計(jì)算機(jī)視覺是自二十世紀(jì)六十年代中期迅速興起的一門新學(xué)科。隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展和技術(shù)成熟度的提高,應(yīng)用領(lǐng)域不斷擴(kuò)充,更加顯現(xiàn)出其卓越的優(yōu)勢,同時(shí)受到木材行業(yè)研究工作者的關(guān)注。將視覺技術(shù)應(yīng)用于樹木分類和資源開發(fā),可使林業(yè)科技工作者從重復(fù)性極高的辨別工作中解放出來。由于以往的特征提取與分類器組合的樹木葉片識別方法存在特征選取單一,信息量不足、分類器簡易等問題,導(dǎo)致樹木葉片的分類準(zhǔn)確率受到限制。本文將深度學(xué)習(xí)與計(jì)算機(jī)視覺技術(shù)相融合,有效的提高樹木葉片識別的辨識精度與效率。目前樹木葉片特征提取與深度學(xué)習(xí)相結(jié)合的分類模型研究,已成為當(dāng)今木材行業(yè)的研究熱點(diǎn)。為了驗(yàn)證所提出方法的可行性,通過Pl@ntNet Identify、leafsnap等葉片數(shù)據(jù)庫獲取了大量樹木葉片樣本,共計(jì)9500張。同時(shí)分別對9500張圖片進(jìn)行自適應(yīng)動(dòng)態(tài)局部三值模式特征和梯度方向直方圖特征提取,并采用零均值標(biāo)準(zhǔn)化方法進(jìn)行特征融合,以融合后的特征作為分類依據(jù),選用深度信念網(wǎng)絡(luò)對其進(jìn)行訓(xùn)練、識別、分類,實(shí)現(xiàn)了樹木葉片的快速識別。具體的研究內(nèi)容如下:1.首先進(jìn)行葉片預(yù)處理與實(shí)驗(yàn)前的準(zhǔn)備工作,分別對葉片提取自適應(yīng)動(dòng)態(tài)局部三值模式... 

【文章來源】：東北林業(yè)大學(xué)黑龍江省211工程院校教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 葉片分類的研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)的研究發(fā)展現(xiàn)狀
    1.3 葉片分類面臨的問題與趨勢
    1.4 文章的結(jié)構(gòu)安排
2 葉片圖像的獲取與預(yù)處理
    2.1 葉片圖像的獲取
    2.2 葉片圖像去噪
        2.2.1 圖像噪聲
        2.2.2 中值濾波去噪
    2.3 葉片圖像區(qū)域提取
        2.3.1 大津法閾值分割
    2.4 本章小結(jié)
3 葉片圖像特征提取
    3.1 局部二值模式特征
        3.1.1 LBP算子
        3.1.2 LBP旋轉(zhuǎn)模式與等價(jià)模式
    3.2 自適應(yīng)動(dòng)態(tài)閾值LTP特征
    3.3 改進(jìn)前后兩種特征圖像熵的對比
    3.4 HOG特征
    3.5 主成分分析
    3.6 特征信息融合
    3.7 本章小結(jié)
4 基于Dropout的深度信念網(wǎng)絡(luò)模型
    4.1 受限玻爾茲曼機(jī)(RBM)
    4.2 RBM的能量模型
    4.3 RBM學(xué)習(xí)算法
        4.3.1 Gibbs采樣算法
        4.3.2 對比散度法
    4.4 BP神經(jīng)網(wǎng)絡(luò)
        4.4.1 信號正向傳播
        4.4.2 誤差反向傳播
    4.5 基于Dropout的DBN網(wǎng)絡(luò)
        4.5.1 規(guī)則化
        4.5.2 Dropout
    4.6 本章小結(jié)
5 實(shí)驗(yàn)與分析
    5.1 基于Dropout的DBN模型試驗(yàn)過程
        5.1.1 特征提取及融合
        5.1.2 網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)
        5.1.3 與不同特征和分類器的比較
        5.1.4 在光照下的對比
    5.2 網(wǎng)絡(luò)結(jié)構(gòu)的影響與分析
        5.2.1 網(wǎng)絡(luò)層數(shù)的影響
        5.2.2 隱層單元數(shù)量的影響
        5.2.3 其他參數(shù)的選取
    5.3 Dropout的值對結(jié)果的影響
    5.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)的冗余機(jī)械臂逆運(yùn)動(dòng)學(xué)分析[J]. 劉世平,曹俊峰,孫濤,胡江波,付艷,張帥,李世其.  中國機(jī)械工程. 2019(24)
[2]一種基于多模態(tài)特征融合的骨質(zhì)疏松評估方法[J]. 羅濤,李劍峰,韓家輝,王藝寧,雷璐.  北京郵電大學(xué)學(xué)報(bào). 2019(06)
[3]基于區(qū)域特征融合網(wǎng)絡(luò)的群組行為識別[J]. 楊興明,范樓苗.  模式識別與人工智能. 2019(12)
[4]融合高階信息的遙感影像建筑物自動(dòng)提取[J]. 王舒洋,慕曉冬,楊東方,賀浩,鄭玉航.  光學(xué)精密工程. 2019(11)
[5]傳統(tǒng)特征和深度特征融合的紅外空中目標(biāo)跟蹤[J]. 胡陽光,肖明清,張凱,王曉柱,段耀澤.  系統(tǒng)工程與電子技術(shù). 2019(12)
[6]機(jī)器學(xué)習(xí)中的PCA降維方法研究及其應(yīng)用[J]. 孫平安,王備戰(zhàn).  湖南工業(yè)大學(xué)學(xué)報(bào). 2019(01)
[7]基于深度置信網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)故障診斷方法[J]. 李夢詩,余達(dá),陳子明,夏侯凱順,李堉鋆,季天瑤.  電機(jī)與控制學(xué)報(bào). 2019(02)
[8]基于Faster R-CNN的機(jī)器人目標(biāo)檢測及空間定位[J]. 郭毓,蘇鵬飛,吳益飛,郭健.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(12)
[9]基于X射線的盒裝水餃異物自動(dòng)檢測與分類[J]. 王強(qiáng),武凱,王新宇,孫宇,楊曉燕,樓曉華.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(12)
[10]自適應(yīng)窗口形狀的中值濾波[J]. 鄒永寧,姚功杰.  光學(xué)精密工程. 2018(12)

博士論文
[1]基于色彩信息的圖像增強(qiáng)研究[D]. 陳杰.南京郵電大學(xué) 2017

碩士論文
[1]基于邊緣檢測技術(shù)的地層邊界和地層傾角提取[D]. 王研博.吉林大學(xué) 2018
[2]低截獲基帶混合信號設(shè)計(jì)及其低復(fù)雜度接收算法研究[D]. 陳丹.電子科技大學(xué) 2018
[3]棧式自編碼器的改進(jìn)及其工程應(yīng)用[D]. 鄭煜偉.華中科技大學(xué) 2017
[4]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
[5]基于葉片圖像多特征提取的觀葉植物種類識別[D]. 王麗君.北京林業(yè)大學(xué) 2014
[6]基于圖像分析的植物葉片識別算法研究[D]. 張寧.北京林業(yè)大學(xué) 2013



本文編號：3644906