植物圖像識(shí)別方法研究及實(shí)現(xiàn).pdf

1、圖像識(shí)別技術(shù)目前廣泛應(yīng)用于傳統(tǒng)制造業(yè)、安保以及互聯(lián)網(wǎng)行業(yè)，相關(guān)方法都較為成熟。但是，在生物、醫(yī)學(xué)以及食品等領(lǐng)域上還有很多空白需要填補(bǔ)，主要在于現(xiàn)在的識(shí)別方法往往面向“大”類別識(shí)別，例如區(qū)分貓和狗、人和車輛、動(dòng)物和植物等，并非細(xì)粒度（微差）圖像識(shí)別的范疇，例如同為菊科下的秋菊和野菊的識(shí)別。本文針對(duì)微差圖像識(shí)別領(lǐng)域中的植物圖像識(shí)別進(jìn)行了方法研究，主要工作如下:
　　1.從圖像底層特征入手，重點(diǎn)研究了BoV和費(fèi)雪向量特征編碼方法，提出了

2、基于費(fèi)雪向量的多特征融合圖像識(shí)別方案。實(shí)驗(yàn)表明，在植物圖像識(shí)別應(yīng)用中，基于費(fèi)雪向量的特征編碼方案具有更好的效果。
　　2.從深度學(xué)習(xí)方法入手，首先設(shè)置對(duì)比實(shí)驗(yàn)進(jìn)行模型初選，研究分析不同訓(xùn)練模式以及卷積神經(jīng)網(wǎng)絡(luò)深度對(duì)植物圖像識(shí)別的影響;其次提出了基于選擇性搜索算法的植物圖像關(guān)鍵區(qū)域生成方法;最后提出了面向關(guān)鍵區(qū)域的基于VGGNet16的植物圖像識(shí)別模型，并驗(yàn)證了本文提出方法的有效性。
　　3.構(gòu)建植物圖像數(shù)據(jù)集。數(shù)據(jù)庫的構(gòu)建包