發(fā)布時(shí)間：2021-01-12 08:09

　　我國(guó)已是草莓生產(chǎn)消費(fèi)第一大國(guó),草莓種植業(yè)為我國(guó)農(nóng)業(yè)發(fā)展的重點(diǎn)之一。合理監(jiān)控和防治草莓病蟲害,使草莓增產(chǎn)、多產(chǎn)是提高草莓總產(chǎn)量的最基本的方法。傳統(tǒng)的人工檢查病蟲害方法依賴檢測(cè)人員的專業(yè)知識(shí),而且檢測(cè)過程效率不高、實(shí)時(shí)性差,容易存在各種因素而導(dǎo)致的誤差。根據(jù)以上問題,本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的草莓病蟲害圖像分類算法,將注意力機(jī)制（Attention）和中心損害函數(shù)（Center-loss）引入經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò),解決現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)分類方法中特征關(guān)鍵區(qū)域信息丟失較大,影響分類的效果的問題,進(jìn)一步提高卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的準(zhǔn)確率。論文主要工作包含如下2方面:（1）提出了一種基于注意力機(jī)制和中心損失函數(shù)的深度圖像分類算法。具體地,為了關(guān)注并提取圖像中重點(diǎn)區(qū)域特征信息,將注意力機(jī)制引入經(jīng)典的殘差網(wǎng)絡(luò)ResNet34,為了減少圖像特征提取過程中信息丟失,將中心損失函數(shù)引入經(jīng)典的殘差網(wǎng)絡(luò)ResNet34,進(jìn)而提出一種基于注意力機(jī)制和中心損失函數(shù)的深度圖像分類算法。為了驗(yàn)證本文算法的性能,將該算法分別與經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)Alex... 

【文章來源】：重慶三峽學(xué)院重慶市

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)元模型

8圖2.2感知器模型將圖2.2的文字用數(shù)學(xué)的方式來表達(dá)得到以下計(jì)算式：=（+∑（×））式(2.2)感知器類似一個(gè)邏輯回歸模型，它的權(quán)值由訓(xùn)練獲得，非線性函數(shù)f()可以是sigmoid函數(shù)、徑向基函數(shù)[51]、tanh(x)函數(shù)等。2.2.3多層感知器多層感知器(MultilayerPerceptron,MLP)是在感知器的基本構(gòu)造上再增加上一層或多層中間層，由輸入層、中間層（隱藏層）、輸出層共三部分所組成，其中中間層和輸出層都會(huì)進(jìn)行計(jì)算工作。多層感知器中，中間層和輸出層的每一個(gè)神經(jīng)元都與相鄰層的所有神經(jīng)元相連接，這種特征被稱為全連接，它的模型圖如下：圖2.3多層感知覺模型多層感知器理論上能無限逼近任意連續(xù)數(shù)，即可以分類解決更復(fù)雜的線性不可分問題。為使訓(xùn)練時(shí)的損失為最小，經(jīng)常采用梯度下降、反向傳播等算法來進(jìn)行優(yōu)化；為提升測(cè)試時(shí)的預(yù)測(cè)效果也會(huì)采用權(quán)重衰減等正則化方法。2.3深度學(xué)習(xí)深度學(xué)習(xí)代表了一系列新型多層神經(jīng)網(wǎng)絡(luò)計(jì)算方法，含多中間層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)的研究發(fā)展促進(jìn)深度學(xué)習(xí)概念的誕生，它的提出解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法——BP算法[52]訓(xùn)練結(jié)果耗時(shí)長(zhǎng)、局部最優(yōu)解

10圖2.4卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)2.4.1卷積層卷積層(convolutionallayer)的基本單位稱作卷積單元，每個(gè)卷積單元由多個(gè)神經(jīng)元組成。卷積單元的神經(jīng)元通過卷積核和輸入的局部像素相連，以此來獲得局部像素的特征，輸出至下一層。卷積核又稱濾波器（filter），通常為大小是n*m的權(quán)值矩陣，其中n和m是感受野。圖2.5卷積過程圖如上圖2.5所示，左邊輸入一個(gè)5*5大小的圖像，用3*3的過濾器來進(jìn)行卷積運(yùn)算，最終生成一個(gè)大小是3*3的卷積特征圖像。假設(shè)有圖像大小n*n，使用f*f的過濾器進(jìn)行步幅為s卷積，為了避免丟失圖像邊緣信息，額外添加一個(gè)填充（padding）操作，填充像素為p，最終輸出維度o大小如下：=（）+1式(2.3)


本文編號(hào)：2972483