• 基于ResNet网络的花卉种类识别研究

    分类: 电子与通信技术 >> 信息处理技术 提交时间: 2024-01-07

    摘要: 近年来,随着深度学习技术的迅速发展,基于卷积神经网络(CNN)的图像识别在各个领域取得了显著的成就。在植物学领域,花卉种类的识别是一个重要的研究方向,对于生态学、农业以及环境监测等诸多方面具有重要意义。本研究旨在探索并优化ResNet(深度残差网络)在花卉种类识别任务中的应用。首先,文章对ResNet网络的结构进行了深入分析,理解了其引入残差学习的机制,以及如何有效地应对深层网络训练中的梯度消失和爆炸问题。通过在花卉图像数据集上的实验,验证了ResNet在处理复杂多类别花卉图像识别任务上的卓越性能。在数据预处理阶段,文章采用了数据增强技术,包括裁剪和翻转等,以扩充训练数据集,提高模型的泛化能力,同时对花卉图像进行了标准化处理,以适应ResNet网络对输入数据的要求。实验结果表明,相较于传统的神经网络模型,采用ResNet网络的花卉种类识别模型在准确率和收敛速度上均有显著提升。此外,通过深度分析模型在不同花卉类别上的表现,发现ResNet网络在处理具有层次结构和复杂形态的花卉图像时表现更为出色。本文提出的模型不仅在整体上取得了优异的性能,还在对特定花卉类别的识别上具备较高的准确性。在进一步的研究中,我们考虑通过迁移学习进一步提升模型的泛化能力,特别是在面对小样本花卉数据集时。同时将探索模型的实时性能,以适应现实场景中对花卉种类快速准确识别的需求。本研究通过对ResNet网络在花卉种类识别任务中的优势和应用进行全面而深入的分析,为深度学习在植物学领域的应用提供了有益的参考和借鉴。研究成果不仅对花卉识别技术的改进具有一定的理论价值,同时也在实际应用中具备广泛的推广潜力。

  • 深度学习在图像分类中的应用

    分类: 计算机科学 >> 计算机科学技术其他学科 提交时间: 2024-01-06

    摘要: 随着深度学习技术的蓬勃发展,其在图像分类领域的广泛应用为计算机视觉领域带来了革命性的变化。本文聚焦于深度学习在图像分类中的应用,以CIFAR-10数据集为基础,通过卷积神经网络(CNN)构建不同模型,对图像进行了分类精度评估。我还采用了ResNet等著名模型,对它们在CIFAR-10数据集上的分类性能进行了评估。为深入研究模型的特性,我们在实验中引入了不同的激活函数,并通过对比它们在分类任务中的表现,揭示了激活函数对模型性能的影响。此外,通过调整训练轮次等超参数,我们系统地研究了模型在不同训练轮次下的分类准确度。在实验中,我发现了训练的轮次并不是越多越好,可能会出现过拟合的现象,但是我通过调整模型,并增加Dropout 层在一定程度上解决了过拟合的问题,同时我通过模型的优化调整使得我的分类精度也得到了很大的提升,最高可达到0.7509。在不断的优化过程中,我对于深度学习在图像分类中的前景越来越有信心,我也将继续在这个方向不断深入研究。

  • 基于EfficientNet的迁移学习在近代文献图像分类中的应用研究——以上海图书馆《中国近代文献图库》为例

    分类: 图书馆学、情报学 >> 图书馆学 提交时间: 2023-09-05 合作期刊: 《农业图书情报学报》

    摘要: 目的 / 意义 近代文献中的图像作为重要的历史史料,日益受到人文学者的重视,大规模图像资源的深度标注也随 之成为图像数据基础设施建设的重要组成部分,利用深度学习对海量图像进行内容解析是图像研究的新方向。本文的研究目 的,是通过基于EfficientNet 的迁移学习在近代文献图像分类中的实证研究,解决大规模近代文献图像的自动分类问题,提 高其在实际应用中的准确率和效率。 方法 / 过程 本文的研究方法,是根据近代文献图像中的特征分析,采用 7 645 张近代 文献图像数据集,通过裁切、白平衡、色调分离、仿射变换等图像增强手段串行叠加,提高样本图像的多样性,并通过对深 度学习算法的研究,使用微调的简化 EfficientNet 深度卷积神经网络模型进行迁移学习,最终得到了在近代文献图像分类上 表现良好的模型。 结果 / 结论 本文的研究结论,是根据实验结果发现,该模型有效提高了图像分类效率和分类准确性,对 于解决近代文献中大规模图像的自动分类具有一定的推广价值。

  • 一种双流CNN的太阳黑子群磁类型分类方法

    分类: 天文学 >> 天文学 提交时间: 2021-08-20 合作期刊: 《天文研究与技术》

    摘要: 太阳耀斑大多数发生在磁极复杂的黑子群上空,因此黑子群磁类型可作为预测太阳耀斑的重要依据。针对同时具有白光图和磁图数据的太阳黑子分类,提出了一种双流CNN的黑子群磁类型分类方法。该方法通过两个网络分支同时提取白光图和磁图特征,在全连接层对二类特征进行融合,最后用于训练和分类。实验表明该方法能较好避免单通道网络模型的信息损失以及使用双通道图像合成出现的白光图和磁图的相互影响,加权F1分数可达84.87%,平均准确率可达84.93%。

  • 基于改进ResNet50 模型的自然环境下苹果物候期识别

    分类: 农、林、牧、渔 >> 农业基础学科 提交时间: 2023-08-14 合作期刊: 《智慧农业(中英文)》

    摘要: [目的/意义]针对传统方法对自然环境下苹果物候期图像识别精度低、覆盖面不全等问题,提出一种基 于改进ResNet50模型的苹果物候期识别方法。[方法]通过搭建球形摄像机获取复杂背景下的苹果图像数据集, 以ResNet50作为基础模型,引入SE(Squeeze-and-Excitation Network) 通道注意力机制强化对苹果图像的特征提 取能力,并结合余弦退火衰减学习率的Adam优化器,实现自然环境下高原红富士苹果物候期图像的智能识别。 [结果]在32,000幅苹果树图像集上进行了试验,结果表明,改进ResNet50模型对苹果物候期图像进行识别,验 证集准确率达到96.35%, 测试集准确率达到91.94%, 平均检测时间为2.19 ms, 相较于AlexNet、VGG16、 ResNet18、ResNet34、ResNet101以及经典ResNet50模型,最优验证集准确率分别提升了9.63%、5.07%、5.81%、 4.55%、0.96%和2.33%。[结论]改进ResNet50可实现对苹果物候期有效识别,该研究成果可为果园物候期识别 提供参考,通过集成至果树生育期智能监测生产管理平台,实现苹果园区的智能化管控。

  • 基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测

    分类: 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间: 2023-02-17 合作期刊: 《智慧农业(中英文)》

    摘要: 小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要 的意义。传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确。针对这 一问题,本研究提出了一种基于图像处理的自动数据集生成方法。首先利用无人机在15、46和91 m三个高 度采集图像数据; 采集完数据后,根据无倒伏、倒伏面积<50%和倒伏面积>50%的标准对每一块地的小麦 倒伏情况进行人工评估; 采用三种机器学习(支持向量机、随机森林、K 近邻) 和三种深度学习 (ResNet101、GoogLeNet、VGG16) 算法对小麦倒伏检测情况进行分类。结果显示,ResNet101的分类结果优 于随机森林,并且在91 m高度采集的数据分类精度并不低于在15 m高度采集的数据。本研究证明了针对在 91 m高度采集的无人机图像,采用ResNet101对小麦倒伏率检测是一种有效的替代人工检测的方法,其检 测精度达到了75%。

  • 基于深度学习的人脸识别算法研究

    分类: 计算机科学 >> 计算机科学的集成理论 提交时间: 2019-04-01 合作期刊: 《计算机应用研究》

    摘要: 基于深度学习的人脸识别技术是目前人工智能领域研究的热点之一。考虑到现实环境中的人脸图片在角度、光线、分辨率上的复杂程度,对Inception-ResNet-V1网络结构进行了改进,同时完成了数据集制作、超参数调节等相关工作,并在家庭服务机器人平台上进行了实验研究。实验结果表明,改进的网络结构在LFW测试集上准确率达到99.22%,高于原始网络结构的99.05%;在亚洲人脸数据集上准确率达到99.20%,高于原始网络结构的97.10%;在自建非匹配人脸数据集上误识别率为3.43%,低于原始网络结构的12.28%。可以看出,和原始网络结构相比,改进的网络结构提升了人脸识别的准确率和降低了误识别率。