基于融合卷积神经网络的花卉识别方法

利用计算机技术能够帮助人们快速识别不同种类的植物。为解决复杂背景下植物识别困难的问题,选取简单和复杂两种不同背景条件的花卉数据集为研究对象,从花卉图像的有效特征与无效特征出发,首先以花卉图像的全局特征为输入,采用多种卷积神经网络对植物进行分类识别,寻找最佳网络模型。然后使用Mask R-CNN提取花卉图像的有效区域,去除图像中的无效区域,使模型能够获取更为精确的有效特征。最后将处理后的图像作为最佳网络模型的输入,再次对模型进行训练。实验结果表明,此方法能够使简单背景下的花卉识别的准确率提高3%,复杂背景下花卉识别的准确率提高5%。

基于轻量化视觉Transformer的花卉识别

由于不同种类花卉之间的相似性以及同种花卉的差异性,提取局部特征信息的卷积神经网络(CNN)在花卉图像的识别上取得的结果不够理想。在Swin Transformer(Swin-T)网络的基础上,提出了一种轻量型的Transformer网络LWFormer。首先,该网络将基于移动窗口的PoolFormer模块引入Swin-T网络的第一、二阶段,对网络进行轻量化。其次,引入了双通道注意力机制,2个独立的通道分别关注了特征图的“位置”和“内容”,提高网络提取全局特征信息的能力。最后,使用了对比损失函数,进一步优化了网络的性能。在Oxford 102 Flower Dataset和104 Flowers Garden of Eden这2个公开的数据集上对改进的模型进行评估,并与其他方法进行对比,在这2个数据集上,分别得到了88.1%与87.3%的准确率。与Swin-T网络相比,该网络参数量降低了33.45%,FLOPs降低了28.89%,throughtput提高了91.45%,准确率提高了1.8%。实验结果表明,该网络在提升了准确率的同时降低了参数量,得到了速度与精度地提升。

基于迁移学习的卷积神经网络花卉识别研究

针对手动识别花卉复杂度高及传统机器学习识别准确率差的情况,本研究基于卷积神经网络CNN,利用迁移学习方法,建立有效的花卉图像识别模型。首先,选取Oxford 17 Flowers作为数据集,卷积神经网络需要大量训练数据来保证性能,所以实验采用数据增强技术。其次,分别利用VGG16和ResNet50作为预训练模型,微调网络,新建模型完成分类任务,做出了对比实验。最后,对模型性能进行了分析评估。在实验中,花卉识别准确率可达88.54%。

基于卷积神经网络的花卉识别技术

由于花卉所处背景复杂和本身类别之间的相似性,传统的人工提取特征进行图像识别的方法不能很好的解决其识别问题。随着科技的发展与进步,深度学习逐渐步入图像识别问题中,并取得了很好的成绩。本文针对现在主流的卷积神经网络深度较深而存在的参数多、训练时间长、收敛缓慢的缺陷,提出了一种基于卷积神经网络的花卉图像识别模型。该模型借鉴LeNet-5网络进行搭建,利用Dropout和Adam优化算法,减少过拟合,加速网络收敛。最终在自建数据集上进行训练后,测试集的准确率达到了92.76%。实验结果表明,本文提出的方法具有收敛速度快、识别准确率高的特点。

基于ResNet152的花卉识别研究

随着人们对花卉繁殖与鉴赏的需求量增大,花卉种类识别的研究与探索便具有重大意义。但早期的花卉分类方法会耗费大量的人力物力,并且效率低下,亟须新的高效的花类分类方法来节约人力物力。近年来,基于卷积神经网络(Convolutional Neural Network)的花卉识别方法得到发展。笔者分别训练AlexNet、MobileNet_V3和ResNet152网络模型,通过实验在算法的准确率、训练时间、损失率、收敛速度、模型大小和模型效率等方面进行对比研究。实验结果表明,ResNet152综合性能最优,其模型精度可达95.17%,模型大小仅为9475KB,能够有效满足实际需求并可以通过界面操作的形式进行花卉识别。

基于轻量化模型和迁移学习的花卉识别

针对现有花卉识别方法存在的识别精度不高、模型体积大等问题,提出一种基于轻量化模型和迁移学习的花卉识别方法.首先,以MobileNetV2模型作为骨干网络构建轻量化的花卉识别模型;然后,采用迁移学习策略使模型具备良好的初始特征提取能力;最后,利用小规模的花卉图像数据集对模型进行逐级训练和微调,使模型获得最佳的花卉识别能力.实验结果表明,该花卉识别模型在花卉图像数据集Oxford flower-102上获得了97.76%的识别精度,并且模型体积只有9.2 MB,具有识别精度高、模型体积小的优点,方便在移动设备上部署和应用.

基于移动终端的花卉识别技术研究

本文以基于移动终端的花卉识别技术为研究对象,以月季花识别为典型案例,探讨了基于移动终端的花卉识别技术流程和方法,论文首先分析了花卉植物特征提取的具体方法,包括颜色特征、形状特征、纹理特征,进而设计了一套花卉识别系统,在此基础上,以广州流花湖公园的20种月季花为实验对象,证明了系统识别的精度。本文是笔者在工作实践基础上的理论升华,相信对从事相关工作的同行能有所裨益。

深度学习技术及在花卉识别中的应用

深度学习(Deep Learning,DL)是机器学习领域的重要研究分支,当前已广泛应用在智能农业领域中的花卉识别、杂草检测和病虫害检测等方面。笔者介绍了深度学习的发展历程,阐述了主流的基于卷积神经网络的目标识别算法,将当前较为典型的两种图像识别算法Faster R-CNN和YOLO应用于识别花卉图片,通过比较分析两种方法在花卉图片识别过程中的优劣性,并提出了下一步的研究方向。

基于生成对抗网络的花卉识别方法

为解决现有花卉识别准确度低的问题,提出一种基于生成对抗网络的花卉识别方法。使用残差网络构建生成器和判别器,充分提取深层次花卉样本特征,大幅度减小模型参数量,加快模型收敛;融入注意力机制,快速有效提取花卉显著区域特征,并改进模型损失函数,进一步提高对抗网络生成样本的质量。同时利用生成器生成高清晰度、纹理特征明显且具有多样性的高质量花卉样本进行数据增强,迁移判别器参数到花卉识别网络,加快模型收敛速度,进一步提高花卉识别准确度。Oxford 102花卉数据集试验结果显示,相较于其他方法,该方法网络训练稳定、收敛速度快,花卉识别准确度显著提高。

基于BOPPPS教学模型的“园林树木与花卉识别”课程改革

BoPPPs教学模式源于北美地区的一些院校。笔者根据高职院校的教学特点，把BOPPPs教学模型运用到了“园林树木与花卉识别”课程教学过程中。经试验后发现BOPPPs教学模型的运用提高了学生课堂参与度、增强了学生学习的自主性。

基于ReLU函数的卷积神经网络的花卉识别算法

目前对于花卉识别的工作较少,且在已有实验结果中,识别准确率和识别计算速度偏低,需要改进算法、改善实验结果。卷积神经网络由于其可以将图像直接作为输入对象从而避免人工提取特征过程的误差,且在各种外物因素下(光照、旋转、遮挡等)具有良好的鲁棒性,所以在图像识别方面具有巨大的优势。因此选取卷积神经网络对花卉进行识别。在传统卷积神经网络中,一般选用Sigmoid函数作为激活函数,但是使用这种函数需要进行预训练,否则将会出现梯度消失无法收敛的问题。而采用近似生物神经激活函数ReLU则可以避免这一问题,提高机器学习的效果和速度。最终达到了92.5%的识别正确率。

基于花蕊区域定位的花卉识别方法

花卉识别在自动化种植,机械采摘,病虫害防治,鲜花定级等方面均起到关键性作用。为了进一步提高卷积神经网络在花卉识别领域的准确率,尤其是提高花卉被局部遮挡情况下的识别准确率。提出了一种基于花蕊区域定位的花卉识别方法,通过目标检测算法Faster-RCNN对图像中的花蕊区域进行定位,再通过花蕊的特征进行种类识别。通过对牛津大学Flowers102数据集中的12种花卉进行验证,基于花蕊区域定位的识别准确率可以达到96.07%,高于小型网络Lenet-5,与大型网络Vgg-16及Inception-V3识别准确率相近,验证了花蕊区域可以提供足够的特征进行识别。对于花瓣高度遮挡的情况,提取整幅图像特征的传统卷积神经网络Vgg-16和Inception-V3的识别准确率大幅下降至25.33%和35.14%,而基于花蕊区域定位的识别准确率可以达到88.93%。表明该方法有效的提升了花卉被局部遮挡情况下的识别准确率,提高了抗遮挡能力。

基于YOLOv4的多目标花卉识别系统

[目的]花卉多目标识别定位是自动化作业的基础,大型的目标检测网络识别效果好,但由于复杂度高难以满足实时检测需求,本文提出了基于YOLOv4的轻量化目标检测算法。[方法]采用MobileNetV3替换原有的主干特征提取网络,自下而上融合网络的浅层和深层特征,简化路径聚合网络进一步减少计算量。结合优化K-means聚类获得的预选框参数来提高算法对特定目标的检测精度,并比较训练策略对模型性能的影响,将优化后的算法集成到用户交互界面,实现花卉识别定位。[结果]该系统实现了操作简单的花卉多目标的识别,具有实时反馈和较高准确率等优势,改进算法在余弦退火方式下训练得到的模型对图像的处理速度为每秒31.85帧,最高检测精确率达96.43%。[结论]这种基于YOLOv4的轻量级目标检测模型具有较高的识别率,系统对多目标花卉的检测具有可行性,为自动化作业提供技术支撑。

基于优化AlexNet的花卉识别

准确并高效地识别花卉在自动化种植、机械采摘、病虫害防治、鲜花定级等方面均具有重要意义。为了使手机等嵌入式设备对花卉识别更具有适配性,在AlexNet的基础上,利用深度可分离卷积减少运算量,调整自适应池化层和全连接层减少参数量,将低维特征与高维特征相融合提升特征提取能力。实验结果表明优化后的模型可以有效降低运算量及参数量。模型体积仅14.34 MB,浮点运算量减少53%,识别速度提高31%,充分验证了优化方法的有效性。

基于残差网络迁移学习的花卉识别系统

传统的花卉识别算法一般是建立在手动特征提取和分类器训练的基础上,其泛化能力有限且准确度存在瓶颈。为此提出了基于深度卷积网络的识别算法,采用152层残差网络架构,在爬虫获取的大量标定数据基础上,对神经网络进行迁移学习训练。上线发布的算法集成系统中,用户拍照获取的花卉照片可通过网络传输到云服务器,并在服务端部署的深度学习架构下实现花卉快速识别。针对ImageNet和网龙花卉数据集的实验对比结果表明,基于残差网络迁移学习的方法具有识别准确率高、实时反馈、鲁棒性好等特点。

改进ResNet18网络模型的花卉识别

花卉识别在生活中有重要的应用和研究价值。目前传统的花卉识别方法都是通过人工手动选择多个特征进行分类,存在识别准确率低、泛化能力较弱和分类时间长等问题。由于不同的花朵之间存在相似度,通过对每张图片随机变化,增强数据集,把花卉作为研究对象,提出了一种基于ResNet18网络模型优化的花卉识别方法。将ResNet18网络模型中残差块的基础卷积替换为空洞卷积,提取花卉图片更多的细节特征来实现高精度,接着在每个残差块后分别加入经过改进的通道注意力机制优化网络权重,构造改进的ResNet18网络模型,在Oxford 102 Flowers牛津花卉数据集上的实验进行了仿真。实验结果显示,在Oxford 102 Flowers牛津花卉数据集上ResNet网络模型相较于基础AlexNet、VGG-16网络模型准确率高。改进的ResNet网络模型识别精度可以高达97.78%,比仅使用空洞卷积的模型提高了3.11个百分点,比原模型提高了4.45个百分点。改进的ResNet18网络模型在花卉识别的泛化和拟合能力有显著的提高。

基于ResNet和注意力机制的花卉识别

花卉识别在生活中有重要的应用价值,传统的花卉识别方法存在识别准确率低、泛化能力较弱等问题。针对这些问题,本文提出一种加入注意力机制的ResNet34网络模型,在ResNet34第一层卷积层和各残差块后加入通道注意力机制、空间注意力机制,并使用迁移学习训练网络模型。实验表明,在花卉数据集上ResNet34比AlexNet、VGG-16、GoogLeNet识别准确率更高,加入注意力机制并使用迁移学习的ResNet34模型的识别准确率比原模型提高了6.1个百分点,比仅使用迁移学习的原模型提高了1.1个百分点。与传统深度学习模型相比,本文提出的模型显著地提高了识别准确率。

基于LeNet的花卉识别方法

深度神经网络是机器学习中一个非常接近AI的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,模仿人脑的机制来解释数据,例如图像,声音和文本。它是当前图像处理与计算机视觉领域的研究热点。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习的概念由Hinton等人于2006年提出,基于深度置信网络(DBN)提出非监督贪心逐层训练算法,为解决深层结构相关的优化难题带来希望,随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络LeNet是第一个真正多层结构学习算法,它利用空间相对关系减少参数数目以提高训练性能。本文将LeNet技术引入花卉识别应用领域,针对收集的116类花卉图像,总共79544张图片,每类约685张左右的图片集进行训练和测试,得到了约80%的Top5识别精度。

基于卷积神经网络的花卉识别方法

针对现有花卉识别技术所存在的问题,提出一种基于迁移学习和卷积神经网络的花卉识别方法。利用Oxford数据集中的402种花卉中的47种用于训练和测试;首先,利用卷积神经网络进行迁移学习得到图片的特征值,然后,在对目标数据集训练过程中,提取到的特征作为输入数据输入到分类器,分类器分得实验结果,观察分析实验结果,对现有的网络进行修正,完善网络,提高识别准确率,最后,通过对比实验得到最佳得分类模型。通过在实验数据上验证,得到结论,其识别方法的准确率在96%以上。

基于深度哈希与注意力机制的花卉图像检索

针对当前的花卉识别方法在真实场景下容易受背景、光照等因素干扰导致识别准确率低、识别速度慢的问题,提出一种基于深度哈希与注意力机制相结合的图像检索方法用于花卉识别。上述方法在神经网络中融合了注意力机制用于降低背景干扰提升特征质量,并增加一个哈希层降低特征维度以提升检索效率,在图像预处理阶段采用自适应直方图均衡化降低光照干扰影响。实验结果表明,在更接近真实场景的自制花卉数据集True Flowers上,所提方法与传统神经网络方法相比平均检索精度提升了1.3%,检索速度提升了156倍,在公共数据集Oxford 17 Flowers上新方法的准确率要高于其它文献方法,由此证明了新方法的有效性和先进性。