本文關(guān)鍵詞：基于深度網(wǎng)絡(luò)特征學(xué)習(xí)的植物葉片識(shí)別算法研究與實(shí)現(xiàn)

  更多相關(guān)文章： 特征學(xué)習(xí) 二值伽柏 極限學(xué)習(xí)機(jī) 卷積神經(jīng)網(wǎng)絡(luò) 反卷積

【摘要】：植物是我們?nèi)祟惿娌荒苋鄙俚囊徊糠?認(rèn)識(shí)植物,了解植物特性對(duì)于我們的生命活動(dòng)至關(guān)重要。隨著大數(shù)據(jù)時(shí)代的到來,數(shù)字媒體技術(shù)的發(fā)展,我們可以十分便捷的獲取大量的植物圖片,面對(duì)網(wǎng)絡(luò)中如此海量的數(shù)據(jù),如何快速準(zhǔn)確的識(shí)別植物物種,從而了解特性是目前植物葉片識(shí)別領(lǐng)域面臨的挑戰(zhàn)。近些年來,植物葉片識(shí)別課題在計(jì)算機(jī)視覺領(lǐng)域得到持續(xù)的研究。研究者們的焦點(diǎn)主要集中在如何提高葉片識(shí)別的正確率和時(shí)間效率上。隨著神經(jīng)網(wǎng)絡(luò)科學(xué)和人工智能的發(fā)展,人們擺脫了單一特征學(xué)習(xí)的方法,通過各學(xué)科間的協(xié)同融合,從而達(dá)到更理想的識(shí)別效果。學(xué)習(xí)(即特征學(xué)習(xí))一直都是處理智能識(shí)別問題的核心。本文把特征學(xué)習(xí),機(jī)器學(xué)習(xí)和神經(jīng)科學(xué)多方面的結(jié)合創(chuàng)造性的應(yīng)用于植物葉片識(shí)別。因此,本文主要圍繞通過研究逐漸探索從淺層到深層網(wǎng)絡(luò)特征學(xué)習(xí)的植物葉片識(shí)別算法,主要的研究?jī)?nèi)容包括如下三個(gè)方面:首先,本文的研究?jī)?nèi)容主要是使用特征提取算法提取葉片庫中葉片的紋理特征,對(duì)得到的一組特征向量,使用機(jī)器學(xué)習(xí)的方法放入分類器中進(jìn)行訓(xùn)練預(yù)測(cè)。在保證葉片旋轉(zhuǎn)不變性下,我們使用二值伽柏模式算法(BGP)提取細(xì)節(jié)紋理特征,并選用更為簡(jiǎn)單有效的極限學(xué)習(xí)機(jī)(ELM)作為分類器。然后,本文發(fā)現(xiàn)對(duì)于我們逐漸擴(kuò)充的數(shù)據(jù)庫,特征提取的方法無論是在準(zhǔn)確率還是時(shí)間上,都表現(xiàn)的不是特別理想,而且在提取特征這一方面,人工干預(yù)比較多。因此,對(duì)于擴(kuò)充的數(shù)據(jù)庫,我們的研究思路主要是利用深度學(xué)習(xí)的框架,對(duì)于訓(xùn)練集和測(cè)試集,利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)的思想,設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu),調(diào)整網(wǎng)絡(luò)參數(shù),逐層的自主學(xué)習(xí)更為深層的特征,得到特征模型進(jìn)行預(yù)測(cè)。并且我們還使用反卷積網(wǎng)絡(luò)進(jìn)行逐層可視化,顯示學(xué)習(xí)到的特征,驗(yàn)證網(wǎng)絡(luò)的合理性和有效性,探索網(wǎng)絡(luò)的改進(jìn)空間。最后,根據(jù)本文的研究方案,我們?cè)O(shè)計(jì)了兩套植物葉片識(shí)別的系統(tǒng)直觀的驗(yàn)證可行性和合理性�；谔卣魈崛〉南到y(tǒng),對(duì)于輸入的任意葉片,顯示特征直方圖和數(shù)據(jù)庫中與之相似的排名前10的葉片(包括相似度值和類別);基于深度學(xué)習(xí)的系統(tǒng),對(duì)于任意的測(cè)試圖片,顯示逐層的可視化特征圖(每層對(duì)應(yīng)9張最大激活圖)和數(shù)據(jù)庫中與之相似的排名前5的葉片(包括準(zhǔn)確率和類別)。同時(shí),從識(shí)別效果和定性分析上,分析比較了兩種方法,顯示各個(gè)方法的單張測(cè)試結(jié)果,得出結(jié)論。
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：Q94;TP391.41

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 王婷;陳功;萬遂人;;傅里葉-小波正則反卷積醫(yī)學(xué)超聲成像方法[J];聲學(xué)技術(shù);2011年06期

2 戴冠中,喻鐵軍,王立新,馮旭,成磊,趙強(qiáng)績(jī),馮保民,付繼光,陳樹文,崔文新;極大似然反卷積軟件包[J];控制理論與應(yīng)用;1992年04期

3 陳僅星;一種快速反卷積方法及其實(shí)現(xiàn)[J];集美大學(xué)學(xué)報(bào)(自然科學(xué)版);2000年02期

4 羅林;樊敏;沈忙作;;光學(xué)系統(tǒng)參數(shù)確定帶寬約束的天文圖像盲反卷積[J];天文學(xué)報(bào);2007年03期

5 劉琚,聶開寶,梅良模,何振亞;基于最小輸出熵的盲反卷積方法[J];山東大學(xué)學(xué)報(bào)(理學(xué)版);2002年06期

6 楊懷棟;徐立;陳科新;黃星月;何慶聲;譚峭峰;金國(guó)藩;;盲目反卷積光譜圖超分辨復(fù)原算法[J];光譜學(xué)與光譜分析;2007年07期

7 黃建明;沈忙作;;基于噪聲特性的大氣湍流退化圖像多幀盲反卷積復(fù)原[J];光學(xué)學(xué)報(bào);2008年09期

8 李睿凡,施發(fā)剛,瞿安連;三維反卷積顯微成像技術(shù)淺談[J];生物技術(shù)通訊;2001年03期

9 鄧自立;王佳偉;張明波;;統(tǒng)一和通用的白噪聲信息融合反卷積估值器[J];科學(xué)技術(shù)與工程;2006年14期

10 李棟棟,郭學(xué)彬,瞿安連,徐濤;以三維熒光反卷積顯微技術(shù)研究活體細(xì)胞中分泌囊泡的空間分布[J];生物化學(xué)與生物物理學(xué)報(bào);2003年07期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫 前6條

1 吳新星;李明;李目海;單佩韋;;網(wǎng)絡(luò)微積分中最小加反卷積的研究[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

2 盧少平;;基于盲反卷積的圖像上采樣算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

3 李棟棟;郭學(xué)彬;瞿安連;徐濤;;應(yīng)用三維熒光反卷積顯微技術(shù)觀察活體細(xì)胞[A];中國(guó)生理學(xué)會(huì)第21屆全國(guó)代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2002年

4 熊俊;李棟棟;瞿安連;;活體細(xì)胞四維圖像科學(xué)可視化方法的研究[A];中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)第六次會(huì)員代表大會(huì)暨學(xué)術(shù)會(huì)議論文摘要匯編[C];2004年

5 蘇兆鋒;楊海亮;孫劍鋒;叢培天;王亮平;;“強(qiáng)光一號(hào)”加速器能譜測(cè)量實(shí)驗(yàn)中的波形還原問題初探[A];第十二屆反應(yīng)堆數(shù)值計(jì)算與粒子輸運(yùn)學(xué)術(shù)會(huì)議論文集[C];2008年

6 李育杉;戴憲華;劉軍;;一種時(shí)變MIMO系統(tǒng)盲反卷積模型[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 孫小君;最優(yōu)和自校正多傳感器信息融合白噪聲反卷積估值器[D];黑龍江大學(xué);2010年

2 婁帥;多尺度變換域圖像反卷積理論研究[D];哈爾濱工業(yè)大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李鶴;利用反卷積提高布里淵光纖傳感系統(tǒng)空間分辨率的研究[D];哈爾濱工業(yè)大學(xué);2015年

2 孫世豹;基于傳遞函數(shù)評(píng)價(jià)的共焦顯微圖像反卷積降噪處理算法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 馬威鋒;CLAD反卷積方法中噪聲抑制效應(yīng)的探究[D];南方醫(yī)科大學(xué);2015年

4 鄒岸;聽覺誘發(fā)電位的一種刺激序列優(yōu)化技術(shù)及反卷積方法[D];南方醫(yī)科大學(xué);2015年

5 袁雪寒;基于反卷積網(wǎng)絡(luò)的圖像模式學(xué)習(xí)及應(yīng)用[D];華南理工大學(xué);2016年

6 陶姣;基于半盲反卷積源分離的胎兒心電信號(hào)提取研究[D];重慶大學(xué);2016年

7 孟良;高分辨率快速反卷積聲源成像技術(shù)研究[D];合肥工業(yè)大學(xué);2017年

8 王瑾;一種圖像反卷積的光滑L_0正則化算法[D];大連海事大學(xué);2017年

9 劉晶晶;基于深度網(wǎng)絡(luò)特征學(xué)習(xí)的植物葉片識(shí)別算法研究與實(shí)現(xiàn)[D];深圳大學(xué);2017年

10 蔡曉燕;醫(yī)學(xué)超聲信號(hào)反卷積研究[D];東南大學(xué);2006年

，

本文編號(hào)：1280498