發(fā)布時(shí)間：2023-06-13 20:23

　　植物在大自然中扮演著重要角色,大自然的有序循環(huán)、人們?nèi)粘Ｉa(chǎn)生活都離不開植物。全球植物種類繁多,數(shù)量巨大,特別是在我們國家,植物種類豐富多樣,分布廣泛,那么如何能快速有效的識(shí)別植物種類呢?由于植物種類繁多,單純靠人工識(shí)別,效率較低,所以自動(dòng)化的識(shí)別工作顯得尤為重要。而不同的植物葉片在形狀、顏色和葉脈紋理上都有很大差距,從而我們可以利用植物葉片的外觀視覺特征來辨別不同的種類。隨著當(dāng)前數(shù)字計(jì)算機(jī)處理技術(shù)和人工智能技術(shù)的快速發(fā)展,植物的外觀視覺特征提取也并不依靠人工,計(jì)算機(jī)技術(shù)以及編程軟件在此類領(lǐng)域發(fā)揮著重要作用,不僅可以節(jié)約人力物力的投入,而且可以有效的提高圖像識(shí)別的準(zhǔn)確率。本論文是基于UCI公開數(shù)據(jù)庫中的植物葉片數(shù)據(jù)集,從該數(shù)據(jù)集中挑選了24類植物,共計(jì)281張,平均每類約有12張圖片,每張圖片對(duì)應(yīng)14個(gè)特征。論文中使用了兩大類方法,第一類方法是基于所有植物的葉片特征進(jìn)行分類識(shí)別,第二類方法是直接對(duì)281張圖片,采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別,具體如下:第一類是機(jī)器學(xué)習(xí)中的傳統(tǒng)方法,包括決策樹、支持向量機(jī)、隨機(jī)森林。機(jī)器學(xué)習(xí)中的傳統(tǒng)方法是基于植物葉片的外部特征進(jìn)行分類,進(jìn)行分類的結(jié)果為:...

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景
    1.2 本文研究的意義及目的
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 國外研究現(xiàn)狀
        1.3.2 國內(nèi)研究現(xiàn)狀
    1.4 本文研究方法和內(nèi)容結(jié)構(gòu)
    1.5 論文創(chuàng)新點(diǎn)
第2章 植物葉片識(shí)別方法及原理
    2.1 決策樹識(shí)別原理
    2.2 隨機(jī)森林識(shí)別原理
    2.3 支持向量機(jī)識(shí)別原理
    2.4 基于深度學(xué)習(xí)的植物葉片識(shí)別原理
        2.4.1 人工神經(jīng)網(wǎng)絡(luò)
        2.4.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.3 Keras深度學(xué)習(xí)框架
第3章 植物葉片識(shí)別的實(shí)驗(yàn)及分析
    3.1 植物葉片數(shù)據(jù)庫
    3.2 數(shù)據(jù)集的選取
    3.3 數(shù)據(jù)預(yù)處理結(jié)果
    3.4 決策樹實(shí)驗(yàn)結(jié)果
    3.5 隨機(jī)森林實(shí)驗(yàn)結(jié)果
    3.6 支持向量機(jī)實(shí)驗(yàn)結(jié)果
    3.7 卷積神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果
第4章 基于數(shù)據(jù)集擴(kuò)充后的植物葉片識(shí)別
    4.1 植物葉片數(shù)據(jù)集擴(kuò)充
    4.2 植物葉片數(shù)據(jù)集擴(kuò)充后的實(shí)驗(yàn)結(jié)果
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 未來工作的展望
附錄
參考文獻(xiàn)
在校期間研究成果
致謝



本文編號(hào)：3833232