【摘要】：闊葉葉片片紋理和輪廓的特征,可以用于樹種的分類。因為樹種的數(shù)量龐大,分類時需要具備大量樹種類別相關(guān)的數(shù)據(jù)儲備,一般非專業(yè)人員不具備這些技能,只能依靠計算機來存儲大量的圖像數(shù)據(jù)。高速互聯(lián)網(wǎng)技術(shù)普及為計算機樹種葉片識別提供了良好的研究和使用環(huán)境。首先,采集毛櫻桃、金銀忍冬、紫丁香、紫椴共四種東北常見闊葉葉片共計360片,清洗過后置于單一背景中進行圖像采集,生成360張葉片圖像。使用OpenCV圖像處理開發(fā)程序包,應(yīng)用C++語言編寫程序,對采集的圖像進行圖像預(yù)處理,獲得利于采集特征的圖像,并且將圖像分為測試和訓(xùn)練集。提取每一幅圖像的葉片面積與外接圓面積比、輪廓長寬比、面積與輪廓周長比、面積與長比、面積與寬比、圖像中像素的熵、葉片葉脈紋理熵、葉片邊緣輪廓的熵共計8種特征值,并將這些特征數(shù)據(jù)存儲到數(shù)據(jù)文件中。使用訓(xùn)練集特征數(shù)據(jù)在線性分類器中進行訓(xùn)練,將得到訓(xùn)練后的模型使用測試集數(shù)據(jù)測試,最后得到識別率為87%。為了提高識別率,使用卷積神經(jīng)網(wǎng)絡(luò)進行圖像特征研究。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)順序為一層輸入層、兩層卷積層、一層池化層,最后全鏈接到了一層以ReLU函數(shù)組成的激勵層實現(xiàn)分類。將訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集中的圖像直接放入網(wǎng)絡(luò)模型中,網(wǎng)絡(luò)通過訓(xùn)練集圖像訓(xùn)練調(diào)整權(quán)值得到最優(yōu)狀態(tài),訓(xùn)練方法為隨機梯度下降算法。使用卷積神經(jīng)網(wǎng)絡(luò)研究最后的結(jié)果是,平均識別率94%,其中最高一組的模型識別率為98%。實驗結(jié)果表明使用卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型對于闊葉樹葉片圖像分類識別率高。使用卷積核提取的特征圖譜,能夠得到更多的圖像細節(jié),并且不需要特征值的設(shè)計和提取工作。缺點是需要大量的闊葉樹葉片圖像對于網(wǎng)絡(luò)訓(xùn)練,但是隨著計算機技術(shù)的發(fā)展以數(shù)據(jù)驅(qū)動的模型相對于以特征值分類的模型更具有發(fā)展意義。同時本實驗訓(xùn)練后的模型對于樹種的分類與研究提供了部分理論支撐。
【學(xué)位授予單位】：東北林業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：S712
【圖文】：

圖２－１采集葉片圖像原圖逡逑２．２．２葉片特征值選取逡逑

為線性分類器的判決界面一般不會通過坐標(biāo)系原點，所以加入一個增廣元素實現(xiàn)判決界逡逑面，這樣可以使用兩個向量做內(nèi)積形式來表達判決域，當(dāng)進行兩分類問題的處理時使用逡逑的方法如圖２－２所示。逡逑．牛逡逑＼00逡逑＼Ｘ）邋0逡逑＼逡逑邐？逡逑圖２－２兩類問題逡逑圖２－２中的橫縱坐標(biāo)分別代表兩種特征。圖像中兩類問題的識別是使用判別閾界面逡逑方程如公式２－５所示。判別函數(shù)通過訓(xùn)練集數(shù)據(jù)訓(xùn)練后，得到最優(yōu)的權(quán)值向量［１１］，利用逡逑測試集中的數(shù)據(jù)進行測試。逡逑ｎ逡逑Ｓｉ｛ｘ）邋＝邋Ｙ．ｗ＜ｘｘｉ＋ｄ邋７邋＝邋１，２，３，．．．，？邐（２－４）逡逑ｉ＝＼逡逑＜？，判決為本類逡逑＞０，判決為非本類邐（２－５）逡逑［＝０，拒絕判決逡逑經(jīng)過上面研宄的兩類問題分類方法，在兩類問題的基礎(chǔ)上進一步研究多類問題的解逡逑決方案。仿照兩種類別的判決界面方程的得到方法，可以將多類問題分為屬于本類和不逡逑屬于本類的情況

小于０時判為屬于本類，大于０時判決為非本類。在類別數(shù)量較小的情況下，這種判決逡逑方法的識別率高和計算速度快。但當(dāng)出現(xiàn)新的類別時可能會出現(xiàn)新的特征向量與每一個逡逑線性界面函數(shù)的結(jié)果都小于０或者同時滿足多個類別條件，這樣就會出現(xiàn)如圖２－３所示逡逑的無法判決的區(qū)域。于適在線性判決域界面方程的基礎(chǔ)上研究卷積神經(jīng)網(wǎng)絡(luò)。逡逑＋邐＝邋0逡逑—邋ｘＩｒＸ邐邐１—邋＿＝。逡逑ｉｒ邐—ｉｒ邐＋逡逑Ｘ邐＿Ｘｇ３（Ａ）邋＝邋0逡逑圖２－３多分類問題逡逑２．３使用卷積神經(jīng)網(wǎng)絡(luò)葉片模式分類逡逑使用線性分類器模型進行葉片圖像樹種識別，事前需要編寫大量特征值提取程序，逡逑并且識別使用的線性分類器模型會在特征空間中出現(xiàn)無法識別區(qū)域，因而在進一步的研逡逑究中選取了非線性的卷積yL經(jīng)網(wǎng)絡(luò)進行研宄。卷積神經(jīng)網(wǎng)絡(luò)是近年來快速發(fā)展的人工智逡逑能深度學(xué)習(xí)領(lǐng)域的人工神經(jīng)網(wǎng)絡(luò)分支［３５１，在人工yL經(jīng)網(wǎng)絡(luò)的的網(wǎng)絡(luò)模型中加入了卷積層逡逑和池化層［３６１卷積層解決了使用線性分類器前，需要進行圖像特征提取，特征值定義和逡逑提取的工作１３７］。逡逑２．３．１卷積神經(jīng)網(wǎng)絡(luò)逡逑卷積神經(jīng)網(wǎng)絡(luò)起源于１９５９年Ｈｕｂｅ丨和Ｗｉｅｓｅｌ通過生物學(xué)領(lǐng)域的經(jīng)驗在活體貓身上逡逑做的生物電試驗。將不同形狀的的圖像展現(xiàn)在貓的眼前，檢測貓在看到響應(yīng)形狀后的yL逡逑經(jīng)反應(yīng)［３８］。試驗發(fā)現(xiàn)在貓的大腦神經(jīng)中有兩種細胞相互合作完成對圖像的識別，兩種細逡逑胞由處理任務(wù)的復(fù)雜度分別被命名為復(fù)雜細胞和簡單細胞，其中簡單細胞會對一些簡單逡逑圖形進行響應(yīng)

【參考文獻】

相關(guān)期刊論文 前8條

1 魏海;楊華舒;蘇志敏;桂躍;董夢思;;前饋神經(jīng)網(wǎng)絡(luò)導(dǎo)數(shù)特性分析[J];計算機工程;2014年07期

2 劉建偉;劉媛;羅雄麟;;深度學(xué)習(xí)研究進展[J];計算機應(yīng)用研究;2014年07期

3 谷樹忠;胡詠君;周洪;;生態(tài)文明建設(shè)的科學(xué)內(nèi)涵與基本路徑[J];資源科學(xué);2013年01期

4 許新征;丁世飛;史忠植;賈偉寬;;圖像分割的新理論和新方法[J];電子學(xué)報;2010年S1期

5 戚大偉;牟洪波;;人工神經(jīng)網(wǎng)絡(luò)在木材缺陷檢測中的應(yīng)用[J];森林工程;2006年01期

6 王曉峰;黃德雙;杜吉祥;張國軍;;葉片圖像特征提取與識別技術(shù)的研究[J];計算機工程與應(yīng)用;2006年03期

7 王任華,霍宏濤,游先祥;人工神經(jīng)網(wǎng)絡(luò)在遙感圖像森林植被分類中的應(yīng)用[J];北京林業(yè)大學(xué)學(xué)報;2003年04期

8 楊勁峰,陳清,韓曉日,李曉林,H.P.Liebig;數(shù)字圖像處理技術(shù)在蔬菜葉面積測量中的應(yīng)用[J];農(nóng)業(yè)工程學(xué)報;2002年04期

相關(guān)會議論文 前1條

1 鄭偉;;園林植物圖文數(shù)據(jù)庫的建立與應(yīng)用[A];中國植物學(xué)會植物園分會第十五次學(xué)術(shù)討論會論文集[C];2000年

相關(guān)博士學(xué)位論文 前4條

1 董利虎;東北林區(qū)主要樹種及林分類型生物量模型研究[D];東北林業(yè)大學(xué);2015年

2 雷亮;互聯(lián)網(wǎng)環(huán)境下圖像檢索若干問題研究[D];重慶大學(xué);2011年

3 李明;基于動態(tài)神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)逆控制研究[D];南京理工大學(xué);2007年

4 戚大偉;基于分形理論的原木缺陷X射線圖像分析與處理[D];東北林業(yè)大學(xué);2003年

相關(guān)碩士學(xué)位論文 前1條

1 汪海波;基于深度學(xué)習(xí)的人臉識別方法研究[D];合肥工業(yè)大學(xué);2014年

本文編號：2767338