基于深度学习的蛇类图像分类问题研究

基于深度学习的蛇类图像分类问题研究

论文摘要

蛇是一种常见的爬行动物,可以划分为无毒蛇和毒蛇。毒蛇伤人事件时有发生。患者被毒蛇咬伤后需要根据其种类选择对应的抗蛇毒血清进行治疗。在我国,很多种类的蛇属于保护动物。一些蛇类在医药等领域具有一定的经济价值。近年来,深度学习技术的发展十分迅猛。卷积神经网络和胶囊神经网络等深度学习技术在计算机视觉和自然语言处理等领域得到了广泛的应用。目前,国内外针对蛇类图像分类问题进行的研究工作寥寥无几。不同种类的蛇在颜色、斑纹、形状或姿态等方面的差异,为对蛇类图像进行分类提供了可能性。一个很自然的想法是将深度学习技术应用到蛇类图像分类问题中。但是,该问题的一个难点在于目前缺乏公开的足够大的蛇类图像数据集,尤其是中国常见蛇类图像数据集。基于这些背景,本文通过采集和收集数据,建立了包含银环蛇、竹叶青蛇、舟山眼镜蛇、尖吻蝮、王锦蛇、黄金蟒、玉斑丽蛇、红尾蚺、红脖颈槽蛇和钩盲蛇等10种中国常见蛇类共计10336幅图像的CHINESESNAKES蛇类图像数据集。并且本文对蛇类图像分类问题的可行性与难点进行了分析。基于CHINESESNAKES蛇类图像数据集,本文使用卷积神经网络这一深度学习技术,对蛇类图像分类问题进行了研究。本文针对蛇类图像分类问题,设计了 BRC卷积神经网络结构,其在CHINESESNAKES蛇类图像数据集上的分类准确率达到了 89.061%。最后,本文设计并实现了一个基于安卓操作系统的蛇类图像识别系统。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  •   1.1 课题研究背景
  •   1.2 课题研究意义
  •     1.2.1 医学领域意义
  •     1.2.2 药学领域意义
  •     1.2.3 生物学领域意义
  •   1.3 国内外研究现状
  •     1.3.1 基于深度学习的图像分类技术研究现状
  •     1.3.2 蛇类图像分类问题研究现状
  •   1.4 本文的主要内容和贡献
  •   1.5 本文的组织结构
  •   1.6 本章小结
  • 第2章 卷积神经网络基础知识简介
  •   2.1 卷积神经网络常见层简介
  •     2.1.1 输入层
  •     2.1.2 卷积层
  •     2.1.3 激励层
  •     2.1.4 池化层
  •     2.1.5 Dropout层
  •     2.1.6 批标准化层
  •     2.1.7 Flatten层
  •     2.1.8 全连接层
  •   2.2 残差网络结构及其变形
  •   2.3 卷积神经网络存在的一些缺陷
  •   2.4 本章小结
  • 第3章 基于深度学习的蛇类图像分类问题描述
  •   3.1 任务描述
  •   3.2 CHINESESNAKES蛇类图像数据集
  •     3.2.1 CHINESESNAKES蛇类图像数据集中的蛇类简介
  •     3.2.2 图像采集和收集过程
  •     3.2.3 图像初步处理过程
  •     3.2.4 CHINESESANKES蛇类图像数据集的组成
  •   3.3 蛇类图像分类模型评价指标
  •   3.4 蛇类图像分类问题的可行性及难点
  •     3.4.1 蛇类图像分类问题的可行性
  •     3.4.2 蛇类图像分类问题的难点
  •   3.5 本章小结
  • 第4章 基于深度学习的蛇类图像分类模型研究
  •   4.1 BRC卷积神经网络结构设计
  •   4.2 实验硬件环境和工具软件
  •     4.2.1 实验硬件环境
  •     4.2.2 TensorFlow框架
  •     4.2.3 Keras深度学习库
  •     4.2.4 OpenCV计算机视觉库
  •   4.3 实验过程与细节
  •     4.3.1 图像读入及预处理
  •     4.3.2 图像数据增强
  •     4.3.3 模型训练超参数设置
  •     4.3.4 对比实验设置
  •   4.4 实验结果及分析
  •   4.5 本章小结
  • 第5章 基于安卓操作系统的蛇类图像识别系统的设计与实现
  •   5.1 安卓背景知识简介
  •     5.1.1 安卓操作系统简介
  •     5.1.2 安卓应用程序开发工具简介
  •   5.2 蛇类图像识别系统的需求分析
  •   5.3 蛇类图像识别系统的设计
  •     5.3.1 系统结构设计
  •     5.3.2 系统界面设计
  •   5.4 蛇类图像识别系统的实现细节
  •     5.4.1 深度学习模型转换
  •     5.4.2 深度学习模型选择与读入
  •     5.4.3 蛇类图像读入与预处理
  •     5.4.4 蛇类图像识别
  •     5.4.5 图像识别结果输出
  •   5.5 蛇类图像识别系统功能测试
  •   5.6 本章小结
  • 第6章 总结与展望
  •   6.1 全文工作总结
  •   6.2 蛇类图像分类问题研究前景展望
  • 参考文献
  • 攻读硕士学位期间主要的研究成果
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 付永钦

    导师: 王跃宣

    关键词: 蛇类图像分类,深度学习,卷积神经网络,蛇类图像数据集,安卓操作系统

    来源: 浙江大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 生物学,计算机软件及计算机应用,自动化技术

    单位: 浙江大学

    分类号: TP391.41;TP18;Q959.6

    总页数: 72

    文件大小: 4684K

    下载量: 352

    相关论文文献

    • [1].基于迁移学习的图像分类训练方法研究[J]. 信息与电脑(理论版) 2020(07)
    • [2].基于深度学习算法的图像分类方法[J]. 微型电脑应用 2019(03)
    • [3].基于深度学习网络的水质图像分类[J]. 北华航天工业学院学报 2018(04)
    • [4].特征选择和聚类分析的图像分类模型[J]. 现代电子技术 2017(19)
    • [5].基于C#的图像分类系统实现[J]. 数码世界 2017(08)
    • [6].基于迁移学习的服装图像分类模型研究[J]. 计算机应用与软件 2020(09)
    • [7].基于迁移学习的图像分类方法研究[J]. 河南科技 2018(31)
    • [8].一种基于三支决策的花卉图像分类[J]. 小型微型计算机系统 2019(07)
    • [9].深度学习及其在图像分类识别中的运用探讨[J]. 信息与电脑(理论版) 2018(12)
    • [10].提取目标区域词袋特征的图像分类方法[J]. 计算机工程与应用 2018(20)
    • [11].基于特征加权的自动图像分类方法[J]. 微型电脑应用 2014(01)
    • [12].基于大数据分析技术的激光图像分类和识别研究[J]. 激光杂志 2020(08)
    • [13].服装图像分类技术综述[J]. 浙江理工大学学报(自然科学版) 2019(05)
    • [14].基于混合属性的零样本图像分类[J]. 电子学报 2017(06)
    • [15].多特征筛选与支持向量机相融合的图像分类模型[J]. 吉林大学学报(理学版) 2016(04)
    • [16].数据挖掘在医学图像分类中的应用[J]. 医学信息学杂志 2014(08)
    • [17].基于生成对抗网络的低分化宫颈癌病理图像分类[J]. 东北大学学报(自然科学版) 2020(07)
    • [18].深度学习在现勘图像分类中的应用[J]. 西安邮电大学学报 2018(05)
    • [19].一种航天器图像分类模型快速学习方法[J]. 宇航总体技术 2019(03)
    • [20].一种基于联合表示的图像分类方法[J]. 智能系统学报 2018(02)
    • [21].基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究[J]. 无线互联科技 2020(07)
    • [22].基于迁移学习的可回收生活垃圾图像分类识别研究[J]. 广东第二师范学院学报 2020(03)
    • [23].高校建筑风格图像分类识别算法研究[J]. 福建电脑 2019(05)
    • [24].融合深度特征的多示例学习陶俑图像分类[J]. 西北大学学报(自然科学版) 2019(06)
    • [25].深度模型集成的不良图像分类[J]. 北京交通大学学报 2017(06)
    • [26].面向大规模图像分类的深度卷积神经网络优化[J]. 软件学报 2018(04)
    • [27].基于大数据理论的舰船图像分类[J]. 舰船科学技术 2018(16)
    • [28].基于共享特征相对属性的零样本图像分类[J]. 电子与信息学报 2017(07)
    • [29].基于优化空间金字塔匹配模型的图像分类[J]. 电子测量技术 2017(07)
    • [30].应用于生态环境保护的无人机图像分类改进算法研究[J]. 上海环境科学 2020(01)

    标签:;  ;  ;  ;  ;  

    基于深度学习的蛇类图像分类问题研究
    下载Doc文档

    猜你喜欢