海底火山的形成與演化與生態(tài)系統(tǒng)息息相關(guān),探測(cè)海底火山的存在對(duì)于現(xiàn)代科學(xué)的發(fā)展具有重要意義。判斷海底是否存在火山較常見(jiàn)的方法是檢測(cè)海底是否存在煙霧。但是現(xiàn)有的煙霧識(shí)別方法存在著效率不夠高、效果不夠好等問(wèn)題,并且大都是針對(duì)陸地上產(chǎn)生的煙霧進(jìn)行識(shí)別,比如森林火災(zāi)煙霧、小區(qū)火災(zāi)煙霧的識(shí)別預(yù)警等,對(duì)于深海海底場(chǎng)景進(jìn)行煙霧識(shí)別的相關(guān)研究還比較零散,而且效果不理想。海底環(huán)境比陸地環(huán)境更加復(fù)雜,噪聲干擾也更多,常見(jiàn)的特征提取等圖像處理算法難以達(dá)到海底火山煙霧識(shí)別目的。本文將煙霧識(shí)別與機(jī)器學(xué)習(xí)領(lǐng)域中的深度學(xué)習(xí)算法相結(jié)合,并將卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在海底火山煙霧識(shí)別上,結(jié)合現(xiàn)有的研究成果和技術(shù),對(duì)深海海底場(chǎng)景下的火山煙霧圖像進(jìn)行識(shí)別分類,克服了其他圖像識(shí)別方案的缺陷,提高了深度學(xué)習(xí)算法的效率,增加了海底火山煙霧識(shí)別的準(zhǔn)確度。利用卷積神經(jīng)網(wǎng)進(jìn)行圖像分類的技術(shù)目前在各個(gè)領(lǐng)域都被廣泛地運(yùn)用著,其中對(duì)于圖像識(shí)別的技術(shù)是關(guān)鍵所在,如何提高識(shí)別率和識(shí)別準(zhǔn)確度對(duì)于科學(xué)研究來(lái)說(shuō)意義重大,關(guān)系到圖像識(shí)別的安全與實(shí)用效果。本文的主要內(nèi)容是在有限的計(jì)算能力和較少量的數(shù)據(jù)集下,通過(guò)采用多種數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)大數(shù)據(jù)集,再應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)... 

【文章來(lái)源】：南華大學(xué)湖南省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

8其結(jié)構(gòu)在針對(duì)不同任務(wù)的時(shí)候可能有所改變，但是通常都是由這三個(gè)經(jīng)典層構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)，如圖2.1所示。圖2.1卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典層結(jié)構(gòu)示意圖2.1.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)在相關(guān)的實(shí)驗(yàn)及資料描述中大都類似，例如應(yīng)用于數(shù)字分類的LeNet-5卷積神經(jīng)網(wǎng)絡(luò)含有三種類型的神經(jīng)網(wǎng)絡(luò)層，如圖2.2所示：圖2.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般來(lái)說(shuō)，卷積神經(jīng)網(wǎng)絡(luò)出了輸入層與輸出層外，還包括了卷積層、激活函數(shù)層和池化層。其中卷積層又叫做特征提取層；池化層也叫特征映射層；全連接層由于層中的各個(gè)節(jié)點(diǎn)不連接但上一層的節(jié)點(diǎn)完全連接，所以叫做全連接層，其網(wǎng)絡(luò)結(jié)構(gòu)與普通神經(jīng)網(wǎng)絡(luò)相同。此外，數(shù)據(jù)輸入層和結(jié)果輸出層也是卷積神經(jīng)網(wǎng)絡(luò)的一部分。本文接下來(lái)將對(duì)卷積神經(jīng)網(wǎng)絡(luò)的各層及其功能作介紹。2.1.2.1數(shù)據(jù)輸入層數(shù)據(jù)輸入層能夠處理多維數(shù)據(jù)，主要對(duì)系統(tǒng)樣本做一些數(shù)據(jù)預(yù)處理操作，比如統(tǒng)一輸入樣本的大孝去均值、歸一化等。其中去均值的操作是把圖片中像素點(diǎn)的值減去圖片的均值以預(yù)防梯度彌散，歸一化指的是把所有數(shù)據(jù)的值控制在相同的范圍里，把輸入特征標(biāo)準(zhǔn)化，比如對(duì)輸入的數(shù)據(jù)在通道或者時(shí)間/頻率維進(jìn)行歸一化，如果輸入的數(shù)據(jù)是圖片像素，也可以把分布在[0,255]的原始像素值歸一化到[0,1]區(qū)間，通過(guò)這些操作能夠有效提高神經(jīng)網(wǎng)絡(luò)的收斂速度以及增加效率。

92.1.2.2卷積層卷積神經(jīng)網(wǎng)絡(luò)中非常重要的一部分就是卷積層，或者稱為特征提取層，用于提取實(shí)驗(yàn)樣本的基本特征，一般在卷積層中進(jìn)行相應(yīng)卷積神經(jīng)網(wǎng)絡(luò)的大部分計(jì)算以及模型的優(yōu)化。卷積運(yùn)算通�？梢钥醋鰧�(duì)應(yīng)向量的內(nèi)積運(yùn)算。此外，研究人員一般在卷積計(jì)算前增加padding操作以解決圖像在卷積操作后造成的尺寸變孝邊界信息發(fā)揮作用少的問(wèn)題。通常使用same-padding或valid-padding進(jìn)行操作。前者使得圖像尺寸不變，后者不填充數(shù)據(jù)。圖2.3是卷積層中的卷積運(yùn)算示例，其中假設(shè)輸入一個(gè)3×3矩陣圖像，使用valid-padding操作，卷積核大小為2×2，卷積核從左上角開(kāi)始滑動(dòng)，該卷積計(jì)算過(guò)程每次滑動(dòng)一格，步長(zhǎng)為1。圖2.3卷積計(jì)算過(guò)程卷積核具有兩個(gè)性質(zhì)，分別是局部感受野、權(quán)值共享。局部感受野是由于圖像數(shù)據(jù)當(dāng)中相連的像素點(diǎn)關(guān)聯(lián)性更強(qiáng)，所以卷積核從圖像局部開(kāi)始提取特征，而不用感知圖像所有的輸入輸出，其作用是能夠很大程度地減少卷積網(wǎng)絡(luò)的計(jì)算量。權(quán)值共享是由于圖像相同底層特征和特征的位置沒(méi)有關(guān)系，所以使用共享的卷積核對(duì)相同特征的圖像進(jìn)行滑動(dòng)提取相關(guān)特征，其作用是能夠減少參數(shù)數(shù)量，提升卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程的收斂速度。2.1.2.3池化層池化層在卷積神經(jīng)網(wǎng)絡(luò)中的作用是減少訓(xùn)練參數(shù)的數(shù)量，使得圖像的特征圖變小，主要使用于圖像太大的時(shí)候。常用的池化操作方法有兩種，第一種是最大池化（max-pooling），第二種是均值池化（average-pooling），也叫做平均池化。圖像經(jīng)過(guò)池化操作后其縱深維度不會(huì)變化。如圖2.4所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識(shí)別研究[J]. 邱靖,劉繼榮,曹志勇,李俊杰,楊毅.  云南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(05)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的乳腺病理圖像識(shí)別算法[J]. 凌語(yǔ),孫自強(qiáng).  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度葡萄圖像識(shí)別方法[J]. 邱津怡,羅俊,李秀,賈偉,倪福川,馮慧.  計(jì)算機(jī)應(yīng)用. 2019(10)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的食品圖像識(shí)別[J]. 廖恩紅,李會(huì)芳,王華,龐雄文.  華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的小樣本樹(shù)皮圖像識(shí)別方法[J]. 劉嘉政.  西北林學(xué)院學(xué)報(bào). 2019(04)
[6]SIFT與Harris提取圖像特征點(diǎn)的分析研究[J]. 趙悟,段永璇,段會(huì)川,肖憲翠,張睿,岳媛,孫小飛,范軍.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(12)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[8]基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的視頻動(dòng)態(tài)煙霧檢測(cè)[J]. 陳俊周,汪子杰,陳洪瀚,左林翼.  電子科技大學(xué)學(xué)報(bào). 2016(06)
[9]基于雙重優(yōu)化的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別算法[J]. 劉萬(wàn)軍,梁雪劍,曲海成.  模式識(shí)別與人工智能. 2016(09)
[10]集成BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的研究與應(yīng)用[J]. 趙會(huì)敏,雒江濤,楊軍超,徐正,雷曉,羅林.  電信科學(xué). 2016(02)

博士論文
[1]基于動(dòng)態(tài)紋理和卷積神經(jīng)網(wǎng)絡(luò)的視頻煙霧探測(cè)方法研究[D]. 林高華.中國(guó)科學(xué)技術(shù)大學(xué) 2018

碩士論文
[1]基于視頻的煙霧檢測(cè)算法研究[D]. 相徐斌.浙江大學(xué) 2017



本文編號(hào)：2956082