总结国内外卷积神经网络的基本理论成果与应用现状的基础上,结合当下较为热门的TensorFlow和Keras深度学习框架,构建了基于卷积神经网络的天然宝石图像分类模型。并针对小样本数据集设计了不同的网络结构体系,提出了改进的网络模型构架。完成的主要工作如下:（1）首先做了基于深度学习的卷积神经网络模型在图像分类应用领域中的研究现状和发展趋势的综述,并对理解网络模型所需的基本算法进行了介绍,以此为基础,在已搭建好的计算机平台上训练卷积神经网络的经典模型ZFNet、VGGNet13以及VGGNet16,对几种算法的识别率和速率进行对比分析,研究影响卷积神经网络识别性能的结构和方法,最终选择VGGNet13作为基准模型。（2）为了更好的训练小样本宝石数据集,提出一种基于VGGNet13改进的算法,通过调整网络复杂度参数,如滤波器的大...
【文章来源】：成都理工大学四川省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
中国、美国、俄罗斯等主要国家的AI战略布局简介基于上述背景，图像识别作为人工智能所涉及的行业领域之一，通过对图像
论文研究技术路线
滤波器的个数为 6 个。图 2-1 所示为不同滤波器下的卷积效果对越小，可训练的参数越小。表 2-2 所示为不同大小滤波器的卷积效果器大小为 1*1 时，可训练参数为 12，使计算复杂度降低。然而在实当使用比较小的卷积核时可能无法表示其特征。在本文研究中，以t 为基础，选取滤波器大小为 3*3。表 2-2 不同滤波器下卷积结果对比图像尺寸 224*224*3 224*224*3 224*224*3器大小 1*1 3*3 6*6器个数 6 6 6图像尺寸 224*224*3 222*222*3 219*219*3元数量 224*224*6=301056 222*222*6=295704 219*219*6=2练参数 （1*1*1+1）*6=12 （3*3*3+1）*6=168 （6*6*6+1）*6为 1*1 的滤波器有 1*1*1=1 个 unit 参数和一个 bias 参数，一共有 6 个滤波器，填充因子为0时，输入图像为224，滤波器尺寸为F，则输出图像表达式为（22
【参考文献】：
期刊论文
[1]基于卷积神经网络和小样本的茶树病害图像识别[J]. 孙云云,江朝晖,董伟,张立平,饶元,李绍稳. 江苏农业学报. 2019(01)
[2]卷积神经网络在图像识别中的应用[J]. 圣文顺,孙艳文. 软件工程. 2019(02)
[3]关于公路隧道内目标图像实时检测仿真[J]. 周立学,马成前. 计算机仿真. 2019(01)
[4]基于深度学习的海战场图像目标识别[J]. 单连平,窦强. 指挥控制与仿真. 2019(01)
[5]基于深度学习的无人驾驶关键技术的研究[J]. 高正创,戴耀威,叶继铭,唐树银,李宏宇. 电子世界. 2019(01)
[6]基于深度学习的快速植物图像识别[J]. 张雪芹,陈嘉豪,诸葛晶晶,余丽君. 华东理工大学学报(自然科学版). 2018(06)
[7]基于TensorFlow深度学习手写体数字识别及应用[J]. 黄睿,陆许明,邬依林. 电子技术应用. 2018(10)
[8]CT影像识别的卷积神经网络模型[J]. 管姝,张骞予,谢红薇,强彦,程臻. 计算机辅助设计与图形学学报. 2018(08)
[9]基于BP神经网络的手写数字识别及优化方法[J]. 夏少杰,项鲲. 智能物联技术. 2018(01)
[10]基于Dopout与ADAM优化器的改进CNN算法[J]. 杨观赐,杨静,李少波,胡建军. 华中科技大学学报(自然科学版). 2018(07)
硕士论文
[1]基于Android和iOS的家用呼吸机移动终端APP的设计与实现[D]. 冯蕾.山东大学 2018
[2]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
[3]基于卷积神经网络的图像分类技术研究[D]. 楚敏南.湘潭大学 2015
本文编号：3492251
【文章来源】：成都理工大学四川省
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
中国、美国、俄罗斯等主要国家的AI战略布局简介基于上述背景，图像识别作为人工智能所涉及的行业领域之一，通过对图像
论文研究技术路线
滤波器的个数为 6 个。图 2-1 所示为不同滤波器下的卷积效果对越小，可训练的参数越小。表 2-2 所示为不同大小滤波器的卷积效果器大小为 1*1 时，可训练参数为 12，使计算复杂度降低。然而在实当使用比较小的卷积核时可能无法表示其特征。在本文研究中，以t 为基础，选取滤波器大小为 3*3。表 2-2 不同滤波器下卷积结果对比图像尺寸 224*224*3 224*224*3 224*224*3器大小 1*1 3*3 6*6器个数 6 6 6图像尺寸 224*224*3 222*222*3 219*219*3元数量 224*224*6=301056 222*222*6=295704 219*219*6=2练参数 （1*1*1+1）*6=12 （3*3*3+1）*6=168 （6*6*6+1）*6为 1*1 的滤波器有 1*1*1=1 个 unit 参数和一个 bias 参数，一共有 6 个滤波器，填充因子为0时，输入图像为224，滤波器尺寸为F，则输出图像表达式为（22
【参考文献】：
期刊论文
[1]基于卷积神经网络和小样本的茶树病害图像识别[J]. 孙云云,江朝晖,董伟,张立平,饶元,李绍稳. 江苏农业学报. 2019(01)
[2]卷积神经网络在图像识别中的应用[J]. 圣文顺,孙艳文. 软件工程. 2019(02)
[3]关于公路隧道内目标图像实时检测仿真[J]. 周立学,马成前. 计算机仿真. 2019(01)
[4]基于深度学习的海战场图像目标识别[J]. 单连平,窦强. 指挥控制与仿真. 2019(01)
[5]基于深度学习的无人驾驶关键技术的研究[J]. 高正创,戴耀威,叶继铭,唐树银,李宏宇. 电子世界. 2019(01)
[6]基于深度学习的快速植物图像识别[J]. 张雪芹,陈嘉豪,诸葛晶晶,余丽君. 华东理工大学学报(自然科学版). 2018(06)
[7]基于TensorFlow深度学习手写体数字识别及应用[J]. 黄睿,陆许明,邬依林. 电子技术应用. 2018(10)
[8]CT影像识别的卷积神经网络模型[J]. 管姝,张骞予,谢红薇,强彦,程臻. 计算机辅助设计与图形学学报. 2018(08)
[9]基于BP神经网络的手写数字识别及优化方法[J]. 夏少杰,项鲲. 智能物联技术. 2018(01)
[10]基于Dopout与ADAM优化器的改进CNN算法[J]. 杨观赐,杨静,李少波,胡建军. 华中科技大学学报(自然科学版). 2018(07)
硕士论文
[1]基于Android和iOS的家用呼吸机移动终端APP的设计与实现[D]. 冯蕾.山东大学 2018
[2]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
[3]基于卷积神经网络的图像分类技术研究[D]. 楚敏南.湘潭大学 2015
本文编号：3492251
本文链接：https://www.wllwen.com/projectlw/qgylw/3492251.html
