目前植物科學(xué)研究的普及性沒有達(dá)到很高的程度。人們對(duì)所看到的植物不能快速、準(zhǔn)確地獲取該植物的學(xué)名、性狀、品類等特征,使得在植物保護(hù)和植物病狀知識(shí)研究中產(chǎn)生了一定的困難。因此,植物識(shí)別是進(jìn)行植物學(xué)習(xí)和植物研究過程中一項(xiàng)不可或缺的任務(wù)。本論文主要研究基于植物葉片特征的識(shí)別研究。首先設(shè)計(jì)基于植物葉片特征的識(shí)別系統(tǒng),測(cè)試出系統(tǒng)的準(zhǔn)確率用于對(duì)比研究。之后采用深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)植物深度識(shí)別系統(tǒng),通過深度識(shí)別系統(tǒng)實(shí)現(xiàn)了復(fù)雜背景以及非人工參與下植物葉片的自動(dòng)化識(shí)別。本論文的主要工作如下:(1)構(gòu)建植物葉片數(shù)據(jù)集。本論文采用Plant Village數(shù)據(jù)集,AI Challenger PDR2018和PPBC(中國(guó)植物圖像庫)作為植物葉片數(shù)據(jù)庫的組成基礎(chǔ)。分析對(duì)比這3種數(shù)據(jù)的優(yōu)劣以及與本次研究的契合度,通過抽取融合,最終生成13個(gè)種類約4萬容量的數(shù)據(jù)集。(2)設(shè)計(jì)基于特征工程的植物葉片識(shí)別系統(tǒng)。通過對(duì)植物葉片采取圖像預(yù)處理、特征提取、特征處理等操作提取植物葉片的形狀、紋理特征,最后設(shè)計(jì)3層BP神經(jīng)網(wǎng)絡(luò)做為分類器識(shí)別特征,得出識(shí)別結(jié)果。(3)基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò),設(shè)計(jì)Resnet-incepti...

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖5.2部分植物葉片樣本

基于圖像多分辨率分析的植物葉片識(shí)別系統(tǒng)的研究機(jī)獲取圖像。在本文中一共采用了27類植物的葉片共近500幅圖像，該數(shù)據(jù)庫由中科院合肥智能機(jī)械研究所神經(jīng)計(jì)算實(shí)驗(yàn)室提供。部分葉片圖像如圖5.2所示。圖5.2部分植物葉片樣本5.2.3計(jì)算機(jī)系統(tǒng)隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的迅猛發(fā)展，在微型....

圖5.8SnakeS算法功能演示

基于圖像多分辨率分析的植物葉片識(shí)別系統(tǒng)的研究(a)打開一幅復(fù)雜背景葉片圖像(b)設(shè)置初始點(diǎn)

圖2.1單個(gè)神經(jīng)元模型(M-P神經(jīng)元)

南京信息工程大學(xué)碩士學(xué)位論文6第二章深度卷積神經(jīng)網(wǎng)絡(luò)2.1卷積神經(jīng)網(wǎng)絡(luò)概述卷積神經(jīng)網(wǎng)絡(luò)(CNN)[11][12]是一種基于卷積濾波進(jìn)行圖像特征提取的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)。其在深度神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入了卷積運(yùn)算和采樣操作。CNN通過卷積核的訓(xùn)練來對(duì)圖像的單個(gè)像素塊或多個(gè)像素塊之間的聯(lián)系....

圖2.2階躍函數(shù)以及表達(dá)式[16]

第二章深度卷積神經(jīng)網(wǎng)絡(luò)7）（2.1）（2.2圖2.1中神經(jīng)元接受的輸入信號(hào)為x1到xm，WMK是指神經(jīng)元m到神經(jīng)元k的連接權(quán)，bk為神經(jīng)元k的閾值也稱為偏置(bias)，f()代表次神經(jīng)元的激活函數(shù)，yk是神經(jīng)元的輸出。神經(jīng)元從輸入到輸出可以用以下表達(dá)式表示：kmjjkjkbxw....

本文編號(hào)：3934952