tensorflow的菊花图像识别在android的应用研究(附件)
随着技术的飞速发展，计算机在图像识别上已经达到了质的飞跃。而使机器能够自主识别图像的一个领域就是深度学习，它的核心是特征学习，主要是通过分层网络获取各层的特征信息，来解决人工设计特征的重要问题。实现图像识别就是用了深度学习中的卷积神经网络算法。为了更进一步的提高机器识别的准确率，Google在2015年开源了TensorFlow，它是机器学习算法的一个接口，并且是实现执行算法的框架。使用TensorFlow表示的计算可以方便地移植在众多异构的系统上，从移动设备到成千的GPU计算集群。本论文运用了TensorFlow来实现基于卷积神经网络的菊花图像识别ChyReg系统，并把模型转移到Android移动端上。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 2
1.1 研究背景 2
1.2 国内外研究现状 2
1.2.1 国内研究现状 2
1.2.2 国外研究现状 2
1.3 本论文主要工作 2
2 TensorFlow的研究 3
2.1 系统概述及优点 3
2.1.1 系统概述 3
2.1.2 系统优点 3
2.2 工作原理和编程模型 4
3 卷积神经网络的研究 5
3.1 卷积神经网络的优点 6
3.2 图像预处理 6
3.3 反向传播算法 7
3.3.1 BP算法模型 7
3.3.2 BP算法表达 8
3.4 卷积神经网络的架构 10
3.5 卷积神经网络的设计 12
3.5.1 Conv1卷积层设计 12
3.5.2 Conv2卷积层设计 13
3.5.3 Fc3全连接层设计 13
3.5.4 Fc4全连接层设计 13
3.5.5 输出分类层设计 13
3.6 优化网络参数 14
3.6.1 激活函数的选择 14
3.6.2 DROPOUT优化 14
3.6.3 局部响应归一化 *好棒文|www.hbsrm.com +Q: ^351916072#
15
3.7 卷积神经网络训练和测试流程 15
3.8 卷积神经网络在TensorFlow的实现 17
3.8.1 TensorFlow代码结构 17
3.8.2 图像识别结果与分析 18
4 图像识别在安卓端的实现 21
4.1 开发平台与数据集介绍 21
4.1.1 开发环境概述 21
4.1.2 数据集介绍 21
4.2 图像识别系统的设计 24
4.2.1 图像识别系统的需求分析 24
4.2.2 图像识别系统的工作流程 24
4.3 图像识别系统主界面的设计 24
4.4 图像识别系统功能的实现 25
4.5 图像识别系统调用训练模型 28
4.6 图像识别系统结果展示 28
4.7 图像识别系统测试 30
4.7.1 系统性能测试 30
4.7.2 系统兼容测试 31
致谢 32
参考文献 32
基于TensorFlow的菊花图像识别在Android的应用研究
网络工程学生 黎薇
引言
引言
1 绪论
1.1 研究背景
21世纪是一个信息资源丰富的时代，这个时代的技术也在发展，而作为人类视觉基础的图像，则更是信息传输的主要载体[1]。从1980年开始，国际学术界一直在讨论交流神经网络的有关知识技术，交流得水深火热，有一部分著名的相关研究人员提出了一个观点：神经网络技术极有可能会转变成为当代的一项核心的首要技术，并且，这也将为图像识别技术的发展指明了方向。这个方向的走势也印证了神经网络在学术界的重要性，无论是在国外还是国内，科研工作者与追随者都随着研究的进行纷纷步入其中，发表了更多有价值的学术论文，层出不穷的科研成果也随之形成。
对于如何实现这些基于算法的图像识别模型，研究者们开发了各种学习框架，而当前有5种深度学习框架比较流行，分别是Caffe、TensorFlow、Torch、MXNet、Theano，其中本论文使用的就是TensorFlow框架，此框架在音频处理、图像识别和自然语言处理等场景下都有丰富的应用。TensorFlow作为第二代大规模机器学习模型的系统，使用基于数据流图模型的计算，将这些计算分别映射到不同的硬件平台上进行训练推断，从包含一个或者多个GPU显卡的装有Android和IOS的单个机器到运行在数百台包含数千个GPU的大规模系统。TensorFlow的计算被表示为包含状态的数据流图，让这个系统足够灵活并且能够快速地适应实验研究中产生的新模型，同时充分地提升了模型训练的性能和部署机器学习模型的健壮性[2]。
而对于菊花图像识别软件，如今还未发现有人进行开发，所以研究意义较大，而且训练模型大多数运用于个人电脑上，在移动端上的实现是一个新的创新点，在这个手机智能化的时代，将模型转移到移动端上，则为人们的生活提供了极大的便利，使人们随时随地都能使用图像识别系统。
1.2 国内外研究现状
1.2.1 国内研究现状
在国内，许多人将TensorFlow应用到很多公司产品中作为其主营业务之一，比如使用深度学习改善语音搜索，此外它还有其他的运用方式，比如在电子邮件中，它在读取用户的电子信件后会让计算机自动进行计算分析，生成三个回复，用户如果满意，则可以直接选择其中一个回复，这项功能被称为“智能应答”。除此之外，许多公司都希望能够运用TensorFlow实现人工智能，为用户提供更智能的搜索环境。比如京东、华为、优步、滴滴打车等国内科技公司都已经使用了TensorFlow。而且TensorFlow的最新标准可以让学术界的研究者方便地交流，也可以将它应用在机器生产之中。
目录
摘要 1
关键词 1
Abstract 1
Key words 1
1 绪论 2
1.1 研究背景 2
1.2 国内外研究现状 2
1.2.1 国内研究现状 2
1.2.2 国外研究现状 2
1.3 本论文主要工作 2
2 TensorFlow的研究 3
2.1 系统概述及优点 3
2.1.1 系统概述 3
2.1.2 系统优点 3
2.2 工作原理和编程模型 4
3 卷积神经网络的研究 5
3.1 卷积神经网络的优点 6
3.2 图像预处理 6
3.3 反向传播算法 7
3.3.1 BP算法模型 7
3.3.2 BP算法表达 8
3.4 卷积神经网络的架构 10
3.5 卷积神经网络的设计 12
3.5.1 Conv1卷积层设计 12
3.5.2 Conv2卷积层设计 13
3.5.3 Fc3全连接层设计 13
3.5.4 Fc4全连接层设计 13
3.5.5 输出分类层设计 13
3.6 优化网络参数 14
3.6.1 激活函数的选择 14
3.6.2 DROPOUT优化 14
3.6.3 局部响应归一化 *好棒文|www.hbsrm.com +Q: ^351916072#
15
3.7 卷积神经网络训练和测试流程 15
3.8 卷积神经网络在TensorFlow的实现 17
3.8.1 TensorFlow代码结构 17
3.8.2 图像识别结果与分析 18
4 图像识别在安卓端的实现 21
4.1 开发平台与数据集介绍 21
4.1.1 开发环境概述 21
4.1.2 数据集介绍 21
4.2 图像识别系统的设计 24
4.2.1 图像识别系统的需求分析 24
4.2.2 图像识别系统的工作流程 24
4.3 图像识别系统主界面的设计 24
4.4 图像识别系统功能的实现 25
4.5 图像识别系统调用训练模型 28
4.6 图像识别系统结果展示 28
4.7 图像识别系统测试 30
4.7.1 系统性能测试 30
4.7.2 系统兼容测试 31
致谢 32
参考文献 32
基于TensorFlow的菊花图像识别在Android的应用研究
网络工程学生 黎薇
引言
引言
1 绪论
1.1 研究背景
21世纪是一个信息资源丰富的时代，这个时代的技术也在发展，而作为人类视觉基础的图像，则更是信息传输的主要载体[1]。从1980年开始，国际学术界一直在讨论交流神经网络的有关知识技术，交流得水深火热，有一部分著名的相关研究人员提出了一个观点：神经网络技术极有可能会转变成为当代的一项核心的首要技术，并且，这也将为图像识别技术的发展指明了方向。这个方向的走势也印证了神经网络在学术界的重要性，无论是在国外还是国内，科研工作者与追随者都随着研究的进行纷纷步入其中，发表了更多有价值的学术论文，层出不穷的科研成果也随之形成。
对于如何实现这些基于算法的图像识别模型，研究者们开发了各种学习框架，而当前有5种深度学习框架比较流行，分别是Caffe、TensorFlow、Torch、MXNet、Theano，其中本论文使用的就是TensorFlow框架，此框架在音频处理、图像识别和自然语言处理等场景下都有丰富的应用。TensorFlow作为第二代大规模机器学习模型的系统，使用基于数据流图模型的计算，将这些计算分别映射到不同的硬件平台上进行训练推断，从包含一个或者多个GPU显卡的装有Android和IOS的单个机器到运行在数百台包含数千个GPU的大规模系统。TensorFlow的计算被表示为包含状态的数据流图，让这个系统足够灵活并且能够快速地适应实验研究中产生的新模型，同时充分地提升了模型训练的性能和部署机器学习模型的健壮性[2]。
而对于菊花图像识别软件，如今还未发现有人进行开发，所以研究意义较大，而且训练模型大多数运用于个人电脑上，在移动端上的实现是一个新的创新点，在这个手机智能化的时代，将模型转移到移动端上，则为人们的生活提供了极大的便利，使人们随时随地都能使用图像识别系统。
1.2 国内外研究现状
1.2.1 国内研究现状
在国内，许多人将TensorFlow应用到很多公司产品中作为其主营业务之一，比如使用深度学习改善语音搜索，此外它还有其他的运用方式，比如在电子邮件中，它在读取用户的电子信件后会让计算机自动进行计算分析，生成三个回复，用户如果满意，则可以直接选择其中一个回复，这项功能被称为“智能应答”。除此之外，许多公司都希望能够运用TensorFlow实现人工智能，为用户提供更智能的搜索环境。比如京东、华为、优步、滴滴打车等国内科技公司都已经使用了TensorFlow。而且TensorFlow的最新标准可以让学术界的研究者方便地交流，也可以将它应用在机器生产之中。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/457.html
