基于卷積神經(jīng)網(wǎng)絡的寶石識別方法與實證分析
發(fā)布時間：2021-11-13 03:42
近年來,隨著卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）等深度學習模型的廣泛使用,人工智能（Artificial Intelligence,AI）領域有了突破性的進展,尤其是在圖像識別領域里取得了前所未有的提升。由此,本文在整理與總結國內(nèi)外卷積神經(jīng)網(wǎng)絡的基本理論成果與應用現(xiàn)狀的基礎上,結合當下較為熱門的TensorFlow和Keras深度學習框架,構建了基于卷積神經(jīng)網(wǎng)絡的天然寶石圖像分類模型。并針對小樣本數(shù)據(jù)集設計了不同的網(wǎng)絡結構體系,提出了改進的網(wǎng)絡模型構架。完成的主要工作如下:（1）首先做了基于深度學習的卷積神經(jīng)網(wǎng)絡模型在圖像分類應用領域中的研究現(xiàn)狀和發(fā)展趨勢的綜述,并對理解網(wǎng)絡模型所需的基本算法進行了介紹,以此為基礎,在已搭建好的計算機平臺上訓練卷積神經(jīng)網(wǎng)絡的經(jīng)典模型ZFNet、VGGNet13以及VGGNet16,對幾種算法的識別率和速率進行對比分析,研究影響卷積神經(jīng)網(wǎng)絡識別性能的結構和方法,最終選擇VGGNet13作為基準模型。（2）為了更好的訓練小樣本寶石數(shù)據(jù)集,提出一種基于VGGNet13改進的算法,通過調整網(wǎng)絡復雜度參數(shù),如濾波器的大...
【文章來源】：成都理工大學四川省
【文章頁數(shù)】：86 頁
【學位級別】：碩士
【部分圖文】：
中國、美國、俄羅斯等主要國家的AI戰(zhàn)略布局簡介基于上述背景，圖像識別作為人工智能所涉及的行業(yè)領域之一，通過對圖像
論文研究技術路線
濾波器的個數(shù)為 6 個。圖 2-1 所示為不同濾波器下的卷積效果對越小，可訓練的參數(shù)越小。表 2-2 所示為不同大小濾波器的卷積效果器大小為 1*1 時，可訓練參數(shù)為 12，使計算復雜度降低。然而在實當使用比較小的卷積核時可能無法表示其特征。在本文研究中，以t 為基礎，選取濾波器大小為 3*3。表 2-2 不同濾波器下卷積結果對比圖像尺寸 224*224*3 224*224*3 224*224*3器大小 1*1 3*3 6*6器個數(shù) 6 6 6圖像尺寸 224*224*3 222*222*3 219*219*3元數(shù)量 224*224*6=301056 222*222*6=295704 219*219*6=2練參數(shù) （1*1*1+1）*6=12 （3*3*3+1）*6=168 （6*6*6+1）*6為 1*1 的濾波器有 1*1*1=1 個 unit 參數(shù)和一個 bias 參數(shù)，一共有 6 個濾波器，填充因子為0時，輸入圖像為224，濾波器尺寸為F，則輸出圖像表達式為（22
【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡和小樣本的茶樹病害圖像識別[J]. 孫云云,江朝暉,董偉,張立平,饒元,李紹穩(wěn). 江蘇農(nóng)業(yè)學報. 2019(01)
[2]卷積神經(jīng)網(wǎng)絡在圖像識別中的應用[J]. 圣文順,孫艷文. 軟件工程. 2019(02)
[3]關于公路隧道內(nèi)目標圖像實時檢測仿真[J]. 周立學,馬成前. 計算機仿真. 2019(01)
[4]基于深度學習的海戰(zhàn)場圖像目標識別[J]. 單連平,竇強. 指揮控制與仿真. 2019(01)
[5]基于深度學習的無人駕駛關鍵技術的研究[J]. 高正創(chuàng),戴耀威,葉繼銘,唐樹銀,李宏宇. 電子世界. 2019(01)
[6]基于深度學習的快速植物圖像識別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君. 華東理工大學學報(自然科學版). 2018(06)
[7]基于TensorFlow深度學習手寫體數(shù)字識別及應用[J]. 黃睿,陸許明,鄔依林. 電子技術應用. 2018(10)
[8]CT影像識別的卷積神經(jīng)網(wǎng)絡模型[J]. 管姝,張騫予,謝紅薇,強彥,程臻. 計算機輔助設計與圖形學學報. 2018(08)
[9]基于BP神經(jīng)網(wǎng)絡的手寫數(shù)字識別及優(yōu)化方法[J]. 夏少杰,項鯤. 智能物聯(lián)技術. 2018(01)
[10]基于Dopout與ADAM優(yōu)化器的改進CNN算法[J]. 楊觀賜,楊靜,李少波,胡建軍. 華中科技大學學報(自然科學版). 2018(07)
碩士論文
[1]基于Android和iOS的家用呼吸機移動終端APP的設計與實現(xiàn)[D]. 馮蕾.山東大學 2018
[2]基于卷積神經(jīng)網(wǎng)絡圖像分類優(yōu)化算法的研究與驗證[D]. 石琪.北京交通大學 2017
[3]基于卷積神經(jīng)網(wǎng)絡的圖像分類技術研究[D]. 楚敏南.湘潭大學 2015
本文編號：3492251
【文章來源】：成都理工大學四川省
【文章頁數(shù)】：86 頁
【學位級別】：碩士
【部分圖文】：
中國、美國、俄羅斯等主要國家的AI戰(zhàn)略布局簡介基于上述背景，圖像識別作為人工智能所涉及的行業(yè)領域之一，通過對圖像
論文研究技術路線
濾波器的個數(shù)為 6 個。圖 2-1 所示為不同濾波器下的卷積效果對越小，可訓練的參數(shù)越小。表 2-2 所示為不同大小濾波器的卷積效果器大小為 1*1 時，可訓練參數(shù)為 12，使計算復雜度降低。然而在實當使用比較小的卷積核時可能無法表示其特征。在本文研究中，以t 為基礎，選取濾波器大小為 3*3。表 2-2 不同濾波器下卷積結果對比圖像尺寸 224*224*3 224*224*3 224*224*3器大小 1*1 3*3 6*6器個數(shù) 6 6 6圖像尺寸 224*224*3 222*222*3 219*219*3元數(shù)量 224*224*6=301056 222*222*6=295704 219*219*6=2練參數(shù) （1*1*1+1）*6=12 （3*3*3+1）*6=168 （6*6*6+1）*6為 1*1 的濾波器有 1*1*1=1 個 unit 參數(shù)和一個 bias 參數(shù)，一共有 6 個濾波器，填充因子為0時，輸入圖像為224，濾波器尺寸為F，則輸出圖像表達式為（22
【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡和小樣本的茶樹病害圖像識別[J]. 孫云云,江朝暉,董偉,張立平,饒元,李紹穩(wěn). 江蘇農(nóng)業(yè)學報. 2019(01)
[2]卷積神經(jīng)網(wǎng)絡在圖像識別中的應用[J]. 圣文順,孫艷文. 軟件工程. 2019(02)
[3]關于公路隧道內(nèi)目標圖像實時檢測仿真[J]. 周立學,馬成前. 計算機仿真. 2019(01)
[4]基于深度學習的海戰(zhàn)場圖像目標識別[J]. 單連平,竇強. 指揮控制與仿真. 2019(01)
[5]基于深度學習的無人駕駛關鍵技術的研究[J]. 高正創(chuàng),戴耀威,葉繼銘,唐樹銀,李宏宇. 電子世界. 2019(01)
[6]基于深度學習的快速植物圖像識別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君. 華東理工大學學報(自然科學版). 2018(06)
[7]基于TensorFlow深度學習手寫體數(shù)字識別及應用[J]. 黃睿,陸許明,鄔依林. 電子技術應用. 2018(10)
[8]CT影像識別的卷積神經(jīng)網(wǎng)絡模型[J]. 管姝,張騫予,謝紅薇,強彥,程臻. 計算機輔助設計與圖形學學報. 2018(08)
[9]基于BP神經(jīng)網(wǎng)絡的手寫數(shù)字識別及優(yōu)化方法[J]. 夏少杰,項鯤. 智能物聯(lián)技術. 2018(01)
[10]基于Dopout與ADAM優(yōu)化器的改進CNN算法[J]. 楊觀賜,楊靜,李少波,胡建軍. 華中科技大學學報(自然科學版). 2018(07)
碩士論文
[1]基于Android和iOS的家用呼吸機移動終端APP的設計與實現(xiàn)[D]. 馮蕾.山東大學 2018
[2]基于卷積神經(jīng)網(wǎng)絡圖像分類優(yōu)化算法的研究與驗證[D]. 石琪.北京交通大學 2017
[3]基于卷積神經(jīng)網(wǎng)絡的圖像分類技術研究[D]. 楚敏南.湘潭大學 2015
本文編號：3492251
本文鏈接：http://sikaile.net/projectlw/qgylw/3492251.html
