基于分层卷积深度学习系统的植物叶片识别研究

被引：45

作者：

张帅

淮永建

机构：

[1] 北京林业大学信息学院

来源：

北京林业大学学报 | 2016年 / 38卷 / 09期

关键词：

植物识别; 叶片图像; 特征提取; 支持向量机; 深度学习;

D O I：

10.13332/j.1000-1522.20160035

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@ant Net叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。

引用

页码：108 / 115

页数：8

共 11 条

[1] 基于Android手机和图像特征识别技术的植物叶片分类系统的研究 [J].

邹秋霞 ;

郜鲁涛 ;

盛立冲 .

安徽农业科学, 2015, 43 (11) :367-369

[2] 基于叶片图像特征数字化信息识别7种柳属植物 [J].

杨天天 ;

潘晓星 ;

穆立蔷 .

东北林业大学学报, 2014, 42 (12) :75-79

[3] 基于图像处理的玉米叶片特征提取与识别系统 [J].

邓立苗 ;

唐俊 ;

马文杰 .

中国农机化学报 , 2014, (06) :72-75+79

[4] 基于叶片图像多特征融合的观叶植物种类识别 [J].

王丽君 ;

淮永建 ;

彭月橙 .

北京林业大学学报, 2015, (01) :55-61

[5] 基于叶缘与叶脉分数维特征的植物叶识别方法研究 [J].

翟传敏 ;

汪青萍 ;

杜吉祥 .

计算机科学, 2014, 41 (02) :170-173

[6] 基于克隆选择算法和K近邻的植物叶片识别方法 [J].

张宁 ;

刘文萍 .

计算机应用, 2013, 33 (07) :2009-2013

[7] 关于统计学习理论与支持向量机 [J].

张学工 .

自动化学报, 2000, (01) :36-46

[8]

A complex network-based approach for boundary shape analysis[J] . André Ricardo Backes,Dalcimar Casanova,Odemir Martinez Bruno.Pattern Recognition . 2008 (1)

[9] A fast learning algorithm for deep belief nets [J].

Hinton, Geoffrey E. ;

Osindero, Simon ;

Teh, Yee-Whye .

NEURAL COMPUTATION, 2006, 18 (07) :1527-1554

[10]

ImageNet classification with deep convolutional neural networks .2 A. Krizhevsky,I. Sutskever,G. Hinton. Advances in neural information processing systems . 2012

← 1 2 →