深度神经网络的研究及其在植物叶片图像识别中的应用

《深度神经网络的研究及其在植物叶片图像识别中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10406分类号：TP389.1学号：130081203003南昌航空大学硕士学位论文（学术学位研究生）深度神经网络的研究及其在植物叶片图像识别中的应用硕士研究生：景辉芳导师：杨词慧申请学位级别：硕士学科、专业：计算机应用技术所在单位：信息工程学院答辩日期：2016年6月授予学位单位：南昌航空大学AStudyofDeepNeuralNetworkswithApplicationtoPlantLeavesImageRecognitionAThesisSubmittedfortheDegreeofMast

2、erOnComputerApplicationTechnologybyHuifangJingUndertheSupervisionofProf.CihuiYangSchoolofInformationEngineeringNanchangHangkongUniversity,Nanchang,ChinaJune,2016摘要植物在我们生活中无处不在，它对整个地球生态系统的保护有非常重要的意义，而研究植物非常重要的一项内容就是精确分类。传统的识别方法需要人工对图片进行识别和标注，主观性比较强，工作量极大，进而会导

3、致标注的准确率大大降低。因此，如何从植物叶片中自动提取图像特征并进行准确的分类已成为植物分类研究所需解决的问题。近年来，深度学习的研究表明，深层神经网络可以直接从原始图片中提取抽象特征。而且，像卷积神经网络本身还具备旋转和平移不变性，而这一特性在图像识别中显得尤其重要。因此，本文重点研究如何将卷积神经网络应用于植物叶片图像识别上，并构建一个全卷积神经网络模型。针对以往植物叶片识别方法识别率偏低的问题，本文提出的具体研究内容如下：（1）设计了一种全卷积深度神经网络的图像特征提取方法。首先对图片进行预处理，包括图像

4、切割、增强、旋转和透视等来减少一些计算量。然后，使用卷积神经网络的算法自动提取图像特征。最后，用多层感知机来替换传统神经网络的线性滤波器，由多层感知机组成的非线性卷积层把输入的局部数据通过非线性的激活函数进行映射，全连接的网络非常容易过拟合，而非线性的卷积由于权值共享，本身就具备一定防止过拟合的能力，这样得到的卷积神经网络能有效地从非线性可分的数据中抽象出所需的特征。（2）提出一种使用PReLU代替传统ReLU激活函数的深度神经网络方法。ReLU（线性纠正函数）加快了训练过程的衔接，而且比传统的S形能更好地加速

5、收敛。但在植物叶片图像训练中会出现梯度弥散情况，所以本文使用PReLU的激活函数，它能够自适应学习整流器的参数，并且提高准确率而可以忽略额外的计算成本。（3）通过实验及实验结果最终验证了深度卷积神经网络在植物叶片图像识别问题上是可行的。并且与其它一些神经网络算法相比较，本文改进的深度卷积神经网络在植物叶片图像识别上的识别率更高。关键词：图像处理，叶片识别，卷积神经网络，PReLU，深度学习IAbstractPlantsareeverywhereinourlives.Theyarethefundamentalpa

6、rtoflifeonEarth.Thefirststepinbotanicalstudyisaccurateclassificationofplants.However,currentplantleafimageclassificationstillrequireshand-craftedlabeling,whichisoftenverytimeconsumingandexpensivetoobtain,astheyrequiretheeffortsandexpertiseofhumanannotators.R

7、ecentadvancesindeeplearningtechniquehavemadeitpossibletoautomaticallyextracthigh-levelfeaturesfromrawsensorydatawithoutthehelpoffeatureshandcraftedbydomainexperts.Therefore,thispaperfocusesonhowconvolutionneuralnetworkonplantleavesimagerecognition,andbuildsa

8、fullconvolutionnetworkmodel.Concreteresearchcontentisasfollows.Firstly,thispaperpresentsamethodforimagefeatureextractionwithfullconvolutionneuralnetwork.Wefirstpre-processimages,includingimagese