植物在整個生態系統中扮演舉足輕重的角色,全球的森林覆蓋率為31.7%且分布廣泛。對于植物的識別分類能夠幫助我們進一步完善全球生態體系,建立完整的生物資料庫。植物葉片是分辨其種類的主要參考對象。傳統的的識別方法切入點在于在輪廓的形態分析、葉脈的走向分析等。隨著現代科技的不斷革新,深度學習技術憑借其對于圖像特征提取的優勢逐漸發展起來。本文圍繞基于改進的深度學習的植物葉片識別算法的模型與實現問題開展研究,主要研究內容包括如下幾個方面:(1)針對小數據樣本訓練深度網絡模型時產生的過擬合問題,采用兩種解決方案。一方面,研究并改進了對數據圖像預處理的方法,通過DCGAN方法擴充數據庫圖像,使之達到深度網絡訓練的基本要求;另一方面,利用遷移學習將網絡模型應用于參數訓練上,以提高植物葉片識別的準確率。通過Inception V3和VGG-16兩種模型進行優化前后的對比實驗,結果表明,此算法可以提高識別植物葉片的效率。(2)針對網絡模型參數過大導致其存儲及計算代價過高的問題,采用改進的神經網絡壓縮方法。首先,利用遞歸貝葉斯算法進行網絡剪枝,自適應地去除網絡冗余;然后,引入K-means聚類量化網絡中的卷...

【文章頁數】：57 頁

【學位級別】：碩士

【部分圖文】：

圖１－］技術路線圖??

?東北林業大學碩士學位論文???＜?開始???＼１／???融合ＤＣＧＡＮ與迀移學??習算法進行卷積神經??網絡的識別優化???＼Ｊ＾???融合網絡修剪與量化??算法進行卷積神經網??絡的識別模型壓縮???＾???構建卷積神經網絡識??別植物葉片的嵌入式??硬件平臺???＾???圖....

圖２－２最大池化操作??

?東北林業大學碩士學位論文???Ｄ２?＝?Ｄ＼?（２－４）??如圖２－２所示演示了一張對大小為４ｘ４的圖像數據進行最大池化的操作，這里采??用的卷積核大小為２ｘ２、單次移動步長為２，可以看出粉色格子所代表像素中最大值為??６、綠色格子所代表像素中最大值為８，以此類推可以得到２ｘ２....

圖２－３?Ｓｉｇｍｏｉｄ函數圖像??Ｔａｎｈ激活函數，函數表達式為：??

?東北林業大學碩士學位論文???Ｄ２?＝?Ｄ＼?（２－４）??如圖２－２所示演示了一張對大小為４ｘ４的圖像數據進行最大池化的操作，這里采??用的卷積核大小為２ｘ２、單次移動步長為２，可以看出粉色格子所代表像素中最大值為??６、綠色格子所代表像素中最大值為８，以此類推可以得到２ｘ２....

圖２－４Ｔａｎｈ函數圖像??Ｒｅｌｕ函數是三種激活函數中最為常見的一個，函數表達為：??

?２深度學習相關知識???——??＿＿＿—???．１??圖２－４Ｔａｎｈ函數圖像??Ｒｅｌｕ函數是三種激活函數中最為常見的一個，函數表達為：??ｆ〇?ｘ＜０??Ｈ?（２－７）??對丨、Ｖ：的函數閣像為：??１／???〇－?ｙ??？１０?－５?０?Ｓ?１０??圖２－５?Ｒｅｌｕ函數....

本文編號：4003330