基于深度学习的蔬菜植物图像识别分类开题报告

 2022-01-14 11:01

全文总字数:4570字

1. 研究目的与意义、国内外研究现状(文献综述)

蔬菜植物是地球分布最广泛的生命形式, 与人类生活环境的关系最为密切。

目前, 蔬菜植物物种的识别主要依靠有经验的专家和相关行业从业人员的专业知识和实践经验, 工作量大且效率低。

随着计算机的计算能力大幅提升, 尤其是移动终端性能的提升和普及, 人们获取、保存和处理蔬菜植物图像的能力大幅度提升。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容和问题

研究的目标是针对具有复杂背景的蔬菜植物图像的主体识别和分类开展的研究,内容包括蔬菜植物图像分割、图像标识和图像分类。

根据已有的图像数据库,对现有图像进行分割,识别并提取出图像中的主体部分,并设计算法实现蔬菜植物图像的识别和分类。

图像分割是蔬菜植物图像处理过程中重要的一个步骤。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究的方法与方案

1.深度学习算法能够有效运行的一个关键就是基于大规模数据, 因为深度学习网络有众多的参数, 少量数据无法对网络参数进行充分训练。

使用Google Net层的网络结构, 把在Image Net上训练好的网络参数用于蔬菜植物识别网络的初始化参数,然后用标定的蔬菜植物图像对网络权重使用反方向传播的方法进行调整,直至训练完成;2.首先要确定数据收集范围。

实验选择华南地区50种常见蔬菜植物名单,每种蔬菜植物至少拍摄200张;3.工具选择上,基于前文深度学习的基础元素, 采用caffe进行模型构建。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 研究创新点

1.使用深度学习框架TensorFlow进行模块操作;2.对于野外拍摄的蔬菜植物图像,其背景往往比较复杂,特征突出不明显,对这些图像进行图像预处理,图像分割,蔬菜植物图像特征提取等图像处理手段;3.传统的反向传播算法, 每次计算所有图片的累计错误才能进行一次迭代。

在大量数据的场景下, 这样将导致消耗巨大的计算资源, 耗时很长。

因此, 采用随机梯度下降的优化算法, 将训练数据每次只取一小批, 计算错误后即做反向传播优化, 反复迭代处理。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

5. 研究计划与进展

前期(3月中下旬):蔬菜植物的图像数据搜集,整理图像数据预处理(图像分割,图像主体提取,特征提取),数据预处理,将处理好的数据分成训练集与测试集;

中后期(4月-5月中旬):使用卷积神经网络训练蔬菜植物图像数据集,调整参数,当误差等于或小于我们的期望值时,结束训练;测试训练模型,分析结果,撰写论文。

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

以上是毕业论文开题报告,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。