隨著計(jì)算機(jī)技術(shù)的快速發(fā)展,通過葉片對植物進(jìn)行實(shí)時(shí)分類和識(shí)別是當(dāng)前研究的熱點(diǎn)和難點(diǎn)。利用計(jì)算機(jī)技術(shù)對植物進(jìn)行實(shí)時(shí)分類和識(shí)別,可用于數(shù)字化植物標(biāo)本、林業(yè)信息化等領(lǐng)域。然而,當(dāng)前的葉片識(shí)別方法易受環(huán)境因素影響,識(shí)別率和運(yùn)算效率較低。本文主要研究結(jié)合圖像分割的葉片識(shí)別方法,設(shè)計(jì)并實(shí)現(xiàn)一個(gè)可實(shí)時(shí)完成葉片目標(biāo)檢測與識(shí)別的系統(tǒng)。本文的主要研究成果如下:（1）針對當(dāng)前圖像分割存在著過度分割、分割邊界不準(zhǔn)確的問題,提出并實(shí)現(xiàn)了基于目標(biāo)輪廓的葉片圖像分割方法。對葉片圖像進(jìn)行降噪處理;構(gòu)建全卷積網(wǎng)絡(luò)結(jié)構(gòu),采用VGG-16作為FCN的初始化訓(xùn)練模型;利用FCN分割葉片輪廓,通過反卷積上采樣恢復(fù)原圖尺寸,利用跳躍結(jié)構(gòu)融合特征信息;采用多孔卷積提高輪廓分辨率,再利用CRF算法優(yōu)化輪廓邊緣,輸出葉片目標(biāo)分割圖。（2）針對當(dāng)前有監(jiān)督性特征提取難以自動(dòng)提取葉片特征問題,研究并設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的葉片特征提取方法。標(biāo)注葉片類別,映射葉片類別;建立Inception-V2網(wǎng)絡(luò)模型結(jié)構(gòu),采用非對稱卷積方式降低運(yùn)算成本,利用Batch Normalization輔助器提高運(yùn)算效率;采用Inception-V2網(wǎng)絡(luò)模型提取葉片... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于目標(biāo)輪廓的葉片圖像分割流程圖

第二章基于目標(biāo)輪廓的葉片圖像分割方法13采用VGG-16作為FCN的初始化訓(xùn)練模型，將模型的全連接層替換為全卷積層。在此基礎(chǔ)上，結(jié)合上采樣方法，構(gòu)建FCN網(wǎng)絡(luò)結(jié)構(gòu)。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2-2所示。經(jīng)過多次卷積操作后，獲得了分辨率較低的特征圖像，通過對其進(jìn)行上采樣操作，將特征圖恢復(fù)為原始圖像大校在圖2-2中，藍(lán)色區(qū)域進(jìn)行卷積操作；綠色區(qū)域進(jìn)行池化操作；黃色區(qū)域進(jìn)行多特征的求和運(yùn)算，即進(jìn)行逐像素?cái)?shù)據(jù)相加的融合結(jié)果。橙色區(qū)域進(jìn)行反卷積上采樣操作；灰色區(qū)域進(jìn)行圖像裁剪。最終，該網(wǎng)絡(luò)采用反卷積運(yùn)算、裁剪操作，將特征圖放大至原始圖像大校圖2-2FCN全卷積網(wǎng)絡(luò)圖2.3.3分割葉片輪廓傳統(tǒng)的分割方法，無法實(shí)現(xiàn)含有多葉片圖像的前景目標(biāo)分割，通常需要人工介入，而人工介入后，帶來的問題則是人工干預(yù)過多、耗時(shí)較長、準(zhǔn)確率較低。若采用有監(jiān)督式的分割方法，其結(jié)果難以符合自動(dòng)化及快速化的性能要求，且準(zhǔn)確率較低，分割結(jié)果過分依賴于人工標(biāo)記的準(zhǔn)確度。FCN分割方法采用端到端的網(wǎng)絡(luò)結(jié)構(gòu)，通過自動(dòng)化分割的方式，避免了人工干預(yù)處理圖像存在的誤差和主觀性。同時(shí)，該網(wǎng)絡(luò)可接受任意大小的輸入圖像。采用FCN分割方法對多葉片圖像進(jìn)行目標(biāo)分割，本文將VGG-16網(wǎng)絡(luò)的后三層全連接層都替換成卷積層，對葉片目標(biāo)圖像進(jìn)行卷積得到特征圖，再通過將特征圖進(jìn)行反卷積上采樣操作，將輸出的特征圖恢復(fù)為原始圖像大小，如圖2-3所示。全卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像分割主要用到了以下三個(gè)技術(shù)，上采樣、雙線性插值、跳躍結(jié)構(gòu).（1）上采樣對最后一層卷積層輸出的特征圖進(jìn)行上采樣操作，分為反卷積上采樣和反池

第二章基于目標(biāo)輪廓的葉片圖像分割方法14化上采樣兩種方法。反卷積上采樣，反卷積是卷積的逆運(yùn)算操作，首先，在特征圖像四周補(bǔ)像素值為0的像素點(diǎn)，然后進(jìn)行卷積操作，將特征圖像恢復(fù)至輸入大校如圖2-4所示。反池化上采樣，對圖像池化的位置坐標(biāo)進(jìn)行記錄，保留池化后的位置坐標(biāo)及像素值不變，其他位置的像素值都補(bǔ)為0，將圖像恢復(fù)至原始圖像大校圖2-3FCN全卷積分割圖圖2-4上采樣FCN全卷積網(wǎng)絡(luò)通過轉(zhuǎn)置卷積層，將中間池化層輸出的特征圖的高、寬變換回原圖大小，使預(yù)測結(jié)果與輸入圖像在空間高度和寬度一致。在輸出圖像的空間坐標(biāo)上的相應(yīng)位置處，能夠準(zhǔn)確對應(yīng)輸入圖像像素的位置并預(yù)測類別。轉(zhuǎn)置卷積采用公式(2-1)，將轉(zhuǎn)置卷積的輸入與輸出反過來，得到公式(2-2)。12kerstridepaddingnelnninout(2-1)12kerstridepaddingnelnnoutin(2-2)通過對原始圖像進(jìn)行多次卷積和池化操作，對提取后的特征圖像進(jìn)行信息過濾，有效減少網(wǎng)絡(luò)的參數(shù)。再采用反卷積對特征圖進(jìn)行上采樣，將高維度、小尺

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的駕駛關(guān)注區(qū)域檢測研究與實(shí)現(xiàn)[J]. 葉繼華,時(shí)淑霞,李漢曦,王仕民,楊思渝.  系統(tǒng)仿真學(xué)報(bào). 2019(07)
[2]面向多尺度坦克裝甲車輛目標(biāo)檢測的改進(jìn)Faster R-CNN算法[J]. 王全東,常天慶,張雷,戴文君.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(12)
[3]基于多域融合CNN的高速列車轉(zhuǎn)向架故障檢測[J]. 吳昀璞,金煒東,黃穎坤.  系統(tǒng)仿真學(xué)報(bào). 2018(11)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的植物病害識(shí)別技術(shù)[J]. 廖經(jīng)緯,蔡英,王語晨,張艷秋,譚周渝,魏靜桐.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(19)
[5]基于Fast R-CNN的車輛目標(biāo)檢測[J]. 曹詩雨,劉躍虎,李辛昭.  中國圖象圖形學(xué)報(bào). 2017(05)
[6]基于降維LBP與葉片形狀特征的植物葉片識(shí)別方法[J]. 付波,楊章,趙熙臨,單治磊.  計(jì)算機(jī)工程與應(yīng)用. 2018(02)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[8]基于葉片形狀特征的植物識(shí)別方法[J]. 劉驥,曹鳳蓮,甘林昊.  計(jì)算機(jī)應(yīng)用. 2016(S2)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測算法[J]. 杜蘭,劉彬,王燕,劉宏偉,代慧.  電子與信息學(xué)報(bào). 2016(12)
[10]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學(xué)報(bào). 2017(01)

碩士論文
[1]基于深度學(xué)習(xí)的葡萄葉片分割[D]. 趙兵.甘肅農(nóng)業(yè)大學(xué) 2018
[2]基于深度網(wǎng)絡(luò)特征學(xué)習(xí)的植物葉片識(shí)別算法研究與實(shí)現(xiàn)[D]. 劉晶晶.深圳大學(xué) 2017
[3]基于迭代閥值分割法的栲屬植物識(shí)別技術(shù)研究[D]. 官飛.福州大學(xué) 2017
[4]基于深度學(xué)習(xí)的植物葉片識(shí)別算法研究[D]. 張帥.北京林業(yè)大學(xué) 2016
[5]基于葉片形狀的植物特征提取方法的設(shè)計(jì)與實(shí)現(xiàn)[D]. 李敬濤.中國科學(xué)院大學(xué)（工程管理與信息技術(shù)學(xué)院） 2014



本文編號(hào)：3619770