论文部分内容阅读
植物是我们人类生存不能缺少的一部分,认识植物,了解植物特性对于我们的生命活动至关重要。随着大数据时代的到来,数字媒体技术的发展,我们可以十分便捷的获取大量的植物图片,面对网络中如此海量的数据,如何快速准确的识别植物物种,从而了解特性是目前植物叶片识别领域面临的挑战。近些年来,植物叶片识别课题在计算机视觉领域得到持续的研究。研究者们的焦点主要集中在如何提高叶片识别的正确率和时间效率上。随着神经网络科学和人工智能的发展,人们摆脱了单一特征学习的方法,通过各学科间的协同融合,从而达到更理想的识别效果。学习(即特征学习)一直都是处理智能识别问题的核心。本文把特征学习,机器学习和神经科学多方面的结合创造性的应用于植物叶片识别。因此,本文主要围绕通过研究逐渐探索从浅层到深层网络特征学习的植物叶片识别算法,主要的研究内容包括如下三个方面:首先,本文的研究内容主要是使用特征提取算法提取叶片库中叶片的纹理特征,对得到的一组特征向量,使用机器学习的方法放入分类器中进行训练预测。在保证叶片旋转不变性下,我们使用二值伽柏模式算法(BGP)提取细节纹理特征,并选用更为简单有效的极限学习机(ELM)作为分类器。然后,本文发现对于我们逐渐扩充的数据库,特征提取的方法无论是在准确率还是时间上,都表现的不是特别理想,而且在提取特征这一方面,人工干预比较多。因此,对于扩充的数据库,我们的研究思路主要是利用深度学习的框架,对于训练集和测试集,利用卷积神经网络(CNN)的思想,设计网络结构,调整网络参数,逐层的自主学习更为深层的特征,得到特征模型进行预测。并且我们还使用反卷积网络进行逐层可视化,显示学习到的特征,验证网络的合理性和有效性,探索网络的改进空间。最后,根据本文的研究方案,我们设计了两套植物叶片识别的系统直观的验证可行性和合理性。基于特征提取的系统,对于输入的任意叶片,显示特征直方图和数据库中与之相似的排名前10的叶片(包括相似度值和类别);基于深度学习的系统,对于任意的测试图片,显示逐层的可视化特征图(每层对应9张最大激活图)和数据库中与之相似的排名前5的叶片(包括准确率和类别)。同时,从识别效果和定性分析上,分析比较了两种方法,显示各个方法的单张测试结果,得出结论。