论文部分内容阅读
中国是花卉种植大国,种类资源丰富,栽培历史悠久,相关从业人员众多。其中,花卉分类是植物学研究领域和花卉业生产中重要的基础性工作,从而花卉分类学是一项具有长远意义的基础性研究,但是其分类过程需耗费大量的人力和物力。随着手机设备等成像技术的发展,人们对花卉图像进行收集、认识和区分,奠定了花卉智能分类识别的基础。近几年来,深度学习从机器学习中脱颖而出,成为一门蓬勃发展的新型学科,它的发展极大地促进了科学技术的进步,同时也不断改变着我们对世界的认知,带领我们走进了人工智能时代。目前,深度学习已经被广泛应用于在图像识别和语音识别等领域。花卉图像的识别与分类研究一直是深度学习的热点,它既可以帮助非专业人员了解并认识花卉,进一步对其进行准确分类,也减少了植物专家进行花卉分类所需的时间和精力,帮助他们设计植物学机器人,实现自动化园林管理。针对花卉图像分类问题,本文研究探讨了深度学习的基本理论和相关技术,并将其中的一些技术运用到花卉分类任务中,旨在提高花卉图像分类识别的准确率。本文主要工作如下:(1)介绍花卉图像分类识别的研究背景和意义,并阐述国内外研究动态。(2)介绍深度学习的相关知识和一些花卉图像分类识别的相关算法。(3)由于传统的花卉图像分类识别方法往往需要人为干预,具有依赖性,常常设计的特征也具有偶然性,不能实现对花卉图像的准确分类,从而引用多种卷积神经网络对花卉图像特征进行学习,对比找出分类识别率较好的卷积神经网络模型。(4)由于花卉图像存在花卉部分小,背景复杂,背景干扰等问题,所以在卷积神经网络模型的基础上引用注意力机制,将中间卷积层的局部特征和全连接层的全局特征进行融合,构建注意力特征,实现对花卉图像中花卉部分的增强,对无关背景等部分起到抑制的作用。(5)由于花卉图像还存在类间相似性和类内差异性的问题,提出一种基于深度学习的花卉图像分类模型A-LDCNN。该模型在基于卷积神经网络和注意力机制的基础上引入线性判别分析思想LDA,构建基于判别式距离度量的损失函数,再结合Softmax loss损失函数,构建新的损失函数LD-loss参与网络训练,使提取到的特征具有最大类间距离和最小类内距离,实现自然条件下的花卉图像准确分类。