论文部分内容阅读
我国林业生产和管理工作中,树种识别分类是许多林业工作的基础,提高树种识别分类效率有着重要的意义,能够为我国林业工程的发展带来巨大的价值。树种的自动识别分类一直是林业研究中的一项重要课题。近几年深度学习技术在图像分类任务中的突破,人们逐渐利用深度学习的理论方法去弥补传统图像识别分类方法中的不足,提高图像识别分类的效率。本文基于深度学习的图像识别分类技术,提出使用深度学习理论方法基于树木叶片图像完成树种自动识别分类,解决较多类别的复杂树种识别分类困难问题。文章从树种识别分类的发展和深度学习理论的图像分类方法展开叙述,并叙述了现阶段树种识别方法存在的不足和改进方向。为弥补神经网络对输入数据敏感、通用性不足,实际解决目前复杂树种分类困难的问题。论文的主要研究内容如下所示:(1)针对多类别复杂树种识别分类任务,为了提高神经网络的特征提取能力,降低数据敏感造成的分类性能的影响,融合基于空间映射网络(Spatial Transform Network,STN)和密集神经网络(Dense Neural Network,DenseNet)的优良特性,进而提出了新的网络模型ST-DenseNet。ST-DenseNet网络利用空间映射网络对输入图片进行关键点检测不变性归一化处理,结合后续密集卷积网络层,进行基于树木叶片图像的树种分类识别。(2)为了更好的完成多类别复杂树种识别分类任务,本文又提出了基于注意力机制的改进的卷积神经网络(Convolutional Neural Networks,CNN)模型—(Attention Branch based Convolutional Neural Networks,ABCNN)。ABCNN 模型能够通过添加的注意力机制获取图像感兴趣区域(Region of Interest,ROI),并通过设计的重构过程放大重要信息,以此降低数据敏感造成的网络整体性能下降,提高网络通用性。(3)本文选取Leafsna提供的185种树木的叶片图片作为实验数据,分别对提出的两种模型进行验证,并与其他主流的CNN网络模型结果对比。本文提出的方法在Leafsna数据集上均取得90%以上的测试准确率,明显优于其他的网络模型。与此同时,为了证明本文提出的网络模型的通用性,将提出的方法在通用公共数据集SVHN上进行实验验证,结果证明提出的方法在通用公共数据集中也具有较强的分类性能和泛化能力。证明提出的网络模型既能够解决复杂树种识别分类问题,也能用于实际工程。