技术标签: YOLO 毕业设计 机器学习 毕设 深度学习 人工智能 毕业设计开题指导
目录
叶片是中草药植物的重要器官,也是区分不同植物的重要参照,大多数中草药的叶片都趋于扁平 化,便于被摄录设备采集并进行数字化存储。传统的中草药叶片识别往往需要人工采集大量的原始样 本,再进行人工分析和研究,需要研究者具有相当丰富的中医药知识储备和经验,整个过程耗时耗力且 识别率难以得到保证。在研究中草药植物叶片分类过程中,借助人工智能算 法的优势,开展基于深度神经网络的图像分类实验,进一步提高识别准确率。
CNN(卷积神经网络)是一种多层网络模型,用于识别二维形状。它具有对平移、比例缩放、倾斜和其他形式的变形具有高度不变性的特点。CNN采用局部连接和局部感受野的结构,与传统的全连接神经网络不同。从输入层开始,每一层接收上一层的输入,一直到输出层,形成一个有向环图。CNN通过卷积运算和局部池化操作来提取特征,使得得到的特征图逐渐变得复杂。每个图由多个神经元构成,多个图构成一个层。这些图充当过滤器的作用,通过计算输入图像的卷积值并与特征匹配,得到适当的特征,并将其输入到下一层结构中。
CNN框架通过卷积和池化操作对输入的中草药叶片图像进行特征提取和分类。图像经过多层的卷积和池化操作后,最终得到分类结果。该方法利用CNN的优势,提高了中草药叶片识别的准确率和效率。
代码如下(示例):
import torch
import torch.nn as nn
class CNN(nn.Module):
def __init__(self, num_classes):
super(CNN, self).__init__()
self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
self.relu = nn.ReLU()
self.maxpool = nn.MaxPool2d(kernel_size=2, stride=2)
self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
self.fc = nn.Linear(32 * 16 * 16, num_classes)
def forward(self, x):
x = self.conv1(x)
x = self.relu(x)
x = self.maxpool(x)
x = self.conv2(x)
x = self.relu(x)
x = self.maxpool(x)
x = x.view(x.size(0), -1)
x = self.fc(x)
return x
AlexNet是一种深度卷积神经网络模型,通过深层的卷积和池化层堆叠、非线性激活函数、局部响应归一化和Dropout正则化等创新设计,实现了对大规模图像数据集的高效分类。它在计算机视觉领域取得了重要突破,开创了深度学习在图像识别任务上的先河,并对后续网络模型的发展和应用产生了深远影响。
对原始的AlexNet模型进行了改进和优化。在第三层和第四层特征提取能力最强的基础上,为了进一步提高分类的准确度,插入了一层新的第五层。该新层与原第四层结构一致,但通过增加卷积操作来提取更多有效特征。经过多次实验和探索,改进后的模型命名为AlexNet_En,并且在分类精确度上优于原始的AlexNet模型。AlexNet_En模型的结构,其中第五层以虚线框表示。这种改进和优化有助于进一步提升模型性能和特征提取的准确度。
代码如下(示例):
import torch
import torch.nn as nn
class AlexNet_En(nn.Module):
def __init__(self, num_classes):
super(AlexNet_En, self).__init__()
self.features = nn.Sequential(
nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Conv2d(64, 192, kernel_size=5, padding=2),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Conv2d(192, 384, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(384, 384, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(384, 256, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
)
self.classifier = nn.Sequential(
nn.Dropout(),
nn.Linear(256 * 6 * 6, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, 4096),
nn.ReLU(inplace=True),
nn.Linear(4096, num_classes),
)
def forward(self, x):
x = self.features(x)
x = x.view(x.size(0), 256 * 6 * 6)
x = self.classifier(x)
return x
通过python爬虫算法爬取百度图片,中文关键字为“苍耳”(xanthium si biricum)、“金银花”(honeysuckle)、“薄荷”(mint)、“藿香”(patchouli)、“白花蛇舌草”(hedyotis diffusa)共5类中药植物图片,每类挑选其中600张,共3000张图片组成数据集,其中2400张作为训练集,300张作为验证集,300张作为测试集,各占总图像数量的80%、10%、10%,将该数据集命名为HERB3K。
为了解决数据集HERB3K样本数量较少可能影响训练的准确率问题,拟采用以下3种方法对数据集HERB3K进行数据增扩。关于图像增噪有许多算法可以实现,本研究采用加性零均值高斯噪声方法为图像增加相应的噪点。增噪的方式是为图像上每个点的灰度值加上一个噪声值,噪声值的产生方式是使用Box-Muller算法生成高斯噪声。
代码如下(示例):
import numpy as np
import cv2
def add_gaussian_noise(image, mean=0, std=1):
# 生成相应大小的随机高斯噪声
noise = np.random.normal(mean, std, image.shape).astype(np.uint8)
# 将噪声添加到原始图像上
noisy_image = cv2.add(image, noise)
return noisy_image
实验基于Caffe平台搭建,Caffe是一款基于C++/CUDA,支持命令行、Matlab和Python接口的深度学习框架,该框架利用MKL、OpenBLAS、cuBLAS等矩阵运算库加速计算、同时支持GPU加速,具有例程脚本丰富、入门快等特点。实验软硬件环境为Mac OS操作系统、Intel Core i5 1.6 G CPU、8G内存。
默认的AlexNet模型使用的是1000类的ImageNet数据集,而本研究只采集了5种中草药图像,因此需要修改每组实验模型参数num_output=5。此外,在训练过程中多次测试发现每组进行了300次左右迭代后准确率及损失值基本趋于平稳。
改进的AlexNet模型在数据增扩下具有更高的训练准确率。然而,相比于原始的AlexNet模型在数据增扩下所获得的准确率提高,改进的模型的提升幅度较小。基于改进的AlexNet模型的训练结果普遍优于原始模型。结合数据增扩和改进的AlexNet模型能够最大程度地提高图像分类的准确率。
通过对比和分析改进的AlexNet_En网络模型与原始AlexNet网络模型以及数据增扩后的数据集与原始数据集,展示出了较好的分类效果。然而,从损失值的角度来看,改进后的AlexNet模型的损失值普遍高于原始AlexNet模型。此外,改进后的AlexNet_En模型的训练时间也较原始AlexNet模型长,因为改进后的模型层数较多,复杂度较高,对硬件要求也更高。同时,随着数据集的增大,AlexNet_En对分类性能的提升幅度变小,而在HERB3K这样的小数据集上有较大的准确率提升,这表明存在过拟合问题。这些问题将成为未来模型改进和提升的方向。
文章浏览阅读15次。空化气泡的大小和相应的空化能量可以通过调整完全标度的振幅水平来操纵和数字控制。通过强调超声技术中的更高通量处理和防止样品污染,Epigentek EpiSonic超声仪可以轻松集成到现有的实验室工作流程中,并且特别适合与表观遗传学和下一代应用的兼容性。Epigentek的EpiSonic已成为一种有效的剪切设备,用于在染色质免疫沉淀技术中制备染色质样品,以及用于下一代测序平台的DNA文库制备。该装置的经济性及其多重样品的能力使其成为每个实验室拥有的经济高效的工具,而不仅仅是核心设施。
文章浏览阅读4.2k次,点赞3次,收藏14次。目录点击这里查看所有博文 本系列博客,理论上适用于合宙的Air202、Air268、Air720x、Air720S以及最近发布的Air720U(我还没拿到样机,应该也能支持)。 先不管支不支持,如果你用的是合宙的模块,那都不妨一试,也许会有意外收获。 我使用的是Air720SL模块,如果在其他模块上不能用,那就是底层core固件暂时还没有支持,这里的代码是没有问题的。例程仅供参考!..._合宙获取天气
文章浏览阅读7.7k次,点赞2次,收藏41次。1 关于meshMesh的意思是网状物,以前读书的时候,在自动化领域有传感器自组网,zigbee、蓝牙等无线方式实现各个网络节点消息通信,通过各种算法,保证整个网络中所有节点信息能经过多跳最终传递到目的地,用于数据采集。十多年过去了,在无线路由器领域又把这个mesh概念翻炒了一下,各大品牌都推出了mesh路由器,大多数是3个为一组,实现在面积较大的住宅里,增强wifi覆盖范围,智能在多热点之间切换,提升上网体验。因为节点基本上在3个以内,所以mesh的算法不必太复杂,组网形式比较简单。各厂家都自定义了组_802.11s
文章浏览阅读5.2k次,点赞8次,收藏21次。线程的几种状态_线程状态
文章浏览阅读4.2w次,点赞124次,收藏688次。stack翻译为栈,是STL中实现的一个后进先出的容器。要使用 stack,应先添加头文件include<stack>,并在头文件下面加上“ using namespacestd;"1. stack的定义其定义的写法和其他STL容器相同, typename可以任意基本数据类型或容器:stack<typename> name;2. stack容器内元素的访问..._stack函数用法
文章浏览阅读71次。<li> <a href = "“#”>-</a></li><li>子节点:文本节点(回车),元素节点,文本节点。不同节点树: 节点(各种类型节点)childNodes:返回子节点的所有子节点的集合,包含任何类型、元素节点(元素类型节点):child。node.getAttribute(at...
文章浏览阅读3.4k次。//config的设置是全局的layui.config({ base: '/res/js/' //假设这是你存放拓展模块的根目录}).extend({ //设定模块别名 mymod: 'mymod' //如果 mymod.js 是在根目录,也可以不用设定别名 ,mod1: 'admin/mod1' //相对于上述 base 目录的子目录}); //你也可以忽略 base 设定的根目录,直接在 extend 指定路径(主要:该功能为 layui 2.2.0 新增)layui.exten_layui extend
文章浏览阅读3.2k次,点赞6次,收藏13次。分层思想分层思想分层思想-1分层思想-2分层思想-2OSI七层参考模型物理层和数据链路层物理层数据链路层网络层传输层会话层表示层应用层OSI七层模型的分层结构TCP/IP协议族的组成数据封装过程数据解封装过程PDU设备与层的对应关系各层通信分层思想分层思想-1在现实生活种,我们在喝牛奶时,未必了解他的生产过程,我们所接触的或许只是从超时购买牛奶。分层思想-2平时我们在网络时也未必知道数据的传输过程我们的所考虑的就是可以传就可以,不用管他时怎么传输的分层思想-2将复杂的流程分解为几个功能_5g分层结构
文章浏览阅读191次。在激光雕刻中,单向扫描(Unidirectional Scanning)是一种雕刻技术,其中激光头只在一个方向上移动,而不是来回移动。这种移动方式主要应用于通过激光逐行扫描图像表面的过程。具体而言,单向扫描的过程通常包括以下步骤:横向移动(X轴): 激光头沿X轴方向移动到图像的一侧。纵向移动(Y轴): 激光头沿Y轴方向开始逐行移动,刻蚀图像表面。这一过程是单向的,即在每一行上激光头只在一个方向上移动。返回横向移动: 一旦一行完成,激光头返回到图像的一侧,准备进行下一行的刻蚀。
文章浏览阅读577次。强连通:在有向图G中,如果两个点u和v是互相可达的,即从u出发可以到达v,从v出发也可以到达u,则成u和v是强连通的。强连通分量:如果一个有向图G不是强连通图,那么可以把它分成躲个子图,其中每个子图的内部是强连通的,而且这些子图已经扩展到最大,不能与子图外的任一点强连通,成这样的一个“极大连通”子图是G的一个强连通分量(SCC)。强连通分量的一些性质:(1)一个点必须有出度和入度,才会与其他点强连通。(2)把一个SCC从图中挖掉,不影响其他点的强连通性。_强连通分量
文章浏览阅读3.9k次,点赞5次,收藏18次。在做web开发,要给用户提供一个页面,页面包括静态页面+数据,两者结合起来就是完整的可视化的页面,django的模板系统支持这种功能,首先需要写一个静态页面,然后通过python的模板语法将数据渲染上去。1.创建一个templates目录2.配置。_django templates
文章浏览阅读1.7k次。Ubuntu等Linux系统显卡性能测试软件 Unigine 3DUbuntu Intel显卡驱动安装,请参考:ATI和NVIDIA显卡请在软件和更新中的附加驱动中安装。 这里推荐: 运行后,F9就可评分,已测试显卡有K2000 2GB 900+分,GT330m 1GB 340+ 分,GT620 1GB 340+ 分,四代i5核显340+ 分,还有写博客的小盒子100+ 分。relaybot@re...