發(fā)布時(shí)間：2020-05-31 04:29

【摘要】：蛇是一種常見(jiàn)的爬行動(dòng)物,可以劃分為無(wú)毒蛇和毒蛇。毒蛇傷人事件時(shí)有發(fā)生�；颊弑欢旧咭笮枰鶕�(jù)其種類(lèi)選擇對(duì)應(yīng)的抗蛇毒血清進(jìn)行治療。在我國(guó),很多種類(lèi)的蛇屬于保護(hù)動(dòng)物。一些蛇類(lèi)在醫(yī)藥等領(lǐng)域具有一定的經(jīng)濟(jì)價(jià)值。近年來(lái),深度學(xué)習(xí)技術(shù)的發(fā)展十分迅猛。卷積神經(jīng)網(wǎng)絡(luò)和膠囊神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等領(lǐng)域得到了廣泛的應(yīng)用。目前,國(guó)內(nèi)外針對(duì)蛇類(lèi)圖像分類(lèi)問(wèn)題進(jìn)行的研究工作寥寥無(wú)幾。不同種類(lèi)的蛇在顏色、斑紋、形狀或姿態(tài)等方面的差異,為對(duì)蛇類(lèi)圖像進(jìn)行分類(lèi)提供了可能性。一個(gè)很自然的想法是將深度學(xué)習(xí)技術(shù)應(yīng)用到蛇類(lèi)圖像分類(lèi)問(wèn)題中。但是,該問(wèn)題的一個(gè)難點(diǎn)在于目前缺乏公開(kāi)的足夠大的蛇類(lèi)圖像數(shù)據(jù)集,尤其是中國(guó)常見(jiàn)蛇類(lèi)圖像數(shù)據(jù)集�；谶@些背景,本文通過(guò)采集和收集數(shù)據(jù),建立了包含銀環(huán)蛇、竹葉青蛇、舟山眼鏡蛇、尖吻蝮、王錦蛇、黃金蟒、玉斑麗蛇、紅尾蚺、紅脖頸槽蛇和鉤盲蛇等10種中國(guó)常見(jiàn)蛇類(lèi)共計(jì)10336幅圖像的CHINESESNAKES蛇類(lèi)圖像數(shù)據(jù)集。并且本文對(duì)蛇類(lèi)圖像分類(lèi)問(wèn)題的可行性與難點(diǎn)進(jìn)行了分析�；贑HINESESNAKES蛇類(lèi)圖像數(shù)據(jù)集,本文使用卷積神經(jīng)網(wǎng)絡(luò)這一深度學(xué)習(xí)技術(shù),對(duì)蛇類(lèi)圖像分類(lèi)問(wèn)題進(jìn)行了研究。本文針對(duì)蛇類(lèi)圖像分類(lèi)問(wèn)題,設(shè)計(jì)了 BRC卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其在CHINESESNAKES蛇類(lèi)圖像數(shù)據(jù)集上的分類(lèi)準(zhǔn)確率達(dá)到了 89.061%。最后,本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于安卓操作系統(tǒng)的蛇類(lèi)圖像識(shí)別系統(tǒng)。
【圖文】：

Ｓｉｇｍｏｉｄ（ｘ）邋＝邐（２．邋１）逡逑其函數(shù)圖像如圖２．邋２所示。逡逑從圖２．２中我們可以看到，Ｓｉｇｍｏｉｄ函數(shù)在ｘ＝０附近的梯度比較大，而在遠(yuǎn)逡逑離ｘ＝０的曲線(xiàn)兩端梯度變得非常小，接近于０。我們知道，梯度對(duì)于卷積神經(jīng)網(wǎng)逡逑絡(luò)的訓(xùn)練具有非常重要的意義，梯度如果變得過(guò)小，會(huì)導(dǎo)致卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練逡逑速度變得非常緩慢，進(jìn)而影響卷積神經(jīng)網(wǎng)絡(luò)的性能。逡逑２．邐Ｒｅｌｕ函數(shù)逡逑Ｒｅｌｕ函數(shù)的數(shù)學(xué)表達(dá)式如式２．邋２所示：逡逑Ｒｅｌｕ｛ｘ）邋＝邋ｍａｘ（０，，ｘ）邐（２．邋２）逡逑Ｒｅｌｕ函數(shù)的圖像如圖２．邋３所示。逡逑１１逡逑

改進(jìn)型ＲｅｓＮｅｔ網(wǎng)絡(luò)結(jié)構(gòu)，即ＲｅｓＮｅｔＶ２。這兩種網(wǎng)絡(luò)結(jié)構(gòu)的區(qū)別主要體現(xiàn)在殘差逡逑塊的結(jié)構(gòu)區(qū)別上。ＲｅｓＮｅｔ和ＲｅｓＮｅｔ邋Ｖ２網(wǎng)絡(luò)的殘差塊結(jié)構(gòu)如圖２．邋４所示。逡逑從圖２．４中我們可以看出，ＲｅｓＮｅｔ邋Ｖ２網(wǎng)絡(luò)殘差塊將原始的ＲｅｓＮｅｔ網(wǎng)絡(luò)殘差逡逑塊結(jié)構(gòu)中干路上的Ｒｅｌｕ激勵(lì)層移到了支路上，并且將原始ＲｅｓＮｅｔ網(wǎng)絡(luò)結(jié)構(gòu)中的逡逑卷積層－批標(biāo)準(zhǔn)化層－Ｒｅｌｕ激勵(lì)層的結(jié)構(gòu)變?yōu)榕鷺?biāo)準(zhǔn)化層－Ｒｅｌｕ激勵(lì)層－卷積層。逡逑這些改進(jìn)能夠加快卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度以及提高卷積神經(jīng)網(wǎng)絡(luò)的性能。逡逑２．邋３卷積神經(jīng)網(wǎng)絡(luò)存在的一些缺陷逡逑眾所周知，卷積神經(jīng)網(wǎng)絡(luò)在最近幾年取得了突飛猛進(jìn)的發(fā)展。卷積神經(jīng)網(wǎng)絡(luò)逡逑在計(jì)算機(jī)視覺(jué)以及其他一些領(lǐng)域取得了舉世矚目的成就�？梢哉f(shuō)，卷積神經(jīng)網(wǎng)絡(luò)逡逑研究的進(jìn)展使人工智能的研究走向了一個(gè)新的高潮。逡逑但是，卷積神經(jīng)網(wǎng)絡(luò)在取得了巨大成就的同時(shí)，也暴露了自身所存在的一些逡逑不足之處。下面對(duì)目前卷積神經(jīng)網(wǎng)絡(luò)存在的一些缺陷進(jìn)行介紹。逡逑１．
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.41;TP18;Q959.6

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陶筱嬌;王鑫;;基于深度學(xué)習(xí)算法的圖像分類(lèi)方法[J];微型電腦應(yīng)用;2019年03期

2 李會(huì)民;馬桂英;王延倉(cāng);;基于深度學(xué)習(xí)網(wǎng)絡(luò)的水質(zhì)圖像分類(lèi)[J];北華航天工業(yè)學(xué)院學(xué)報(bào);2018年04期

3 彭娟;;特征選擇和聚類(lèi)分析的圖像分類(lèi)模型[J];現(xiàn)代電子技術(shù);2017年19期

4 田凱;杜鵬;;基于C#的圖像分類(lèi)系統(tǒng)實(shí)現(xiàn)[J];數(shù)碼世界;2017年08期

5 王科平;張志剛;;基于特征加權(quán)的自動(dòng)圖像分類(lèi)方法[J];微型電腦應(yīng)用;2014年01期

6 汪煜浩;華瑞林;;山地衛(wèi)星圖像分類(lèi)制圖方法研究[J];遙感信息;1987年04期

7 武慧瓊;張素蘭;張繼福;胡立華;;一種基于三支決策的花卉圖像分類(lèi)[J];小型微型計(jì)算機(jī)系統(tǒng);2019年07期

8 吳健;賈宏宇;;基于遷移學(xué)習(xí)的圖像分類(lèi)方法研究[J];河南科技;2018年31期

9 林澤文;;深度學(xué)習(xí)及其在圖像分類(lèi)識(shí)別中的運(yùn)用探討[J];信息與電腦(理論版);2018年12期

10 李舒;吳磊;;數(shù)據(jù)挖掘在醫(yī)學(xué)圖像分類(lèi)中的應(yīng)用[J];醫(yī)學(xué)信息學(xué)雜志;2014年08期

相關(guān)會(huì)議論文 前10條

1 吳楠;李曉曦;宋方敏;;圖像挖掘及其在醫(yī)學(xué)圖像分類(lèi)中的應(yīng)用[A];2006年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2006年

2 朱松豪;劉佳偉;胡榮林;;一種圖像分類(lèi)的新方法[A];第26屆中國(guó)控制與決策會(huì)議論文集[C];2014年

3 文振q;歐陽(yáng)杰;朱為總;;基于語(yǔ)義特征與支持向量機(jī)的圖像分類(lèi)[A];中國(guó)電子學(xué)會(huì)第十六屆信息論學(xué)術(shù)年會(huì)論文集[C];2009年

4 武文;李昊;王曉軍;吳永輝;;極化誤差對(duì)圖像分類(lèi)的影響分析[A];全國(guó)第20屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議（CACIS·2009）暨全國(guó)第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2009年

5 范海地;謝鳳英;;基于卷積神經(jīng)網(wǎng)絡(luò)的皮膚鏡圖像分類(lèi)[A];第十五屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2017年

6 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點(diǎn)特征提取的醫(yī)學(xué)圖像分類(lèi)[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2007年

7 蘆穎;倪維平;嚴(yán)衛(wèi)東;邊輝;;基于改進(jìn)極化目標(biāo)分解算法的POLSAR圖像分類(lèi)[A];國(guó)家安全地球物理叢書(shū)（十一）——地球物理應(yīng)用前沿[C];2015年

8 潘海為;李建中;張煒;;基于像素聚類(lèi)的腦部醫(yī)學(xué)圖像分類(lèi)[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2003年

9 佘杰;;基于BP神經(jīng)網(wǎng)絡(luò)的煤巖圖像分類(lèi)識(shí)別[A];第23屆全國(guó)煤礦自動(dòng)化與信息化學(xué)術(shù)會(huì)議暨第5屆中國(guó)煤礦信息化與自動(dòng)化高層論壇論文集[C];2013年

10 武進(jìn);尹愷;王長(zhǎng)明;張家才;;SVDM在蔬菜病害圖像分類(lèi)中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 侯賽輝;圖像物體的精細(xì)化分類(lèi)方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

2 鄭昱;面向大規(guī)模圖像分類(lèi)的層次化多任務(wù)學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2017年

3 郭雨薇;基于超像素表征和模糊特征學(xué)習(xí)的圖像分類(lèi)與識(shí)別[D];西安電子科技大學(xué);2017年

4 李曉;基于遷移學(xué)習(xí)的跨域圖像分類(lèi)方法研究[D];西安電子科技大學(xué);2017年

5 滑文強(qiáng);小樣本下的極化SAR圖像分類(lèi)問(wèn)題研究[D];西安電子科技大學(xué);2018年

6 張姝茵;基于判別性特征學(xué)習(xí)的極化SAR圖像分類(lèi)[D];西安電子科技大學(xué);2018年

7 胡慧君;帶鋼缺陷圖像分類(lèi)中的智能算法研究[D];武漢大學(xué);2015年

8 常合友;基于字典學(xué)習(xí)的圖像分類(lèi)研究[D];南京理工大學(xué);2017年

9 羅長(zhǎng)志;多類(lèi)別圖像分類(lèi)的關(guān)鍵技術(shù)研究[D];合肥工業(yè)大學(xué);2017年

10 謝雯;基于判別字典學(xué)習(xí)和自編碼網(wǎng)絡(luò)的極化SAR圖像分類(lèi)[D];西安電子科技大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 朱國(guó)家;基于興趣域檢測(cè)的圖像分類(lèi)方法研究[D];武漢工程大學(xué);2018年

2 付永欽;基于深度學(xué)習(xí)的蛇類(lèi)圖像分類(lèi)問(wèn)題研究[D];浙江大學(xué);2019年

3 王曼;輕量級(jí)卷積網(wǎng)絡(luò)的構(gòu)建及其在圖像分類(lèi)中的應(yīng)用[D];西安理工大學(xué);2019年

4 焦鵬飛;基于深度學(xué)習(xí)和稀疏表示的圖像分類(lèi)與檢索方法研究[D];西安理工大學(xué);2019年

5 李盈;基于多任務(wù)學(xué)習(xí)的極化SAR圖像分類(lèi)問(wèn)題研究[D];南昌航空大學(xué);2019年

6 鄭欣悅;基于深度學(xué)習(xí)的少樣本圖像分類(lèi)方法[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院國(guó)家空間科學(xué)中心);2019年

7 李安亞;基于深度學(xué)習(xí)的多標(biāo)簽場(chǎng)景圖像分類(lèi)研究[D];西安石油大學(xué);2019年

8 周韜;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)與目標(biāo)檢測(cè)[D];廣西師范大學(xué);2019年

9 李漢乾;基于深度聚類(lèi)網(wǎng)絡(luò)和層次化學(xué)習(xí)的大規(guī)模圖像分類(lèi)[D];廈門(mén)大學(xué);2018年

10 胡鐸;基于多尺度屬性圖核的小樣本圖像集分類(lèi)方法研究[D];安徽大學(xué);2019年

本文編號(hào)：2689289