【摘要】：植物在我們生活中無處不在,它對整個地球生態(tài)系統(tǒng)的保護有非常重要的意義,而研究植物非常重要的一項內(nèi)容就是精確分類。傳統(tǒng)的識別方法需要人工對圖片進行識別和標(biāo)注,主觀性比較強,工作量極大,進而會導(dǎo)致標(biāo)注的準(zhǔn)確率大大降低。因此,如何從植物葉片中自動提取圖像特征并進行準(zhǔn)確的分類已成為植物分類研究所需解決的問題。近年來,深度學(xué)習(xí)的研究表明,深層神經(jīng)網(wǎng)絡(luò)可以直接從原始圖片中提取抽象特征。而且,像卷積神經(jīng)網(wǎng)絡(luò)本身還具備旋轉(zhuǎn)和平移不變性,而這一特性在圖像識別中顯得尤其重要。因此,本文重點研究如何將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于植物葉片圖像識別上,并構(gòu)建一個全卷積神經(jīng)網(wǎng)絡(luò)模型。針對以往植物葉片識別方法識別率偏低的問題,本文提出的具體研究內(nèi)容如下:(1)設(shè)計了一種全卷積深度神經(jīng)網(wǎng)絡(luò)的圖像特征提取方法。首先對圖片進行預(yù)處理,包括圖像切割、增強、旋轉(zhuǎn)和透視等來減少一些計算量。然后,使用卷積神經(jīng)網(wǎng)絡(luò)的算法自動提取圖像特征。最后,用多層感知機來替換傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的線性濾波器,由多層感知機組成的非線性卷積層把輸入的局部數(shù)據(jù)通過非線性的激活函數(shù)進行映射,全連接的網(wǎng)絡(luò)非常容易過擬合,而非線性的卷積由于權(quán)值共享,本身就具備一定防止過擬合的能力,這樣得到的卷積神經(jīng)網(wǎng)絡(luò)能有效地從非線性可分的數(shù)據(jù)中抽象出所需的特征。(2)提出一種使用PRe LU代替?zhèn)鹘y(tǒng)ReLU激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)方法。ReLU(線性糾正函數(shù))加快了訓(xùn)練過程的銜接,而且比傳統(tǒng)的S形能更好地加速收斂。但在植物葉片圖像訓(xùn)練中會出現(xiàn)梯度彌散情況,所以本文使用PReLU的激活函數(shù),它能夠自適應(yīng)學(xué)習(xí)整流器的參數(shù),并且提高準(zhǔn)確率而可以忽略額外的計算成本。(3)通過實驗及實驗結(jié)果最終驗證了深度卷積神經(jīng)網(wǎng)絡(luò)在植物葉片圖像識別問題上是可行的。并且與其它一些神經(jīng)網(wǎng)絡(luò)算法相比較,本文改進的深度卷積神經(jīng)網(wǎng)絡(luò)在植物葉片圖像識別上的識別率更高。
[Abstract]:Plants are everywhere in our lives. They are very important to the protection of the whole earth ecosystem, and one of the most important things to study plants is to classify them accurately. The traditional recognition method needs to recognize and annotate the picture manually. The subjectivity is strong and the workload is great, which will lead to the reduction of the accuracy of the tagging. Therefore, how to automatically extract image features from plant leaves and classify them accurately has become a problem to be solved in plant classification research. In recent years, the deep learning research shows that the deep neural network can extract abstract features directly from the original images. Moreover, the image convolution neural network itself has rotation and translation invariance, which is especially important in image recognition. Therefore, this paper focuses on how to apply convolution neural network to plant leaf image recognition and construct a full convolution neural network model. Aiming at the problem of low recognition rate of plant leaf recognition methods in the past, the specific research contents are as follows: (1) an image feature extraction method based on full convolution depth neural network is designed. First, the image is preprocessed, including image cutting, enhancement, rotation and perspective. Then, the algorithm of convolution neural network is used to extract image features automatically. Finally, the linear filter of traditional neural network is replaced by multilayer perceptron, and the input local data is mapped by nonlinear activation function in the nonlinear convolution layer composed of multilayer perceptron, so the fully connected network can be easily overfitted. Because of the sharing of weights, nonlinear convolution has the ability to prevent over-fitting. Thus the convolutional neural network can effectively extract the required characteristics from the nonlinear separable data. (2) A depth neural network method. ReLU (linear correction using PRe LU instead of the traditional ReLU activation function is proposed. Function) speeds up the convergence of the training process, Moreover, it can accelerate the convergence better than the traditional S form. However, gradient dispersion will occur in the image training of plant leaves, so we use the activation function of PReLU, which can learn the parameters of rectifier adaptively. And the accuracy can be improved and the extra calculation cost can be neglected. (3) the experiment and experimental results show that the deep convolution neural network is feasible in plant leaf image recognition. Compared with other neural network algorithms, the improved deep convolution neural network has a higher recognition rate in plant leaf image recognition.
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 云中客;新的神經(jīng)網(wǎng)絡(luò)來自于仿生學(xué)[J];物理;2001年10期

2 唐春明,高協(xié)平;進化神經(jīng)網(wǎng)絡(luò)的研究進展[J];系統(tǒng)工程與電子技術(shù);2001年10期

3 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報;2003年02期

4 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];計算機工程與應(yīng)用;2004年21期

5 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

6 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡(luò)[J];統(tǒng)計教育;2005年06期

7 趙奇 ,劉開第 ,龐彥軍;灰色補償神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究[J];微計算機信息;2005年14期

8 袁婷;;神經(jīng)網(wǎng)絡(luò)在股票市場預(yù)測中的應(yīng)用[J];軟件導(dǎo)刊;2006年05期

9 尚晉;楊有;;從神經(jīng)網(wǎng)絡(luò)的過去談科學(xué)發(fā)展觀[J];重慶三峽學(xué)院學(xué)報;2006年03期

10 楊鐘瑾;;神經(jīng)網(wǎng)絡(luò)的過去、現(xiàn)在和將來[J];青年探索;2006年04期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

10 張廣遠(yuǎn);萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學(xué)計算機系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號：2396027