基于深度学习的蔬菜植物图像识别分类【字数：6885】
目录
摘 要 3
ABSTRACT 3
1 引言 4
2 符号解释说明 4
3 深度学习网络 4
4 卷积神经网络 5
4.1 简介 5
4.2 方法概述 6
4.3 网络结构设计 6
5 图像数据预处理 7
5.1 数据来源 7
5.2 图像处理 8
5.3 数据增强 8
6 模型构建 8
6.1 激活函数 9
6.2 池化层 9
6.3 全连接层 9
6.4 残差层 10
6.5 参数设置 11
7 实验结果与分析 11
致 谢 12
参考文献 13
附 录 14
基于深度学习的蔬菜植物图像识别分类
引言
1 引言
当前，识别植物图像类别的研究集中在识别分类植物叶片图像的方法上。在1993年，国外的Guyer等[2]主要以17种叶片形状的特征提取为方法，来对40种植物进行识别分类。而在国内，杜吉祥等[3]先在多尺度纹理的特征提取方面，首次采用Gabor小波对多种植物叶片图像进行了处理，接着为了对其特征向量进行分门类别，利用神经网络模型进行建模分析。此外，张宁[4]在叶片分类识别方法上，提出了一种基于K近邻判别分析和克隆选择算法的提取纹理特征的算法。而李萍等[5]则就植物图像识别领域，提出了一种改进的基于稀疏表示的识别方法，再根据最近邻准则，进而实现并获取稀疏表示系数，完成植物图像识 *51今日免费论文网|www.jxszl.com +Q: #351916072#
别，这样避免了植物图像特征的提取。
伴随着更深层次网络的建立，在大规模的图片分类 (Image Net) 竞赛上[6]，多层次特征学习的人工智能方法取得了突破性进展[7]，在图像识别与语音识别等领域也取得了很大的成功[8]。同时，图像识别技术在互联网行业、安保以及传统制造业等也得到了广泛应用,其相关方法都比较成熟。下文将卷积神经深度学习网络应用在蔬菜植物图像识别方面，对常见的蔬菜植物图片进行识别。
2 符号解释说明
符号
含义
权重
输入向量
激活函数
偏差
卷积层
采样层
隐藏层
输出层
残差函数
1个单位表示训练训练集中的样本一次
3 深度学习网络
在一个简单的神经网络中，神经元可表示成的代数结构，其中输入向量表示为，表示神经元的权重向量，当然，这里有多少个输入就对应了多少个权重，也即网络的每一个输入被赋予了一个人为设定的权重值，表示为偏置bias，表示激活函数。那么，网络最终得到的输出是。
深度神经网络学习方法简称为深度学习()，对于传统的神经网络，通常只有一个在训练集中无法看到的隐藏层，各个神经元之间以全连接的方式进行连接，而深度学习，顾名思义，是不同于传统神经网络的基于多层深层构建的结构，即在神经网络的输入层和输出层之间，包装着更多隐藏层的大量神经元所构成的网络，如图1所示：
/
图1 深度学习网络图
数以百计的节点权重在学习非结构化模式时，是需要关注的，这会使得网络的权重个数达到成千上万以上，而面对如此庞大的自由参数量，自然是把网络所要关注的目标函数的空间维度给扩大了，对应地，需要更多、更大容量的数据集作为模型的输入，以便在多维空间中，尽量更多地去覆盖住参数所有可能的变化情况[9]。此外，普通算法在日益激增的存储需求情况下，难以有效处理更加复杂多样化的学习问题。随着计算机性能和存储能力的急速发展，深度学习成为最有力的工具。
4 卷积神经网络
4．1 简介
随着人工神经网络（）的兴起，近年来机器学习领域发生了翻天覆地的变化。 这些具有生物学启发的计算模型能够远远超过常见机器学习任务中以前形式的人工智能的性能。其中，卷积神经网络（）是最令人印象深刻的架构之一。主要用于解决难以处理的图像驱动模式识别任务，并且通过其精确而简单的架构，提供了一种简化的人工神经网络入门方法。
的网络结构通常包含两种隐藏层，一种隐藏层用于特征提取，称为特征提取层，该层的每个隐藏神经单元提取局部特征时，是以连接上一层的局部感受域来作为输入。一旦提取到了局部特征，也将确定它与其他特征之间的关系。另一种层用于特征的映射，称为特征映射层，此映射层是由多个特征映射函数构成的多个计算层部分，其中一个特征图表征了一个平面，而各个神经元的权重值在该平面中是等值的。在此映射层的结构中，卷积神经网络的激活函数选用函数或者其他函数，使这种隐藏层在位移上具有不变的特性。另外，在同一映射平面中，网络的自由参数量会有所减少，因为在该平面下，各个神经元参数共享。在网络中，位于卷积层下一层的计算层是用于计算局部平均值和第二提取物的，这两个特征提取结构使得分辨率得到了降低。
在二维图像的位移，缩放等有着强大的识别处理能力，其强大之处在于可以将低维浅层特征映射到高维高层特征上，比如语音，比如文本。在自然语言处理上，可以用来做一些基础任务，比如词性标记，实体识别，文本分类等，也可以做一些前沿的任务，比如机器翻译，聊天机器人等等。由于的特征检测层通过训练数据进行学习，因此可跳过明显特征的提取，可以隐式地从训练数据集中学习，从中提取相关对象的特征。此外，每个处于同一个特征映射的平面中的神经元都被赋予等值权重，因此网络中的研究学习可以同时进行。相对于其他类型的神经网络，这是卷积神经网络的主要优势所在。因此，的特殊网络结构使得卷积神经网络在图像处理和语音识别方面因其共享权重的特点而具有独特的优势。另外，的共享权重的特点可以使网络的复杂性得到有效降低，尤其是多维度的矢量图像方面，而且还可以把图像等数据直接输入到网络中，无需预处理，这使得数据重构的复杂性在特征提取和分类的过程中能有效避免。
原文链接：http://www.jxszl.com/jsj/jsjkxyjs/562890.html
