我國作為世界林業(yè)大國,擁有的植物資源極為豐富,為了對其更好地研究,植物分類方法的研究至關(guān)重要。植物物種識別對鑒定新物種、維持生態(tài)系統(tǒng)平衡以及發(fā)展生產(chǎn)力具有非常重要的作用。采用深度學習的方法對植物圖像分類,需要通過大規(guī)模樣本訓練,不需要人工設(shè)計從而自動學習到特征,減小了工作量,提高了植物分類的工作效率。論文針對植物視頻圖像序列,采用深度學習方法,對植物樣本自動提取特征（形狀、紋理和顏色等）,訓練出植物物種分類神經(jīng)網(wǎng)絡(luò)模型;然后通過模型提取包含植物特征的視頻關(guān)鍵幀,從而達到對含有多個植物信息的視頻進行識別并抽取植物物種圖像信息。首先,使用隨機剪裁、鏡面翻轉(zhuǎn)和亮度隨機變化等圖像增強方法構(gòu)建豐富數(shù)據(jù)集,并將數(shù)據(jù)去均值與規(guī)范化后作為神經(jīng)網(wǎng)絡(luò)的輸入,防止網(wǎng)絡(luò)過度學習隨機噪聲,提高模型魯棒性,充分發(fā)揮深度學習的優(yōu)勢。然后,使用MobileNet進行遷移學習,全局均值池化層代替全連接層,并新加入一層512維的全連接層,提高網(wǎng)絡(luò)表達能力,縮短學習進程,增加模型的可用性,這點對移動端的實時分類很重要。最后,將算法模型移植到移動端,設(shè)計一個快速有效的植物物種識別系統(tǒng),并測試了植物分類識別的準確率。論文在模型... 

【文章來源】：北京林業(yè)大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

形色識花和花伴侶Figure1.1XingSeflowerrecognitionsoftware,andFlowerCompanionsoftware由此可知，深度學習在植物物種識別研究中具有不可替代的地位

基于視頻圖像序列分析的植物物種識別系統(tǒng)62相關(guān)理論及技術(shù)分析2.1卷積神經(jīng)網(wǎng)絡(luò)深度學習來自對人工神經(jīng)網(wǎng)絡(luò)的研究，人類識別物體是個不斷抽象和迭代的過程，首先，眼睛將圖像傳入大腦皮層的低級V1區(qū)，提取物體的邊緣特征，抽象判定出物體形狀，再到V2區(qū)分析物體紋理等局部特征，最后到高層的前額皮層對物體進行具體類別的判斷。深度學習識別圖像和文本等信息的過程與人類大腦識別的過程類似。作為人工智能的經(jīng)典案例，深度學習已經(jīng)在圖像分類、無人駕駛、語音識別和信息物理系統(tǒng)等方面取得了飛快發(fā)展。深度神經(jīng)網(wǎng)絡(luò)的訓練過程主要是不停地循環(huán)前向傳播和反向傳播這兩個過程，隨迭代次數(shù)的增加使得整體損失值降低，直到網(wǎng)絡(luò)預(yù)測能力得到提高，達到預(yù)期效果。在深度學習中，卷積神經(jīng)網(wǎng)絡(luò)是最具有代表性的網(wǎng)絡(luò)結(jié)構(gòu)之一，在不同的任務(wù)中，卷積層和池化層可以重復(fù)組合來對特征進行提齲CNN的結(jié)構(gòu)如下圖所示：圖2.1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure2.1Convolutionalneuralnetworkstructure相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，CNN的神經(jīng)元節(jié)點間是局部連接，優(yōu)勢是網(wǎng)絡(luò)參數(shù)量相對減少，避免了訓練時間過長。另外，CNN可以權(quán)值共享，每個神經(jīng)元對應(yīng)的局部感知區(qū)域間的權(quán)重相同，同一層相同節(jié)點之間可共享，進而使模型參數(shù)量減小，連接復(fù)雜度降低。圖2.2全連接和局部連接Figure2.2GlobalConnectedLayerandLocalConnectedLayer

基于視頻圖像序列分析的植物物種識別系統(tǒng)62相關(guān)理論及技術(shù)分析2.1卷積神經(jīng)網(wǎng)絡(luò)深度學習來自對人工神經(jīng)網(wǎng)絡(luò)的研究，人類識別物體是個不斷抽象和迭代的過程，首先，眼睛將圖像傳入大腦皮層的低級V1區(qū)，提取物體的邊緣特征，抽象判定出物體形狀，再到V2區(qū)分析物體紋理等局部特征，最后到高層的前額皮層對物體進行具體類別的判斷。深度學習識別圖像和文本等信息的過程與人類大腦識別的過程類似。作為人工智能的經(jīng)典案例，深度學習已經(jīng)在圖像分類、無人駕駛、語音識別和信息物理系統(tǒng)等方面取得了飛快發(fā)展。深度神經(jīng)網(wǎng)絡(luò)的訓練過程主要是不停地循環(huán)前向傳播和反向傳播這兩個過程，隨迭代次數(shù)的增加使得整體損失值降低，直到網(wǎng)絡(luò)預(yù)測能力得到提高，達到預(yù)期效果。在深度學習中，卷積神經(jīng)網(wǎng)絡(luò)是最具有代表性的網(wǎng)絡(luò)結(jié)構(gòu)之一，在不同的任務(wù)中，卷積層和池化層可以重復(fù)組合來對特征進行提齲CNN的結(jié)構(gòu)如下圖所示：圖2.1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure2.1Convolutionalneuralnetworkstructure相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，CNN的神經(jīng)元節(jié)點間是局部連接，優(yōu)勢是網(wǎng)絡(luò)參數(shù)量相對減少，避免了訓練時間過長。另外，CNN可以權(quán)值共享，每個神經(jīng)元對應(yīng)的局部感知區(qū)域間的權(quán)重相同，同一層相同節(jié)點之間可共享，進而使模型參數(shù)量減小，連接復(fù)雜度降低。圖2.2全連接和局部連接Figure2.2GlobalConnectedLayerandLocalConnectedLayer

【參考文獻】：
期刊論文
[1]基于ViBe算法運動特征的關(guān)鍵幀提取算法[J]. 李秋玲,邵寶民,趙磊,王振,姜雪.  山東大學學報(工學版). 2020(01)
[2]基于深度學習的木材缺陷圖像檢測方法[J]. 程玉柱,顧權(quán),王眾輝,李趙春.  林業(yè)機械與木工設(shè)備. 2018(08)
[3]智能手機植物識別App在植物學教學中的應(yīng)用[J]. 趙鵬,郭垚鑫,段棟,劉文哲.  高校生物學教學研究(電子版). 2018(01)
[4]深度學習的模型搭建及過擬合問題的研究[J]. 陶礫,楊朔,楊威.  計算機時代. 2018(02)
[5]一種改進的噪聲圖像語義分割方法[J]. 董曉亞,趙曉麗,張嘉褀.  光電子·激光. 2017(12)
[6]基于尺度不變特征變換算法的植物自動識別系統(tǒng)[J]. 黃婕,李浩銳,黃皓琪,胡小珍,劉馨欣,高鳳連,葉志鵬.  計算機應(yīng)用. 2016(S2)
[7]基于多膚色模型的人臉檢測系統(tǒng)研究[J]. 滕秋霞,沈天飛,楊金霄.  電子測量技術(shù). 2015(09)
[8]基于葉片圖像多特征融合的觀葉植物種類識別[J]. 王麗君,淮永建,彭月橙.  北京林業(yè)大學學報. 2015(01)
[9]遷移學習研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學報. 2015(01)
[10]一種適合于監(jiān)控視頻內(nèi)容檢索的關(guān)鍵幀提取新方法[J]. 周兵,郝偉偉,袁社鋒.  鄭州大學學報(工學版). 2013(03)

碩士論文
[1]基于鏡頭鑒別力分析的視頻檢索方法研究[D]. 殷杰.上海交通大學 2012
[2]基于壓縮域特征的視頻檢索技術(shù)研究[D]. 張林林.北京交通大學 2010
[3]基于自適應(yīng)閾值的壓縮域上MPEG視頻關(guān)鍵幀提取算法的研究[D]. 賀鵬.北京交通大學 2010
[4]基于內(nèi)容的視頻鏡頭分割及檢索技術(shù)研究[D]. 韓全磊.山東大學 2009
[5]視頻關(guān)鍵幀提取方法研究[D]. 曹晉高.重慶大學 2008
[6]基于內(nèi)容的視頻檢索系統(tǒng)的設(shè)計與實現(xiàn)[D]. 王寧.華中科技大學 2007
[7]基于代表性鏡頭的視頻檢索方法[D]. 葉軍.南京理工大學 2005
[8]視頻檢索中的特征提取方法研究[D]. 羅鳳玲.中國人民解放軍國防科學技術(shù)大學 2002



本文編號：3311102