基于卷积神经网络的果实蝇细粒度图像分类研究

发布时间：2024-04-01 19:00

　　近年来,深度学习发展迅猛,在计算机视觉领域的诸多研究方向上,如图像分类、图像分割等都取得了很多成果,这些成果将会为依赖于视觉主观判别的农业信息化领域带来重大的突破。以果实蝇为例,果实蝇作为亚洲太平洋地区园艺作物果实的重要害虫之一,果实蝇的识别是检疫工作中的重要部分,建立果实蝇特征自提取分类识别系统对检疫工作有着重大意义。现有的果实蝇分类任务的对象为高清拍摄仪器所拍摄的果实蝇翅或者果实蝇中胸背板区域的样本图像,通过人工标记特征的方式选取该区域的特征点,最后利用机器学习算法进行模型的建立,特征标记过程繁琐,对果实蝇样本的拍摄仪器和使用人员的专业性要求较高,且无法自动提取果实蝇特征。基于以上问题,本文提出使用深度学习算法中的卷积神经网络算法来实现果实蝇特征自提取的分类模型,主要工作包括:(1)基于卷积神经网络的果实蝇图像分类模型:针对果实蝇样本图像少、样本图像采集设备成本高和人工手动设计及提取特征过程繁琐的问题,提出使用预训练(pre-training)好的卷积神经网络VGG-16模型来完成果实蝇样本图像的分类识别任务。首先使用高斯模糊算法对清晰的果实蝇样本图像就行模糊处理,降低样本图像的清...

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

图1-1人工标记实蝇翅区域特征点

如下图1-1所示。因此对果实蝇图像的清晰度要求高，特别是实蝇翅以及其中胸背板区域的清晰度，需要能够清晰的展现实蝇翅和中胸背板上的所有条纹和脉络结点，才能够进行人工标记。该过程不仅对果实蝇图像样本采集设备要求高，也对特征标记人员的专业性要求高，同时标记过程相对繁琐且容错率低，尤其....

图1-2角点检测和边缘过滤特征提取效果图

图1-2角点检测和边缘过滤特征提取效果图Fig1-2Cornerdetectionandedgefilteringrenderings往的图像分类任务通常是针对通用类别物体，这些类别物体的图像类别。而果实蝇样本图像则不同，如下图1-3所示，依次为桔小实蝇、具....

图1-3四类果实蝇样本图像

图1-3四类果实蝇样本图像Fig1-3Imagesoffourspeciesoffruitflies度学习领域中的图像分类方法需要依靠大量甚至海量的类模型和结果。但是在果实蝇图像分类研究中，果实蝇图集大量甚至海量的果实蝇图像样本供模型进行训练，因此果实蝇图像样....

图2-11980年福岛邦彦提出的神经认知模型

图2-11980年福岛邦彦提出的神经认知模型Fig2-1Schematicdiagramillustratingtheinterconnectionsbetweenlayersintheneocognitron随后，在20世纪末，YannLeCu....

本文编号：3945159