【目的】基于遷移學(xué)習(xí)提出一種微調(diào)卷積神經(jīng)網(wǎng)絡(luò)（CNN）的林業(yè)圖像自動(dòng)分類方法,以利于林業(yè)管理部門對(duì)相關(guān)事件作出合理的處置方案或指揮調(diào)度決策,從而提升森林管護(hù)水平,保護(hù)森林資源和生態(tài)安全。【方法】基于大規(guī)模輔助圖像數(shù)據(jù)集ImageNet預(yù)訓(xùn)練好的CaffeNet模型,利用林業(yè)圖像數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)訓(xùn)練。模型前5層參數(shù)通過遷移獲得,包括卷積層、激活函數(shù)和池化層;全連接層和Softmax參數(shù)通過訓(xùn)練確定�！窘Y(jié)果】微調(diào)預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)CaffeNet模型具有很好的林業(yè)圖像分類正確率,在根據(jù)林業(yè)業(yè)務(wù)需求建立的4類林業(yè)圖像數(shù)據(jù)集上,經(jīng)過一定次數(shù)迭代后,平均識(shí)別精度達(dá)97.5%。進(jìn)一步特征可視化顯示,訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)不同層獲得的特征圖可從不同方面獲得林業(yè)圖像分類能力。與傳統(tǒng)特征提取方法相比,即使分類種類數(shù)增加1種,識(shí)別率也可提升10.8%�！窘Y(jié)論】利用CaffeNet模型進(jìn)行林業(yè)圖像分類可行。相比傳統(tǒng)特征提取識(shí)別方法,基于卷積神經(jīng)網(wǎng)絡(luò)的林業(yè)圖像分類模型具有很強(qiáng)的特征提取和分類能力,能夠在森林管護(hù)中發(fā)揮重要作用。 

【文章來源】：林業(yè)科學(xué). 2020,56(10)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

4類林業(yè)圖像樣本

Caffe Net模型結(jié)構(gòu)

試驗(yàn)選用的40幅測(cè)試圖像是從4類圖像中各隨機(jī)留取10幅圖像組成，最后分類結(jié)果是有1幅圖像被誤判，因此分類正確率為97.5%。從圖3可以發(fā)現(xiàn)，訓(xùn)練2 500步時(shí)損失函數(shù)最小且穩(wěn)定，所以用2 500步時(shí)的模型對(duì)所有測(cè)試圖像進(jìn)行再測(cè)試，找出其中被誤分的圖像。如圖4a所示，這是一幅采伐類圖像，被模型誤分為動(dòng)物死亡類，其原因是圖中很多圖像的細(xì)節(jié)特征與動(dòng)物死亡類中的訓(xùn)練圖像相似;如圖4b、c、d所示，砍倒的橫木與石板、樹上的樹瘤與死亡動(dòng)物肢體的關(guān)節(jié)等特征都有一些相似之處。要解決此類被誤分問題，唯有增加更多的訓(xùn)練數(shù)據(jù)，讓網(wǎng)絡(luò)模型學(xué)習(xí)更多的每個(gè)分類具有的細(xì)節(jié)特征。由于林業(yè)圖像每個(gè)分類的圖像變化都非常大，這也正是林業(yè)業(yè)務(wù)圖像分類問題復(fù)雜的主要原因。圖4 測(cè)試中誤分圖像和訓(xùn)練圖像樣本

【參考文獻(xiàn)】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡(luò)在遷移學(xué)習(xí)模式下的SAR目標(biāo)識(shí)別[J]. 李松,魏中浩,張冰塵,洪文.  中國(guó)科學(xué)院大學(xué)學(xué)報(bào). 2018(01)
[2]大連市護(hù)林員隊(duì)伍體系建設(shè)措施及建議[J]. 張罡.  現(xiàn)代農(nóng)業(yè)科技. 2018(01)
[3]森林管護(hù)措施及造林工作探析[J]. 李維剛.  黑龍江科學(xué). 2017(24)
[4]基于深度學(xué)習(xí)的蝴蝶科級(jí)標(biāo)本圖像自動(dòng)識(shí)別[J]. 周愛明,馬鵬鵬,席天宇,王江寧,馮晉,邵澤中,陶玉磊,姚青.  昆蟲學(xué)報(bào). 2017(11)
[5]基于詞袋模型的林業(yè)業(yè)務(wù)圖像分類[J]. 張廣群,李英杰,汪杭軍.  浙江農(nóng)林大學(xué)學(xué)報(bào). 2017(05)
[6]基于北斗位置服務(wù)的森林管護(hù)及系統(tǒng)研發(fā)[J]. 胡鴻,楊雪清,吳東亮.  中南林業(yè)科技大學(xué)學(xué)報(bào). 2017(09)
[7]遙感圖像飛機(jī)目標(biāo)分類的卷積神經(jīng)網(wǎng)絡(luò)方法[J]. 周敏,史振威,丁火平.  中國(guó)圖象圖形學(xué)報(bào). 2017(05)
[8]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像艦船目標(biāo)檢測(cè)[J]. 黃潔,姜志國(guó),張浩鵬,姚遠(yuǎn).  北京航空航天大學(xué)學(xué)報(bào). 2017(09)
[10]基于ZY-3影像的農(nóng)田防護(hù)林自動(dòng)提取[J]. 幸澤峰,李穎,鄧榮鑫,朱紅雷,付波霖.  林業(yè)科學(xué). 2016(04)

碩士論文
[1]基于SVM的油茶害蟲圖像模式分類方法研究[D]. 謝林波.中南林業(yè)科技大學(xué) 2015



本文編號(hào)：3112494