95 / 2022-10-09 18:54:23

基于深度学习的梅花品种识别

梅花花卉品种识别中，为了解决自然花卉图像背景复杂、目标区域难于提取，花卉类间差异小、类内差异大，以及数据样本数量少等问题，论文提出一种基于卷积神经网络的图像识别方法。借助迁移学习方法将ResNet34模型在ImageNet图像数据集上学习得到的知识迁移到梅花花卉识别中，实现对梅花品种的自动识别。首先，利用随机裁剪、旋转变换和亮度变换对训练集样本进行数据扩充，以模拟图像采集的不同视角并减少网络模型的过拟合问题。然后，对梅花图像进行图像增强，降低其他无关背景的影响。论文提出了基于残差网络ResNet34的图像分类识别模型。在基本网络ResNet34的基础上改进网络结构，增加弱监督注意力学习，减少参数数量的同时提升模型识别准确率和泛化性能，改进池化方式。在Pytorch深度学习框架下，基于数据处理前后的样本集对ResNet34进行全新学习和迁移学习。通过实验验证了该方法有效性。实验结果表明：迁移学习能够明显提高模型的收敛速度和分类性能；数据扩充与改进网络结构有助于避免出现过拟合现象，提高识别准确率；在迁移学习和数据预处理方式下的网络模型分类准确率高达95.1%。该方法具有较高的识别准确率，可为花卉图像自动识别提供参考。