【摘要】：在盡量短的時間內實現(xiàn)葉片圖像識別對研究、保護植物具有重要的實踐意義；然而人工分析和處理爆炸性增長的葉片圖像數(shù)據(jù)幾乎是不可能完成的。因而,使用計算機進行輔助的植物識別來提高植物葉片圖像識別效率、減少人工成本是現(xiàn)在的研究熱點。傳統(tǒng)的葉片識別由于提取的特征不夠充分或者是分類器模型復雜度不夠,導致葉片種類增加到一定數(shù)量后識別率不夠高。針對這個問題,本文提出使用多特征融合的特征向量和深度信念網(wǎng)絡分類器進行葉片識別。本文的主要研究內容和結論如下：1、本文使用典型的Flavia葉片數(shù)據(jù)庫和ICL數(shù)據(jù)庫進行實驗。首先我們對葉片圖像進行預處理,包括濾波、旋轉、剪裁等,去除圖像拍攝問題對識別的干擾。然后計算了傅里葉描述子、Gabor濾波特征、局部二值模式、Hu不變量、灰度共生矩陣特征構成葉片特征向量。2、我們使用能夠建立復雜的分類構架的深度信念網(wǎng)絡作為分類器。在分類器訓練過程中,使用"dropout"算法減少其過擬合現(xiàn)象的產(chǎn)生。這個算法對Flavia數(shù)據(jù)庫中的32種葉片和ICL數(shù)據(jù)庫中的220種葉片的識別率分別為99.37%、91.2%,并與其他研究者的結果進行了比較。我們還通過實驗分析訓練樣本數(shù)量、隱含層單元數(shù)、批訓練大小等因素對深度信念網(wǎng)絡識別效果的影響,為設計良好的網(wǎng)絡結構提供依據(jù)。3、由于預訓練過程對深度信念網(wǎng)絡的影響很大,所以本文提出了2種改進的預訓練算法以進一步提高識別率。第1種稱為Mean-DBNs算法,采用參數(shù)取其訓練平均值作為預訓練步驟的結果,在ICL數(shù)據(jù)庫中對220種葉片的識別率為93.1%。第2種是在參數(shù)調節(jié)的過程中增加了積分環(huán)節(jié)和微分環(huán)節(jié),稱作PID-DBNs算法。實驗顯示這種改進算法對220種葉片的識別率可以達到94.1%,并且比原來的網(wǎng)絡所需要的訓練時間更短、穩(wěn)定性更強。
[Abstract]:The realization of leaf image recognition in the shortest possible time is of great practical significance to the research and protection of plants, however, it is almost impossible to analyze and process the explosively growing leaf image data manually. Therefore, the use of computer-aided plant recognition to improve the efficiency of plant leaf image recognition, reduce labor costs is now the focus of research. Because of the insufficient extracted features or the insufficient complexity of classifier model, the recognition rate of the traditional leaf recognition is not high enough when the number of leaves is increased to a certain number. In order to solve this problem, this paper proposes a multi-feature fusion feature vector and depth belief network classifier for blade recognition. The main contents and conclusions of this paper are as follows: 1. The typical Flavia blade database and ICL database are used to experiment in this paper. First, we pre-process the blade image, including filtering, rotation, clipping and so on, to remove the interference of the image shooting problem to the recognition. Then Fourier descriptors, Gabor filtering features, local binary patterns, Hu invariants, gray-level co-occurrence matrix features are calculated to form the blade feature vector. 2. We use the depth belief network which can build complex classification framework as the classifier. In the process of classifier training, "dropout" algorithm is used to reduce the occurrence of over-fitting. The recognition rates of 32 blades in Flavia database and 91.2% in ICL database are 99.37% and 91.2% respectively. The results are compared with those of other researchers. We also analyze the influence of the number of training samples, the number of hidden layer units and the size of batch training on the recognition effect of depth belief network through experiments, which provide a basis for designing a good network structure. 3, Because the pre-training process has a great influence on the depth belief network, this paper proposes two improved pre-training algorithms to further improve the recognition rate. The first one is called Mean-DBNs algorithm. The training average value of the parameters is used as the result of the pre-training step. The recognition rate of 220 kinds of blades in ICL database is 93.1%. The second is to add integral and differential links in the process of parameter adjustment, which is called PID-DBNs algorithm. The experiments show that the recognition rate of 220 blades can reach 94.1%, and the training time is shorter and the stability is stronger than the original network.
【學位授予單位】：北京林業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 帷幄;如何防止網(wǎng)絡參數(shù)被篡改[J];網(wǎng)絡與信息;2002年02期

2 ;控制網(wǎng)絡的正確選擇[J];機電信息;1998年05期

3 ;無線網(wǎng)絡參數(shù)[J];計算機與網(wǎng)絡;2002年14期

4 邱梓振;無圖網(wǎng)絡的參數(shù)計算[J];龍巖師專學報;1991年03期

5 ;享受極品網(wǎng)絡加速[J];電子科技;2001年05期

6 周永權,焦李成;層次泛函網(wǎng)絡整體學習算法[J];計算機學報;2005年08期

7 周永權;何登旭;焦李成;李陶深;;層次泛函網(wǎng)絡學習算法及其在時間序列分析中的應用[J];數(shù)據(jù)采集與處理;2006年02期

8 馮業(yè)榮;BP網(wǎng)絡及其學習功能初探[J];廣東氣象;1995年01期

9 何平,潘國峰,董永峰;模糊SOM網(wǎng)絡在油氣預測中的應用[J];河北工業(yè)大學學報;2003年05期

10 武星軍,朱世強,金波;RAN網(wǎng)絡及其應用的研究[J];儀器儀表學報;2001年01期

相關會議論文 前9條

1 莫富強;王浩;姚宏亮;;動態(tài)貝葉斯網(wǎng)絡參數(shù)學習算法的一種加速[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

2 方錦清;;網(wǎng)絡科學理論研究的若干進展與展望-近年我院復雜網(wǎng)絡小組的研究概述[A];第三屆全國復雜動態(tài)網(wǎng)絡學術論壇論文集[C];2006年

3 王惠生;;GSM-R網(wǎng)絡參數(shù)ACCMIN的設置及對系統(tǒng)的影響[A];鐵道科學技術新進展——鐵道科學研究院五十五周年論文集[C];2005年

4 董樹義;趙永久;路宏敏;;微波規(guī)準網(wǎng)絡參數(shù)擬合模型與CAT[A];1991年全國微波會議論文集（卷Ⅱ）[C];1991年

5 陳濤;龔正虎;胡寧;;基于改進BP算法的網(wǎng)絡態(tài)勢預測模型[A];2009全國計算機網(wǎng)絡與通信學術會議論文集[C];2009年

6 彭振宇;朱暢華;董樹義;;傳輸型雙六端口測量網(wǎng)絡參數(shù)的優(yōu)化方案探討[A];1995年全國微波會議論文集（下冊）[C];1995年

7 方錦清;汪小帆;鄭志剛;;非線性網(wǎng)絡的動力學復雜性研究的進展概況[A];第四屆全國網(wǎng)絡科學學術論壇暨研究生暑期學校論文集[C];2008年

8 吳曄;肖井華;馬寶軍;吳智遠;楊俊忠;;手機短信網(wǎng)絡的生長過程研究[A];2006全國復雜網(wǎng)絡學術會議論文集[C];2006年

9 梁昌洪;張新軍;;一類非均勻傳輸線網(wǎng)絡參數(shù)的數(shù)值求解[A];1997年全國微波會議論文集(下冊)[C];1997年

相關重要報紙文章 前10條

1 魏大可;校園網(wǎng)絡參數(shù)維護技巧之隱藏法[N];中國電腦教育報;2003年

2 北京 阮征;遠程修改網(wǎng)絡參數(shù)[N];電腦報;2004年

3 本報記者 葉閃;告別網(wǎng)絡亞健康狀態(tài)[N];計算機世界;2001年

4 武君;網(wǎng)絡優(yōu)化因“段”制宜[N];通信產(chǎn)業(yè)報;2006年

5 廣西 卜云聲;網(wǎng)絡切換開關——Netswitcher[N];電腦報;2001年

6 愛立信(中國)通信有限公司;自組織網(wǎng)絡:構建高效低成本移動網(wǎng)絡[N];通信產(chǎn)業(yè)報;2010年

7 記者 趙雅琪;“易優(yōu)”有效解決TD網(wǎng)絡優(yōu)化難題[N];人民郵電;2009年

8 上海貝爾 肖曄　陳曦 李勇;建設性能優(yōu)異的WCDMA網(wǎng)絡[N];人民郵電;2009年

9 劉學勇;解讀NGMN白皮書[N];通信產(chǎn)業(yè)報;2007年

10 本報實習記者 賈冕;WiFi共享：是福是禍？[N];中國知識產(chǎn)權報;2013年

相關博士學位論文 前10條

1 周文剛;網(wǎng)絡流量分類識別若干技術研究[D];電子科技大學;2014年

2 王濤;全局耦合網(wǎng)絡的特性及其混沌控制研究[D];哈爾濱工程大學;2012年

3 蘇先創(chuàng);復雜網(wǎng)絡的結構刻畫與蛋白質作用網(wǎng)絡的建模研究[D];浙江大學;2011年

4 楊談;網(wǎng)絡混沌行為及其控制的研究[D];北京郵電大學;2009年

5 嚴傳魁;基于一種自適應突觸學習規(guī)則的網(wǎng)絡同步分析以及在記憶模型中的應用[D];華東理工大學;2012年

6 史偉;基于復雜網(wǎng)絡的拓撲與信息傳輸問題研究[D];天津大學;2010年

7 王河山;回聲狀態(tài)網(wǎng)絡的結構參數(shù)優(yōu)化及其應用[D];華東理工大學;2016年

8 王建民;基于回聲狀態(tài)網(wǎng)絡的非線性時間序列預測方法研究[D];哈爾濱工業(yè)大學;2011年

9 姚春光;基于復雜網(wǎng)絡的網(wǎng)上商品交易行為特征研究[D];北京郵電大學;2015年

10 侯婕;位置與標識分離網(wǎng)絡關鍵技術研究[D];國防科學技術大學;2011年

相關碩士學位論文 前10條

1 唐小虹;復雜網(wǎng)絡級聯(lián)失效下的負載重分配機制研究[D];西南交通大學;2015年

2 劉煒;無線網(wǎng)絡資源動態(tài)監(jiān)測與分配技術研究[D];電子科技大學;2015年

3 李海生;CDMA移動網(wǎng)絡1X無線利用率提升的方案設計與工程實現(xiàn)[D];浙江工業(yè)大學;2015年

4 郭磊;二型模糊深度信念網(wǎng)絡的研究與應用[D];太原理工大學;2016年

5 姚成;基于網(wǎng)絡參數(shù)感知的多維協(xié)同能效優(yōu)化[D];東北大學;2014年

6 焉紅偉;復雜網(wǎng)絡上消息傳播可信度檢測方法的研究[D];吉林大學;2016年

7 劉念;基于深度信念網(wǎng)絡的植物葉片識別研究[D];北京林業(yè)大學;2016年

8 周永進;BP網(wǎng)絡的改進及其應用[D];南京信息工程大學;2007年

9 劉博;網(wǎng)絡行為的可控能力研究[D];山東大學;2011年

10 唐玲暇;基于TSBP網(wǎng)絡的效率評價研究[D];北京交通大學;2012年

，

本文編號：2455654