基于深度网络特征学习的植物叶片识别算法研究与实现

发布时间：2017-12-12 00:27

  本文关键词：基于深度网络特征学习的植物叶片识别算法研究与实现

  更多相关文章： 特征学习 二值伽柏 极限学习机 卷积神经网络 反卷积

【摘要】：植物是我们人类生存不能缺少的一部分,认识植物,了解植物特性对于我们的生命活动至关重要。随着大数据时代的到来,数字媒体技术的发展,我们可以十分便捷的获取大量的植物图片,面对网络中如此海量的数据,如何快速准确的识别植物物种,从而了解特性是目前植物叶片识别领域面临的挑战。近些年来,植物叶片识别课题在计算机视觉领域得到持续的研究。研究者们的焦点主要集中在如何提高叶片识别的正确率和时间效率上。随着神经网络科学和人工智能的发展,人们摆脱了单一特征学习的方法,通过各学科间的协同融合,从而达到更理想的识别效果。学习(即特征学习)一直都是处理智能识别问题的核心。本文把特征学习,机器学习和神经科学多方面的结合创造性的应用于植物叶片识别。因此,本文主要围绕通过研究逐渐探索从浅层到深层网络特征学习的植物叶片识别算法,主要的研究内容包括如下三个方面:首先,本文的研究内容主要是使用特征提取算法提取叶片库中叶片的纹理特征,对得到的一组特征向量,使用机器学习的方法放入分类器中进行训练预测。在保证叶片旋转不变性下,我们使用二值伽柏模式算法(BGP)提取细节纹理特征,并选用更为简单有效的极限学习机(ELM)作为分类器。然后,本文发现对于我们逐渐扩充的数据库,特征提取的方法无论是在准确率还是时间上,都表现的不是特别理想,而且在提取特征这一方面,人工干预比较多。因此,对于扩充的数据库,我们的研究思路主要是利用深度学习的框架,对于训练集和测试集,利用卷积神经网络(CNN)的思想,设计网络结构,调整网络参数,逐层的自主学习更为深层的特征,得到特征模型进行预测。并且我们还使用反卷积网络进行逐层可视化,显示学习到的特征,验证网络的合理性和有效性,探索网络的改进空间。最后,根据本文的研究方案,我们设计了两套植物叶片识别的系统直观的验证可行性和合理性。基于特征提取的系统,对于输入的任意叶片,显示特征直方图和数据库中与之相似的排名前10的叶片(包括相似度值和类别);基于深度学习的系统,对于任意的测试图片,显示逐层的可视化特征图(每层对应9张最大激活图)和数据库中与之相似的排名前5的叶片(包括准确率和类别)。同时,从识别效果和定性分析上,分析比较了两种方法,显示各个方法的单张测试结果,得出结论。
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：Q94;TP391.41

【相似文献】

中国期刊全文数据库 前10条

1 王婷;陈功;万遂人;;傅里叶-小波正则反卷积医学超声成像方法[J];声学技术;2011年06期

2 戴冠中,喻铁军,王立新,冯旭,成磊,赵强绩,冯保民,付继光,陈树文,崔文新;极大似然反卷积软件包[J];控制理论与应用;1992年04期

3 陈仅星;一种快速反卷积方法及其实现[J];集美大学学报(自然科学版);2000年02期

4 罗林;樊敏;沈忙作;;光学系统参数确定带宽约束的天文图像盲反卷积[J];天文学报;2007年03期

5 刘琚,聂开宝,梅良模,何振亚;基于最小输出熵的盲反卷积方法[J];山东大学学报(理学版);2002年06期

6 杨怀栋;徐立;陈科新;黄星月;何庆声;谭峭峰;金国藩;;盲目反卷积光谱图超分辨复原算法[J];光谱学与光谱分析;2007年07期

7 黄建明;沈忙作;;基于噪声特性的大气湍流退化图像多帧盲反卷积复原[J];光学学报;2008年09期

8 李睿凡,施发刚,瞿安连;三维反卷积显微成像技术浅谈[J];生物技术通讯;2001年03期

9 邓自立;王佳伟;张明波;;统一和通用的白噪声信息融合反卷积估值器[J];科学技术与工程;2006年14期

10 李栋栋,郭学彬,瞿安连,徐涛;以三维荧光反卷积显微技术研究活体细胞中分泌囊泡的空间分布[J];生物化学与生物物理学报;2003年07期

中国重要会议论文全文数据库 前6条

1 吴新星;李明;李目海;单佩韦;;网络微积分中最小加反卷积的研究[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

2 卢少平;;基于盲反卷积的图像上采样算法[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

3 李栋栋;郭学彬;瞿安连;徐涛;;应用三维荧光反卷积显微技术观察活体细胞[A];中国生理学会第21届全国代表大会暨学术会议论文摘要汇编[C];2002年

4 熊俊;李栋栋;瞿安连;;活体细胞四维图像科学可视化方法的研究[A];中国生物医学工程学会第六次会员代表大会暨学术会议论文摘要汇编[C];2004年

5 苏兆锋;杨海亮;孙剑锋;丛培天;王亮平;;“强光一号”加速器能谱测量实验中的波形还原问题初探[A];第十二届反应堆数值计算与粒子输运学术会议论文集[C];2008年

6 李育杉;戴宪华;刘军;;一种时变MIMO系统盲反卷积模型[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

中国博士学位论文全文数据库 前2条

1 孙小君;最优和自校正多传感器信息融合白噪声反卷积估值器[D];黑龙江大学;2010年

2 娄帅;多尺度变换域图像反卷积理论研究[D];哈尔滨工业大学;2010年

中国硕士学位论文全文数据库 前10条

1 李鹤;利用反卷积提高布里渊光纤传感系统空间分辨率的研究[D];哈尔滨工业大学;2015年

2 孙世豹;基于传递函数评价的共焦显微图像反卷积降噪处理算法研究[D];哈尔滨工业大学;2015年

3 马威锋;CLAD反卷积方法中噪声抑制效应的探究[D];南方医科大学;2015年

4 邹岸;听觉诱发电位的一种刺激序列优化技术及反卷积方法[D];南方医科大学;2015年

5 袁雪寒;基于反卷积网络的图像模式学习及应用[D];华南理工大学;2016年

6 陶姣;基于半盲反卷积源分离的胎儿心电信号提取研究[D];重庆大学;2016年

7 孟良;高分辨率快速反卷积声源成像技术研究[D];合肥工业大学;2017年

8 王瑾;一种图像反卷积的光滑L_0正则化算法[D];大连海事大学;2017年

9 刘晶晶;基于深度网络特征学习的植物叶片识别算法研究与实现[D];深圳大学;2017年

10 蔡晓燕;医学超声信号反卷积研究[D];东南大学;2006年

，

本文编号：1280498