神经网络的树叶种类识别算法研究(源码)
1关键词 1Abstract 1Key words 11绪论 11.1研究背景 21.2国内外研究现状 21.2.1国外研究现状 21.2.2国内研究现状 21.3研究内容及目的 22开发工具 33数据采集及处理过程 33.1采集标准 33.2预处理 43.2.1灰度化 43.2.2转为HSV颜色空间 43.2.3二值化 53.2.4去噪 53.2.5区域生长算法 64识别算法原理 64.1NN神经网络 74.1.1NN神经网络算法概念 74.1.2NN神经网络算法原理 74.1.3NN神经网络算法流程 84.1.4NN神经网络算法识别结果 94.2CNN神经网络 104.2.1CNN神经网络算法概念 104.2.2CNN神经网络算法原理 104.2.3CNN神经网络算法流程 114.2.4CNN神经网络算法识别结果 134.3DBN神经网络 144.3.1DBN神经网络算法概念 144.3.2DBN神经网络算法原理 154.3.3DBN神经网络算法流程 164.3.4DBN神经网络算法识别结果 174.4识别算法对比 185总结与展望 185.1总结 185.2展望 19致谢 19参考文献 20基于神经网络的树叶种类识别算法研究植物作为地球上的主要生命形式之一，拥有很高的研究价值，而树叶是植物一个最明显的特征，对于树叶的识别可以运用到生物学、医学、考古学等等领域。但是由于树叶种类繁多，有着非常多形态类似但种类天差地别的树叶，且存在许多病变因素使得叶片的各个特征发生变化，对识别结果产生影响。本文旨在研究当下较为流行的人工神经网络、卷积神经网络和深度信念神经网络在树叶识别领域的应用，分析其算法原理以及识别的准确率，识别时间等等。并同时分析各自的特点以及不足，横向比较三种算法的识别效果。最后分析树叶种类识别的研究前景。
目录
引言
引言：植物是生物圈中不可或缺的一份子，目前已知植物约有50多万种，对于植物的研究从未停止，并将在未来的一段时间越走越远。而面对如此繁多的植物，如何进行精确识别是许多植物科学的基础和研究重点。叶片作为植物六大器官中最具特色的器官，成为了植物种类之别的重点。
1绪论
1.1研究背景
在广袤的自然界中，植物是生命的主要形式之一，它遍布地球的各个角落，高至平均海拔300 *好棒文|www.hbsrm.com +Q: *351916072*
0到4500米的青藏高原，低至200米的海洋深处，处处都有植物的身影。在远古时代，人类的祖先就开始了对植物的利用，而为了更好的利用植物，就必须分辨识别植物的种类。现今已知的植物种类约为50多万种，古时候，人们通常以亲身实践的方式来确定哪些植物是可以食用的，哪些是不可食用的，哪些是可以入药的而哪些是对人体有危害的，并通过口口相传的方式记录下来。但是这种传统的人工识别手段和信息的记录及传递方式效率低且安全性不足，且信息的准确性也存在主观偏差。
随着信息科技及计算机技术的迅速发展，图像处理和模式识别等技术在植物种类的识别中有了广泛的运用。先将采集所得的植物树叶样本图像进行预处理，特征提取，最后采取合适的识别算法对树叶种类进行识别。而在众多识别算法中，神经网络类的识别算法因其学习模式与人脑的思考模式类似成为了当下人们的研究热题。
1.2国内外研究现状
1.2.1国外研究现状
国外对计算机识别植物研究进行的已经将近 30 年[1],取得了许许多多丰硕的研究成果。Ingrouille 等[2]使用橡树树叶作为研究对象，将其横纵轴、轮廓形状等形状特征进行提取，并使用主成分分析法对特征进行降维，最终得到不错的识别效果；McDonald和Chen两人[3]研究了树叶的数字形态学特征，并将其运用于树叶种类识别；Shearer和Holmes两人[4]针对不同的树叶拥有各自独特的纹理这个特点，对树叶的纹理特征进行提取。并在此基础上进一步提取其色彩纹理特征，最终成功对7种叶片进行分类识别。Heymans,B.C.等人[5]于1991年根据神经网络分离模糊数据的优点，将叶片种类识别和人工神经网络相结合。Mokhtarianf等人[6]于2002年提出了将上下文特征匹配运用于叶片识别上，将叶片与样本图像进行最大限度匹配，从而尝试识别叶片种类。Charles等人[7]提取叶片特征后，通过K临近值分类器，来提高树叶识别算法的准确率。
1.2.2国内研究现状
在国内，黄德双开发出了植物叶片识别系统（BSARSPL）[8]。该系统的特点是采用交互式图像分割算法对背景复杂的叶片图像以及多叶片图像进行预处理，然后使用模糊离散粒子群技术获得叶片的轮廓，最后结合叶片的纹理以及形态特征，采用多种分类器识别叶片图像；翟传敏等人[9]匹配不同叶片的不同特征点，然后利用动态规划算法，对特征点和叶片种类进行匹配，识别准确率较高。杨维等人[10]使用粒子群优化算法对叶片的形状进行匹配，然后根据匹配的差异度进行叶片种类的识别。丁娇等人[11]为了使分类准确率进一步提高，将DLLE应用于植物叶片识别。
1.3研究内容及目的
本次研究旨在研究基于神经网络的叶片种类识别技术，其主要工作有：
（1）使用单反相机采集桂花、红叶李、龙柏、石楠、香樟、雪松、栀子、胡颓子、柳杉、女贞以上10种植物的叶片的图片建立样本数据库。采取灰度化、二值化、去噪等预处理操作，选择区域生长算法对树叶图像进行分割操作。
（2）将数据集分为训练样本和测试样本，建立NN、DBN、CNN神经网络模型，并对该模型进行训练测试，对迭代次数、步长、学习率、样本数量等参数进行调整，得到识别率较高的模型。并比较三者的差别
（3）建立一个简洁明了的可视化界面实现对输入叶片的种类进行识别，完成毕业设计课题的基本目的。
2开发工具
MATLAB R2014a
MATLAB是matrix&laboratory两个词的组合[12]。该软件拥有科学数据可视化以及非线性动态系统的建模和仿真等诸多基础的，强大的功能于一身，并整合在一个简介明了的环境中，为许多邻域的科研设计工作以提供了一个完美的操作平台，同时对于需要大量有效数值计算的学科提供了一个解决方案。且基本摆脱了传统非交互式程序设计语言的编辑模式，成为了现代科学计算软件的标杆。
MATLAB的基本数据单位是矩阵[13]，其指令表达式类似于数学、工程中常用的矩阵形式，因此对比于C，FORTRAN等语言，使用MATLAB解决计算问题更加方便，快捷。同时MATLAB也吸取了Maple等软件的长处[13]，使MATLAB成为了一个功能十分强大的数学软件。而在编程方面，它的最新版本中也加入了对C++，JAVA等编程语言的支持。
3数据采集及处理过程
本次研究中的树叶样本是从大学卫岗校区以及下马坊遗址公园中采集。共10总植物的叶片，每种植物的样本图片约100张，共1038张图片。
3.1采集标准
（1）采集时间：2018年2月10日至2018年2月13日
（2）叶片类型：单片树叶及针叶
（3）光源：自然光源
（4）拍摄工具：单反相机
（5）图像大小：4272*2848
（6）叶片数据集样本如图1所示
图1 叶片数据集样本图片
本次研究数据集共有1038张树叶图像。将其随机分为训练数据集和测试数据集两部分。其中训练集共714张树叶图像，测试集共324张树叶图像。
目录
引言
引言：植物是生物圈中不可或缺的一份子，目前已知植物约有50多万种，对于植物的研究从未停止，并将在未来的一段时间越走越远。而面对如此繁多的植物，如何进行精确识别是许多植物科学的基础和研究重点。叶片作为植物六大器官中最具特色的器官，成为了植物种类之别的重点。
1绪论
1.1研究背景
在广袤的自然界中，植物是生命的主要形式之一，它遍布地球的各个角落，高至平均海拔300 *好棒文|www.hbsrm.com +Q: *351916072*
0到4500米的青藏高原，低至200米的海洋深处，处处都有植物的身影。在远古时代，人类的祖先就开始了对植物的利用，而为了更好的利用植物，就必须分辨识别植物的种类。现今已知的植物种类约为50多万种，古时候，人们通常以亲身实践的方式来确定哪些植物是可以食用的，哪些是不可食用的，哪些是可以入药的而哪些是对人体有危害的，并通过口口相传的方式记录下来。但是这种传统的人工识别手段和信息的记录及传递方式效率低且安全性不足，且信息的准确性也存在主观偏差。
随着信息科技及计算机技术的迅速发展，图像处理和模式识别等技术在植物种类的识别中有了广泛的运用。先将采集所得的植物树叶样本图像进行预处理，特征提取，最后采取合适的识别算法对树叶种类进行识别。而在众多识别算法中，神经网络类的识别算法因其学习模式与人脑的思考模式类似成为了当下人们的研究热题。
1.2国内外研究现状
1.2.1国外研究现状
国外对计算机识别植物研究进行的已经将近 30 年[1],取得了许许多多丰硕的研究成果。Ingrouille 等[2]使用橡树树叶作为研究对象，将其横纵轴、轮廓形状等形状特征进行提取，并使用主成分分析法对特征进行降维，最终得到不错的识别效果；McDonald和Chen两人[3]研究了树叶的数字形态学特征，并将其运用于树叶种类识别；Shearer和Holmes两人[4]针对不同的树叶拥有各自独特的纹理这个特点，对树叶的纹理特征进行提取。并在此基础上进一步提取其色彩纹理特征，最终成功对7种叶片进行分类识别。Heymans,B.C.等人[5]于1991年根据神经网络分离模糊数据的优点，将叶片种类识别和人工神经网络相结合。Mokhtarianf等人[6]于2002年提出了将上下文特征匹配运用于叶片识别上，将叶片与样本图像进行最大限度匹配，从而尝试识别叶片种类。Charles等人[7]提取叶片特征后，通过K临近值分类器，来提高树叶识别算法的准确率。
1.2.2国内研究现状
在国内，黄德双开发出了植物叶片识别系统（BSARSPL）[8]。该系统的特点是采用交互式图像分割算法对背景复杂的叶片图像以及多叶片图像进行预处理，然后使用模糊离散粒子群技术获得叶片的轮廓，最后结合叶片的纹理以及形态特征，采用多种分类器识别叶片图像；翟传敏等人[9]匹配不同叶片的不同特征点，然后利用动态规划算法，对特征点和叶片种类进行匹配，识别准确率较高。杨维等人[10]使用粒子群优化算法对叶片的形状进行匹配，然后根据匹配的差异度进行叶片种类的识别。丁娇等人[11]为了使分类准确率进一步提高，将DLLE应用于植物叶片识别。
1.3研究内容及目的
本次研究旨在研究基于神经网络的叶片种类识别技术，其主要工作有：
（1）使用单反相机采集桂花、红叶李、龙柏、石楠、香樟、雪松、栀子、胡颓子、柳杉、女贞以上10种植物的叶片的图片建立样本数据库。采取灰度化、二值化、去噪等预处理操作，选择区域生长算法对树叶图像进行分割操作。
（2）将数据集分为训练样本和测试样本，建立NN、DBN、CNN神经网络模型，并对该模型进行训练测试，对迭代次数、步长、学习率、样本数量等参数进行调整，得到识别率较高的模型。并比较三者的差别
（3）建立一个简洁明了的可视化界面实现对输入叶片的种类进行识别，完成毕业设计课题的基本目的。
2开发工具
MATLAB R2014a
MATLAB是matrix&laboratory两个词的组合[12]。该软件拥有科学数据可视化以及非线性动态系统的建模和仿真等诸多基础的，强大的功能于一身，并整合在一个简介明了的环境中，为许多邻域的科研设计工作以提供了一个完美的操作平台，同时对于需要大量有效数值计算的学科提供了一个解决方案。且基本摆脱了传统非交互式程序设计语言的编辑模式，成为了现代科学计算软件的标杆。
MATLAB的基本数据单位是矩阵[13]，其指令表达式类似于数学、工程中常用的矩阵形式，因此对比于C，FORTRAN等语言，使用MATLAB解决计算问题更加方便，快捷。同时MATLAB也吸取了Maple等软件的长处[13]，使MATLAB成为了一个功能十分强大的数学软件。而在编程方面，它的最新版本中也加入了对C++，JAVA等编程语言的支持。
3数据采集及处理过程
本次研究中的树叶样本是从大学卫岗校区以及下马坊遗址公园中采集。共10总植物的叶片，每种植物的样本图片约100张，共1038张图片。
3.1采集标准
（1）采集时间：2018年2月10日至2018年2月13日
（2）叶片类型：单片树叶及针叶
（3）光源：自然光源
（4）拍摄工具：单反相机
（5）图像大小：4272*2848
（6）叶片数据集样本如图1所示
图1 叶片数据集样本图片
本次研究数据集共有1038张树叶图像。将其随机分为训练数据集和测试数据集两部分。其中训练集共714张树叶图像，测试集共324张树叶图像。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1651.html
