融合高阶信息增强模块的复杂背景下的植物叶片图像分类
文献综述
Abstract Plant leaves have a significant research effect on plant species discrimination and cognition. This paper takes plant leaf images in a complex background as the research object. Plant leaf images with different sample sources are obtained from the Plant Photo Bank of China (PPBC) to form a PLD_amp data set containing 9 types of leaves, and Gaussian noise is added. , Data augmentation technology smooths and augments data sets, and enhances the operability of data. A method of extracting multiple convolutional layers for down-sampling processing and organizing them into high-order information enhancement modules is proposed (a high-order information enhancement module is proposed) and convolutional nerves containing high-order information enhancement modules are used The network model extracts the features of multiple receptive fields from the image of plant leaves. It provides a new idea for the recognition of plant leaf images under complex background.
Key words plant leaves; classification and identification of leaves; feature extraction; CNN; deep learning
摘要 植物叶片对植物种类分辨与认知具有重大研究作用。本文以复杂背景下的植物叶片图像为研究对象，从中国植物图像库（Plant Photo Bank of China,PPBC）中获得样本来源不同的植物叶片图像构成含有9种叶片的PLD_amp数据集，采用添加高斯噪声、数据增广技术平滑和增扩数据集，增强数据的可操作性。提出了一种抽取多个卷积层进行下采样处理，将其组织为高阶信息增强模块的方法，并使用包含高阶信息增强模块的卷积神经网络模型对植物叶片图像进行多感受野特征提取。实验证明：与现有传统卷积网络的对比，本文针对复杂背景下的植物叶片图像分类任务所提出的包含高阶信息增强模块的CNN模型最佳分类准确率达到87.2%，具有较高可行性与高分类准确率。为复杂背景下的植物叶片图像的识别研究提供了新的思路。
关键词 植物叶片；叶片分类识别；特征提取；CNN；深度学习
1 前言
当今我国经济飞速发展，生活水平逐渐提高，汽车尾气排放、各种燃料的燃烧等人为因素带来的臭氧层破坏、全球气候变暖等环境问题严重地影响着植物的生存。同时，臭氧层被破坏之后，紫外线UV-B段[1]增强，这将破坏植物的生长，使植物叶片表面积减少，因而减少了植物捕获阳光进行光合作用的有效面积。因此，植树造林成为我国乃至世界保护环境、维持生态平衡的重要举措之一。
但随着人类生活环境不断城市化，人们渐渐失去了对不同植物的认识与了解，保护植物多样性、维持大自然生态平衡的重要使命受到极大阻碍。为了更有针对性地保护植物，有效地对植物种类进行分类越来越受到人类的关注。
2 研究的目的与意义
以上是毕业论文文献综述，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。
