基于卷积神经网络的海底火山烟雾图像分类
发布时间：2021-01-04 03:43
海底火山的形成与演化与生态系统息息相关,探测海底火山的存在对于现代科学的发展具有重要意义。判断海底是否存在火山较常见的方法是检测海底是否存在烟雾。但是现有的烟雾识别方法存在着效率不够高、效果不够好等问题,并且大都是针对陆地上产生的烟雾进行识别,比如森林火灾烟雾、小区火灾烟雾的识别预警等,对于深海海底场景进行烟雾识别的相关研究还比较零散,而且效果不理想。海底环境比陆地环境更加复杂,噪声干扰也更多,常见的特征提取等图像处理算法难以达到海底火山烟雾识别目的。本文将烟雾识别与机器学习领域中的深度学习算法相结合,并将卷积神经网络模型应用在海底火山烟雾识别上,结合现有的研究成果和技术,对深海海底场景下的火山烟雾图像进行识别分类,克服了其他图像识别方案的缺陷,提高了深度学习算法的效率,增加了海底火山烟雾识别的准确度。利用卷积神经网进行图像分类的技术目前在各个领域都被广泛地运用着,其中对于图像识别的技术是关键所在,如何提高识别率和识别准确度对于科学研究来说意义重大,关系到图像识别的安全与实用效果。本文的主要内容是在有限的计算能力和较少量的数据集下,通过采用多种数据增强技术扩大数据集,再应用卷积神经网络...
【文章来源】：南华大学湖南省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构
8其结构在针对不同任务的时候可能有所改变，但是通常都是由这三个经典层构成卷积神经网络，如图2.1所示。图2.1卷积神经网络经典层结构示意图2.1.2卷积神经网络结构卷积神经网络的基本结构在相关的实验及资料描述中大都类似，例如应用于数字分类的LeNet-5卷积神经网络含有三种类型的神经网络层，如图2.2所示：图2.2卷积神经网络结构一般来说，卷积神经网络出了输入层与输出层外，还包括了卷积层、激活函数层和池化层。其中卷积层又叫做特征提取层；池化层也叫特征映射层；全连接层由于层中的各个节点不连接但上一层的节点完全连接，所以叫做全连接层，其网络结构与普通神经网络相同。此外，数据输入层和结果输出层也是卷积神经网络的一部分。本文接下来将对卷积神经网络的各层及其功能作介绍。2.1.2.1数据输入层数据输入层能够处理多维数据，主要对系统样本做一些数据预处理操作，比如统一输入样本的大孝去均值、归一化等。其中去均值的操作是把图片中像素点的值减去图片的均值以预防梯度弥散，归一化指的是把所有数据的值控制在相同的范围里，把输入特征标准化，比如对输入的数据在通道或者时间/频率维进行归一化，如果输入的数据是图片像素，也可以把分布在[0,255]的原始像素值归一化到[0,1]区间，通过这些操作能够有效提高神经网络的收敛速度以及增加效率。
92.1.2.2卷积层卷积神经网络中非常重要的一部分就是卷积层，或者称为特征提取层，用于提取实验样本的基本特征，一般在卷积层中进行相应卷积神经网络的大部分计算以及模型的优化。卷积运算通常可以看做对应向量的内积运算。此外，研究人员一般在卷积计算前增加padding操作以解决图像在卷积操作后造成的尺寸变孝边界信息发挥作用少的问题。通常使用same-padding或valid-padding进行操作。前者使得图像尺寸不变，后者不填充数据。图2.3是卷积层中的卷积运算示例，其中假设输入一个3×3矩阵图像，使用valid-padding操作，卷积核大小为2×2，卷积核从左上角开始滑动，该卷积计算过程每次滑动一格，步长为1。图2.3卷积计算过程卷积核具有两个性质，分别是局部感受野、权值共享。局部感受野是由于图像数据当中相连的像素点关联性更强，所以卷积核从图像局部开始提取特征，而不用感知图像所有的输入输出，其作用是能够很大程度地减少卷积网络的计算量。权值共享是由于图像相同底层特征和特征的位置没有关系，所以使用共享的卷积核对相同特征的图像进行滑动提取相关特征，其作用是能够减少参数数量，提升卷积神经网络训练过程的收敛速度。2.1.2.3池化层池化层在卷积神经网络中的作用是减少训练参数的数量，使得图像的特征图变小，主要使用于图像太大的时候。常用的池化操作方法有两种，第一种是最大池化（max-pooling），第二种是均值池化（average-pooling），也叫做平均池化。图像经过池化操作后其纵深维度不会变化。如图2.4所示：
【参考文献】：
期刊论文
[1]基于卷积神经网络的水稻病害图像识别研究[J]. 邱靖,刘继荣,曹志勇,李俊杰,杨毅. 云南农业大学学报(自然科学). 2019(05)
[2]基于卷积神经网络的乳腺病理图像识别算法[J]. 凌语,孙自强. 江苏大学学报(自然科学版). 2019(05)
[3]基于卷积神经网络的多尺度葡萄图像识别方法[J]. 邱津怡,罗俊,李秀,贾伟,倪福川,冯慧. 计算机应用. 2019(10)
[4]基于卷积神经网络的食品图像识别[J]. 廖恩红,李会芳,王华,庞雄文. 华南师范大学学报(自然科学版). 2019(04)
[5]基于卷积神经网络的小样本树皮图像识别方法[J]. 刘嘉政. 西北林学院学报. 2019(04)
[6]SIFT与Harris提取图像特征点的分析研究[J]. 赵悟,段永璇,段会川,肖宪翠,张睿,岳媛,孙小飞,范军. 计算机技术与发展. 2018(12)
[7]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)
[8]基于级联卷积神经网络的视频动态烟雾检测[J]. 陈俊周,汪子杰,陈洪瀚,左林翼. 电子科技大学学报. 2016(06)
[9]基于双重优化的卷积神经网络图像识别算法[J]. 刘万军,梁雪剑,曲海成. 模式识别与人工智能. 2016(09)
[10]集成BP神经网络预测模型的研究与应用[J]. 赵会敏,雒江涛,杨军超,徐正,雷晓,罗林. 电信科学. 2016(02)
博士论文
[1]基于动态纹理和卷积神经网络的视频烟雾探测方法研究[D]. 林高华.中国科学技术大学 2018
硕士论文
[1]基于视频的烟雾检测算法研究[D]. 相徐斌.浙江大学 2017
本文编号：2956082
【文章来源】：南华大学湖南省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
卷积神经网络结构
8其结构在针对不同任务的时候可能有所改变，但是通常都是由这三个经典层构成卷积神经网络，如图2.1所示。图2.1卷积神经网络经典层结构示意图2.1.2卷积神经网络结构卷积神经网络的基本结构在相关的实验及资料描述中大都类似，例如应用于数字分类的LeNet-5卷积神经网络含有三种类型的神经网络层，如图2.2所示：图2.2卷积神经网络结构一般来说，卷积神经网络出了输入层与输出层外，还包括了卷积层、激活函数层和池化层。其中卷积层又叫做特征提取层；池化层也叫特征映射层；全连接层由于层中的各个节点不连接但上一层的节点完全连接，所以叫做全连接层，其网络结构与普通神经网络相同。此外，数据输入层和结果输出层也是卷积神经网络的一部分。本文接下来将对卷积神经网络的各层及其功能作介绍。2.1.2.1数据输入层数据输入层能够处理多维数据，主要对系统样本做一些数据预处理操作，比如统一输入样本的大孝去均值、归一化等。其中去均值的操作是把图片中像素点的值减去图片的均值以预防梯度弥散，归一化指的是把所有数据的值控制在相同的范围里，把输入特征标准化，比如对输入的数据在通道或者时间/频率维进行归一化，如果输入的数据是图片像素，也可以把分布在[0,255]的原始像素值归一化到[0,1]区间，通过这些操作能够有效提高神经网络的收敛速度以及增加效率。
92.1.2.2卷积层卷积神经网络中非常重要的一部分就是卷积层，或者称为特征提取层，用于提取实验样本的基本特征，一般在卷积层中进行相应卷积神经网络的大部分计算以及模型的优化。卷积运算通常可以看做对应向量的内积运算。此外，研究人员一般在卷积计算前增加padding操作以解决图像在卷积操作后造成的尺寸变孝边界信息发挥作用少的问题。通常使用same-padding或valid-padding进行操作。前者使得图像尺寸不变，后者不填充数据。图2.3是卷积层中的卷积运算示例，其中假设输入一个3×3矩阵图像，使用valid-padding操作，卷积核大小为2×2，卷积核从左上角开始滑动，该卷积计算过程每次滑动一格，步长为1。图2.3卷积计算过程卷积核具有两个性质，分别是局部感受野、权值共享。局部感受野是由于图像数据当中相连的像素点关联性更强，所以卷积核从图像局部开始提取特征，而不用感知图像所有的输入输出，其作用是能够很大程度地减少卷积网络的计算量。权值共享是由于图像相同底层特征和特征的位置没有关系，所以使用共享的卷积核对相同特征的图像进行滑动提取相关特征，其作用是能够减少参数数量，提升卷积神经网络训练过程的收敛速度。2.1.2.3池化层池化层在卷积神经网络中的作用是减少训练参数的数量，使得图像的特征图变小，主要使用于图像太大的时候。常用的池化操作方法有两种，第一种是最大池化（max-pooling），第二种是均值池化（average-pooling），也叫做平均池化。图像经过池化操作后其纵深维度不会变化。如图2.4所示：
【参考文献】：
期刊论文
[1]基于卷积神经网络的水稻病害图像识别研究[J]. 邱靖,刘继荣,曹志勇,李俊杰,杨毅. 云南农业大学学报(自然科学). 2019(05)
[2]基于卷积神经网络的乳腺病理图像识别算法[J]. 凌语,孙自强. 江苏大学学报(自然科学版). 2019(05)
[3]基于卷积神经网络的多尺度葡萄图像识别方法[J]. 邱津怡,罗俊,李秀,贾伟,倪福川,冯慧. 计算机应用. 2019(10)
[4]基于卷积神经网络的食品图像识别[J]. 廖恩红,李会芳,王华,庞雄文. 华南师范大学学报(自然科学版). 2019(04)
[5]基于卷积神经网络的小样本树皮图像识别方法[J]. 刘嘉政. 西北林学院学报. 2019(04)
[6]SIFT与Harris提取图像特征点的分析研究[J]. 赵悟,段永璇,段会川,肖宪翠,张睿,岳媛,孙小飞,范军. 计算机技术与发展. 2018(12)
[7]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)
[8]基于级联卷积神经网络的视频动态烟雾检测[J]. 陈俊周,汪子杰,陈洪瀚,左林翼. 电子科技大学学报. 2016(06)
[9]基于双重优化的卷积神经网络图像识别算法[J]. 刘万军,梁雪剑,曲海成. 模式识别与人工智能. 2016(09)
[10]集成BP神经网络预测模型的研究与应用[J]. 赵会敏,雒江涛,杨军超,徐正,雷晓,罗林. 电信科学. 2016(02)
博士论文
[1]基于动态纹理和卷积神经网络的视频烟雾探测方法研究[D]. 林高华.中国科学技术大学 2018
硕士论文
[1]基于视频的烟雾检测算法研究[D]. 相徐斌.浙江大学 2017
本文编号：2956082
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2956082.html
