基于视频图像序列分析的植物物种识别系统.pdf

摘要 摘要 我国作为世界林业大国，拥有的植物资源极为丰富，为了对其更好地研究，植 物分类方法的研究至关重要。植物物种识别对鉴定新物种、维持生态系统平衡以及 发展生产力具有非常重要的作用。采用深度学习的方法对植物图像分类，需要通过 大规模样本训练，不需要人工设计从而自动学习到特征，减小了工作量，提高了植 物分类的工作效率。 论文针对植物视频图像序列，采用深度学习方法，对植物样本自动提取特征 （形状、纹理和颜色等），训练出植物物种分类神经网络模型；然后通过模型提取 包含植物特征的视频关键帧，从而达到对含有多个植物信息的视频进行识别并抽 取植物物种图像信息。首先，使用随机剪裁、镜面翻转和亮度随机变化等图像增强 方法构建丰富数据集，并将数据去均值与规范化后作为神经网络的输入，防止网络 过度学习随机噪声，提高模型鲁棒性，充分发挥深度学习的优势。然后，使用 MobileNet 进行迁移学习，全局均值池化层代替全连接层，并新加入一层 512 维的 全连接层，提高网络表达能力，缩短学习进程，增加模型的可用性，这点对移动端 的实时分类很重要。最后，将算法模型移植到移动端，设计一个快速有效的植物物 种识别系统，并测试了植物分类识别的准确率。 论文在模型训练添加样本时随机对样本进行图像增强，提高了模型的学习效 率，并使用损失函数加权的方法解决了植物样本中难易分类的不平衡问题。通过 400 个国内常见植物的视频对本方法进行了测试，识别准确率达到 96.2%，证明了 算法的有效性。本系统为植物爱好者及研究人员提供了快速有效的植物识别工具， 为青少年提供能够提高植物物种识别技能的教育工具，加强保护植物的意识，具有 很好的实用价值。 关键词：深度学习，MobileNet，图像分类，关键帧提取，植物物种识别 I 目录 目录 1 引言 1 1.1 研究背景与研究意义 1 1.2 植物物种分类研究现状 2 1.3 论文主要工作及目标 4 1.4 论文组织结构4 2 相关理论及技术分析6 2.1 卷积神经网络6 2.1.1 卷积层 7 2.1.2 池化层 8 2.1.3 全连接层 9 2.1.4 Batch Normalization 层 9 2.1.5 Softmax 层 9 2.1.6 经典卷积神经网络 10 2.2 图像增强技术 11 2.3 深度学习模型在移动端应用 12 2.3.1 深度学习移动端部署 13 2.3.2 轻量级网络模型 14 2.4 关键帧提取技术 16 2.5 本章小结 17 3 基于改进型 MobileNet 的植物物种识别技术 18 3.1 MobileNet 模型 18 3.2 深度神经网络训练流程 20 3.2.1 特征学习 20 3.2.2 损失函数 21 3.2.3 梯度下降算法 21 3.2.4 反向传播算法 21 3.2.5 过拟合现象 22 3.3 迁移学习策略23 3.4 MobileNet 网络改进 24 3.4.1 网络结构改进 24 3.4.2 网络模型训练 26 3.5 算法测试和实验结果 27 3.5.1 实验数据 27 3.5.2 评价标准 29 3.5.3 实验结果比较与分析 29 3.6 本章小结32 4 视频图像关键帧提取技术 34 4.1 视频数据的特点及结构 34 III 目录 4.1.1 视频数据的特点 34 4.1.2 视频数据的结构 34 4.2 视频关键帧提取 35 4.3 关键帧提取结果评价标准 36 4.4 基于深度学习的关键帧提取算法 37 4.5 关键帧提取结果分析 38 4.6 本章小结 40 5 基于视频图像序列分析的植物物种识别系统的设计与实现 41 5.1 植物物种识别系统的需求分析 41 5.2 植物物种识别系统的概要设计 41 5.3 植物物种识别系统的详细设计 42 5.4 植物物种识别系统实现 44 5.5 系统测试与