基于卷积神经网络的植物叶片分类

《基于卷积神经网络的植物叶片分类》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、计算机与现代化2014年第4期JISUANJIYUXIANDAIHUA总第224期文章编号：1006-2475(2014)04-0012-04基于卷积神经网络的植物叶片分类龚丁禧，曹长荣(厦门大学信息科学与技术学院，福建厦门361005)摘要：回顾近年来国内外植物叶片分类的研究进展，指出传统方法存在的缺陷。简述卷积神经网络在图像分类的优势，为了简单高效地对植物叶片进行识别，提出一种基于卷积神经网络(ConvolutionalNeuralNetwork，CNN)的植物叶片识别方法。在Swedish叶片数据集上的实验结果表明，

2、本算法识别正确率高达99．56％，显著优于传统的叶片识别算法。关键词：植物叶片分类；卷积神经网络；深度学习；神经网络；特征图中图分类号：TP391文献标识码：Adoi：10．3969／j．issn．1006-2475．2014．04．003PlantLeafClassificationBasedonCNNGONGDing-xi，CAOChang—rong(SchoolofInformationScienceandTechnology，XiamenUniversity，Xiamen361005，China)Abstract：

3、Plantplaysanimportantroleinhumanlife，SOitisnecessarytobuildanautomaticsystemforrecognizingplant．Plantleafclassificationhasbecomearesearchfocusfortwentyyears．However．conventionalmethodsforrecognizingplantleafhaveva．riousdrawbacks．CNNgainedgreatsuccessinimagerecogni

4、tion，inordertoutilizeCNNtorecognizeplantleaf，ahierarchicalmodelbasedonconvolutionalneuralnetworkisproposed．WeappliedourmethodtoSwedishleafdatasetclassification，theexper-imentalresultsshowedthattheproposedmethodisquiteeffectiveandfeasible．Keywords：plantleafclassifi

5、cation；convolutionalneuralnetwork；deeplearning；neuralnetwork；featuremap大豆叶片进行分类。2001年，Soderkvistl4使用叶片0引言的几何特征，采用BP前馈神经网络对15种瑞典树植物在人类生活中扮演着非常重要的角色，对各木进行分类，实验用到的l5种叶片组成的数据集后来种植物分门别类地建立数据库，利用人工智能方法自成为一个标准数据集——swedish叶片数据集，很多研动识别植物，对植物进行方便的管理和保护意义重大。究者利用该数据测试他们的方法。2O

6、07年，Ling等人在植物形状分类学中，根据植物的花、叶的形状利用轮廓内最小距离改进形状上下文(ShapeContextU—分为不同类别。在自然界中，通常花的形状结构是三singInner—Distance，SCID)，然后使用动态规划对叶片形维的，分析起来比较复杂，而叶片的形状结构一般都状进行匹配。2OO7年，Felzenszwalb等人使用一个分是近似二维的，比较容易处理。而且花期一般较短，层的形6tSxJ-g型(shape—tree)作为形状描述子，能够很好不容易采集，叶片则一年四季都可以见到，较易采集。地描述叶片的

7、全局形状与局部纹理。2013年，Zhang等正是基于上述原因，叶片常被作为植物分类的依据。人将监督局部投影分析(SupervisedLocalityProjection多年来，已经有许多植物学家和学者对基于叶片的植Analysis，SLPA)用于植物叶片的分类，获得了很好的分物识别进行了深入研究。Guyer等人¨在1993年提类结果。取了17种叶片形状特征，并对40类植物进行分类。尽管经过长足的发展，对植物分类方法的研究已1998年，Im等人使用分层的多边形来近似表示叶经取得了许多鼓舞人心的进展，但是依然存在各种各片形状，

8、并将该方法用于多种枫树的分类。2000年，样的问题。传统的植物叶片分类方法一般采用两步Oide和Ninomiya将叶片形状作为神经网络的输法(如图1所示)：第一步，从输人的叶片图像中计算入，并使用一个Hopfield网络和一个简单的感知器对出人为设置的特征；第二步，根据得出的特征去训练收稿日期：2014