深度学习在园林植物学教学中的应用

发布时间：2024-02-03 16:28

　　采用深度学习算法实现植物图片的自动识别,并将该算法嵌入手机APP,应用到园林植物学教学中,辅助教师的教学工作和学生课后的自主学习活动。算法中数据采集与标记采用园林植物专家筛选和标记,数据处理采用随机增强算法避免过拟合,卷积神经网络采用MobileNet以适用于移动终端,损失函数采用正例损失和负例损失,参数优化采用Adam算法。最终训练结果达到90%以上的精度,满足实用需要,达到优化园林植物学课程的课堂与课后教学活动的效果,有效地解决植物识别在种类数量、准确度和速度上的难点。

【文章页数】：4 页

【部分图文】：

图1算法框图

深度学习(DL)是机器学习(ML)的子集,受到人类大脑的启发,DL采用多层互联的人工神经网络算法。现代深度学习通常采用数十甚至上百层神经网络结构,每一层都在上一层的基础上逐步抽象,最终从训练数据中提取特征。图1为采用的深度学习算法框图。植物图片经过人工采集和标记后进行预处理,预处....

图2数据预处理

由于数据集是有限的,所以在训练时可能出现过拟合的情况,导致泛化性能变差。为了减少神经网络训练过程中的过拟合现象,对数据进行了预处理(图2),预处理会从训练集数据中随机生成更多的数据。预处理共有5个步骤,每一步的参数都是随机产生的。其中,第1步图像旋转,参数包括旋转中心和旋转角度;....

图3标准卷积

深度可分离卷积将标准卷积分解成深度卷积和一个1×1的逐点卷积。深度卷积针对每个输入通道使用1个滤波器进行滤波,逐点卷积使用1×1的卷积操作来组合所有深度卷积得到的输出。深度可分离卷积将卷积分为了2层,这种分解能够有效地大量减少计算量以及模型的大小。标准卷积如图3,其卷积核K大小为....

图4深度卷积

与标准卷积相比,深度卷积大大减少了运算量。图5深度卷积逐点卷积

本文编号：3894401