基于深度学习的花卉图像分类识别模型研究
发布时间：2022-01-24 05:49
中国是花卉种植大国,种类资源丰富,栽培历史悠久,相关从业人员众多。其中,花卉分类是植物学研究领域和花卉业生产中重要的基础性工作,从而花卉分类学是一项具有长远意义的基础性研究,但是其分类过程需耗费大量的人力和物力。随着手机设备等成像技术的发展,人们对花卉图像进行收集、认识和区分,奠定了花卉智能分类识别的基础。近几年来,深度学习从机器学习中脱颖而出,成为一门蓬勃发展的新型学科,它的发展极大地促进了科学技术的进步,同时也不断改变着我们对世界的认知,带领我们走进了人工智能时代。目前,深度学习已经被广泛应用于在图像识别和语音识别等领域。花卉图像的识别与分类研究一直是深度学习的热点,它既可以帮助非专业人员了解并认识花卉,进一步对其进行准确分类,也减少了植物专家进行花卉分类所需的时间和精力,帮助他们设计植物学机器人,实现自动化园林管理。针对花卉图像分类问题,本文研究探讨了深度学习的基本理论和相关技术,并将其中的一些技术运用到花卉分类任务中,旨在提高花卉图像分类识别的准确率。本文主要工作如下:（1）介绍花卉图像分类识别的研究背景和意义,并阐述国内外研究动态。（2）介绍深度学习的相关知识和一些花卉图像分...
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
同种
据Hubel和Wiese发现的相关知识提出神经认知机。神经认知机由简单细胞层和较复杂细胞层交替组合构成，简单细胞层常常能最大程度捕获目标边缘刺激，并对其局部空间特征进行提取，而较复杂细胞层对于目标位置的局部响应不敏感。卷积神经网络（Convolutionneuralnetwork，CNN）是一种专门设计用于处理多维原始输入数据的多层网络，其中，最基本的单位是神经元。同一层中的神经元彼此不连接，而相邻层中的神经元都彼此连接，多个独立的神经元形成每个平面，而多个二维平面形成卷积神经网络的每个层级关系[24]。一个简单的CNN模型如图2-1所示，网络由输入层，隐藏层和输出层构成，隐藏层中常常由卷积层C和池化层S组成。通常，首先通过卷积层的卷积运算对输入图像进行卷积以生成相应的特征图，然后对每个特性图的局部响应区域进行加权求和，添加偏置函数后再通过非线性激活函数来生成特征图，最后执行输出。与传统的人工设计特征相比，CNN对图像进行分类识别，避免了早期复杂的人工设计特征和提取特征，直接输入图像，CNN进行训练学习，并随着网络层的不断加深而CNN分类的精度也在逐渐提高，既准确又高效。图2-1简单的CNN模型结构图2.1.1Lenet-5网络Lenet-5是比较基础的深度学习模型之一，其结构模型图如2-2所示。
第2章相关技术简介9图2-2Lenet-5网络模型结构图LeNet-5模型总计7层，每层包含众多参数。虽然层数只有7层，但是也包含了卷积层，池化层，全连接层。首先，输入层输入原始图像，原始图像被处理成32×32个像素点的值。C1层是卷积层，包含了6个特征图。特征图中的每个映射，即28x28个神经元，它们共享卷积核权值参数。通过卷积运算，原始信号特征增强并降低噪声，若卷积核不同，从图像中提取到的特征也不同；S2层是一个池化层，它将局部像素值平均化来实现子抽样，可以在某种程度上保证网络的特征被提取，同时大大降低运算量，减少了网络结构过拟合的风险。该池化层包含了6个特征映射，每个映射的像素值为14x14。C3卷积层由16个特征映射构成，每个特征映射用于加权和计算的卷积核为10x10的。S4池化层同样包含16个特征映射，每个特征映射中所用的是5x5的卷积核。C5是用5x5的卷积核进行运算，包含120个神经元。F6是全连接层，包含了84个特征图。全连接层中对输入进行点积之后加入偏置，然后经过一个激活函数传输给输出层的神经元。最后一层为输出层，设置了10个神经元来进行分类，得到输出设置。虽然Lenet-5模型比较经典，但是迫于实际需求的不断增加，LeNet-5并没有形成很大范围的应用。随着修正线性单元ReLU与随机失活dropout的提出，以及GPU带来计算力突破和互联网时代大数据的爆发，卷积神经网络也正经历着改革。2.1.2Alexnet网络Alexnet网络在2012年风靡全球，在卷积神经网络中掀起了一股热潮，同年还赢得了2012届图像分类识别大赛的冠军，Alexnet网络的问世，一度使得卷积神经网络成为在图像分类方面的核心算法模型。Alexnet将卷积神经网络应用于更多更深更宽的网络中，对于图像分类任务来说，Alexnet因为层数的增加，数据处理的能力也?
【参考文献】：
期刊论文
[1]基于迁移学习的卷积神经网络玉米病害图像识别[J]. 许景辉,邵明烨,王一琛,韩文霆. 农业机械学报. 2020(02)
[2]基于LeNet-5模型的手写数字识别优化方法[J]. 汪雅琴,夏春蕾,戴曙光. 计算机与数字工程. 2019(12)
[3]基于卷积神经网络的花卉种类识别系统[J]. 宋子龙. 计算机产品与流通. 2019(12)
[4]基于AlexNet网络的动物图片分类[J]. 周德良. 贵州大学学报(自然科学版). 2019(06)
[5]基于卷积神经网络的图像分类研究[J]. 庞丝丝,黄呈铖. 现代计算机. 2019(23)
[6]卷积神经网络结构优化综述[J]. 林景栋,吴欣怡,柴毅,尹宏鹏. 自动化学报. 2020(01)
[7]选择性卷积特征融合的花卉图像分类[J]. 尹红,符祥,曾接贤,段宾,陈英. 中国图象图形学报. 2019(05)
[8]基于卷积神经网络的花卉识别研究[J]. 曾凡婧,雷鸣. 电脑知识与技术. 2019(11)
[9]一种改进的深度神经网络的花卉图像分类[J]. 吴迪,侯凌燕,刘秀磊,李红臣. 河南大学学报(自然科学版). 2019(02)
[10]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)
硕士论文
[1]基于部分知识的迁移学习方法研究[D]. 翟杰.南京邮电大学 2019
[2]基于深度分离卷积神经网络的机器人花卉分拣系统[D]. 程涛.湖南工业大学 2019
[3]基于迁移学习的织物布面缺陷检测研究[D]. 殷鹏.西安工程大学 2019
[4]基于卷积神经网络的医学图像分类方法研究[D]. 史亮亮.河北科技大学 2019
[5]基于注意力机制的长文档分类方法的研究[D]. 刘柳.南京信息工程大学 2019
[6]基于深度学习的花卉图像检索系统的研究与实现[D]. 牛源.扬州大学 2019
[7]基于迁移学习的女性癌症医疗图像识别应用研究[D]. 胡卉.天津工业大学 2019
[8]基于深度卷积网的迁移学习技术研究[D]. 王平.大连交通大学 2018
[9]基于深度学习的花卉图像分类算法研究[D]. 尹红.南昌航空大学 2018
[10]基于深度模型迁移学习的花卉图像分类方法[D]. 郜翔.河南师范大学 2018
本文编号：3605983
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
同种
据Hubel和Wiese发现的相关知识提出神经认知机。神经认知机由简单细胞层和较复杂细胞层交替组合构成，简单细胞层常常能最大程度捕获目标边缘刺激，并对其局部空间特征进行提取，而较复杂细胞层对于目标位置的局部响应不敏感。卷积神经网络（Convolutionneuralnetwork，CNN）是一种专门设计用于处理多维原始输入数据的多层网络，其中，最基本的单位是神经元。同一层中的神经元彼此不连接，而相邻层中的神经元都彼此连接，多个独立的神经元形成每个平面，而多个二维平面形成卷积神经网络的每个层级关系[24]。一个简单的CNN模型如图2-1所示，网络由输入层，隐藏层和输出层构成，隐藏层中常常由卷积层C和池化层S组成。通常，首先通过卷积层的卷积运算对输入图像进行卷积以生成相应的特征图，然后对每个特性图的局部响应区域进行加权求和，添加偏置函数后再通过非线性激活函数来生成特征图，最后执行输出。与传统的人工设计特征相比，CNN对图像进行分类识别，避免了早期复杂的人工设计特征和提取特征，直接输入图像，CNN进行训练学习，并随着网络层的不断加深而CNN分类的精度也在逐渐提高，既准确又高效。图2-1简单的CNN模型结构图2.1.1Lenet-5网络Lenet-5是比较基础的深度学习模型之一，其结构模型图如2-2所示。
第2章相关技术简介9图2-2Lenet-5网络模型结构图LeNet-5模型总计7层，每层包含众多参数。虽然层数只有7层，但是也包含了卷积层，池化层，全连接层。首先，输入层输入原始图像，原始图像被处理成32×32个像素点的值。C1层是卷积层，包含了6个特征图。特征图中的每个映射，即28x28个神经元，它们共享卷积核权值参数。通过卷积运算，原始信号特征增强并降低噪声，若卷积核不同，从图像中提取到的特征也不同；S2层是一个池化层，它将局部像素值平均化来实现子抽样，可以在某种程度上保证网络的特征被提取，同时大大降低运算量，减少了网络结构过拟合的风险。该池化层包含了6个特征映射，每个映射的像素值为14x14。C3卷积层由16个特征映射构成，每个特征映射用于加权和计算的卷积核为10x10的。S4池化层同样包含16个特征映射，每个特征映射中所用的是5x5的卷积核。C5是用5x5的卷积核进行运算，包含120个神经元。F6是全连接层，包含了84个特征图。全连接层中对输入进行点积之后加入偏置，然后经过一个激活函数传输给输出层的神经元。最后一层为输出层，设置了10个神经元来进行分类，得到输出设置。虽然Lenet-5模型比较经典，但是迫于实际需求的不断增加，LeNet-5并没有形成很大范围的应用。随着修正线性单元ReLU与随机失活dropout的提出，以及GPU带来计算力突破和互联网时代大数据的爆发，卷积神经网络也正经历着改革。2.1.2Alexnet网络Alexnet网络在2012年风靡全球，在卷积神经网络中掀起了一股热潮，同年还赢得了2012届图像分类识别大赛的冠军，Alexnet网络的问世，一度使得卷积神经网络成为在图像分类方面的核心算法模型。Alexnet将卷积神经网络应用于更多更深更宽的网络中，对于图像分类任务来说，Alexnet因为层数的增加，数据处理的能力也?
【参考文献】：
期刊论文
[1]基于迁移学习的卷积神经网络玉米病害图像识别[J]. 许景辉,邵明烨,王一琛,韩文霆. 农业机械学报. 2020(02)
[2]基于LeNet-5模型的手写数字识别优化方法[J]. 汪雅琴,夏春蕾,戴曙光. 计算机与数字工程. 2019(12)
[3]基于卷积神经网络的花卉种类识别系统[J]. 宋子龙. 计算机产品与流通. 2019(12)
[4]基于AlexNet网络的动物图片分类[J]. 周德良. 贵州大学学报(自然科学版). 2019(06)
[5]基于卷积神经网络的图像分类研究[J]. 庞丝丝,黄呈铖. 现代计算机. 2019(23)
[6]卷积神经网络结构优化综述[J]. 林景栋,吴欣怡,柴毅,尹宏鹏. 自动化学报. 2020(01)
[7]选择性卷积特征融合的花卉图像分类[J]. 尹红,符祥,曾接贤,段宾,陈英. 中国图象图形学报. 2019(05)
[8]基于卷积神经网络的花卉识别研究[J]. 曾凡婧,雷鸣. 电脑知识与技术. 2019(11)
[9]一种改进的深度神经网络的花卉图像分类[J]. 吴迪,侯凌燕,刘秀磊,李红臣. 河南大学学报(自然科学版). 2019(02)
[10]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)
硕士论文
[1]基于部分知识的迁移学习方法研究[D]. 翟杰.南京邮电大学 2019
[2]基于深度分离卷积神经网络的机器人花卉分拣系统[D]. 程涛.湖南工业大学 2019
[3]基于迁移学习的织物布面缺陷检测研究[D]. 殷鹏.西安工程大学 2019
[4]基于卷积神经网络的医学图像分类方法研究[D]. 史亮亮.河北科技大学 2019
[5]基于注意力机制的长文档分类方法的研究[D]. 刘柳.南京信息工程大学 2019
[6]基于深度学习的花卉图像检索系统的研究与实现[D]. 牛源.扬州大学 2019
[7]基于迁移学习的女性癌症医疗图像识别应用研究[D]. 胡卉.天津工业大学 2019
[8]基于深度卷积网的迁移学习技术研究[D]. 王平.大连交通大学 2018
[9]基于深度学习的花卉图像分类算法研究[D]. 尹红.南昌航空大学 2018
[10]基于深度模型迁移学习的花卉图像分类方法[D]. 郜翔.河南师范大学 2018
本文编号：3605983
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3605983.html
教材专著
