基于迁移学习的卷积神经网络植物叶片图像识别方法

被引:67
作者
郑一力
张露
机构
[1] 北京林业大学工学院
关键词
叶片识别; 卷积神经网络; 迁移学习;
D O I
暂无
中图分类号
TP183 [人工神经网络与计算]; TP391.41 [];
学科分类号
080203 ;
摘要
为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型(Alex Net、Inception V3)在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由Tensor Board可视化得到的数据绘制而成。结果表明,利用Alex Net、Inception V3预训练模型得到的测试集准确率分别为95. 31%、95. 40%,有效提高了识别准确率。
引用
收藏
页码:354 / 359
页数:6
相关论文
共 8 条
[1]   基于降维LBP与叶片形状特征的植物叶片识别方法 [J].
付波 ;
杨章 ;
赵熙临 ;
单治磊 .
计算机工程与应用, 2018, 54 (02) :173-176+187
[2]   基于多特征降维的植物叶片识别方法 [J].
郑一力 ;
钟刚亮 ;
王强 ;
赵玥 ;
赵燕东 .
农业机械学报, 2017, 48 (03) :30-37
[3]   基于分层卷积深度学习系统的植物叶片识别研究 [J].
张帅 ;
淮永建 .
北京林业大学学报, 2016, 38 (09) :108-115
[4]   卷积神经网络研究综述 [J].
李彦冬 ;
郝宗波 ;
雷航 .
计算机应用, 2016, 36 (09) :2508-2515+2565
[5]   用于孤立数字语音识别的一种组合降维方法 [J].
宋青松 ;
田正鑫 ;
孙文磊 ;
吴小杰 ;
安毅生 .
西安交通大学学报, 2016, 50 (06) :42-46
[6]   基于多特征融合和深度信念网络的植物叶片识别 [J].
刘念 ;
阚江明 .
北京林业大学学报, 2016, (03) :110-119
[7]   基于图像处理的树叶面积测量系统 [J].
侯国祥 ;
翁章卓 ;
李洪斌 ;
李伟 .
武汉植物学研究, 2005, (04) :369-372
[8]   ImageNet Large Scale Visual Recognition Challenge [J].
Russakovsky, Olga ;
Deng, Jia ;
Su, Hao ;
Krause, Jonathan ;
Satheesh, Sanjeev ;
Ma, Sean ;
Huang, Zhiheng ;
Karpathy, Andrej ;
Khosla, Aditya ;
Bernstein, Michael ;
Berg, Alexander C. ;
Fei-Fei, Li .
INTERNATIONAL JOURNAL OF COMPUTER VISION, 2015, 115 (03) :211-252