论文基于深度学习植物图像识别方法是关于图像识别方面的的相关大学硕士和相关本科毕业论文以及相关图像识别系统论文开题报告范文和职称论文写作参考文献资料下载。
摘 要 传统植物图像识别研究主要集中在植物叶片图像.研究将深度神经网络学习运用于植物识别领域,突破局部叶片图像的限制,对常规植物图片进行识别.该方法运用googleNet的深度卷积神经网络结构,通过图像旋转、镜像、随机裁剪等数据预处理方法扩充训练集,再利用SGD（随机梯度下降法）进行模型算法优化,生成对50种常规植物图像的识别模型.结果表明,该模型在测试集上能够达到平均90%的准确率.
关键词 植物图像识别；深度学习；神经网络
中图分类号 TP391.41 文献标识码 A 文章编号 1007-5739（2017）23-0278-03
Abstract Traditional plant image recognition research is mainly focused on plant leaf images.The deep neural network was applied to the field of plant recognition,it breaks through the restriction of the local leaf image and identifies the conventional plant pictures.GoogleNet deep convolution neural network structure was used,the training set was extend by data preprocessing methods such as image rotation,mirror image,random clipping and so on,and then SGD（stochastic gradient descent method）was used to optimize the model algorithm to generate 50 kinds of common plant image recognition model.The results showed that the model could achieve an average accuracy of 90% on the test data set.
Key words plant image recognition；depth learning；neural network
植物是地球分布最廣泛的生命形式,和人类生活环境的关系最为密切.目前,植物物种的识别主要依靠有经验的专家和相关行业从业人员的专业知识和实践经验,工作量大且效率低.随着计算机的计算能力大幅提升,尤其是移动终端性能的提升和普及,人们获取、保存和处理植物图像的能力大幅度提升.研究如何通过植物图像快速识别植物种类具有非常重要的意义,既可以促进植物分类学科的发展,又可以普及植物知识,激发人们热爱植物、保护环境生态的热情[1-3].
目前,业内对植物图像识别的研究主要集中在植物叶片图像的识别方法上.在国外,早在1993年,Guyer等[4]通过提取17种叶片形状特征对40类植物进行分类.在国内,杜吉祥等[5]研究了用Gabor小波对植物叶片图像进行多尺度纹理特征提取,再利用神经网络模型对特征向量进行分类识别的方法.张 宁[6]提出了一种基于克隆选择算法和K近邻判别分析的叶片识别方法.李 萍等[7]提出了一种基于改进稀疏表示的植物识别方法,利用最近邻准则实现稀疏表示,通过稀疏表示系数实现植物识别,而不需要进行特征提取.
随着构建深层网络结构进行多层次特征学习的人工智能方法在大规模图片分类（ImageNet）竞赛上取得突破性进展,其在各个方面都受到了极大的关注,在图像识别和语音识别领域也取得了很大的成功[8-10].本文将深度学习应用在植物图像识别领域,使植物识别突破只能依靠局部叶片图像的限制,实现对常规植物图片的识别.
1 深度学习的概念及原理
神经网络的基本神经元的结构是wx+b的形式,如图1所示,其中x1,x2表示输入向量,w1,w2为权重,有几个输入则意味着有几个权重,即每个输入都被赋予一个权重,b为偏置bias,g（z）为激活函数,a为输出.最终得到的输出是g（z）等于g（w1×x1+w2×x2+b）,g是激活函数.
深度学习（deep learning）是深度神经网络学习方法的简称,传统的神经网络一般有一个隐藏层,神经元之间采取全连接的方式,而深度学习基于深层构建的结构,在神经网络的输入和输出中间有多层的神经元网络（图2）.
卷积神经网络（convolutional neural network）广泛应用在图像领域.图3为卷积神经网络中的一个卷积层,由卷积操作（convolution）、非线性响应操作（relu）以及池化操作（pooling）组成.
CONV为卷积计算层,线性乘积求和.由图4可知,左边是图像输入,中间部分就是滤波器filter（带着一组固定权重的神经元,也称卷积核）,不同的滤波器filter会得到不同的输出数据,比如颜色深浅、轮廓.相当于如果想提取图像的不同特征,则用不同的滤波器filter,提取想要的关于图像的特定信息,如颜色深浅或轮廓.relu为激励层.relu是激活函数的一种.pooling为池化层.简言之,即取区域平均或最大,即最大化该卷积层得到的特征,如图5所示.
2 实验方法
2.1 算法流程
深度学习算法能够有效运行的一个关键就是基于大规模数据,因为深度学习网络有众多的参数,少量数据无法对网络参数进行充分训练.使用GoogleNet层的网络结构,把在ImageNet上训练好的网络参数用于植物识别网络的初始化参数,然后用标定的植物图像对网络权重使用反向传播的方法进行调整,直到训练完成（图6）.
总结:这篇图像识别论文范文为免费优秀学术论文范文,可用于相关写作参考。
参考文献：
1、 基于深度学习的癌症亚型鉴定方法 摘要：海量的生物医学数据为癌症的机制发现和治疗提供了机遇，越来越多的工作集中于癌症亚型的鉴定。基于深度学习的方法能够提取生物医学数据的深层特征，。
2、 新课标下高中数学学习几种思想方法 【摘要】在新课标改革稳步发展的背景下，诸多教学模式发生了巨大的变化。相应地对我们高中生学习数学的能力也提出了更高的要求。对此，本文主要从数形结合。
3、 关于视频监控图像侦查方法 摘要：随着科技的发展，视频技术得到了巨大发展，视频监控系统能对一定的区域进行实时监控，记录和跟踪信息，并记有视频资料，视频系统在当代侦查破案中的。
4、 中职英语词汇学习和扩充教学方法 摘 要：在英语学习中，词汇量的重要性不言而喻。中职学校英语课程是在基础英语的基础上，以各专业英语为主，要求学生学习和记忆大量的专业词汇。本文分析。
5、 重磁资料异常分离和构造边界识别方法应用分析 摘 要：重磁勘探是地球物理勘探方法中最为重要的勘探方法。本文对重磁异常分离方法——插值切割异常分离法进行系统的理论研究，对几种基本边界识别方法进。
6、 深鉴科技:利用深度学习为人工智能提供更高效的解决方案 深鉴科技的深度压缩技术能够将视频帧率提高10倍以上，更便于监控画面的传输和运算，提高效率，降低成本。10月24日，人工智能企业“深鉴科技”宣布。