中國(guó)是花卉種植大國(guó),種類資源豐富,栽培歷史悠久,相關(guān)從業(yè)人員眾多。其中,花卉分類是植物學(xué)研究領(lǐng)域和花卉業(yè)生產(chǎn)中重要的基礎(chǔ)性工作,從而花卉分類學(xué)是一項(xiàng)具有長(zhǎng)遠(yuǎn)意義的基礎(chǔ)性研究,但是其分類過程需耗費(fèi)大量的人力和物力。隨著手機(jī)設(shè)備等成像技術(shù)的發(fā)展,人們對(duì)花卉圖像進(jìn)行收集、認(rèn)識(shí)和區(qū)分,奠定了花卉智能分類識(shí)別的基礎(chǔ)。近幾年來,深度學(xué)習(xí)從機(jī)器學(xué)習(xí)中脫穎而出,成為一門蓬勃發(fā)展的新型學(xué)科,它的發(fā)展極大地促進(jìn)了科學(xué)技術(shù)的進(jìn)步,同時(shí)也不斷改變著我們對(duì)世界的認(rèn)知,帶領(lǐng)我們走進(jìn)了人工智能時(shí)代。目前,深度學(xué)習(xí)已經(jīng)被廣泛應(yīng)用于在圖像識(shí)別和語(yǔ)音識(shí)別等領(lǐng)域�；ɑ軋D像的識(shí)別與分類研究一直是深度學(xué)習(xí)的熱點(diǎn),它既可以幫助非專業(yè)人員了解并認(rèn)識(shí)花卉,進(jìn)一步對(duì)其進(jìn)行準(zhǔn)確分類,也減少了植物專家進(jìn)行花卉分類所需的時(shí)間和精力,幫助他們?cè)O(shè)計(jì)植物學(xué)機(jī)器人,實(shí)現(xiàn)自動(dòng)化園林管理。針對(duì)花卉圖像分類問題,本文研究探討了深度學(xué)習(xí)的基本理論和相關(guān)技術(shù),并將其中的一些技術(shù)運(yùn)用到花卉分類任務(wù)中,旨在提高花卉圖像分類識(shí)別的準(zhǔn)確率。本文主要工作如下:（1）介紹花卉圖像分類識(shí)別的研究背景和意義,并闡述國(guó)內(nèi)外研究動(dòng)態(tài)。（2）介紹深度學(xué)習(xí)的相關(guān)知識(shí)和一些花卉圖像分... 

【文章來源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：59 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

同種

據(jù)Hubel和Wiese發(fā)現(xiàn)的相關(guān)知識(shí)提出神經(jīng)認(rèn)知機(jī)。神經(jīng)認(rèn)知機(jī)由簡(jiǎn)單細(xì)胞層和較復(fù)雜細(xì)胞層交替組合構(gòu)成，簡(jiǎn)單細(xì)胞層常常能最大程度捕獲目標(biāo)邊緣刺激，并對(duì)其局部空間特征進(jìn)行提取，而較復(fù)雜細(xì)胞層對(duì)于目標(biāo)位置的局部響應(yīng)不敏感。卷積神經(jīng)網(wǎng)絡(luò)（Convolutionneuralnetwork，CNN）是一種專門設(shè)計(jì)用于處理多維原始輸入數(shù)據(jù)的多層網(wǎng)絡(luò)，其中，最基本的單位是神經(jīng)元。同一層中的神經(jīng)元彼此不連接，而相鄰層中的神經(jīng)元都彼此連接，多個(gè)獨(dú)立的神經(jīng)元形成每個(gè)平面，而多個(gè)二維平面形成卷積神經(jīng)網(wǎng)絡(luò)的每個(gè)層級(jí)關(guān)系[24]。一個(gè)簡(jiǎn)單的CNN模型如圖2-1所示，網(wǎng)絡(luò)由輸入層，隱藏層和輸出層構(gòu)成，隱藏層中常常由卷積層C和池化層S組成。通常，首先通過卷積層的卷積運(yùn)算對(duì)輸入圖像進(jìn)行卷積以生成相應(yīng)的特征圖，然后對(duì)每個(gè)特性圖的局部響應(yīng)區(qū)域進(jìn)行加權(quán)求和，添加偏置函數(shù)后再通過非線性激活函數(shù)來生成特征圖，最后執(zhí)行輸出。與傳統(tǒng)的人工設(shè)計(jì)特征相比，CNN對(duì)圖像進(jìn)行分類識(shí)別，避免了早期復(fù)雜的人工設(shè)計(jì)特征和提取特征，直接輸入圖像，CNN進(jìn)行訓(xùn)練學(xué)習(xí)，并隨著網(wǎng)絡(luò)層的不斷加深而CNN分類的精度也在逐漸提高，既準(zhǔn)確又高效。圖2-1簡(jiǎn)單的CNN模型結(jié)構(gòu)圖2.1.1Lenet-5網(wǎng)絡(luò)Lenet-5是比較基礎(chǔ)的深度學(xué)習(xí)模型之一，其結(jié)構(gòu)模型圖如2-2所示。

第2章相關(guān)技術(shù)簡(jiǎn)介9圖2-2Lenet-5網(wǎng)絡(luò)模型結(jié)構(gòu)圖LeNet-5模型總計(jì)7層，每層包含眾多參數(shù)。雖然層數(shù)只有7層，但是也包含了卷積層，池化層，全連接層。首先，輸入層輸入原始圖像，原始圖像被處理成32×32個(gè)像素點(diǎn)的值。C1層是卷積層，包含了6個(gè)特征圖。特征圖中的每個(gè)映射，即28x28個(gè)神經(jīng)元，它們共享卷積核權(quán)值參數(shù)。通過卷積運(yùn)算，原始信號(hào)特征增強(qiáng)并降低噪聲，若卷積核不同，從圖像中提取到的特征也不同；S2層是一個(gè)池化層，它將局部像素值平均化來實(shí)現(xiàn)子抽樣，可以在某種程度上保證網(wǎng)絡(luò)的特征被提取，同時(shí)大大降低運(yùn)算量，減少了網(wǎng)絡(luò)結(jié)構(gòu)過擬合的風(fēng)險(xiǎn)。該池化層包含了6個(gè)特征映射，每個(gè)映射的像素值為14x14。C3卷積層由16個(gè)特征映射構(gòu)成，每個(gè)特征映射用于加權(quán)和計(jì)算的卷積核為10x10的。S4池化層同樣包含16個(gè)特征映射，每個(gè)特征映射中所用的是5x5的卷積核。C5是用5x5的卷積核進(jìn)行運(yùn)算，包含120個(gè)神經(jīng)元。F6是全連接層，包含了84個(gè)特征圖。全連接層中對(duì)輸入進(jìn)行點(diǎn)積之后加入偏置，然后經(jīng)過一個(gè)激活函數(shù)傳輸給輸出層的神經(jīng)元。最后一層為輸出層，設(shè)置了10個(gè)神經(jīng)元來進(jìn)行分類，得到輸出設(shè)置。雖然Lenet-5模型比較經(jīng)典，但是迫于實(shí)際需求的不斷增加，LeNet-5并沒有形成很大范圍的應(yīng)用。隨著修正線性單元ReLU與隨機(jī)失活dropout的提出，以及GPU帶來計(jì)算力突破和互聯(lián)網(wǎng)時(shí)代大數(shù)據(jù)的爆發(fā)，卷積神經(jīng)網(wǎng)絡(luò)也正經(jīng)歷著改革。2.1.2Alexnet網(wǎng)絡(luò)Alexnet網(wǎng)絡(luò)在2012年風(fēng)靡全球，在卷積神經(jīng)網(wǎng)絡(luò)中掀起了一股熱潮，同年還贏得了2012屆圖像分類識(shí)別大賽的冠軍，Alexnet網(wǎng)絡(luò)的問世，一度使得卷積神經(jīng)網(wǎng)絡(luò)成為在圖像分類方面的核心算法模型。Alexnet將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于更多更深更寬的網(wǎng)絡(luò)中，對(duì)于圖像分類任務(wù)來說，Alexnet因?yàn)閷訑?shù)的增加，數(shù)據(jù)處理的能力也?

【參考文獻(xiàn)】：
期刊論文
[1]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別[J]. 許景輝,邵明燁,王一琛,韓文霆.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(02)
[2]基于LeNet-5模型的手寫數(shù)字識(shí)別優(yōu)化方法[J]. 汪雅琴,夏春蕾,戴曙光.  計(jì)算機(jī)與數(shù)字工程. 2019(12)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的花卉種類識(shí)別系統(tǒng)[J]. 宋子龍.  計(jì)算機(jī)產(chǎn)品與流通. 2019(12)
[4]基于AlexNet網(wǎng)絡(luò)的動(dòng)物圖片分類[J]. 周德良.  貴州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[J]. 龐絲絲,黃呈鋮.  現(xiàn)代計(jì)算機(jī). 2019(23)
[6]卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化綜述[J]. 林景棟,吳欣怡,柴毅,尹宏鵬.  自動(dòng)化學(xué)報(bào). 2020(01)
[7]選擇性卷積特征融合的花卉圖像分類[J]. 尹紅,符祥,曾接賢,段賓,陳英.  中國(guó)圖象圖形學(xué)報(bào). 2019(05)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的花卉識(shí)別研究[J]. 曾凡婧,雷鳴.  電腦知識(shí)與技術(shù). 2019(11)
[9]一種改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)的花卉圖像分類[J]. 吳迪,侯凌燕,劉秀磊,李紅臣.  河南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[10]基于深度學(xué)習(xí)的快速植物圖像識(shí)別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)

碩士論文
[1]基于部分知識(shí)的遷移學(xué)習(xí)方法研究[D]. 翟杰.南京郵電大學(xué) 2019
[2]基于深度分離卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人花卉分揀系統(tǒng)[D]. 程濤.湖南工業(yè)大學(xué) 2019
[3]基于遷移學(xué)習(xí)的織物布面缺陷檢測(cè)研究[D]. 殷鵬.西安工程大學(xué) 2019
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類方法研究[D]. 史亮亮.河北科技大學(xué) 2019
[5]基于注意力機(jī)制的長(zhǎng)文檔分類方法的研究[D]. 劉柳.南京信息工程大學(xué) 2019
[6]基于深度學(xué)習(xí)的花卉圖像檢索系統(tǒng)的研究與實(shí)現(xiàn)[D]. 牛源.揚(yáng)州大學(xué) 2019
[7]基于遷移學(xué)習(xí)的女性癌癥醫(yī)療圖像識(shí)別應(yīng)用研究[D]. 胡卉.天津工業(yè)大學(xué) 2019
[8]基于深度卷積網(wǎng)的遷移學(xué)習(xí)技術(shù)研究[D]. 王平.大連交通大學(xué) 2018
[9]基于深度學(xué)習(xí)的花卉圖像分類算法研究[D]. 尹紅.南昌航空大學(xué) 2018
[10]基于深度模型遷移學(xué)習(xí)的花卉圖像分類方法[D]. 郜翔.河南師范大學(xué) 2018



本文編號(hào)：3605983