卷积神经网络的gpu实现及其在植物识别中的应用
摘要：植物的分类与识别对于农业生产有着十分重要的意义，近年来国内外在不同的识别技术的基础上涌现出了很多植物叶片识别方法。然而传统的植物叶片识别方法需要手动选取特征，工作量较大，识别率容易受到选取的特征类型的干扰。目前，深度学习技术在许多领域得到了应用，本论文此基础上提出了利用卷积神经网络的自动特征提取和分类方法用于植物叶片识别。为加快卷积神经网络的训练速度，本文考虑了使用GPU进行算法加速，在UCI植物叶片分类的经典数据集上的实验验证了本文所提算法的优越性。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
引言 2
1 植物识别技术的研究现状 2
1.1 传统的植物叶片识别方法 2
2深度学习框架的配置 3
2.1深度学习的发展 3
2.2 配置theano框架的GPU加速环境 4
2.2.1 深度学习软件包 5
2.2.2 GPU加速环境的配置 5
3 基于卷积神经网络的植物识别 6
3.1 卷积神经网络基本框架 6
3.2 基于卷积神经网络的植物叶片识别过程 6
3.3卷积神经网络模型的实现 8
4 实验 10
4.1 数据集及实验设置 10
4.2 对比实验 11
4.3 实验结果 11
5 总结和展望 12
致谢 13
参考文献： 14
目录
图1 传统的植物叶片识别技术 3
图2 配置GPU加速环境成功 6
图3 卷积神经网络的基本结构 6
图4 植物识别卷积神经网络模型 7
图5 卷积运算示意图 8
图6 实验用植物图片样例 11
图7 训练结果 11
图8 识别结果 12
表1 各个模型在植物叶片数据集上的识别正确率 12
表2 不同环境下算法运行时间 12
卷积神经网络的GPU实现及其在植物叶片识别中的应用?
引言
/> 植物是人类与自然世界联系最紧密的生物族群，人类获得能量的主要方式就是依托于可以食用的粮食作物。但是随着人类工业化进程的发展，大量植物遭到破坏，城市环境恶化，水土流失严重等问题成为21世纪重要的环境隐患，植物不仅可以维护生态平衡，保护自然环境，而且农业生产也是国家发展的重中之重，所以对植物的识别和分类是十分必要的。
在植物的形态学分类中，植物的花和叶片属于不同的器官，所以它们的分类方法亦有不同。花作为植物的繁殖器官，其形状结构是三维的，而且易受环境影响，不易保存。而叶片一般都是扁平状的，比较容易进行处理。而且植物花期一般较短，并且只能在特定月份才会开花，不容易采集，叶片则一年四季都可以见到，较易采集，并且更容易保存。正是基于上述原因，在植物识别领域叶片常被作为植物分类的依据，成为识别植物类型的最基本指标。
本文主要概述植物分类和植物叶片识别对于实际生产生活的意义，当前国内外在植物叶片识别上使用的方法和突出进展，并且指出当前在植物叶片识别技术上的不足，在此基础上提出自己的植物叶片识别方法对其进行改进，构建出基于卷积神经网络进行叶片识别的模型和算法，并且通过编程手段实现，通过植物叶片数据集进行测试并得到反馈，以便对模型进行完善。
1 植物识别技术的研究现状
1.1传统的植物叶片识别方法
1986 年，Ingrouille[2] 等研究者通过植物叶片特征提取法提取出27种植物叶片的形态特征，然后在主成分分析方法的基础上对橡树进行分类。1993年，Guyer[3]等研究者对了17种植物叶片进行了预处理，在提取了其形状特征后进而对40类植物进行分类。2001年，Osikar[4]通过提取叶片的多种区域几何特征值和矩阵特征值作为描述植物叶片特征的描述子，构建了以前馈神经网络为基础，使用反向传播算法训练模型的分类器，并且用其对15种树木进行了分类。很多研究者利用Osikar检测到的数据来测试他们的方法。2011年，Rossatto等研究者在朴素贝叶斯模型的基础上使用体积分形维数方法进行植物叶片识别研究[5]。2013 年，Zhang[6]等人将监督局部投影分析(Supervised Locality Projection Analysis，SLPA) 用于植物叶片的分类，获得了很好的分类结果。
我国在植物识别技术上的研究与国外的研究者相比研究情况较少且起步较晚。祁享年[7]、傅弘[8]、王晓峰[9]等研究者都通过各自的研究领推动了植物叶片识别技术的发展。黄德双[10]教授等研究者所在的中科院合肥智能机械研究所在2008年与合肥植物园合作后，通过研究植物叶片的形态特征，纹理特征开发出可识别农业生物特征的植物叶片识别系统，此系统不仅可以检测农林业作物的生长情况，病虫害情况，还可以进入高校，作为高校教育的辅助系统。汤晓东，刘满华[11]等研究者在2010年提出了解决复杂背景环境下识别大豆叶片的可行性算法，在计算出大豆叶片的形态参数后利用神经网络搭建分类器对大豆叶片进行识别和分类，并且取得了较高的精度。北京林业大学的张宁，刘文萍[12]等研究者在2011年对于当前的植物叶片识别技术进行了梳理，详细论了当前几种叶片识别方法的基本思想和实现他们的主要公式，并且提出了优化意见。
传统的植物叶片识别技术主要分为三个阶段,如图1所示，植物叶片图像预处理阶段，然后提取根据研究需要提取图片的多种特征值，最后通过特征值设计相应的分类器对植物叶片进行识别和分类。根据图像的实际情况选择通过灰度化处理，图像分割，图像降噪等方法进行预处理，比如在需要颜色特征值时则不能对图像进行灰度化。在提取植物叶片特征时，一般情况下需要提取出叶片的纹理特征，颜色特征，形态特征等特征，为了匹配不同的特征类型并且满足特征之间的差异，研究者们会使用不同的方法提取植物特征，以提高植物识别的准确率。在分类识别阶段，研究者们通常需要采用多种的分类方法或分类器对植物叶片进行分类和识别在多次试验后得到相对准确的识别结果。
图1 传统的植物叶片识别技术
虽然上述研究人员的植物识别方法相对传统人工识别方法而言取得了很大的进展，但是目前植物识别的基本体系还不够成熟，存在问题主要有以下两点：
1）传统的植物识别方法的预处理阶段依旧需要手动提取特征，特征类型的选择并没有统一的标准，而且不同植物应当提取的特征类型也存在差异。并且提取植物特征的过程极容易受到来自植物图像本身的拍摄时环境的干扰，提取得到的结果并不能保证其准确性，进而严重影响实验结果。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
引言 2
1 植物识别技术的研究现状 2
1.1 传统的植物叶片识别方法 2
2深度学习框架的配置 3
2.1深度学习的发展 3
2.2 配置theano框架的GPU加速环境 4
2.2.1 深度学习软件包 5
2.2.2 GPU加速环境的配置 5
3 基于卷积神经网络的植物识别 6
3.1 卷积神经网络基本框架 6
3.2 基于卷积神经网络的植物叶片识别过程 6
3.3卷积神经网络模型的实现 8
4 实验 10
4.1 数据集及实验设置 10
4.2 对比实验 11
4.3 实验结果 11
5 总结和展望 12
致谢 13
参考文献： 14
目录
图1 传统的植物叶片识别技术 3
图2 配置GPU加速环境成功 6
图3 卷积神经网络的基本结构 6
图4 植物识别卷积神经网络模型 7
图5 卷积运算示意图 8
图6 实验用植物图片样例 11
图7 训练结果 11
图8 识别结果 12
表1 各个模型在植物叶片数据集上的识别正确率 12
表2 不同环境下算法运行时间 12
卷积神经网络的GPU实现及其在植物叶片识别中的应用?
引言
/> 植物是人类与自然世界联系最紧密的生物族群，人类获得能量的主要方式就是依托于可以食用的粮食作物。但是随着人类工业化进程的发展，大量植物遭到破坏，城市环境恶化，水土流失严重等问题成为21世纪重要的环境隐患，植物不仅可以维护生态平衡，保护自然环境，而且农业生产也是国家发展的重中之重，所以对植物的识别和分类是十分必要的。
在植物的形态学分类中，植物的花和叶片属于不同的器官，所以它们的分类方法亦有不同。花作为植物的繁殖器官，其形状结构是三维的，而且易受环境影响，不易保存。而叶片一般都是扁平状的，比较容易进行处理。而且植物花期一般较短，并且只能在特定月份才会开花，不容易采集，叶片则一年四季都可以见到，较易采集，并且更容易保存。正是基于上述原因，在植物识别领域叶片常被作为植物分类的依据，成为识别植物类型的最基本指标。
本文主要概述植物分类和植物叶片识别对于实际生产生活的意义，当前国内外在植物叶片识别上使用的方法和突出进展，并且指出当前在植物叶片识别技术上的不足，在此基础上提出自己的植物叶片识别方法对其进行改进，构建出基于卷积神经网络进行叶片识别的模型和算法，并且通过编程手段实现，通过植物叶片数据集进行测试并得到反馈，以便对模型进行完善。
1 植物识别技术的研究现状
1.1传统的植物叶片识别方法
1986 年，Ingrouille[2] 等研究者通过植物叶片特征提取法提取出27种植物叶片的形态特征，然后在主成分分析方法的基础上对橡树进行分类。1993年，Guyer[3]等研究者对了17种植物叶片进行了预处理，在提取了其形状特征后进而对40类植物进行分类。2001年，Osikar[4]通过提取叶片的多种区域几何特征值和矩阵特征值作为描述植物叶片特征的描述子，构建了以前馈神经网络为基础，使用反向传播算法训练模型的分类器，并且用其对15种树木进行了分类。很多研究者利用Osikar检测到的数据来测试他们的方法。2011年，Rossatto等研究者在朴素贝叶斯模型的基础上使用体积分形维数方法进行植物叶片识别研究[5]。2013 年，Zhang[6]等人将监督局部投影分析(Supervised Locality Projection Analysis，SLPA) 用于植物叶片的分类，获得了很好的分类结果。
我国在植物识别技术上的研究与国外的研究者相比研究情况较少且起步较晚。祁享年[7]、傅弘[8]、王晓峰[9]等研究者都通过各自的研究领推动了植物叶片识别技术的发展。黄德双[10]教授等研究者所在的中科院合肥智能机械研究所在2008年与合肥植物园合作后，通过研究植物叶片的形态特征，纹理特征开发出可识别农业生物特征的植物叶片识别系统，此系统不仅可以检测农林业作物的生长情况，病虫害情况，还可以进入高校，作为高校教育的辅助系统。汤晓东，刘满华[11]等研究者在2010年提出了解决复杂背景环境下识别大豆叶片的可行性算法，在计算出大豆叶片的形态参数后利用神经网络搭建分类器对大豆叶片进行识别和分类，并且取得了较高的精度。北京林业大学的张宁，刘文萍[12]等研究者在2011年对于当前的植物叶片识别技术进行了梳理，详细论了当前几种叶片识别方法的基本思想和实现他们的主要公式，并且提出了优化意见。
传统的植物叶片识别技术主要分为三个阶段,如图1所示，植物叶片图像预处理阶段，然后提取根据研究需要提取图片的多种特征值，最后通过特征值设计相应的分类器对植物叶片进行识别和分类。根据图像的实际情况选择通过灰度化处理，图像分割，图像降噪等方法进行预处理，比如在需要颜色特征值时则不能对图像进行灰度化。在提取植物叶片特征时，一般情况下需要提取出叶片的纹理特征，颜色特征，形态特征等特征，为了匹配不同的特征类型并且满足特征之间的差异，研究者们会使用不同的方法提取植物特征，以提高植物识别的准确率。在分类识别阶段，研究者们通常需要采用多种的分类方法或分类器对植物叶片进行分类和识别在多次试验后得到相对准确的识别结果。
图1 传统的植物叶片识别技术
虽然上述研究人员的植物识别方法相对传统人工识别方法而言取得了很大的进展，但是目前植物识别的基本体系还不够成熟，存在问题主要有以下两点：
1）传统的植物识别方法的预处理阶段依旧需要手动提取特征，特征类型的选择并没有统一的标准，而且不同植物应当提取的特征类型也存在差异。并且提取植物特征的过程极容易受到来自植物图像本身的拍摄时环境的干扰，提取得到的结果并不能保证其准确性，进而严重影响实验结果。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/2207.html
