论文总字数：23466字

摘 要

近年来，保护植物生态区受到越来越多的关注。而树叶的识别与分类作为其中很重要的一项工作，在之前区分植物种类只能由人工完成，不仅要求相关人员有丰富的经验，而且代价大，准确率低。而携带笔记本进行野外勘察工作，可能会加重人员的体力负担。综合实际情况考虑，android手机已成为人们生活不可分割的一部分，所以本文主要研究设计了一个针对树叶识别分类的app。本文首先研究了近年来比较成熟的神经网络体系如：AlexNet，VGG-16，Resnet等常见卷积神经网络模型后，进行了实践复现并且验证了各个模型在树叶识别上的效果，在对大量数据训练后，收敛后得到了初步的模型，并对模型准确率进行了测试。

在此之后，为了使模型的准确率进一步提升，通过学习目标检测领域中的近期技术发展，比如新出现的R-CNN等模型，在研究了其独特研究思路后，本项目结合了一些图像处理方法的相关算法如Pyramid Match等，提高了数据集的质量。在此之后，本项目将新的方法和思路应用于第一代模型后完成了第一代模型的升级，与此同时，将有参层参数输出，人工对有参层进行调整，使得模型尽可能鲁棒，体积尽可能的小。

最后将训练过后的模型固化到移动端。考虑到手机运算速度不如电脑的客观事实，本论文参考了移动端模型MobileNet-v2对已经完成的模型进行优化后，再将优化后的模型压缩转化为nb文件，应用于android端。本软件主要运用手机CPU去执行预测，手机可以自动读取默认图片，然后执行预测，输出预测树叶种类结果。为了方便用户使用，用户可以根据个人手机性能来设置调用CPU数量，还可以通过相机或者图库来添加自己想要预测的图片。通过该软件可以帮助新接触植物学的人省去长时间的植物学相关知识的学习，直接进行这种需要丰富经验的叶子分类任务。

关键词：深度学习；图像分类；目标识别；卷积神经网络；python；Android；

Intelligent Leaves classification application based on Python

ABSTRACT

Recently, the protection of plant ecological areas has received increasing attention. The classification of leaves is important. In the past, distinguishing plant species can only be done by the experienced people with high cost. Carrying a notebook for field surveys may increase burden of person. Android phones play an inseparable part in people's lives, so the paper designs an app for leaf classification. This paper first introduced the common convolutional neural network models such as AlexNet, VGG-16, Resnet and other mature network carried out practical reproduction and verified the effect of each model on leaf recognition After data training, a preliminary model was frozen, and the accuracy of the model was tested.

After this, in order to further improve the accuracy of the model, I learned the recent technological developments in the field of target detection, such as the emerging R-CNN. After learning its unique research ideas, I combined some image processing methods related algorithms such as Pyramid Match, etc., to improve the quality of the data set. After this, I applied new methods and ideas to the first generation model and completed the upgrade of the first generation model. At the same time, parameter layers were manually adjusted to make the model Robust as possible as possible.

Finally, considering the fact that the computing speed of mobile phones is not as good as the computers, Optimizing model and converting into an nb file is necessary. This software mainly uses the mobile phone CPU to perform prediction. The mobile phone can automatically read the default picture, and then perform the prediction, and output the predicted leaf type result.

Keywords: Deep Learning; Image Classification; Object Detection; Convolutional Neural Network; Python; Android

目 录

摘 要 Ⅰ

ABSTRACT Ⅱ

第一章 绪论 1

1.1 选题背景和意义 1

1.2 发展和研究现状 1

1.3 研究内容 2

1.4 论文组织结构 3

第二章 深度学习相关知识介绍及环境准备 4

2.1 参数的更新优化方法 4

2.1.1 momentum优化方法 4

2.1.2 AdaGrad优化方法 4

2.1.3 sgd优化方法 5

2.1.4 adam优化方法 5

2.1.5 优化方法总结 6

2.2 权重值的更新方法 6

2.2.1 Sigmoid函数 7

2.2.2 tanh函数 7

2.2.3 ReLU函数 8

2.2.4 总结 8

2.3 批归一化 8

2.4 过拟合问题的处理 9

2.5 配置GPU环境 10

2.5.1 GPU的优点 10

2.5.2 GPU的配置过程 10

第三章 课题研究 11

3.1 CNN模型 11

3.1.1 卷积层 11

3.1.2 激励层 13

3.1.3 池化层 13

3.1.4 输出层 13

3.1.5 全连接层 14

3.2 VGG-16模型 14

3.3 Resnet模型 14

3.4 其他模型 15

3.4.1 Network in Network 模型 15

3.4.2 GoogLeNet模型 16

第四章 模型的训练与测试 17

4.1 系统的数据准备及开发环境介绍 17

4.1.1 数据准备 17

4.1.2 数据处理 17

4.1.3 开发环境 18

4.2 AlexNet模型 19

4.2.1 网络参数设置 19

4.2.2 训练过程示意图 20

4.2.3 测试结果 20

4.3 VGG-16模型 21

4.3.1 网络参数设置 21

4.3.2 训练过程示意图 22

4.3.3 测试结果 22

4.4 ResNet模型 23

4.4.1 网络参数设置 23

4.4.2 训练过程示意图 24

4.4.3 测试结果 25

4.5 测试方案结果及分析 25

4.5.1 三种模型训练对比结果 25

4.5.2 分析和发现 26

第五章 移动端模型实现和测试 27

5.1 模型的优化 27

5.1.1 理论依据 27

5.1.2 网络参数更新 28

5.1.3 优化对比结果 29

5.2 手机模型功能的实现 30

5.2.1 手机实现读取模型 30

5.2.2 手机实现读取模型标签 30

5.2.3 手机实现读取预测功能 30

5.2.4 手机实现图库读取和相机读取 31

5.3 手机app功能的测试 32

5.3.1 手机测试内容 32

5.3.2 测试结果 33

5.4 测试分析 35

第六章 总结 36

6.1 结果 36

6.2 存在的问题 36

6.3 展望 36

参考文献 37

致 谢 41

第一章 绪论

1.1 选题背景和意义

近年来，互联网的飞速发展给各行各业都带来了革命性的飞跃，深度学习也已成为来未来发展的风向标。图像识别技术是因为其可以让计算机代替人类去处理大量的物理信息的特性而成为了深度学习不可缺少的一部分。同时图像分类作为计算机视觉和图像处理领域非常重要的一个研究方向，已经在日常生活的方方面面产生了影响，比如交通领域发现车辆是否违章，车牌识别，以及正在卓越发展的无人驾驶。图像识别技术的过程有图像信息获取、然后图像预处理、图像特征提取和分类决策。本文分析了图像识别技术的技术原理，之后介绍了神经网络的图像处理技术并且将图像分类的应用在生物学科上。

树叶的识别与分类对于区分植物种类，保护植物生态区有着重大作用。在图像识别技术发展之前，这种用树叶区分植物种类任务只能由人工完成，不仅需要从事人有着丰富的经验，而且工作量大，准确率难以保证。而随着图像处理技术的普及我们可以利用计算机帮助我们快速完成树种分类任务，既可以提高效率，同时可以减少误差。并且不用要求使用者掌握基本的python编程。同时因为android手机又已经普遍应用，所以开发了一个app来帮助人们完成目标。

请支付后下载全文，论文总字数：23466字