数据资源: 中文期刊论文

基于双路卷积神经网络的植物叶片识别模型



编号 zgly0001653024

文献类型 期刊论文

文献题名 基于双路卷积神经网络的植物叶片识别模型

作者 于慧伶  麻峻玮  张怡卓 

作者单位 东北林业大学信息与计算机工程学院  东北林业大学机电工程学院 

母体文献 北京林业大学学报 

年卷期 2018年12期

年份 2018 

分类号 TP391.41  TP183 

关键词 植物识别  叶片图像  特征融合  卷积神经网络 

文摘内容 【目的】针对卷积神经网络识别植物叶片过程中,叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题,提出了一种双路卷积神经网络的植物叶片识别模型。【方法】模型考虑了叶片信息的边缘形状与内部纹理特征,构建了双路卷积神经网路结构,其中形状特征路径运用7层卷积层的网络结构,前3层采用大尺寸11×11及5×5的卷积核提取大视野特征,完成叶片形状特征提取,另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征;纹理特征路径采用6个3×3卷积核的卷积层,提取叶片纹理图像细节特征;然后通过特征融合层将两类特征相加为融合特征,并利用全连接层对植物叶片种类进行识别。【结果】实验结果表明,双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比,在Flavia叶片数据集与扩充植物叶片数据集上,Top-1识别准确率分别提高到了99. 28%、97. 31%,Top-3识别准确率分别提高到了99. 97%、99. 74%,标准差较其他识别与分类模型下降到0. 18、0. 20。【结论】本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题,可以提高植物叶片的识别准确率。

相关图谱

扫描二维码