论文部分内容阅读
卷积神经网络(Convolutional Neural Network,CNN)是一种受Hubel-Wiesel生物视觉系统启发的多层变种感知机(Multi-Layer Perception,MLP),它无须改变图像的拓扑结构,能在训练数据驱动下通过多层非线性映射自适应构建隐式特征描述,通过局部感知视野、权值共享、下采样等设计理念实现特征的逐层剖析,减少参数数量,使提取到的图像特征对旋转、平移和缩放等变换具有鲁棒性,且特征提取和识别同时进行,避免了浅层学习中的显式特征提取和数据重构环节。近几年,CNN在人脸识别、指纹识别等图像识别领域中效果显著。本文以提高小麦叶部病害图像识别精度为目标,展开了CNN的相关研究工作,主要研究内容如下:(1)提出了一种基于细粒度差分放大卷积神经网络(Fine-grained Differential Amplification Convolutional Neural Network,F-gDACNN)的小麦叶部病害图像识别。该模型有2点改进:卷积核矩阵和差分放大支路,前者能够增加网络深度、神经元以及神经元链接的数量,同时抑制参数膨胀,且不同滤波器所提取的特征能够相互融合,进而产生新的图像特征;后者能够放大真实输出与期望输出之间的微小差异,使权重更新对于每次迭代产生的反馈误差更加敏感,增加网络对于数据集的拟合能力,防止欠拟合。F-gDACNN模型适用于对病症外观差别较小的小麦叶部病害图像进行分类。(2)提出了一种基于多道式卷积神经网络(Multichannel Convolutional Neural Network,MCNN)的小麦叶部病害图像识别。受视频显著性检测中人类视觉行为习惯的启发,该模型在传统CNN串行结构的基础上添加支路,允许网络中第1个和第2个下采样层直接与第1个全连接层相连,实现了不同层次图像特征的综合利用。此外,为了防止过拟合(Overfitting)、梯度弥散(Diffusion of Gradients)的发生,模型加入了线性整流函数(Rectified Linear Unit,Re LU)、Dropout、局部对比度归一化(Local Contrast Normalization,LRN)和局部响应归一化(Local Response Normalization,LCN),使网络结构更加完善,但计算量也会增加。(3)提出了一种针对不平衡小麦叶部病害图像识别的CNN-LSVM。由于CNN无法较好地对不平衡数据进行分类,本文将局部支持向量机(Local Support Vector Machine,LSVM)与CNN相结合,提出了一种CNN-LSVM模型,有效提高了对不平衡小麦叶部病害图像的分类精度。根据不平衡数据集的特点设计了代价敏感矩阵,并对LSVM中的优化目标函数中的惩罚参数进行赋值,使模型对于因数据集的不平衡性导致的误分状况更加敏感,修正模型的收敛走势,使其适用于不平衡数据集的分类。CNNLSVM模型既保留了CNN自动提取图像深层特征的优势,又融合了改进的LSVM缓解不平衡分类问题以及充分利用样本局部信息的特点。