本文關鍵詞：基于深度網(wǎng)絡特征學習的植物葉片識別算法研究與實現(xiàn)

  更多相關文章： 特征學習 二值伽柏 極限學習機 卷積神經(jīng)網(wǎng)絡 反卷積

【摘要】：植物是我們?nèi)祟惿娌荒苋鄙俚囊徊糠?認識植物,了解植物特性對于我們的生命活動至關重要。隨著大數(shù)據(jù)時代的到來,數(shù)字媒體技術的發(fā)展,我們可以十分便捷的獲取大量的植物圖片,面對網(wǎng)絡中如此海量的數(shù)據(jù),如何快速準確的識別植物物種,從而了解特性是目前植物葉片識別領域面臨的挑戰(zhàn)。近些年來,植物葉片識別課題在計算機視覺領域得到持續(xù)的研究。研究者們的焦點主要集中在如何提高葉片識別的正確率和時間效率上。隨著神經(jīng)網(wǎng)絡科學和人工智能的發(fā)展,人們擺脫了單一特征學習的方法,通過各學科間的協(xié)同融合,從而達到更理想的識別效果。學習(即特征學習)一直都是處理智能識別問題的核心。本文把特征學習,機器學習和神經(jīng)科學多方面的結合創(chuàng)造性的應用于植物葉片識別。因此,本文主要圍繞通過研究逐漸探索從淺層到深層網(wǎng)絡特征學習的植物葉片識別算法,主要的研究內(nèi)容包括如下三個方面:首先,本文的研究內(nèi)容主要是使用特征提取算法提取葉片庫中葉片的紋理特征,對得到的一組特征向量,使用機器學習的方法放入分類器中進行訓練預測。在保證葉片旋轉不變性下,我們使用二值伽柏模式算法(BGP)提取細節(jié)紋理特征,并選用更為簡單有效的極限學習機(ELM)作為分類器。然后,本文發(fā)現(xiàn)對于我們逐漸擴充的數(shù)據(jù)庫,特征提取的方法無論是在準確率還是時間上,都表現(xiàn)的不是特別理想,而且在提取特征這一方面,人工干預比較多。因此,對于擴充的數(shù)據(jù)庫,我們的研究思路主要是利用深度學習的框架,對于訓練集和測試集,利用卷積神經(jīng)網(wǎng)絡(CNN)的思想,設計網(wǎng)絡結構,調(diào)整網(wǎng)絡參數(shù),逐層的自主學習更為深層的特征,得到特征模型進行預測。并且我們還使用反卷積網(wǎng)絡進行逐層可視化,顯示學習到的特征,驗證網(wǎng)絡的合理性和有效性,探索網(wǎng)絡的改進空間。最后,根據(jù)本文的研究方案,我們設計了兩套植物葉片識別的系統(tǒng)直觀的驗證可行性和合理性�；谔卣魈崛〉南到y(tǒng),對于輸入的任意葉片,顯示特征直方圖和數(shù)據(jù)庫中與之相似的排名前10的葉片(包括相似度值和類別);基于深度學習的系統(tǒng),對于任意的測試圖片,顯示逐層的可視化特征圖(每層對應9張最大激活圖)和數(shù)據(jù)庫中與之相似的排名前5的葉片(包括準確率和類別)。同時,從識別效果和定性分析上,分析比較了兩種方法,顯示各個方法的單張測試結果,得出結論。
【學位授予單位】：深圳大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：Q94;TP391.41

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王婷;陳功;萬遂人;;傅里葉-小波正則反卷積醫(yī)學超聲成像方法[J];聲學技術;2011年06期

2 戴冠中,喻鐵軍,王立新,馮旭,成磊,趙強績,馮保民,付繼光,陳樹文,崔文新;極大似然反卷積軟件包[J];控制理論與應用;1992年04期

3 陳僅星;一種快速反卷積方法及其實現(xiàn)[J];集美大學學報(自然科學版);2000年02期

4 羅林;樊敏;沈忙作;;光學系統(tǒng)參數(shù)確定帶寬約束的天文圖像盲反卷積[J];天文學報;2007年03期

5 劉琚,聶開寶,梅良模,何振亞;基于最小輸出熵的盲反卷積方法[J];山東大學學報(理學版);2002年06期

6 楊懷棟;徐立;陳科新;黃星月;何慶聲;譚峭峰;金國藩;;盲目反卷積光譜圖超分辨復原算法[J];光譜學與光譜分析;2007年07期

7 黃建明;沈忙作;;基于噪聲特性的大氣湍流退化圖像多幀盲反卷積復原[J];光學學報;2008年09期

8 李睿凡,施發(fā)剛,瞿安連;三維反卷積顯微成像技術淺談[J];生物技術通訊;2001年03期

9 鄧自立;王佳偉;張明波;;統(tǒng)一和通用的白噪聲信息融合反卷積估值器[J];科學技術與工程;2006年14期

10 李棟棟,郭學彬,瞿安連,徐濤;以三維熒光反卷積顯微技術研究活體細胞中分泌囊泡的空間分布[J];生物化學與生物物理學報;2003年07期

中國重要會議論文全文數(shù)據(jù)庫 前6條

1 吳新星;李明;李目海;單佩韋;;網(wǎng)絡微積分中最小加反卷積的研究[A];2008'中國信息技術與應用學術論壇論文集（一）[C];2008年

2 盧少平;;基于盲反卷積的圖像上采樣算法[A];第六屆和諧人機環(huán)境聯(lián)合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

3 李棟棟;郭學彬;瞿安連;徐濤;;應用三維熒光反卷積顯微技術觀察活體細胞[A];中國生理學會第21屆全國代表大會暨學術會議論文摘要匯編[C];2002年

4 熊俊;李棟棟;瞿安連;;活體細胞四維圖像科學可視化方法的研究[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

5 蘇兆鋒;楊海亮;孫劍鋒;叢培天;王亮平;;“強光一號”加速器能譜測量實驗中的波形還原問題初探[A];第十二屆反應堆數(shù)值計算與粒子輸運學術會議論文集[C];2008年

6 李育杉;戴憲華;劉軍;;一種時變MIMO系統(tǒng)盲反卷積模型[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 孫小君;最優(yōu)和自校正多傳感器信息融合白噪聲反卷積估值器[D];黑龍江大學;2010年

2 婁帥;多尺度變換域圖像反卷積理論研究[D];哈爾濱工業(yè)大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李鶴;利用反卷積提高布里淵光纖傳感系統(tǒng)空間分辨率的研究[D];哈爾濱工業(yè)大學;2015年

2 孫世豹;基于傳遞函數(shù)評價的共焦顯微圖像反卷積降噪處理算法研究[D];哈爾濱工業(yè)大學;2015年

3 馬威鋒;CLAD反卷積方法中噪聲抑制效應的探究[D];南方醫(yī)科大學;2015年

4 鄒岸;聽覺誘發(fā)電位的一種刺激序列優(yōu)化技術及反卷積方法[D];南方醫(yī)科大學;2015年

5 袁雪寒;基于反卷積網(wǎng)絡的圖像模式學習及應用[D];華南理工大學;2016年

6 陶姣;基于半盲反卷積源分離的胎兒心電信號提取研究[D];重慶大學;2016年

7 孟良;高分辨率快速反卷積聲源成像技術研究[D];合肥工業(yè)大學;2017年

8 王瑾;一種圖像反卷積的光滑L_0正則化算法[D];大連海事大學;2017年

9 劉晶晶;基于深度網(wǎng)絡特征學習的植物葉片識別算法研究與實現(xiàn)[D];深圳大學;2017年

10 蔡曉燕;醫(yī)學超聲信號反卷積研究[D];東南大學;2006年

，

本文編號：1280498