發(fā)布時(shí)間：2024-02-03 16:28

　　采用深度學(xué)習(xí)算法實(shí)現(xiàn)植物圖片的自動(dòng)識(shí)別,并將該算法嵌入手機(jī)APP,應(yīng)用到園林植物學(xué)教學(xué)中,輔助教師的教學(xué)工作和學(xué)生課后的自主學(xué)習(xí)活動(dòng)。算法中數(shù)據(jù)采集與標(biāo)記采用園林植物專(zhuān)家篩選和標(biāo)記,數(shù)據(jù)處理采用隨機(jī)增強(qiáng)算法避免過(guò)擬合,卷積神經(jīng)網(wǎng)絡(luò)采用MobileNet以適用于移動(dòng)終端,損失函數(shù)采用正例損失和負(fù)例損失,參數(shù)優(yōu)化采用Adam算法。最終訓(xùn)練結(jié)果達(dá)到90%以上的精度,滿足實(shí)用需要,達(dá)到優(yōu)化園林植物學(xué)課程的課堂與課后教學(xué)活動(dòng)的效果,有效地解決植物識(shí)別在種類(lèi)數(shù)量、準(zhǔn)確度和速度上的難點(diǎn)。

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

圖1算法框圖

深度學(xué)習(xí)(DL)是機(jī)器學(xué)習(xí)(ML)的子集,受到人類(lèi)大腦的啟發(fā),DL采用多層互聯(lián)的人工神經(jīng)網(wǎng)絡(luò)算法�，F(xiàn)代深度學(xué)習(xí)通常采用數(shù)十甚至上百層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),每一層都在上一層的基礎(chǔ)上逐步抽象,最終從訓(xùn)練數(shù)據(jù)中提取特征。圖1為采用的深度學(xué)習(xí)算法框圖。植物圖片經(jīng)過(guò)人工采集和標(biāo)記后進(jìn)行預(yù)處理,預(yù)處....

圖2數(shù)據(jù)預(yù)處理

由于數(shù)據(jù)集是有限的,所以在訓(xùn)練時(shí)可能出現(xiàn)過(guò)擬合的情況,導(dǎo)致泛化性能變差。為了減少神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的過(guò)擬合現(xiàn)象,對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理(圖2),預(yù)處理會(huì)從訓(xùn)練集數(shù)據(jù)中隨機(jī)生成更多的數(shù)據(jù)。預(yù)處理共有5個(gè)步驟,每一步的參數(shù)都是隨機(jī)產(chǎn)生的。其中,第1步圖像旋轉(zhuǎn),參數(shù)包括旋轉(zhuǎn)中心和旋轉(zhuǎn)角度;....

圖3標(biāo)準(zhǔn)卷積

深度可分離卷積將標(biāo)準(zhǔn)卷積分解成深度卷積和一個(gè)1×1的逐點(diǎn)卷積。深度卷積針對(duì)每個(gè)輸入通道使用1個(gè)濾波器進(jìn)行濾波,逐點(diǎn)卷積使用1×1的卷積操作來(lái)組合所有深度卷積得到的輸出。深度可分離卷積將卷積分為了2層,這種分解能夠有效地大量減少計(jì)算量以及模型的大小。標(biāo)準(zhǔn)卷積如圖3,其卷積核K大小為....

圖4深度卷積

與標(biāo)準(zhǔn)卷積相比,深度卷積大大減少了運(yùn)算量。圖5深度卷積逐點(diǎn)卷積

本文編號(hào)：3894401