基于交织pcanet的杂草种子识别方法研究

《基于交织pcanet的杂草种子识别方法研究》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、ｉ普．減＾１或誦．ｖ亩謂餐敬難Ｉ户乂ｉ．＇ｒ甲．矣據．．矣良繁緩ｓ：；帮Ｎ％勢．、．：－Ｉ－．－聊’．：■泰‘，警＾ｌ｜禱＇．精：£藝＆＊衣Ａ＾托学數；．涛Ｍ．；＾届攻耻識職生ｆＪ％Ｖ．：＾．索冲；％－／，：Ｖ簿Ｖ一．．，仁．，交织Ｐ５博轉卻子化Ｍｆ；＇，．．餐ｆ＾＞：．：．嘴．；节＊．ｙ廣．．．餐戸．廖．．Ｕ樣ｍ－覆％．１．／ＪＪＭ：Ｖ，．心荀：；發雌科业算邏术饌知．．黎—向獅．究像撕肺；．．；一．－，鞭．．＾ｙ６研生彩轉：；城５焉＾＾

2、ｒ指导师＾觀；媛完成间￡年＃．．．．：‘Ｈ．常．＾；刮．：每擺．，＾簿４－每麟．．讀確ｋ獲读．於片漢＇讳’．爵眾＇：馨：Ｖ．：端＂＾鳥’＾姊动ｆ這弓麵鱗得滅満；一職‘皆＇歡ｒ声洋．３终．ｒＭ，：皆．転望＂．－．》，義裳ｒ讀％巧瀑：．：．心譚惠在謂．．韩譯砖．ｔ：Classificationcode:TP391Universitycode:10712UDC:004Postgraduatenumber:2013051290Confide

3、ntialitylevel:OPENThesisforMaster’sDegreeNorthwestA&FUniversityin2016RESEARCHONIDENTIFICATIONMETHODOFWEEDSEEDSBASEDONINTERLACINGPCANetMajor:ComputerApplicationsTechnologyResearchField:ImageAnalysisandMachineVisionNameofPostgraduate:LiuCailingAdviser:P

4、rof.CaiChengDateofSubmission:May,2016YanglingShaanxiChina基于交织PCANet的杂草种子识别方法研究摘要杂草种子的识别对提高农作物对病虫害的抗性和提升农作物的产量是十分重要的。现有的种子机器视觉鉴别方案都是基于人为的假设从图像中提取特征的，而且若要提取新的特征，需要相关领域的专业知识。从机器学习的角度来看，对图像有区分力的特征应是从图像样本中学习得到的，而非人为定义的，深度学习中的特征是由机器自动从图像样本中学习得到的。深度学习网络通过模拟人

5、脑的工作机制，从输入的训练样本图像中逐层提取到高层抽象特征，这些特征对图像的表达力强，并在很多数据集上表现出了优越的泛化能力，因此深度学习网络适合类内差异大的杂草种子图像的识别，可以提高杂草种子图像机器视觉鉴别的准确率。基于以上分析，本文面向杂草种子识别问题构建一个深度学习网络，由该网络自动地从种子图像中提取高层特征来表示图像。本文的主要研究内容和结果如下：(1)PCANet是一种简单的卷积神经网络，它采用主成分分析方法初始化各层的权值，相比随机初始化权值的卷积神经网络减少了训练参数和加快了训练速

6、度。交织PCANet对PCANet中输入和输出的一对多连接改进为多对多连接，通过在网络的低层对特征进行组合，在网络的高层提取到对图像更具有区分力的整体性特征，通过对层之间的连接增加稀疏减小网络的过拟合。实验结果表明，相比PCANet，交织PCANet对杂草种子图像的识别率提高了2%。(2)本文采用稀疏正交交换法，通过减小图像分片向量构成的矩阵的重构误差来训练权值，相比反卷积权值训练方法和BackPropagation(BP)算法加快了权值的训练速度。通过重构交织PCANet网络的第一层输入的分片向

7、量矩阵可以增加网络中各层的输出与训练样本的联系，并且减小了前面层次输出中丢失的信息对后面层次的影响。实验结果表明，相比未对权值增加训练的网络，增加权值训练过程后的网络对图像的识别率提升了4%。关键词：杂草种子识别；交织PCANet；权值训练；稀疏正交交换法；分片矩阵RESEARCHONIDENTIFICATIONMETHODOFWEEDSEEDSBASEDONINTERLACINGPCANetABSTRACTTheidentificationofweedseedsisveryimportantto

8、improveresistanceofcropstopestsandtoincreasetheyieldofcrops.Existingseedidentificationmethodsbasedonmachinevisionextractfeaturesfromimagesbasedonartificialassumptionandit’sdifficulttoextractnewfeaturesbecauseofprofessionalknowledgeintherelated