基于卷积神经网络的蝴蝶识别系统设计与实现
发布时间：2021-11-13 02:53
我国作为传统农业大国,每年生产大量农作物,而每年由于昆虫对农作物的损耗也非常巨大,在生活中,昆虫类生物随处可见,不管是对于保护生物多样性,维护生态平衡,还是保证农作物的质量及产量,对昆虫进行识别都具有重要意义。目前常用的昆虫识别方法有人工识别法、电导系数测试法、图像识别法以及近红外法等。由于图像识别法易于操作,识别率较高,因而它是目前昆虫识别的主要手段。传统的图像识别需要人工对目标图像进行复杂的特征提取,费时费力,且识别精确度并不高,泛化能力较差。随着计算机硬件的不断发展,计算机对于图像数据处理能力不断增强,深度学习在图像识别中的应用愈加广泛。本文使用深度学习技术,利用卷积神经网络主要对蝴蝶类昆虫进行特征提取及识别分类,网络模型在不断地迭代训练下提高其学习能力,并对网络模型进行一定程度的改进,以此提高识别精确度。本文主要研究工作如下:（1）收集207种总计26111张自然背景下的蝴蝶类昆虫图片作为分类样本数据集,并对其进行数据增强,扩充为原来数据集的10倍。文章选取AlexNet、NIN、VGG16等网络进行对比实验,作为扩充,丰富网络模型,本文设计了一个简单的九层卷积神经网络,探究数...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
卷积运算图
西南大学工程硕士学位论文11图2.2不同激活函数的对比Sigmoid函数的优势点是它的输出被压缩在（0,1）范围内并且整个函数是一个单调连续函数，求导简单，但缺点也很明显，当其输入非常大或者非常小时它便进入了函数的饱和区，使得它的求导函数值接近于0从而引起梯度消失的问题。并且sigmoid函数的输出均值并不为0，这形成的影响是假若后面神经元的输入皆为正，那么对于权重更新时其局部梯度会一直为正，造成更新权值时一直向同一个方向更新，即它可能向反方向更新权值参数导致网络参数更新收敛过于缓慢。而tanh函数虽然不存在收敛缓慢的问题，但和sigmoid函数一样，它在深层次网络中很容易产生梯度消失的问题。ReLU是目前最常用也是最好用的激活函数之一，与sigmoid和tanh函数对比来看，ReLU收敛更快并且出现梯度消失的可能性较小，此外ReLU函数在输入为负时输出为0，给网络提供了稀疏表达能力。然而ReLU的问题是伴随着网络训练逐渐加深，ReLU的输入可能会出现在激活函数的硬饱和区从而影响权重参数的更新，因此后来又推出了LReLU、PReLU、RReLU、ELU等激活函数。池化层池化层一般位于卷积层后面，卷积层对输入信息进行卷积运算后参数有所减少，然而由于网络总体参数过大，削减后的参数量仍然巨大，导致网络难以训练。池化层主要是对卷积后的数据进行非线性下采样操作以保证图像特征的平移不变性和旋转不变性，对每个区域数据进行整合，达到对特征图进行降维的目的。目
西南大学工程硕士学位论文12前较常用的池化方法主要有最大值池化（MaxPooling）和均值池化（AveragePooling）两种，如图2.3所示，最大值池化是取对应区域内的最大值作为池化后的取值，而均值池化则是取对应区域内的平均值作为池化后的取值。图2.3最大值池化与均值池化池化层对保持图像不变性具有重要意义，当图片经过平移后，经过非线性下采样处理过后，平移后的图像特征和未平移的图像特征相同，在目标检测中，图像平移不变能使网络模型具备更好的鲁棒性，即使检测目标平移后也能被检测出。全连接层顾名思义，全连接层是将本层的神经元和上一层每个神经元节点都进行连接，一般位于网络末尾处，全连接层对前面几层网络提取和变换的特征表示进行全局抽象，提高提取特征的表达能力，其在网络中起到一个分类器的效果，将提取特征的数据映射到样本空间来进行分类。分类器层分类器层是卷积神经网络的最后的输出层，其计算卷积神经网络的分类结果与正确值之间的误差并将误差回传给网络，网络根据误差值调整网络参数的大小使其误差值减小，在卷积神经网络中用得最多的分类器是SoftMax分类器。SoftMax分类器是由Logistic回归演变而来，是Logistic在多分类图像模型中的推广。假如要对一个数据集进行分类，假设其类别数为，训练样本总数为，用一个维向量来表示一个样本，则样本集可以表示为：
【参考文献】：
期刊论文
[1]基于深度学习的蔬菜鳞翅目害虫自动识别与检测计数[J]. 董伟,钱蓉,张洁,张立平,陈红波,张萌,朱静波,卜英乔. 中国农业科技导报. 2019(12)
[2]基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数[J]. 张银松,赵银娣,袁慕策. 中国农业大学学报. 2019(05)
[3]昆虫自动识别研究进展[J]. 吴基楠,何大东,龚子慧,陈功. 华中昆虫研究. 2018(00)
[4]蝴蝶种类自动识别研究[J]. 谢娟英,侯琦,史颖欢,吕鹏,景丽萍,庄福振,张军平,谭晓阳,许升全. 计算机研究与发展. 2018(08)
[5]2017中国土地矿产海洋资源统计公报发布[J]. 焦思颖. 资源导刊. 2018(06)
[6]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[7]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡. 地球信息科学学报. 2017(11)
[8]基于卷积神经网络的水稻虫害识别[J]. 梁万杰,曹宏鑫. 江苏农业科学. 2017(20)
[9]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[10]《中国生物多样性红色名录》的制定及其对生物多样性保护的意义[J]. 臧春鑫,蔡蕾,李佳琦,吴晓莆,李晓光,李俊生. 生物多样性. 2016(05)
博士论文
[1]基于图谱特征分析的农业虫害检测方法研究[D]. 刘子毅.浙江大学 2017
[2]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[3]基于数字图像的蝴蝶种类自动识别研究[D]. 李凡.北京林业大学 2015
[4]基于特征级图像融合的目标识别技术研究[D]. 王大伟.中国科学院研究生院（长春光学精密机械与物理研究所） 2010
[5]基于图像的昆虫识别关键技术研究[D]. 黄世国.西北大学 2008
硕士论文
[1]基于深度学习的蝴蝶种类识别研究[D]. 曹嘉文.陕西师范大学 2019
[2]图像分类中的卷积神经网络方法研究[D]. 李明威.南京邮电大学 2016
[3]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[4]基于颜色和纹理特征的遥感图像检索[D]. 刘米娜.西安工业大学 2013
本文编号：3492169
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
卷积运算图
西南大学工程硕士学位论文11图2.2不同激活函数的对比Sigmoid函数的优势点是它的输出被压缩在（0,1）范围内并且整个函数是一个单调连续函数，求导简单，但缺点也很明显，当其输入非常大或者非常小时它便进入了函数的饱和区，使得它的求导函数值接近于0从而引起梯度消失的问题。并且sigmoid函数的输出均值并不为0，这形成的影响是假若后面神经元的输入皆为正，那么对于权重更新时其局部梯度会一直为正，造成更新权值时一直向同一个方向更新，即它可能向反方向更新权值参数导致网络参数更新收敛过于缓慢。而tanh函数虽然不存在收敛缓慢的问题，但和sigmoid函数一样，它在深层次网络中很容易产生梯度消失的问题。ReLU是目前最常用也是最好用的激活函数之一，与sigmoid和tanh函数对比来看，ReLU收敛更快并且出现梯度消失的可能性较小，此外ReLU函数在输入为负时输出为0，给网络提供了稀疏表达能力。然而ReLU的问题是伴随着网络训练逐渐加深，ReLU的输入可能会出现在激活函数的硬饱和区从而影响权重参数的更新，因此后来又推出了LReLU、PReLU、RReLU、ELU等激活函数。池化层池化层一般位于卷积层后面，卷积层对输入信息进行卷积运算后参数有所减少，然而由于网络总体参数过大，削减后的参数量仍然巨大，导致网络难以训练。池化层主要是对卷积后的数据进行非线性下采样操作以保证图像特征的平移不变性和旋转不变性，对每个区域数据进行整合，达到对特征图进行降维的目的。目
西南大学工程硕士学位论文12前较常用的池化方法主要有最大值池化（MaxPooling）和均值池化（AveragePooling）两种，如图2.3所示，最大值池化是取对应区域内的最大值作为池化后的取值，而均值池化则是取对应区域内的平均值作为池化后的取值。图2.3最大值池化与均值池化池化层对保持图像不变性具有重要意义，当图片经过平移后，经过非线性下采样处理过后，平移后的图像特征和未平移的图像特征相同，在目标检测中，图像平移不变能使网络模型具备更好的鲁棒性，即使检测目标平移后也能被检测出。全连接层顾名思义，全连接层是将本层的神经元和上一层每个神经元节点都进行连接，一般位于网络末尾处，全连接层对前面几层网络提取和变换的特征表示进行全局抽象，提高提取特征的表达能力，其在网络中起到一个分类器的效果，将提取特征的数据映射到样本空间来进行分类。分类器层分类器层是卷积神经网络的最后的输出层，其计算卷积神经网络的分类结果与正确值之间的误差并将误差回传给网络，网络根据误差值调整网络参数的大小使其误差值减小，在卷积神经网络中用得最多的分类器是SoftMax分类器。SoftMax分类器是由Logistic回归演变而来，是Logistic在多分类图像模型中的推广。假如要对一个数据集进行分类，假设其类别数为，训练样本总数为，用一个维向量来表示一个样本，则样本集可以表示为：
【参考文献】：
期刊论文
[1]基于深度学习的蔬菜鳞翅目害虫自动识别与检测计数[J]. 董伟,钱蓉,张洁,张立平,陈红波,张萌,朱静波,卜英乔. 中国农业科技导报. 2019(12)
[2]基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数[J]. 张银松,赵银娣,袁慕策. 中国农业大学学报. 2019(05)
[3]昆虫自动识别研究进展[J]. 吴基楠,何大东,龚子慧,陈功. 华中昆虫研究. 2018(00)
[4]蝴蝶种类自动识别研究[J]. 谢娟英,侯琦,史颖欢,吕鹏,景丽萍,庄福振,张军平,谭晓阳,许升全. 计算机研究与发展. 2018(08)
[5]2017中国土地矿产海洋资源统计公报发布[J]. 焦思颖. 资源导刊. 2018(06)
[6]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[7]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡. 地球信息科学学报. 2017(11)
[8]基于卷积神经网络的水稻虫害识别[J]. 梁万杰,曹宏鑫. 江苏农业科学. 2017(20)
[9]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[10]《中国生物多样性红色名录》的制定及其对生物多样性保护的意义[J]. 臧春鑫,蔡蕾,李佳琦,吴晓莆,李晓光,李俊生. 生物多样性. 2016(05)
博士论文
[1]基于图谱特征分析的农业虫害检测方法研究[D]. 刘子毅.浙江大学 2017
[2]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[3]基于数字图像的蝴蝶种类自动识别研究[D]. 李凡.北京林业大学 2015
[4]基于特征级图像融合的目标识别技术研究[D]. 王大伟.中国科学院研究生院（长春光学精密机械与物理研究所） 2010
[5]基于图像的昆虫识别关键技术研究[D]. 黄世国.西北大学 2008
硕士论文
[1]基于深度学习的蝴蝶种类识别研究[D]. 曹嘉文.陕西师范大学 2019
[2]图像分类中的卷积神经网络方法研究[D]. 李明威.南京邮电大学 2016
[3]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
[4]基于颜色和纹理特征的遥感图像检索[D]. 刘米娜.西安工业大学 2013
本文编号：3492169
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3492169.html
