傳統(tǒng)基于圖像的樹(shù)種識(shí)別相關(guān)研究包括植物葉片識(shí)別、花卉識(shí)別、樹(shù)皮紋理識(shí)別以及木材紋理識(shí)別等,都是根據(jù)植物的單一器官進(jìn)行識(shí)別,并且傳統(tǒng)的基于人工提取特征的機(jī)器學(xué)習(xí)方法對(duì)單一純色背景的植物圖像有較好的識(shí)別效果,但是對(duì)自然環(huán)境下的復(fù)雜背景下的植物圖像識(shí)別效果較差,本文提出一種基于深度學(xué)習(xí)和樹(shù)木整體圖像的樹(shù)種識(shí)別方法,實(shí)現(xiàn)了對(duì)復(fù)雜背景的樹(shù)木圖像進(jìn)行自動(dòng)識(shí)別。本文的主要研究?jī)?nèi)容如下:（1）采用自主拍攝和網(wǎng)絡(luò)爬取相結(jié)合的方式構(gòu)建了一個(gè)TreesNet樹(shù)木整體圖像數(shù)據(jù)集,共包含10個(gè)樹(shù)種總計(jì)1593幅RGB圖像。同時(shí),采用了翻轉(zhuǎn)、裁剪等方式對(duì)圖像進(jìn)行數(shù)據(jù)增強(qiáng),數(shù)據(jù)增強(qiáng)后生成了大量新的圖片,最終得到的圖像數(shù)量是原始數(shù)據(jù)集的10倍。（2）基于AlexNet、VggNet-16、Inception-V3、ResNet-50四種模型在原始樹(shù)種數(shù)據(jù)集和使用了數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)集上進(jìn)行訓(xùn)練,分別采用了直接訓(xùn)練和遷移學(xué)習(xí)兩種訓(xùn)練模型的方式,比較遷移學(xué)習(xí)和直接訓(xùn)練得到的模型的準(zhǔn)確率。（3）基于集成學(xué)習(xí)的思想,采用相對(duì)多數(shù)投票法和加權(quán)平均法分別對(duì)上述直接訓(xùn)練和遷移學(xué)習(xí)訓(xùn)練出的四個(gè)模型進(jìn)行集成,生成集成模型。（4）通過(guò)We... 

【文章來(lái)源】：浙江農(nóng)林大學(xué)浙江省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(c) (d)圖 2.6 激活函數(shù)圖像Figure 2.6Common activation function images2.2.3 池化層池化層即下采樣層。池化過(guò)后減小了原特征圖的尺寸，但同時(shí)不會(huì)過(guò)多的丟失原特征圖的信息，所以在一定程度上提高了整個(gè)網(wǎng)絡(luò)運(yùn)算的效率。并且，池化操作在一定范圍內(nèi)保證了平移不變性。假設(shè)規(guī)模為 2 2，池化運(yùn)算就是將該區(qū)域的4 個(gè)數(shù)按照一定的規(guī)則計(jì)算得出一個(gè)值。常見(jiàn)的池化運(yùn)算有以下幾種：最大池化（Max Pooling）：取 4 個(gè)點(diǎn)的最大值。這是最常用的池化方法。均值池化（Mean Pooling）：取 4 個(gè)點(diǎn)的均值。隨機(jī)池化：在 4 個(gè)點(diǎn)中隨機(jī)取一個(gè)值。以最大池化為例，其運(yùn)算過(guò)程如圖 2.7 所示。

基于深度學(xué)習(xí)的樹(shù)種識(shí)別算法研究數(shù)據(jù)集的構(gòu)建獲取的用于植物識(shí)別的圖像數(shù)據(jù)集包括：Pla大都是植物葉片圖像數(shù)據(jù)集。還尚未有公的研究工作，采用自主拍攝和網(wǎng)絡(luò)爬取據(jù)集-TreesNet。由于不同生長(zhǎng)階段的樹(shù)的成熟階段的圖像。下面介紹一下樹(shù)種構(gòu)如圖 3.1 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的植物圖像識(shí)別方法的研究[J]. 張澎,崔夢(mèng)天,謝琪,姜玥.  西南民族大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]基于深度學(xué)習(xí)的快速植物圖像識(shí)別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[3]基于雙路卷積神經(jīng)網(wǎng)絡(luò)的植物葉片識(shí)別模型[J]. 于慧伶,麻峻瑋,張怡卓.  北京林業(yè)大學(xué)學(xué)報(bào). 2018(12)
[4]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)植物葉片圖像識(shí)別方法[J]. 鄭一力,張露.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(S1)
[5]基于小波和可變局部邊緣模式的植物物種識(shí)別[J]. 陳肖蒙,王瑜,邢素霞.  計(jì)算機(jī)應(yīng)用與軟件. 2018(09)
[6]復(fù)雜背景下基于MobileNets的花卉識(shí)別與模型剪枝[J]. 孔英會(huì),朱成誠(chéng),車(chē)轔轔.  科學(xué)技術(shù)與工程. 2018(19)
[7]基于殘差網(wǎng)絡(luò)遷移學(xué)習(xí)的花卉識(shí)別系統(tǒng)[J]. 關(guān)胤.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[8]基于葉片圖像算法的植物種類(lèi)識(shí)別方法研究[J]. 畢立恒.  浙江農(nóng)業(yè)學(xué)報(bào). 2017(12)
[9]基于整體外觀特征的植物種類(lèi)識(shí)別研究[J]. 陳淑君,周永霞,方勇軍.  計(jì)算機(jī)應(yīng)用與軟件. 2017(09)
[10]基于深度學(xué)習(xí)的乳腺癌病理圖像自動(dòng)分類(lèi)[J]. 何雪英,韓忠義,魏本征.  計(jì)算機(jī)工程與應(yīng)用. 2018(12)

碩士論文
[1]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
[2]基于植物圖像特征的識(shí)別研究[D]. 李化樂(lè).蘭州大學(xué) 2017
[3]基于深度學(xué)習(xí)的植物葉片識(shí)別方法研究[D]. 曹鳳蓮.重慶大學(xué) 2017
[4]深度神經(jīng)網(wǎng)絡(luò)的研究及其在植物葉片圖像識(shí)別中的應(yīng)用[D]. 景輝芳.南昌航空大學(xué) 2016
[5]基于葉片圖像的植物識(shí)別方法研究[D]. 忽勝?gòu)?qiáng).河南理工大學(xué) 2016
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)方法研究[D]. 謝寶劍.合肥工業(yè)大學(xué) 2015



本文編號(hào)：2904921