|本期目录/Table of Contents|

[1]刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学,2019,47(20):231-236.
　Liu Jiazheng.Flower species identification based on deep transfer learning model[J].Jiangsu Agricultural Sciences,2019,47(20):231-236.
点击复制

基于深度迁移学习模型的花卉种类识别(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第47卷
期数:
2019年第20期
页码:
231-236
栏目:
农业工程与信息技术
出版日期:
2019-11-18

文章信息/Info

Title:
Flower species identification based on deep transfer learning model
作者:
刘嘉政
中国林业科学研究院资源信息研究所，北京 100091
Author(s):
Liu Jiazheng
关键词:
花卉种类; 深度学习; 迁移学习; 识别分类
Keywords:
-
分类号:
TP391.4
DOI:
-
文献标志码:
A
摘要:
为了解决传统花卉识别方法中特征提取主观性强、模型泛化能力差、错分率高的问题，提出一种基于Inception_v3的深度迁移学习模型的花卉图像识别方法。本研究对5种常见花卉图像进行识别分类，首先对原始图像进行预处理，通过对每张图像进行水平翻转、旋转操作，扩增数据集；其次，采用预训练完毕的Inception_v3模型，对其在ImageNet上训练好的网络参数进行迁移学习，对各个参数进行微调，并保留原模型的特征提取能力，并将原模型的全连接层替换为符合本研究要求的5分类softmax分类输出层，从而构建基于深度迁移学习的识别模型。对5种花卉共计11 000张图像进行训练和验证，平均识别正确率达到93.73%，与传统的花卉识别方法相比，识别率得到提高，模型鲁棒性更强，具有一定的使用价值。
Abstract:
-

参考文献/References:

［1］吴笑鑫，高良，闫民，等. 基于多特征融合的花卉种类识别研究［J］. 北京林业大学学报，2017，39(4)：86-93.
［2］刘晶晶，侯凌燕，杨大利. 牡丹花特征提取及识别技术研究［J］. 北京信息科技大学学报(自然科学版)，2017，32(1)：65-71.
［3］柯逍，陈小芬，李绍滋. 基于多特征融合的花卉图像检索［J］. 计算机科学，2010，37(11)：282-286.
［4］翟果，李志敏，路文超，等. 基于图像处理技术的观赏菊品种识别方法研究［J］. 中国农机化学报，2016，37(2)：105-110，115.
［5］袁培森，黎薇，任守纲，等. 基于卷积神经网络的菊花花型和品种识别［J］. 农业工程学报，2018，34(5)：152-158.
［6］郭子琰，舒心，刘常燕，等. 基于ReLU函数的卷积神经网络的花卉识别算法［J］. 计算机技术与发展，2018，28(5)：154-157，163.
［7］沈萍，赵备. 基于深度学习模型的花卉种类识别［J］. 科技通报，2017，33(3)：115-119.
［8］刘德建. 基于LeNet的花卉识别方法［J］. 电子技术与软件工程，2015(23)：13-14.
［9］王丽雯. 基于AlexNet的Oxford花卉识别方法［J］. 科技视界，2017(14)：83.
［10］Oquab M，Bottou L，Laptev I，et al. Learning and transferring mid-level image representations using convolutional neural netwoks［C］. IEEE Conference on Computer Vision and Pattern Recognition，2014.
［11］Yosinski J，Clune J，Bengio Y，et al. How transferable are features in deep neural networks?［C］. Advances in Neural Information Processing Systems，2014.
［12］Wongsuphasawat K，Smilkov D，Wexler J，et al. Visualizing dataflow graphs of deep learning models in tensorflow［J］. IEEE Transactions on Visualization and Computer Graphics，2017，24(1)：1-12.
［13］周飞燕，金林鹏，董军. 卷积神经网络研究综述［J］. 计算机学报，2017，40(6)：1229-1251.
［14］王惠. 迁移学习研究综述［J］. 电脑知识与技术，2017，13(32)：203-205.
［15］张彤，刘志，庄新卿. 基于开发者平台和深度学习的智能识花与护花系统［J］. 工业控制计算机，2018，31(1)：90-92.
［16］王双印，滕国文. 卷积神经网络中ReLU激活函数优化设计［J］. 信息通信，2018(1)：42-43.

相似文献/References:

[1]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(20):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(20):251.
[3]李懿超,沈润平,黄安奇.基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J].江苏农业科学,2019,47(03):213.
　Li Yichao,et al.Study on relational model between vegetation change and its impact factors based on deep learning in Hunan， Jiangxi and Hubei areas[J].Jiangsu Agricultural Sciences,2019,47(20):213.
[4]荆伟斌,胡海棠,程成,等.基于深度学习的地面苹果识别与计数[J].江苏农业科学,2020,48(05):210.
　Jing Weibin,et al.Recognition and counting of ground apples based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):210.
[5]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):247.
[6]孙孝龙,徐森,周卫阳,等.基于物联网和深度学习的养蚕智能监控系统设计[J].江苏农业科学,2020,48(21):241.
　Sun Xiaolong,et al.Design of an intelligent monitoring system for sericulture based on internet of things and deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):241.
[7]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(20):22.
[8]李彧,余心杰,郭俊先.基于全卷积神经网络方法的玉米田间杂草识别[J].江苏农业科学,2022,50(6):93.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(20):93.
[9]孙东来,王继超,陈科,等.基于Ghost-YOLOv3-2算法的2尺度猪目标检测[J].江苏农业科学,2022,50(7):189.
　Sun Donglai,et al.Two-scale pig target detection based on Ghost-YOLOv3-2[J].Jiangsu Agricultural Sciences,2022,50(20):189.
[10]李祥宇,任艳娜,马新明,等.面向小麦生育进程监测的卷积神经网络精简化研究[J].江苏农业科学,2022,50(8):199.
　Li Xiangyu,et al.Study on simplified convolutional neural network for monitoring wheat growth process[J].Jiangsu Agricultural Sciences,2022,50(20):199.

备注/Memo

备注/Memo:
收稿日期：2018-07-09
作者简介：刘嘉政(1993—)，男，山东诸城人，硕士研究生，主要从事研究林业信息技术应用。E-mail：liujiazheng0919@163.com。
更新日期/Last Update: 2019-10-20