亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于卷積神經(jīng)網(wǎng)絡(luò)的牡丹花品種識別

        2021-12-18 06:50:00何進榮任維鑫石延新白宗文3
        系統(tǒng)仿真技術(shù) 2021年2期
        關(guān)鍵詞:模型

        何進榮,任維鑫,石延新,白宗文3,*

        (1.延安大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院,陜西延安716000;2.西北農(nóng)林科技大學(xué)陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點實驗室,陜西楊凌712100;3.延安大學(xué)陜西省能源大數(shù)據(jù)智能處理省市共建重點實驗室,陜西延安716000;4.延安大學(xué)物理與電子信息學(xué)院,陜西延安716000)

        牡丹花因其色澤艷麗、富麗堂皇,享有“國色天香”的美譽。作為中國固有的特產(chǎn)花卉,牡丹花歷來具有很高的觀賞和藥用價值。根據(jù)花色、花型、葉片和根部等植物性狀特征的不同,牡丹花品種多達上百種,給牡丹花學(xué)者和愛好者鑒別牡丹花品種帶來了挑戰(zhàn)。目前牡丹花的品種鑒別主要依靠園藝專家的專業(yè)知識,這種鑒別方法耗時耗力,不利于推廣牡丹文化和科普教育。近年來,隨著計算機視覺技術(shù)的發(fā)展,許多學(xué)者將圖像識別方法應(yīng)用于農(nóng)業(yè)領(lǐng)域,并取得了成功。

        目前在花卉圖像識別領(lǐng)域,常用的公開數(shù)據(jù)集有Oxford 17花卉數(shù)據(jù)集[1]和102花卉數(shù)據(jù)集[2],前者包含17個種類共1360幅花卉圖像,后者包含102個種類共8189幅花卉圖像。針對通用花卉樣本庫Oxford 17 flower上的花卉種類識別問題,Nilsback等人借鑒自然語言處理中的特征向量化思想,提出基于視覺詞袋的花卉圖像特征表示方法[2]。吳笑鑫等人采用基于顯著性檢測的Grab Cut分割算法進行預(yù)處理,采用SVM構(gòu)建分類模型[3]。為了對比不同圖像預(yù)處理、特征提取和分類器方法的性能,苗金泉等人提出基于插件技術(shù)的花卉種類識別算法評估方法[4]。Zhang等人采用SIFT和Harr算子對圖像特征進行檢測,使用最近鄰方法進行花卉種類識別[5]。

        為了提高圖像識別系統(tǒng)的魯棒性,Kanan等人聯(lián)合稀疏編碼和序列化視覺注意力模型提取特征,在102花卉數(shù)據(jù)集上準確率達到75.2%[6]。Zou等人采用參數(shù)化的幾何模型進行花卉識別,并研發(fā)了計算機輔助視覺交互式識別系統(tǒng),在113個種類1078幅花卉圖像上識別準確率高于人類[7]。Guru等人收集了35個種類1750幅花卉圖像,在去除背景的圖像上分別提取顏色紋理矩、灰度共生矩陣和Gabor響應(yīng)等特征,然后采用概率神經(jīng)網(wǎng)絡(luò)建立分類器,識別準確率達到79%[8]。為了研發(fā)移動端的花卉圖像實時識別系統(tǒng),Cheng等人提出基于目標屬性的花卉圖像分類方法,提取花序、花朵形狀和顏色等屬性特征后采用遺傳算法進行判別屬性篩選,最后采用稀疏表示分類方法進行識別[9]。

        隨著深度學(xué)習(xí)在感知數(shù)據(jù)建模上的優(yōu)異表現(xiàn),以卷積神經(jīng)網(wǎng)絡(luò)為代表的圖像分類方法逐漸成為計算機視覺領(lǐng)域的主流方法之一。針對菊花花型和品種識別問題,袁培森等人采集了5個品種的6300張菊花圖像,構(gòu)建6層卷積神經(jīng)網(wǎng)絡(luò)逐層學(xué)習(xí)菊花特征[10]。Liu等人收集到79個種類52775幅花卉圖像,然后采用卷積神經(jīng)網(wǎng)絡(luò)建立識別模型,分類準確率達到76.54%[11]。Xia等人采用預(yù)訓(xùn)練的Inception-v3模型進行遷移學(xué)習(xí),在Oxford 17和102花卉數(shù)據(jù)集上的分類準確率均達到99%[12]。

        現(xiàn)有花卉圖像數(shù)據(jù)規(guī)模較小,圖像均在控制條件下拍攝,同種類差異性較小且不同種類的花卉在形態(tài)上具有較好的可分性。圖像分類系統(tǒng)的構(gòu)建很大程度上依賴于特定領(lǐng)域圖像數(shù)據(jù)集的構(gòu)建,且圖像采集環(huán)境和目標形態(tài)差異會導(dǎo)致同類目標的像素數(shù)值差異大于不同類目標。針對牡丹花品種識別方法,本文的主要貢獻體現(xiàn)在以下幾個方面。

        (1)在自然環(huán)境下分組采集11624幅牡丹花圖像,并對牡丹花品種進行人工標注,建立分布廣泛的牡丹花圖像數(shù)據(jù)集。

        (2)實驗對比分析了傳統(tǒng)手工特征分類模型、預(yù)訓(xùn)練深度模型和卷積神經(jīng)網(wǎng)絡(luò)等3種圖像分類方法在牡丹花品種識別上的準確率。

        1 數(shù)據(jù)預(yù)處理

        牡丹花圖像采集與人工標記是建立牡丹花品種識別模型的基礎(chǔ)。本節(jié)主要介紹牡丹花圖像數(shù)據(jù)集的構(gòu)建過程。

        1.1 數(shù)據(jù)采集

        牡丹花圖像數(shù)據(jù)于2018年4月上旬在西北農(nóng)林科技大學(xué)南校區(qū)牡丹園采集,由4名學(xué)生使用手機相機在不同時間段拍攝,牡丹花品種信息根據(jù)標識牌指示進行記錄,共包括11個品種的11624幅牡丹花圖像。數(shù)據(jù)采集信息如表1所示,不同采集設(shè)備獲取的原始圖像分辨率不同,在數(shù)據(jù)建模時統(tǒng)一縮放至224×224。每個品種的牡丹花圖像個數(shù)如表2所示,各品種圖像數(shù)目大致相當(dāng)。每個品種的部分示例圖像如圖1所示,僅通過花瓣顏色和形態(tài)難以將每個牡丹花品種區(qū)分開,如霓虹幻彩(圖1(d))、墨潤絕倫(圖1(f))和烏龍捧盛(圖1(h))等3個品種在外觀上十分相似。牡丹花圖像背景復(fù)雜,葉片對花瓣存在遮擋,花苞形態(tài)和拍攝角度各異,且光照不均衡,這些都給圖像分類增加了一定的難度。

        圖1 11個牡丹花品種的示例圖像Fig.1 Sample images of 11 peony varieties

        表1 數(shù)據(jù)采集信息Tab.1 Data collection information

        表2 不同品種牡丹花圖像個數(shù)Tab.2 The number of peony images of different varieties

        1.2 數(shù)據(jù)增強

        為了提高卷積神經(jīng)網(wǎng)絡(luò)模型的泛化能力,對每幅牡丹花圖像通過旋轉(zhuǎn)、平移、扭曲、縮放、翻轉(zhuǎn)等傳統(tǒng)數(shù)字圖像處理方法進行隨機變換以擴充樣本個數(shù)。針對“大胡紅”品種的某幅圖像進行數(shù)據(jù)增強后的部分樣本如圖2所示,通過隨機變換生成的牡丹花圖像大量擴充了數(shù)據(jù)集,使樣本分布更廣泛。

        圖2 數(shù)據(jù)增強后的部分圖像樣本Fig.2 Some image samples after data augmentation

        2 神經(jīng)網(wǎng)絡(luò)模型

        本文采用遷移的ResNet網(wǎng)絡(luò)構(gòu)建牡丹花品種識別模型,其殘差結(jié)構(gòu)有效地解決了深度神經(jīng)網(wǎng)絡(luò)隨著層數(shù)加深而梯度消失的問題。ResNet網(wǎng)絡(luò)的特征提取部分由前幾層的卷積層堆疊和殘差模塊的多次疊加構(gòu)成,最后連接全局平均池化層、全連接層和Softmax輸出層。

        2.1 網(wǎng)絡(luò)結(jié)構(gòu)

        本文構(gòu)建的卷積網(wǎng)絡(luò)模型其殘差模塊主要有兩種結(jié)果。如圖3所示。

        圖3 殘差模塊Fig.3 Residual module

        整體結(jié)構(gòu)如圖4所示。模型輸入圖像設(shè)定為224×224的三通道彩色圖像,殘差結(jié)構(gòu)中依次包含瓶頸殘差模塊、常規(guī)殘差模塊×2、瓶頸殘差模塊、常規(guī)殘差模塊×3、瓶頸殘差模塊、常規(guī)殘差模塊×22、瓶頸殘差模塊、常規(guī)殘差模塊×2。其內(nèi)部卷積核設(shè)置略有調(diào)整。最后,在網(wǎng)絡(luò)全連接層之后采用Softmax分類器輸出每個類別的分類概率。

        圖4 整體結(jié)構(gòu)Fig.4 Overall structure

        2.2 損失函數(shù)

        牡丹花品種識別屬于多分類任務(wù),本文選用交叉熵函數(shù)作為模型的損失函數(shù),用于評估卷積神經(jīng)網(wǎng)絡(luò)預(yù)測輸出的類別概率分布與真實分布之間的差異,交叉熵損失函數(shù)對于不均衡的樣本對網(wǎng)絡(luò)準確率的消極影響具有較好的抑制作用。

        3 實 驗

        為了驗證本文建立的卷積神經(jīng)網(wǎng)絡(luò)模型的有效性,實驗設(shè)計時分別從數(shù)據(jù)建模方法和數(shù)據(jù)分組測試兩個方面展開對比實驗。

        3.1 實驗設(shè)置

        在圖像分類實驗中,測試了不同的網(wǎng)絡(luò)架構(gòu)在不同的遷移方法和不同的優(yōu)化器選擇中表現(xiàn)出來的效果。改造模型結(jié)構(gòu)的方法:將全連接層加分類層中的全連接層替換為新層,使其全連接節(jié)點為11,將1×1卷積層加分類層中的卷積層替換為新層,使其卷積核數(shù)量等于11。

        實驗編程開發(fā)環(huán)境為Matlab2019b,計算設(shè)備為個人計算機,CPU為AMD R2700x,主頻為3.70 GHz,內(nèi)存為16 GB,顯卡為1080TI,顯存為11 GB。訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的劃分比例為9∶1。

        3.2 實驗結(jié)果

        3.2.1 最佳實驗結(jié)果

        首先,將4組牡丹花圖像數(shù)據(jù)集合并在一起,隨機分層抽樣90%作為訓(xùn)練集,其余10%作為測試機,隨機打亂順序讀入,訓(xùn)練過程中每次迭代隨機打亂一次,采用Adam優(yōu)化器,新增層權(quán)重和偏置學(xué)習(xí)率均擴大10倍,前六次迭代的基準學(xué)習(xí)率為1×10-4,下降系數(shù)為0.05,Batch Size設(shè)為64,訓(xùn)練11次,每次訓(xùn)練后驗證一次,數(shù)據(jù)增強方法是上下左右隨機移動20個像素,x軸隨機反射。識別準確率如表3所示。ResNet101訓(xùn)練集準確率最高但訓(xùn)練耗時70分13秒,ResNet50訓(xùn)練耗時38分43秒,從資源消耗與收益比來看,ResNet50性能較強。AlexNet泛化能力較差,存在過擬合的問題且訓(xùn)練過程振蕩較為嚴重。具體訓(xùn)練曲線如圖5所示。

        圖5 ResNet101和AlexNet訓(xùn)練過程圖Fig.5 ResNet101 and AlexNet training process

        表3 最佳的識別結(jié)果Tab.3 The best recognition result

        3.2.2 優(yōu)化算法對神經(jīng)網(wǎng)絡(luò)的影響

        首次試驗選取SGDM作為優(yōu)化器,新增層的權(quán)重學(xué)習(xí)率和偏差學(xué)習(xí)率均擴大20倍,實驗結(jié)果如表4。

        表4 選取SGDM優(yōu)化器的測試結(jié)果Tab.4 The test results of SGDM optimizer

        4 結(jié) 論

        本文采用卷積神經(jīng)網(wǎng)絡(luò)模型建立牡丹花圖像分類模型,用于自動鑒別不同品種的牡丹花。首先,在西北農(nóng)林科技大學(xué)牡丹園共拍攝11個品種牡丹花圖像11624幅,并人工標注牡丹花品種類別;隨后基于ResNet101模型架構(gòu),遷移學(xué)習(xí)了一種卷積神經(jīng)網(wǎng)絡(luò),測試集上的識別準確率可達98%,顯著高于傳統(tǒng)手工提取特征的視覺詞袋模型,略優(yōu)于預(yù)訓(xùn)練的ResNet50、VGG16和Inceptionv3,整體表現(xiàn)較好,對于植物識別具有一定的實際意義。

        為了提高牡丹花品種識別的準確率和魯棒性,下一步工作將繼續(xù)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),改造數(shù)據(jù)集內(nèi)容,結(jié)合特征學(xué)習(xí)的層次化表示思想,將特征遷移、特征學(xué)習(xí)和人工特征相結(jié)合來構(gòu)建易于訓(xùn)練的深度學(xué)習(xí)模型。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機模型
        提煉模型 突破難點
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        av一区二区三区观看| 精品免费在线| 99成人无码精品视频| 国产黄色三级三级三级看三级| 久久精品国产熟女亚洲| 99精品国产一区二区三区| 国产喷水在线观看| 久久久精品人妻一区二| 亚洲色图专区在线视频| 久久99精品久久水蜜桃| y111111少妇影院无码| 视频网站在线观看不卡| 熟女一区二区中文字幕| 中文字幕乱码无码人妻系列蜜桃| 国产精品户露av在线户外直播| 亚洲中文字幕无码不卡电影| 性感美女脱内裤无遮挡| 国内精品久久久人妻中文字幕| 播放灌醉水嫩大学生国内精品| 黄色录像成人播放免费99网| 亚洲女同免费在线观看| 高清精品一区二区三区| 久久久久无码国产精品不卡| 人妻av午夜综合福利视频| 久久精品一区二区三区蜜桃| 国产精品久久人妻无码| 日韩欧美中文字幕公布| 少妇一级内射精品免费| 亚洲国产精品成人天堂| 男女啪啪免费体验区| 欧美日韩综合在线视频免费看| 丰满少妇被爽的高潮喷水呻吟| 国产福利永久在线视频无毒不卡| 国产成人免费a在线视频| 一区二区三区四区四色av| 丰满少妇按摩被扣逼高潮| 欧美国产一区二区三区激情无套 | 久久成人国产精品免费软件| 亚洲国产一区二区三区网| 日韩中文字幕一区在线| 成年美女黄的视频网站|