發(fā)布時(shí)間：2021-07-30 08:48

　　我國(guó)作為世界林業(yè)大國(guó),擁有的植物資源極為豐富,為了對(duì)其更好地研究,植物分類方法的研究至關(guān)重要。植物物種識(shí)別對(duì)鑒定新物種、維持生態(tài)系統(tǒng)平衡以及發(fā)展生產(chǎn)力具有非常重要的作用。采用深度學(xué)習(xí)的方法對(duì)植物圖像分類,需要通過大規(guī)模樣本訓(xùn)練,不需要人工設(shè)計(jì)從而自動(dòng)學(xué)習(xí)到特征,減小了工作量,提高了植物分類的工作效率。論文針對(duì)植物視頻圖像序列,采用深度學(xué)習(xí)方法,對(duì)植物樣本自動(dòng)提取特征（形狀、紋理和顏色等）,訓(xùn)練出植物物種分類神經(jīng)網(wǎng)絡(luò)模型;然后通過模型提取包含植物特征的視頻關(guān)鍵幀,從而達(dá)到對(duì)含有多個(gè)植物信息的視頻進(jìn)行識(shí)別并抽取植物物種圖像信息。首先,使用隨機(jī)剪裁、鏡面翻轉(zhuǎn)和亮度隨機(jī)變化等圖像增強(qiáng)方法構(gòu)建豐富數(shù)據(jù)集,并將數(shù)據(jù)去均值與規(guī)范化后作為神經(jīng)網(wǎng)絡(luò)的輸入,防止網(wǎng)絡(luò)過度學(xué)習(xí)隨機(jī)噪聲,提高模型魯棒性,充分發(fā)揮深度學(xué)習(xí)的優(yōu)勢(shì)。然后,使用MobileNet進(jìn)行遷移學(xué)習(xí),全局均值池化層代替全連接層,并新加入一層512維的全連接層,提高網(wǎng)絡(luò)表達(dá)能力,縮短學(xué)習(xí)進(jìn)程,增加模型的可用性,這點(diǎn)對(duì)移動(dòng)端的實(shí)時(shí)分類很重要。最后,將算法模型移植到移動(dòng)端,設(shè)計(jì)一個(gè)快速有效的植物物種識(shí)別系統(tǒng),并測(cè)試了植物分類識(shí)別的準(zhǔn)確率。論文在模型... 

【文章來源】：北京林業(yè)大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

形色識(shí)花和花伴侶Figure1.1XingSeflowerrecognitionsoftware,andFlowerCompanionsoftware由此可知，深度學(xué)習(xí)在植物物種識(shí)別研究中具有不可替代的地位

基于視頻圖像序列分析的植物物種識(shí)別系統(tǒng)62相關(guān)理論及技術(shù)分析2.1卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)來自對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究，人類識(shí)別物體是個(gè)不斷抽象和迭代的過程，首先，眼睛將圖像傳入大腦皮層的低級(jí)V1區(qū)，提取物體的邊緣特征，抽象判定出物體形狀，再到V2區(qū)分析物體紋理等局部特征，最后到高層的前額皮層對(duì)物體進(jìn)行具體類別的判斷。深度學(xué)習(xí)識(shí)別圖像和文本等信息的過程與人類大腦識(shí)別的過程類似。作為人工智能的經(jīng)典案例，深度學(xué)習(xí)已經(jīng)在圖像分類、無人駕駛、語音識(shí)別和信息物理系統(tǒng)等方面取得了飛快發(fā)展。深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程主要是不停地循環(huán)前向傳播和反向傳播這兩個(gè)過程，隨迭代次數(shù)的增加使得整體損失值降低，直到網(wǎng)絡(luò)預(yù)測(cè)能力得到提高，達(dá)到預(yù)期效果。在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)是最具有代表性的網(wǎng)絡(luò)結(jié)構(gòu)之一，在不同的任務(wù)中，卷積層和池化層可以重復(fù)組合來對(duì)特征進(jìn)行提齲CNN的結(jié)構(gòu)如下圖所示：圖2.1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure2.1Convolutionalneuralnetworkstructure相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，CNN的神經(jīng)元節(jié)點(diǎn)間是局部連接，優(yōu)勢(shì)是網(wǎng)絡(luò)參數(shù)量相對(duì)減少，避免了訓(xùn)練時(shí)間過長(zhǎng)。另外，CNN可以權(quán)值共享，每個(gè)神經(jīng)元對(duì)應(yīng)的局部感知區(qū)域間的權(quán)重相同，同一層相同節(jié)點(diǎn)之間可共享，進(jìn)而使模型參數(shù)量減小，連接復(fù)雜度降低。圖2.2全連接和局部連接Figure2.2GlobalConnectedLayerandLocalConnectedLayer

基于視頻圖像序列分析的植物物種識(shí)別系統(tǒng)62相關(guān)理論及技術(shù)分析2.1卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)來自對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究，人類識(shí)別物體是個(gè)不斷抽象和迭代的過程，首先，眼睛將圖像傳入大腦皮層的低級(jí)V1區(qū)，提取物體的邊緣特征，抽象判定出物體形狀，再到V2區(qū)分析物體紋理等局部特征，最后到高層的前額皮層對(duì)物體進(jìn)行具體類別的判斷。深度學(xué)習(xí)識(shí)別圖像和文本等信息的過程與人類大腦識(shí)別的過程類似。作為人工智能的經(jīng)典案例，深度學(xué)習(xí)已經(jīng)在圖像分類、無人駕駛、語音識(shí)別和信息物理系統(tǒng)等方面取得了飛快發(fā)展。深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程主要是不停地循環(huán)前向傳播和反向傳播這兩個(gè)過程，隨迭代次數(shù)的增加使得整體損失值降低，直到網(wǎng)絡(luò)預(yù)測(cè)能力得到提高，達(dá)到預(yù)期效果。在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)是最具有代表性的網(wǎng)絡(luò)結(jié)構(gòu)之一，在不同的任務(wù)中，卷積層和池化層可以重復(fù)組合來對(duì)特征進(jìn)行提齲CNN的結(jié)構(gòu)如下圖所示：圖2.1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure2.1Convolutionalneuralnetworkstructure相比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，CNN的神經(jīng)元節(jié)點(diǎn)間是局部連接，優(yōu)勢(shì)是網(wǎng)絡(luò)參數(shù)量相對(duì)減少，避免了訓(xùn)練時(shí)間過長(zhǎng)。另外，CNN可以權(quán)值共享，每個(gè)神經(jīng)元對(duì)應(yīng)的局部感知區(qū)域間的權(quán)重相同，同一層相同節(jié)點(diǎn)之間可共享，進(jìn)而使模型參數(shù)量減小，連接復(fù)雜度降低。圖2.2全連接和局部連接Figure2.2GlobalConnectedLayerandLocalConnectedLayer

【參考文獻(xiàn)】：
期刊論文
[1]基于ViBe算法運(yùn)動(dòng)特征的關(guān)鍵幀提取算法[J]. 李秋玲,邵寶民,趙磊,王振,姜雪.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2020(01)
[2]基于深度學(xué)習(xí)的木材缺陷圖像檢測(cè)方法[J]. 程玉柱,顧權(quán),王眾輝,李趙春.  林業(yè)機(jī)械與木工設(shè)備. 2018(08)
[3]智能手機(jī)植物識(shí)別App在植物學(xué)教學(xué)中的應(yīng)用[J]. 趙鵬,郭垚鑫,段棟,劉文哲.  高校生物學(xué)教學(xué)研究(電子版). 2018(01)
[4]深度學(xué)習(xí)的模型搭建及過擬合問題的研究[J]. 陶礫,楊朔,楊威.  計(jì)算機(jī)時(shí)代. 2018(02)
[5]一種改進(jìn)的噪聲圖像語義分割方法[J]. 董曉亞,趙曉麗,張嘉褀.  光電子·激光. 2017(12)
[6]基于尺度不變特征變換算法的植物自動(dòng)識(shí)別系統(tǒng)[J]. 黃婕,李浩銳,黃皓琪,胡小珍,劉馨欣,高鳳連,葉志鵬.  計(jì)算機(jī)應(yīng)用. 2016(S2)
[7]基于多膚色模型的人臉檢測(cè)系統(tǒng)研究[J]. 滕秋霞,沈天飛,楊金霄.  電子測(cè)量技術(shù). 2015(09)
[8]基于葉片圖像多特征融合的觀葉植物種類識(shí)別[J]. 王麗君,淮永建,彭月橙.  北京林業(yè)大學(xué)學(xué)報(bào). 2015(01)
[9]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)
[10]一種適合于監(jiān)控視頻內(nèi)容檢索的關(guān)鍵幀提取新方法[J]. 周兵,郝偉偉,袁社鋒.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2013(03)

碩士論文
[1]基于鏡頭鑒別力分析的視頻檢索方法研究[D]. 殷杰.上海交通大學(xué) 2012
[2]基于壓縮域特征的視頻檢索技術(shù)研究[D]. 張林林.北京交通大學(xué) 2010
[3]基于自適應(yīng)閾值的壓縮域上MPEG視頻關(guān)鍵幀提取算法的研究[D]. 賀鵬.北京交通大學(xué) 2010
[4]基于內(nèi)容的視頻鏡頭分割及檢索技術(shù)研究[D]. 韓全磊.山東大學(xué) 2009
[5]視頻關(guān)鍵幀提取方法研究[D]. 曹晉高.重慶大學(xué) 2008
[6]基于內(nèi)容的視頻檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 王寧.華中科技大學(xué) 2007
[7]基于代表性鏡頭的視頻檢索方法[D]. 葉軍.南京理工大學(xué) 2005
[8]視頻檢索中的特征提取方法研究[D]. 羅鳳玲.中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué) 2002



本文編號(hào)：3311102