高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于分层卷积深度学习系统的植物叶片识别研究

张帅 淮永建

张帅, 淮永建. 基于分层卷积深度学习系统的植物叶片识别研究[J]. 北京林业大学学报, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
引用本文: 张帅, 淮永建. 基于分层卷积深度学习系统的植物叶片识别研究[J]. 北京林业大学学报, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
ZHANG Shuai, HUAI Yong-jian.. Leaf image recognition based on layered convolutions neural network deep learning.[J]. Journal of Beijing Forestry University, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
Citation: ZHANG Shuai, HUAI Yong-jian.. Leaf image recognition based on layered convolutions neural network deep learning.[J]. Journal of Beijing Forestry University, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035

基于分层卷积深度学习系统的植物叶片识别研究

doi: 10.13332/j.1000-1522.20160035
基金项目: 

森林景观及林业生产过程仿真关键技术研究(2015ZCQ-XX)。

详细信息
    作者简介:

    张帅。主要研究方向:图像处理。Email:piaofeitest@qq.com地址:100083北京市海淀区清华东路35号北京林业大学信息学院。责任作者:淮永建,教授,博士生导师。主要研究方向:虚拟植物。Email:huaiyj@bjfu.edu.cn地址:同上。

    张帅。主要研究方向:图像处理。Email:piaofeitest@qq.com地址:100083北京市海淀区清华东路35号北京林业大学信息学院。责任作者:淮永建,教授,博士生导师。主要研究方向:虚拟植物。Email:huaiyj@bjfu.edu.cn地址:同上。

Leaf image recognition based on layered convolutions neural network deep learning.

  • 摘要: 深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。
  • [1] WANG L J, HUAI Y J, PENG Y C. Method of identification of foliage from plants based on extraction of multiple features of leaf images[J]. Journal of Beijing Forestry University, 2015, 37(1):55-61.
    [2] 王丽君,淮永建,彭月橙. 基于叶片图像多特征融合的观叶植物种类识别[J]. 北京林业大学学报,2015,37(1):55-61.
    [3] 杨天天,潘晓星,穆立蔷. 基于叶片图像特征数字化信息识别7种柳属植物[J]. 东北林业大学学报,2014,42(12):75-79.
    [4] YANG T T, PAN X X, MU L Q.Identification of seven Salix species using digital information analysis of leaf image characteristics[J]. Journal of Northeast Forestry University, 2014,42(12):75-79.
    [5] 张宁, 刘文萍. 基于克隆选择算法和K近邻的植物叶片识别方法[J]. 计算机应用, 2013,33(7) : 2009-2013.
    [6] ZHANG N, LIU W P.Plant leaf recognition method based on clonal selection algorithm and K nearest neighbor[J]. Journal of Computer Applications, 2013,33(7):2009-2013.
    [7] 邓立苗,唐俊,马文杰. 基于图像处理的玉米叶片特征提取与识别系统[J]. 中国农机化学报,2014,35(6):72-75,79.
    [8] DENG L M, TANG J, MA W J.Feature extraction and recognition system of maize leaf based on image processing[J]. Journal of Chinese Agricultural Mechanization, 2014, 35(6): 72-75,79.
    [9] 翟传敏,汪青萍,杜吉祥. 基于叶缘与叶脉分数维特征的植物叶识别方法研究[J]. 计算机科学,2014,41(2):170-173.
    [10] ZHAI C M, WANG Q P, DU J X. Plant leaf recognition method based on fractal dimension feature of outline and venation[J]. Computer Science, 2014,41(2):170-173.
    [11] 邹秋霞,郜鲁涛,盛立冲. 基于Android手机和图像特征识别技术的植物叶片分类系统的研究[J]. 安徽农业科学,2015,43(11):367-369.
    [12] ZOU Q X, GAO L T, SHENG L C.Study on plant leaves classification system based on android mobile phone and image feature recognition technology[J]. Journal of Anhui Agricultural Sciences, 2015,43(11):367-369.
    [13] VILLENA-ROMN J, LANA-SERRANO S, CRISTBAL J C G. Daedalus at ImageCLEF 2011 plant identification task: using SIFT keypoints for object detection[C]∥Conference and Labs of the Evaluation forum 2011. Amsterdam: Clef Labs Workshop, 2011.
    [14] BACKES A R, CASANOVA D, BRUNO O M. A complex network-based approach for boundary shape analysis[J]. Pattern Recognition, 2009, 42(1):54-67.
    [15] GHAZI M M, YANIKOGLU B, APTOULA E, et al. Sabanci-okan system in LifeCLEF 2015 plant identification competition[C]∥Conference and Labs of the Evaluation forum 2015. [2015-10-20]. http:∥ceur-ws.org/Vol-1391/43-CR.pdf.
    [16] YANIKOGLU B, APTOULA E, TIRKAZ C. Sabanci-okan system at ImageClef 2012: combining features and classifiers for plant identification[C]∥Conference and Labs of the Evaluation forum 2012. Rome: Clef, 2012.
    [17] OTSU N. An automatic threshold selection method based on discriminate and least squares criteria[J]. Denshi Tsushin Gakkai Ronbunshi, 1979, 63:349-356.
    [18] BOSCH A, ZISSERMAN A, MUOZ X. Image classification using random forests and Ferns[C]∥IEEE International Conference on Computer Vision. Rio de Janeiro:IEEE, 2007:1-8.
    [19] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2012, 25(2):1106-1114.
    [20] LCUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11):2278-2324.
    [21] LECUN Y, BENGIO Y, HINTON G. Deep learning.[J]. Nature, 2015, 521:436-444.
    [22] LYU S, SIMONCELLI E P. Nonlinear image representation using divisive normalization[C]∥IEEE Conference on Computer Vision and Pattern Recognition. Anchorage:IEEE, 2008:1-8.
    [23] GOLD S, RANGARAJAN A. Softmax to softassign: neural network algorithms for combinatorial optimization[J]. Journal of Artificial Neural Networks, 1995, 2(4):381-399.
    [24] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报,2000,26(1):32-42.
    [25] ZHANG X G. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica, 2000,26(1):32-42.
    [26] HINTON G E, OSINDERO S, TEH Y W. A fast learning algorithm for deep belief nets [J]. Neural Computation, 2006, 18(7):1527-1554.
  • [1] 周浪, 樊坤, 瞿华, 吕媛媛, 张正宜.  基于Sparse-DenseNet模型的森林火灾识别研究 . 北京林业大学学报, 2020, 35(): 1-9. doi: 10.12171/j.1000-1522.20190371
    [2] 刘嘉政, 王雪峰, 王甜.  基于多特征融合和CNN模型的树种图像识别研究 . 北京林业大学学报, 2019, 41(11): 76-86. doi: 10.13332/j.1000-1522.20180366
    [3] 刘嘉政, 王雪峰, 王甜.  基于深度学习的5种树皮纹理图像识别研究 . 北京林业大学学报, 2019, 41(4): 146-154. doi: 10.13332/j.1000-1522.20180242
    [4] 谢将剑, 李文彬, 张军国, 丁长青.  基于Chirplet语图特征和深度学习的鸟类物种识别方法 . 北京林业大学学报, 2018, 40(3): 122-127. doi: 10.13332/j.1000-1522.20180008
    [5] 陈冀岱, 牛树奎.  多时相高分辨率遥感影像的森林可燃物分类和变化分析 . 北京林业大学学报, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
    [6] 胡静, 陈志泊, 杨猛, 张荣国, 崔亚稷.  基于全卷积神经网络的植物叶片分割算法 . 北京林业大学学报, 2018, 40(11): 131-136. doi: 10.13332/j.1000-1522.20180007
    [7] 于慧伶, 麻峻玮, 张怡卓.  基于双路卷积神经网络的植物叶片识别模型 . 北京林业大学学报, 2018, 40(12): 132-137. doi: 10.13332/j.1000-1522.20180182
    [8] 陈明健, 陈志泊, 杨猛, 莫琴.  叶片传统特征和距离矩阵与角点矩阵相结合的树种识别算法 . 北京林业大学学报, 2017, 39(2): 108-116. doi: 10.13332/j.1000-1522.20160351
    [9] 吴笑鑫, 高良, 闫民, 赵方.  基于多特征融合的花卉种类识别研究 . 北京林业大学学报, 2017, 39(4): 86-93. doi: 10.13332/j.1000-1522.20160367
    [10] 刘念, 阚江明.  基于多特征融合和深度信念网络的植物叶片识别 . 北京林业大学学报, 2016, 38(3): 110-119. doi: 10.13332/j.1000-1522.20150267
    [11] 林卓, 吴承祯, 洪伟, 洪滔.  基于BP神经网络和支持向量机的杉木人工林收获模型研究 . 北京林业大学学报, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
    [12] 刘怀鹏, 安慧君, 王冰, 张秋良.  基于递归纹理特征消除的WorldView-2树种分类 . 北京林业大学学报, 2015, 37(8): 53-59. doi: 10.13332/j.1000-1522.20140311
    [13] 王丽君, 淮永建, 彭月橙.  基于叶片图像多特征融合的观叶植物种类识别 . 北京林业大学学报, 2015, 37(1): 55-69. doi: 10.13332/j.cnki.jbfu.2015.01.006
    [14] 吴梦宇, 罗琴娟, 韩摇宁.  基于多运动特征的森林火灾烟雾图像识别算法 . 北京林业大学学报, 2013, 35(3): 154-158.
    [15] 黄儒乐, 吴江, 韩宁.  林火烟雾图像自动识别中的模式分类器选择 . 北京林业大学学报, 2012, 34(1): 92-95.
    [16] 张娟, 黄心渊.  基于图像分析的梅花品种识别研究 . 北京林业大学学报, 2012, 34(1): 96-104.
    [17] 计智伟, 汪杭军, 何涛, 尹建新.  基于改进区域生长的木材导管形态特征提取方法 . 北京林业大学学报, 2011, 33(3): 64-69.
    [18] 孙庆艳, 余新晓, 胡淑萍, 肖洋, 李金海, 武军.  基于ArcGIS环境下DEM流域特征提取及应用 . 北京林业大学学报, 2008, 30(supp.2): 144-147.
    [19] 祁亨年, 陈丰农, 方陆明, 马灵飞.  一种基于形态学的木材导管图像分割方法 . 北京林业大学学报, 2008, 30(4): 12-16.
    [20] 尹增芳, 李云开, 张玉兰, 梁善庆, 崔丽娟, 林勇明, 李昌晓, 李春义, 周繇, 刘杏娥, 任云卯, 王春梅, 闫德千, 张运春, 谭健晖, 张颖, 王蕾, 周海宾, 金莹杉, 林娅, 赵铁珍, 王戈, 张仁军, 张秀新, 孙阁, 吴淑芳, 王超, 陈圆, 邢韶华, 刘青林, 高岚, 黄华国, 杨培岭, 刘艳红, 刘国经, 张志强, 樊汝汶, 张明, 江泽慧, 张桥英, 江泽慧, 王以红, 翟明普, 洪滔, 马履一, 马钦彦, 王莲英, 钟章成, 温亚利, 张曼胤, 于俊林, 赵勃, 罗建举, 杨远芬, 徐秋芳, 余养伦, 吴普特, 周荣伍, 邵彬, 汪晓峰, 杨海军, 田英杰, 陈学政, 王玉涛, 吴承祯, 殷际松, 冯浩, 于文吉, 何春光, 张本刚, 王希群, 刘俊昌, 安玉涛, 崔国发, 费本华, 罗鹏, 张晓丽, 王小青, 周国模, 周国逸, 柯水发, 任树梅, 蔡玲, 马润国, 洪伟, 徐昕, 邬奇峰, 费本华, 何松云, 徐克学, 王九中, 康峰峰, 魏晓华, 李敏, 温亚利, 刘爱青, 高贤明, 赵景刚, 骆有庆, 胡喜生, 赵弟行, 任海青, 赵焕勋, 吴家森, 安树杰, 朱高浦, 郑万建, 田平, 吴宁, 林斌, 宋萍, 卢俊峰, 李永祥, 范海兰.  强烈侵蚀产沙区小流域土壤侵蚀强度的支持向量机预报模型研究 . 北京林业大学学报, 2007, 29(3): 93-98.
  • 加载中
计量
  • 文章访问数:  907
  • HTML全文浏览量:  178
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-01-21
  • 刊出日期:  2016-09-30

基于分层卷积深度学习系统的植物叶片识别研究

doi: 10.13332/j.1000-1522.20160035
    基金项目:

    森林景观及林业生产过程仿真关键技术研究(2015ZCQ-XX)。

    作者简介:

    张帅。主要研究方向:图像处理。Email:piaofeitest@qq.com地址:100083北京市海淀区清华东路35号北京林业大学信息学院。责任作者:淮永建,教授,博士生导师。主要研究方向:虚拟植物。Email:huaiyj@bjfu.edu.cn地址:同上。

    张帅。主要研究方向:图像处理。Email:piaofeitest@qq.com地址:100083北京市海淀区清华东路35号北京林业大学信息学院。责任作者:淮永建,教授,博士生导师。主要研究方向:虚拟植物。Email:huaiyj@bjfu.edu.cn地址:同上。

摘要: 深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。

English Abstract

张帅, 淮永建. 基于分层卷积深度学习系统的植物叶片识别研究[J]. 北京林业大学学报, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
引用本文: 张帅, 淮永建. 基于分层卷积深度学习系统的植物叶片识别研究[J]. 北京林业大学学报, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
ZHANG Shuai, HUAI Yong-jian.. Leaf image recognition based on layered convolutions neural network deep learning.[J]. Journal of Beijing Forestry University, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
Citation: ZHANG Shuai, HUAI Yong-jian.. Leaf image recognition based on layered convolutions neural network deep learning.[J]. Journal of Beijing Forestry University, 2016, 38(9): 108-115. doi: 10.13332/j.1000-1522.20160035
参考文献 (26)

目录

    /

    返回文章
    返回