登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 毕业论文 > 计算机类 > 计算机科学与技术 > 正文

智慧景区植物识别功能的设计与实现毕业论文

 2021-12-23 20:49:03  

论文总字数:17964字

摘 要

Abstract Ⅱ

第一章 绪论 1

1.1课题背景 1

1.2系统开发的目的与意义 1

第二章 开发技术概述 2

2.1开发工具以及关键技术 2

2.1.1开发语言Python 2

2.1.2 机器学习框架Pytorch 2

2.1.3 模型转换工具Pytorch2keras 3

2.1.4模型转换工具Tensorflowjs 3

2.1.5卷积神经网络 3

2.1.6AlexNet卷积神经网络 5

2.1.7GoogLeNet卷积神经网络模型 6

2.1.8优化函数 7

2.1.9损失函数 8

2.1.10图像加载处理工具ImageFolder 9

2.1.11数据可视化工具Tensorboardx 9

2.1.12 CUDA 10

2.2开发环境 10

2.2.1硬件环境 10

2.2.2软件环境 10

第三章 系统总体设计 11

3.1需求分析 11

3.2功能设计 11

3.3数据集 11

第四章 系统详情设计 13

4.1Alexnet卷积神经网络模型 13

4.2ImageFolder数据集加载及预处理 16

4.3DataSets数据集加载 17

4.4损失函数和优化器 17

4.5模型训练 17

4.6模型转换 20

4.7模型部署 20

第五章 系统测试与分析 21

5.1TOP-1准确率测试 21

5.1.1AlexNet数据 21

5.1.2GooLeNet数据 22

5.2模型实测 23

5.3总结 24

第六章 总结与展望 25

6.1论文总结 25

6.2未来展望 25

参考文献 26

致谢 29

智慧景区植物识别功能的设计与实现

摘要

当今科学技术在不断的发展进步,而随着计算机硬件与软件的升级,图像识别和机器学习一系列问题得到深入发展,相关内容在社会生活中起到了越来越大的作用,更加简化人们的生活,提高人们工作的效率,而在相当一部分领域当中,机器学习的应用已经必不可少了。

普通的机器学习在对于植物纹理、花朵等高度相似的特征的识别上十分受限,而深度学习可以有效的解决识别花朵时候不能准确识别特征的问题。本文使用AlexNet卷积神经网络模型为核心,对比GoogleNet卷积神经网络摸型和二者结合的改进过的P-AlexNet[20]卷积神经网络模型,分别以DATA18的18种15000张植物图片数据集和Oxford102数据集的100种8000张植物图片数据集进行训练,分别得到了测试集TOP-1准确率为76%和测试集TOP-1准确率78%的两个模型。

本课题机器学习模型基于Pytorch,使用Pycharm作为IDE进行开发,使用GPU进行加速训练,并于微信小程序上进行部署。

关键字:深度学习 植物识别 AlexNet模型 卷积神经网络 GPU加速

Abstract

Today's science and technology are constantly developing and progressing, and with the upgrading of computer hardware and software, a series of problems in image recognition and machine learning have been developed in depth. Related content has played an increasingly important role in social life and simplified people Life improves the efficiency of people's work, and in a considerable part of the field, the application of machine learning is already indispensable.

Ordinary machine learning is very limited in the recognition of highly similar features such as plant textures and flowers, while deep learning can effectively solve the problem of not accurately recognizing features when recognizing flowers. This article uses the AlexNet convolutional neural network model as the core, compares the GoogleNet convolutional neural network model and the improved P-AlexNet [18] convolutional neural network model, and uses 18 types of 15,000 plant image data of DATA18, respectively 100 sets of 8000 plant image datasets of the dataset and Oxford102 dataset were trained, and two models with the test set TOP-1 accuracy rate of 76% and the test set TOP-1 accuracy rate of 78% were obtained respectively.

The machine learning model of this subject is based on Pytorch, using Pycharm as an IDE for development, using GPUs for accelerated training, and deployed on WeChat applets.

Key words: deep learning;plant recognition; AlexNet model;convolutional neural network;GPU acceleration

第一章 绪论

1.1课题背景

随着科学技术以及社会的发展,图像处理,图像识别及机器学习一系列问题得到深入发展,相关内容在社会生活中起到了越来越大的作用,更加简化人们的生活,提高人们工作的效率。而相应的卷积神经网络的发布,引发了机器学习的热潮,更多好的神经网络模型被提出,模型参数的计算量、数量都得到了有效的改善,识别的准确度,速度也得到了很大的提升。相应的对于深度学习的软件与硬件发展也得到了很大的提升,CPU的性能提升,GPU加速的提出无一不加快了训练模型的速度,更多深度学习的工具、框架的发布也提高了研究人员的效率。

作为当前一大热门内容,深度学习已经初步发展成熟,数种基于Python的深度学习框架已经被发布,Pytorch,Tensorflow,Keras等深度学习开发框架给予人们极大地方便进行机器学习方面的学习。

1.2系统开发的目的与意义

本系统的开发旨在方便人们了解植物的详情信息,传统的游玩方式只能让游客们自己浏览信息牌上的植物信息,十分不便,而利用本系统,可以让游客在智慧植物景区内游玩时,只需要用手机扫一扫便能识别出植物的详情信息,增强游客的游玩体验,提升景区的趣味性。

请支付后下载全文,论文总字数:17964字

您需要先支付 80元 才能查看全部内容!立即支付

企业微信

Copyright © 2010-2022 毕业论文网 站点地图