基于深度學習的植物葉片識別方法研究.pdf

1、植物葉片識別對于鑒定新的或者稀缺物種至關(guān)重要，對于改善藥物工業(yè)、平衡生態(tài)系統(tǒng)以及農(nóng)業(yè)生產(chǎn)力的可持續(xù)性發(fā)展也有重要意義。針對傳統(tǒng)的植物葉片識別依賴于特征工程，需要人類的領(lǐng)域?qū)＜覅⑴c特征定義、特征提取、特征處理，從而使得在自然環(huán)境下植物葉片識別難的問題，本文提出了一種通過自動的表達學習程序從二維圖像中抽象特征，并用于分類識別的深度學習模型。本文所做的工作如下：
　?、傺芯總鹘y(tǒng)特征工程的識別方法的局限，研究深度學習的發(fā)展及優(yōu)勢。

2、　?、谘芯炕谔卣鞴こ痰闹参锶~片識別流程，包括特征的提取方法、特征的處理與選擇方案、分類器的設(shè)計方案，以及傳統(tǒng)特征工程面臨的問題。
　?、垩芯炕谏疃葘W習的植物葉片識別流程，包括有限數(shù)據(jù)集下數(shù)據(jù)擴增與魯棒性增強的圖像預處理方案，特征提取網(wǎng)絡構(gòu)造的關(guān)鍵步驟，損失函數(shù)的選擇與分類網(wǎng)絡構(gòu)造的關(guān)鍵步驟。
　　④研究深度學習方法中提升識別率的關(guān)鍵問題，實現(xiàn)更深、更寬、性能更好、參數(shù)更少的深度學習網(wǎng)絡構(gòu)造方法，網(wǎng)絡的訓練及優(yōu)化方案，遷移

3、學習可用性及實現(xiàn)方案。
　　最終，本文實現(xiàn)了基于深度學習的植物葉片識別方法，該方法首先通過光照變換、水平鏡面翻轉(zhuǎn)、隨機裁剪、去均值與規(guī)范化等圖像預處理方式增強數(shù)據(jù)魯棒性。然后將預處理的圖像作為22層的深度卷積神經(jīng)網(wǎng)絡模型的輸入，經(jīng)過該模型一系列的卷積、池化操作，原始圖像被抽象并形成特征圖。最后經(jīng)過全局均值池化將特征圖轉(zhuǎn)為一維特征向量作為全連接層的輸入，并使用SoftMax損失函數(shù)和梯度下降算法指導學習最終實現(xiàn)分類。
　　本文