采用深度學習算法實現(xiàn)植物圖片的自動識別,并將該算法嵌入手機APP,應(yīng)用到園林植物學教學中,輔助教師的教學工作和學生課后的自主學習活動。算法中數(shù)據(jù)采集與標記采用園林植物專家篩選和標記,數(shù)據(jù)處理采用隨機增強算法避免過擬合,卷積神經(jīng)網(wǎng)絡(luò)采用MobileNet以適用于移動終端,損失函數(shù)采用正例損失和負例損失,參數(shù)優(yōu)化采用Adam算法。最終訓練結(jié)果達到90%以上的精度,滿足實用需要,達到優(yōu)化園林植物學課程的課堂與課后教學活動的效果,有效地解決植物識別在種類數(shù)量、準確度和速度上的難點。

【文章頁數(shù)】：4 頁

【部分圖文】：

圖1算法框圖

深度學習(DL)是機器學習(ML)的子集,受到人類大腦的啟發(fā),DL采用多層互聯(lián)的人工神經(jīng)網(wǎng)絡(luò)算法�，F(xiàn)代深度學習通常采用數(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,最終從訓練數(shù)據(jù)中提取特征。圖1為采用的深度學習算法框圖。植物圖片經(jīng)過人工采集和標記后進行預處理,預處....

圖2數(shù)據(jù)預處理

由于數(shù)據(jù)集是有限的,所以在訓練時可能出現(xiàn)過擬合的情況,導致泛化性能變差。為了減少神經(jīng)網(wǎng)絡(luò)訓練過程中的過擬合現(xiàn)象,對數(shù)據(jù)進行了預處理(圖2),預處理會從訓練集數(shù)據(jù)中隨機生成更多的數(shù)據(jù)。預處理共有5個步驟,每一步的參數(shù)都是隨機產(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標準卷積

深度可分離卷積將標準卷積分解成深度卷積和一個1×1的逐點卷積。深度卷積針對每個輸入通道使用1個濾波器進行濾波,逐點卷積使用1×1的卷積操作來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算量以及模型的大小。標準卷積如圖3,其卷積核K大小為....

圖4深度卷積

與標準卷積相比,深度卷積大大減少了運算量。圖5深度卷積逐點卷積

本文編號：3894401