木材鑒定工作對木材科學(xué)和產(chǎn)業(yè)發(fā)展具有重要意義。目前材種鑒定工作工序繁瑣,易受圖像分割技術(shù)以及特征提取算法等因素影響,識別結(jié)果無法滿足快速、準(zhǔn)確地鑒定大批量木材的要求。近年來,深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域的重大突破,其被廣泛應(yīng)用在很多領(lǐng)域,且取得了不錯(cuò)的應(yīng)用效果。因此,本文基于深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù),以木材掃描電鏡圖像為研究對象,對木材的分類任務(wù)進(jìn)行研究。針對小樣本木材掃描電鏡圖像數(shù)據(jù)集分類問題構(gòu)造了一種輕量級卷積神經(jīng)網(wǎng)絡(luò)模型——WSEMNet（Wood scanning electron microscopy network）。其中,木材顯微圖像數(shù)據(jù)集收集于日本森林綜合研究所,經(jīng)過圖像預(yù)處理之后共計(jì)1210張圖像,包含10個(gè)樹種。WSEMNet結(jié)構(gòu)中使用了兩層Inception V1模塊提高網(wǎng)絡(luò)中參數(shù)的利用效率,并在激活函數(shù)之后使用Batch Normalization方法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化,從而提高訓(xùn)練收斂速度,減少模型訓(xùn)練時(shí)間。初始模型在木材掃描電鏡圖像數(shù)據(jù)集（WSEMDatast）上進(jìn)行訓(xùn)練,從而獲得最終的分類模型。最后,使用測試集的圖像作為網(wǎng)絡(luò)的輸入來驗(yàn)證模型的分類效果,將得到的分... 

【文章來源】：浙江農(nóng)林大學(xué)浙江省

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型

入圖像的不同局部區(qū)域提取特征，其輸出形式為：( )= ∑( ) ( )∈+( ), 2 1）中的符號*表示卷積運(yùn)算； 表示輸入特征圖的一個(gè)選擇，的第 j 個(gè)特征圖有連接關(guān)系的第（ 1）層的特征圖；( )i 個(gè)特征圖的輸出值；( )是第 l 層的第 j 個(gè)特征圖與第（ 連的卷積核，它是由二維矩陣來表示的；( )是第 l 層的第 j 圖像尺寸為 W，卷積核大小為 F，卷積核滑動(dòng)步長為 S，填充方一般在邊界填充 0），那么經(jīng)過該層卷積后輸出的特征圖大小2.2 所示，當(dāng)前卷積層的神經(jīng)元是通過卷積核和上一層的局部感×5 大小的二維特征圖，使用 2×2 的濾波器與之進(jìn)行卷積運(yùn)算征圖的每一個(gè) 2×2 大小的感受野區(qū)域上連續(xù)滑動(dòng)，可以得到征圖，其結(jié)果加上偏置值再經(jīng)過激活函數(shù)的非線性作用就得到

正確輸出之間的關(guān)系很復(fù)雜，并且網(wǎng)絡(luò)有足夠的隱藏層來建模，那么通常會(huì)有許多不同的權(quán)重設(shè)置可以近乎完美地對訓(xùn)練集進(jìn)行建模[60]。但是，這個(gè)訓(xùn)練得到的模型在測試集上做預(yù)測時(shí)，其結(jié)果表現(xiàn)的非常差，模型無法對整個(gè)測試集的分布進(jìn)行估計(jì)。這種現(xiàn)象稱之為過擬合。2.2.1 Dropout當(dāng)樣本數(shù)據(jù)過少而 CNN 模型中參數(shù)較多時(shí)，根據(jù)線性代數(shù)相關(guān)知識可以得到，卷積神經(jīng)網(wǎng)絡(luò)模型能夠完美地?cái)M合出一條曲線。但是該模型在測試集上的表現(xiàn)就會(huì)顯得非常不盡人意，也就是指模型的泛化能力較差，這種現(xiàn)象稱之為過擬合（Overfitting）。因此，直到 2012 年，Hinton 等人[60]提出了 Dropout 函數(shù)，以此來減少模型訓(xùn)練過程中產(chǎn)生的過擬合現(xiàn)象。Dropout 函數(shù)是通過阻止各層濾波器的共同作用來提高神經(jīng)網(wǎng)絡(luò)的性能，即網(wǎng)絡(luò)在提取樣本的圖像特征過程中，通過隨機(jī)刪除部分特征來提高模型的泛化能力。假設(shè)我們要訓(xùn)練圖 2.3(a)的網(wǎng)絡(luò)，在訓(xùn)練開始時(shí)，我們可以采用“Dropout”的方法隨機(jī)地舍棄一定數(shù)量的隱層單元，從而得到圖 2.3(b)展示的網(wǎng)絡(luò)（顯然地，圖 2.3(b)中每個(gè)神經(jīng)元隨機(jī)被刪除掉的概率是 0.5）。

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[2]基于Graph Cuts的木材掃描電鏡圖像特征提取方法[J]. 朱佳,汪杭軍.  林業(yè)科學(xué). 2014(04)
[3]基于橫切面微觀構(gòu)造圖像的木材識別方法[J]. 劉子豪,祁亨年,張廣群,汪杭軍.  林業(yè)科學(xué). 2013(11)
[4]基于PCA+FisherTrees特征融合的木材識別[J]. 劉子豪,汪杭軍.  林業(yè)科學(xué). 2013(06)
[5]近紅外光譜技術(shù)快速識別針葉材和闊葉材的研究[J]. 楊忠,呂斌,黃安民,劉亞娜,謝序勤.  光譜學(xué)與光譜分析. 2012(07)
[6]我國木材材種識別技術(shù)的新進(jìn)展[J]. 任洪娥,高潔,馬巖.  木材加工機(jī)械. 2007(04)
[7]板材材種識別中計(jì)算機(jī)圖像處理技術(shù)的應(yīng)用[J]. 徐海濤,任洪娥,馬巖.  木材加工機(jī)械. 2005(06)
[8]木材橫斷面六棱規(guī)則細(xì)胞數(shù)學(xué)描述理論研究[J]. 馬巖.  生物數(shù)學(xué)學(xué)報(bào). 2002(01)
[9]長白落葉松人工林木材構(gòu)造計(jì)算機(jī)視覺分析的研究[J]. 王金滿,張守娟,王宏威,王永勝.  東北林業(yè)大學(xué)學(xué)報(bào). 1995(03)

博士論文
[1]基于半監(jiān)督學(xué)習(xí)的木材識別研究[D]. 盧紀(jì)麗.山東大學(xué) 2015

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)圖像分類應(yīng)用研究[D]. 柯小龍.深圳大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的花卉圖像分類算法的研究[D]. 劉園園.華北電力大學(xué)(北京) 2017
[3]基于SEM顯微圖像的木材材種分類研究[D]. 朱佳.浙江農(nóng)林大學(xué) 2014



本文編號：3595369