中國是花卉種植大國,種類資源豐富,栽培歷史悠久,相關從業(yè)人員眾多。其中,花卉分類是植物學研究領域和花卉業(yè)生產中重要的基礎性工作,從而花卉分類學是一項具有長遠意義的基礎性研究,但是其分類過程需耗費大量的人力和物力。隨著手機設備等成像技術的發(fā)展,人們對花卉圖像進行收集、認識和區(qū)分,奠定了花卉智能分類識別的基礎。近幾年來,深度學習從機器學習中脫穎而出,成為一門蓬勃發(fā)展的新型學科,它的發(fā)展極大地促進了科學技術的進步,同時也不斷改變著我們對世界的認知,帶領我們走進了人工智能時代。目前,深度學習已經被廣泛應用于在圖像識別和語音識別等領域�；ɑ軋D像的識別與分類研究一直是深度學習的熱點,它既可以幫助非專業(yè)人員了解并認識花卉,進一步對其進行準確分類,也減少了植物專家進行花卉分類所需的時間和精力,幫助他們設計植物學機器人,實現自動化園林管理。針對花卉圖像分類問題,本文研究探討了深度學習的基本理論和相關技術,并將其中的一些技術運用到花卉分類任務中,旨在提高花卉圖像分類識別的準確率。本文主要工作如下:（1）介紹花卉圖像分類識別的研究背景和意義,并闡述國內外研究動態(tài)。（2）介紹深度學習的相關知識和一些花卉圖像分... 

【文章來源】：廣西師范大學廣西壯族自治區(qū)

【文章頁數】：59 頁

【學位級別】：碩士

【部分圖文】：

同種

據Hubel和Wiese發(fā)現的相關知識提出神經認知機。神經認知機由簡單細胞層和較復雜細胞層交替組合構成，簡單細胞層常常能最大程度捕獲目標邊緣刺激，并對其局部空間特征進行提取，而較復雜細胞層對于目標位置的局部響應不敏感。卷積神經網絡（Convolutionneuralnetwork，CNN）是一種專門設計用于處理多維原始輸入數據的多層網絡，其中，最基本的單位是神經元。同一層中的神經元彼此不連接，而相鄰層中的神經元都彼此連接，多個獨立的神經元形成每個平面，而多個二維平面形成卷積神經網絡的每個層級關系[24]。一個簡單的CNN模型如圖2-1所示，網絡由輸入層，隱藏層和輸出層構成，隱藏層中常常由卷積層C和池化層S組成。通常，首先通過卷積層的卷積運算對輸入圖像進行卷積以生成相應的特征圖，然后對每個特性圖的局部響應區(qū)域進行加權求和，添加偏置函數后再通過非線性激活函數來生成特征圖，最后執(zhí)行輸出。與傳統(tǒng)的人工設計特征相比，CNN對圖像進行分類識別，避免了早期復雜的人工設計特征和提取特征，直接輸入圖像，CNN進行訓練學習，并隨著網絡層的不斷加深而CNN分類的精度也在逐漸提高，既準確又高效。圖2-1簡單的CNN模型結構圖2.1.1Lenet-5網絡Lenet-5是比較基礎的深度學習模型之一，其結構模型圖如2-2所示。

第2章相關技術簡介9圖2-2Lenet-5網絡模型結構圖LeNet-5模型總計7層，每層包含眾多參數。雖然層數只有7層，但是也包含了卷積層，池化層，全連接層。首先，輸入層輸入原始圖像，原始圖像被處理成32×32個像素點的值。C1層是卷積層，包含了6個特征圖。特征圖中的每個映射，即28x28個神經元，它們共享卷積核權值參數。通過卷積運算，原始信號特征增強并降低噪聲，若卷積核不同，從圖像中提取到的特征也不同；S2層是一個池化層，它將局部像素值平均化來實現子抽樣，可以在某種程度上保證網絡的特征被提取，同時大大降低運算量，減少了網絡結構過擬合的風險。該池化層包含了6個特征映射，每個映射的像素值為14x14。C3卷積層由16個特征映射構成，每個特征映射用于加權和計算的卷積核為10x10的。S4池化層同樣包含16個特征映射，每個特征映射中所用的是5x5的卷積核。C5是用5x5的卷積核進行運算，包含120個神經元。F6是全連接層，包含了84個特征圖。全連接層中對輸入進行點積之后加入偏置，然后經過一個激活函數傳輸給輸出層的神經元。最后一層為輸出層，設置了10個神經元來進行分類，得到輸出設置。雖然Lenet-5模型比較經典，但是迫于實際需求的不斷增加，LeNet-5并沒有形成很大范圍的應用。隨著修正線性單元ReLU與隨機失活dropout的提出，以及GPU帶來計算力突破和互聯網時代大數據的爆發(fā)，卷積神經網絡也正經歷著改革。2.1.2Alexnet網絡Alexnet網絡在2012年風靡全球，在卷積神經網絡中掀起了一股熱潮，同年還贏得了2012屆圖像分類識別大賽的冠軍，Alexnet網絡的問世，一度使得卷積神經網絡成為在圖像分類方面的核心算法模型。Alexnet將卷積神經網絡應用于更多更深更寬的網絡中，對于圖像分類任務來說，Alexnet因為層數的增加，數據處理的能力也?

【參考文獻】：
期刊論文
[1]基于遷移學習的卷積神經網絡玉米病害圖像識別[J]. 許景輝,邵明燁,王一琛,韓文霆.  農業(yè)機械學報. 2020(02)
[2]基于LeNet-5模型的手寫數字識別優(yōu)化方法[J]. 汪雅琴,夏春蕾,戴曙光.  計算機與數字工程. 2019(12)
[3]基于卷積神經網絡的花卉種類識別系統(tǒng)[J]. 宋子龍.  計算機產品與流通. 2019(12)
[4]基于AlexNet網絡的動物圖片分類[J]. 周德良.  貴州大學學報(自然科學版). 2019(06)
[5]基于卷積神經網絡的圖像分類研究[J]. 龐絲絲,黃呈鋮.  現代計算機. 2019(23)
[6]卷積神經網絡結構優(yōu)化綜述[J]. 林景棟,吳欣怡,柴毅,尹宏鵬.  自動化學報. 2020(01)
[7]選擇性卷積特征融合的花卉圖像分類[J]. 尹紅,符祥,曾接賢,段賓,陳英.  中國圖象圖形學報. 2019(05)
[8]基于卷積神經網絡的花卉識別研究[J]. 曾凡婧,雷鳴.  電腦知識與技術. 2019(11)
[9]一種改進的深度神經網絡的花卉圖像分類[J]. 吳迪,侯凌燕,劉秀磊,李紅臣.  河南大學學報(自然科學版). 2019(02)
[10]基于深度學習的快速植物圖像識別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君.  華東理工大學學報(自然科學版). 2018(06)

碩士論文
[1]基于部分知識的遷移學習方法研究[D]. 翟杰.南京郵電大學 2019
[2]基于深度分離卷積神經網絡的機器人花卉分揀系統(tǒng)[D]. 程濤.湖南工業(yè)大學 2019
[3]基于遷移學習的織物布面缺陷檢測研究[D]. 殷鵬.西安工程大學 2019
[4]基于卷積神經網絡的醫(yī)學圖像分類方法研究[D]. 史亮亮.河北科技大學 2019
[5]基于注意力機制的長文檔分類方法的研究[D]. 劉柳.南京信息工程大學 2019
[6]基于深度學習的花卉圖像檢索系統(tǒng)的研究與實現[D]. 牛源.揚州大學 2019
[7]基于遷移學習的女性癌癥醫(yī)療圖像識別應用研究[D]. 胡卉.天津工業(yè)大學 2019
[8]基于深度卷積網的遷移學習技術研究[D]. 王平.大連交通大學 2018
[9]基于深度學習的花卉圖像分類算法研究[D]. 尹紅.南昌航空大學 2018
[10]基于深度模型遷移學習的花卉圖像分類方法[D]. 郜翔.河南師范大學 2018



本文編號：3605983