植物在整個生態(tài)系統(tǒng)中扮演舉足輕重的角色,全球的森林覆蓋率為31.7%且分布廣泛。對于植物的識別分類能夠幫助我們進(jìn)一步完善全球生態(tài)體系,建立完整的生物資料庫。植物葉片是分辨其種類的主要參考對象。傳統(tǒng)的的識別方法切入點在于在輪廓的形態(tài)分析、葉脈的走向分析等。隨著現(xiàn)代科技的不斷革新,深度學(xué)習(xí)技術(shù)憑借其對于圖像特征提取的優(yōu)勢逐漸發(fā)展起來。本文圍繞基于改進(jìn)的深度學(xué)習(xí)的植物葉片識別算法的模型與實現(xiàn)問題開展研究,主要研究內(nèi)容包括如下幾個方面:(1)針對小數(shù)據(jù)樣本訓(xùn)練深度網(wǎng)絡(luò)模型時產(chǎn)生的過擬合問題,采用兩種解決方案。一方面,研究并改進(jìn)了對數(shù)據(jù)圖像預(yù)處理的方法,通過DCGAN方法擴充數(shù)據(jù)庫圖像,使之達(dá)到深度網(wǎng)絡(luò)訓(xùn)練的基本要求;另一方面,利用遷移學(xué)習(xí)將網(wǎng)絡(luò)模型應(yīng)用于參數(shù)訓(xùn)練上,以提高植物葉片識別的準(zhǔn)確率。通過Inception V3和VGG-16兩種模型進(jìn)行優(yōu)化前后的對比實驗,結(jié)果表明,此算法可以提高識別植物葉片的效率。(2)針對網(wǎng)絡(luò)模型參數(shù)過大導(dǎo)致其存儲及計算代價過高的問題,采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)壓縮方法。首先,利用遞歸貝葉斯算法進(jìn)行網(wǎng)絡(luò)剪枝,自適應(yīng)地去除網(wǎng)絡(luò)冗余;然后,引入K-means聚類量化網(wǎng)絡(luò)中的卷...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－］技術(shù)路線圖??

?東北林業(yè)大學(xué)碩士學(xué)位論文???＜?開始???＼１／???融合ＤＣＧＡＮ與迀移學(xué)??習(xí)算法進(jìn)行卷積神經(jīng)??網(wǎng)絡(luò)的識別優(yōu)化???＼Ｊ＾???融合網(wǎng)絡(luò)修剪與量化??算法進(jìn)行卷積神經(jīng)網(wǎng)??絡(luò)的識別模型壓縮???＾???構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)識??別植物葉片的嵌入式??硬件平臺???＾???圖....

圖２－２最大池化操作??

?東北林業(yè)大學(xué)碩士學(xué)位論文???Ｄ２?＝?Ｄ＼?（２－４）??如圖２－２所示演示了一張對大小為４ｘ４的圖像數(shù)據(jù)進(jìn)行最大池化的操作，這里采??用的卷積核大小為２ｘ２、單次移動步長為２，可以看出粉色格子所代表像素中最大值為??６、綠色格子所代表像素中最大值為８，以此類推可以得到２ｘ２....

圖２－３?Ｓｉｇｍｏｉｄ函數(shù)圖像??Ｔａｎｈ激活函數(shù)，函數(shù)表達(dá)式為：??

?東北林業(yè)大學(xué)碩士學(xué)位論文???Ｄ２?＝?Ｄ＼?（２－４）??如圖２－２所示演示了一張對大小為４ｘ４的圖像數(shù)據(jù)進(jìn)行最大池化的操作，這里采??用的卷積核大小為２ｘ２、單次移動步長為２，可以看出粉色格子所代表像素中最大值為??６、綠色格子所代表像素中最大值為８，以此類推可以得到２ｘ２....

圖２－４Ｔａｎｈ函數(shù)圖像??Ｒｅｌｕ函數(shù)是三種激活函數(shù)中最為常見的一個，函數(shù)表達(dá)為：??

?２深度學(xué)習(xí)相關(guān)知識???——??＿＿＿—???．１??圖２－４Ｔａｎｈ函數(shù)圖像??Ｒｅｌｕ函數(shù)是三種激活函數(shù)中最為常見的一個，函數(shù)表達(dá)為：??ｆ〇?ｘ＜０??Ｈ?（２－７）??對丨、Ｖ：的函數(shù)閣像為：??１／???〇－?ｙ??？１０?－５?０?Ｓ?１０??圖２－５?Ｒｅｌｕ函數(shù)....

本文編號：4003330