首页分享基于迁移学习的花卉图像分类模型与算法研究

基于迁移学习的花卉图像分类模型与算法研究

来源：花匠小妙招时间：2025-02-19 18:04

在植物学领域中,对花卉科属的分类是一个十分基础的工作。不同类型的花卉可能具有相似的颜色、形状和外观等特征,对于没有深入了解植物花卉相关知识的普通人来说,能够对常见的花卉种类准确做出准确的判别仍具有一定难度。对此本文采用基于深度学习卷积神经网络算法实现对多种常见花卉识别与分类研究工作。本文的主要研究内容有:收集整理包含20种花卉图像的花卉数据集,数据集一部分来自牛津Oxford 102Flowers数据集,一部分由网络爬虫所得,通过对图像数据集采用翻转、旋转加噪声等方式进行数据增广。将增广后数据集按照一定比例切分为模型训练集、验证集以及测试集。基于Alex Net和VGG16两种预训练模型的迁移学习实现花卉图像分类。分别使用两种不同迁移学习策略对Alex Net和VGG16进行迁移学习训练,比较两种模型分别在花卉图像训练集和验证集上损失值和正确性。实验结果表明,基于Alex Net预训练模型网络模型采用特征提取微调输出层的迁移学习方式在测试集可达到91%准确率,而VGG16网络模型采用微调后三层全连接层迁移学习方式在测试集上可达到92%准确率。搭建了一个浅层卷积神经网络Flower＿cnn实现花卉图像识别。并提出一种改进的将Adam同学习率衰减策略相结合的优化算法,经过实验,使用改进后的优化算法比使用Adam优化算法训练的模型准确率提高2%。提出基于迁移学习的花卉图像分类模型融合的方法。使用GAP代替传统的全连接层,对Alex Net和VGG16及Flower＿cnn网络模型进行改进,并在花卉图像数据上进行迁移训练。改进后的模型相比基于原预训练模型在花卉图像数据上进行迁移训练的方式,模型的准确性及训练效率都得到了提高。为了进一步加强模型泛化性,实验结合集成学习中模型融合的思想,分别采用相对多数投票法和简单平均法对三种模型进行融合。经实验验证,融合后的集成模型相较于单一模... （共68页)