隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展和物聯(lián)網(wǎng)技術(shù)的普及,涌現(xiàn)出越來越多的智能家居產(chǎn)品,寵物飼養(yǎng)的智能化也成為了可能。寵物貓的日常飼養(yǎng),主要需要照顧的地方就是其日常“吃、喝、拉、撒”,對寵物貓排泄物、進(jìn)食量和飲水量進(jìn)行監(jiān)測是識別和判斷其健康狀況的最佳方法,識別寵物貓排泄物的類型和排泄的次數(shù)可判斷其排泄?fàn)顩r和規(guī)律,從而可以初步推斷寵物目前的健康狀態(tài)。因此,在寵物智能家居系統(tǒng)中,如何使寵物貓的健康狀況診斷快捷、方便、準(zhǔn)確、智能,有效的寵物貓排泄物圖像的識別和分類是至關(guān)重要的。卷積神經(jīng)網(wǎng)絡(luò)這一深度學(xué)習(xí)技術(shù)可以不依賴圖像特定特征進(jìn)行圖像識別,且可以得到較好的識別效果。本文將卷積神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于寵物貓排泄物圖像的識別,并設(shè)計(jì)了一個(gè)基于安卓操作系統(tǒng)的寵物貓智能家居系統(tǒng)。本文研究的主要內(nèi)容如下:1.綜述了基于深度學(xué)習(xí)的圖像分類技術(shù)研究現(xiàn)狀,系統(tǒng)介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本理論。2.針對缺乏公開且足夠大的寵物貓排泄物圖像數(shù)據(jù)集的問題,本文通過人工采集的方式收集數(shù)據(jù),建立了CATFP寵物排泄物圖像數(shù)據(jù)集,共包含寵物貓排泄物圖像10000幅。3.受Inception和ResNet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的啟發(fā),經(jīng)多次實(shí)驗(yàn)后本文提出了一... 

【文章來源】：云南師范大學(xué)云南省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積運(yùn)算卷積核的從圖像的左上角從左到右，自上而下滑動，形成特征映射，從圖

第2章卷積神經(jīng)網(wǎng)絡(luò)相關(guān)知識簡介13征片具有更密集的特征表示。2.4激活層和激活函數(shù)在早期的神經(jīng)網(wǎng)絡(luò)中，每層之間的運(yùn)算一般都是線性運(yùn)算，很難擬合復(fù)雜的函數(shù)，激活函數(shù)的作用就是對線性的輸出做一個(gè)非線性映射，因此激活函數(shù)應(yīng)該是非線性的，由于反向傳播過程中需要進(jìn)行求導(dǎo)，我們一般要求激活函數(shù)有界且連續(xù)可導(dǎo)。另外，激活函數(shù)最好具有單調(diào)性，否則誤差函數(shù)會包含很多的局部極小值點(diǎn)，從而增加訓(xùn)練的難度。在卷積神經(jīng)網(wǎng)絡(luò)中，激活層既可以在池化層之前，也可以在池化層之后。目前，主流的激活函數(shù)有Sigmoid，Tanh，Maxout，ReLU及其變形。2.4.1Sigmoid激活函數(shù)Sigmoid激活函數(shù)為()=11+(2.6)Sigmoid激活函數(shù)的圖像如圖2.4所示，將輸出移動到[0,1]，輸入在0附近時(shí)梯度比較大，輸入比較大時(shí)梯度比較小逐漸趨于0。其主要問題為對于大部分輸入的數(shù)值飽和，使得基于梯度的學(xué)習(xí)問題非常困難。圖2.4Sigmoid激活函數(shù)2.4.2Tanh激活函數(shù)Tanh激活函數(shù)如圖2.5所示

第2章卷積神經(jīng)網(wǎng)絡(luò)相關(guān)知識簡介14圖2.5Tanh激活函數(shù)Tanh的圖像與Sigmoid激活函數(shù)相似，輸出范圍[1,1]，以0為中心。函數(shù)可以看作由Sigmoid激活函數(shù)變換得到:()=()=2(2)1(2.7)Tanh激活函數(shù)同樣存在飽和問題，但是比Sigmoid要好，因?yàn)楫?dāng)激活值很小時(shí)，=(())(2.8)近似于線性激活函數(shù)：=(2.9)2.4.3Maxout激活函數(shù)Maxout【Goodfellow,ICML2013】在輸出神經(jīng)元中選取最大的值激活。()=∈[1,](2.10)其中=+，與Softmax和Tanh激活函數(shù)不同的是，Maxout是一個(gè)分段線性函數(shù)，實(shí)驗(yàn)表明，與Dropout相似，能起到加快網(wǎng)絡(luò)訓(xùn)練防止過擬合的效果。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的工業(yè)車輛駕駛行為識別[J]. 李俊杰,鄧海勤,高志勇,張勇.  信息通信技術(shù). 2019(01)
[2]基于Andriod的智能家居遠(yuǎn)程控制系統(tǒng)設(shè)計(jì)[J]. 普清民.  電腦知識與技術(shù). 2018(20)

碩士論文
[1]基于深度學(xué)習(xí)的蛇類圖像分類問題研究[D]. 付永欽.浙江大學(xué) 2019
[2]基于神經(jīng)網(wǎng)絡(luò)的通信信號調(diào)制識別研究及實(shí)現(xiàn)[D]. 周江.電子科技大學(xué) 2018
[3]面向無人機(jī)編隊(duì)空面任務(wù)的CNN/BN參數(shù)學(xué)習(xí)與決策方法研究[D]. 游堯.國防科技大學(xué) 2017



本文編號：3009926