目录
摘 要 III
关键词 III
ABSTRACT IV
KEY WORDS IV
引言 1
1 绪论 2
1．1 问题的提出 2
1．2 研究现状 2
1．2．1 细粒度研究及应用 2
1．2．2 迁移学习研究及应用 3
1．2．3 边缘计算研究及应用 3
1．3 应用前景分析 3
2 相关理论基础 4
2．1 细粒度图像识别 4
2．1．1 细粒度识别基本原理 4
2．1．2 双线性CNN模型 5
2．2 迁移学习 6
2．3 边缘计算 7
2．4 深度学习相关理论 8
2．4．1 学习率 8
2．4．2 随机梯度下降 8
2．4．3 交叉熵 8
2．4．4 softmax函数 8
3 基于迁移学习和双线性汇合的菊花表型识别框架 9
3．1 整体框架 9
3．2 图像预处理 9
3．3 对称VGG16网络模型 10
3．4 迁移共享参数 12
4 实验与分析 13
4．1 实验环境 13
4．2 数据集 13
4．3 实验参数设置 14
4．4 评价标准 15
4．5 实验结果 16
4．5．1 训练过程 16
4．5．2 性能 20
4．5．3 测试集结果 21
5 基于边缘智能的菊花表型识别系统 22
5．1 系统框架 22
5．2 训练模型 23
5．3 模型测评 25
5．4 在线识别 27
5．5 移动端使用 30
6 结论 31
致谢 32
参考文献 33
基于迁移学习的菊花表型识别研究
摘 要 *51今日免费论文网|www.51jrft.com +Q: ^351916072^ 

菊科是种子植物最大科，种类繁多，变异丰富，类间表型差异微小，其识别是一项极具挑战的细粒度图像分类问题。基于深度学习的细粒度图像分类往往含有较大的参数量，训练时间长，因此本文提出一种结合迁移学习和双线性的CNN菊花图像表型识别框架，首先对图像进行预处理，然后使用对称VGG16网络作为特征提取器，将预训练的参数迁移到本文框架，分为仅训练全连接层和微调所有层两个阶段进行训练。两个网络输出的菊花表型特征进行转置外积相乘，将全局特征输入分类层进行分类。本文采用其他双线性模型、非迁移学习和非双线性模型共8种方法与本文方法比较，本文的方法相较其他网络模型具有更好的表现，损失更低，最终达到了0.9815的精确率和0.9800的召回率。为了便捷用户训练与测试模型，本文将菊花表型识别系统结合边缘智能，将系统分为训练模型、模型测评和在线识别三个模块，用户可以下载或上传训练好的模型，对模型进行测评和图像的在线识别。
引言
植物表型是由基因和环境条件决定的，表示植物的结构及组成、生长的过程及结果的全部特征和性状[1]。菊科是种子植物的最大科，总数多达25000种以上[2]，其表型的复杂性使得菊花表型的识别需要具备丰富的实践经验，或者利用菊谱等进行比较。但这些方法不仅过程繁琐、花费巨大，还要求极高的知识积累。
细粒度图像识别与一般图像识别相比对象的粒度更小，只能根据很细微的差别才能进行分类，如鸟、树和狗等。菊花表型的复杂性使得某些菊花类内差异大，类间相似性高，因此菊花图像表型识别是一项具有一定难度的细粒度图像识别问题。细粒度图像识别可以分为仅有类别标签的弱监督和同时具有类别标签和其他人工标注的强监督，强监督的标注过程十分的繁琐，因此本文研究弱监督细粒度图像识别方法，目前最具有代表性的细粒度弱监督模型是双线性CNN模型[3]。
起初图像识别常使用支持向量机、临近算法等浅层机器学习方法，深度学习[4]提出以后，图像识别的研究有了质的飞跃。深度学习使用的图像特征是从数据集中自动获取的，因此它的数量不会有所局限。ImageNet数据集[5]提出后连续七年举办了ImageNet视觉识别竞赛ILSVRC[5]，从中诞生了很多经典的网络模型，如AlexNet[6]、VGGNet[7]、ResNet[8]等。
在深度学习实际应用于细粒度图像识别时，数据集中的样本数量有可能不够，而且复杂的网络结构往往具有较大的参数量，如果系统中的卷积神经网络[9]（Convolutional Neural Networks，CNN）从随机参数开始训练，网络模型需要较长时间才能收敛，因此本文引入迁移学习[10]解决以上的问题。迁移学习是对解决某个问题的模型进行微调，用于其他相似但不相同的问题。将迁移学习应用于图像识别领域，常使用基于共享参数的迁移学习结合深度学习，即预训练与微调。
一般的图像识别系统，其训练和推理的过程都处于云端，模型由云服务器提供。随着产生在边缘设备的数据急剧增长，云计算的耗能较大、宽带传输压力大以及实时性不够的不足逐渐暴露，边缘智能计算的出现使该问题有了一定的解决途径。边缘计算旨在将一部分计算放到边缘设备上，从而降低宽带的消耗，节约成本。
本文提出一种基于迁移学习的细粒度菊花表型识别框架，主要分为菊花图像预处理、特征提取器和双线性汇合及分类三个部分。在实验中分别采用其他的双线性网络模型、非迁移学习的方法以及非双线性模型与本文的方法进行比较，在相同的菊花表型数据集上进行测试。最后将本文提出的菊花表型识别框架结合边缘计算[11]，从而实现一个基于flask框架的菊花表型识别系统。系统分为在线训练模型、模型测评和在线识别三个模块。用户可以使用菊花表型数据集训练模型，使用数据集中的测试集评估训练好的模型，以及拍摄或上传本地菊花的图像用指定模型进行在线识别。1 绪论

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605746.html