文献类型：期刊文章

作　　者：宋晓宇[1] 金莉婷[1] 赵阳[2] 孙越[1] 刘童[1]

Song Xiaoyu;Jin Liting;Zhao Yang;Sun Yue;Liu Tong(School of Electronics and Information Engineering,Lanzhou Jiaotong University,Lanzhou,Gansu 730070,China;Department of Information Engineering,Longqiao College of Lanzhou University of Finance and Economics,Lanzhou,Gansu 730101,China)

机构地区：[1]兰州交通大学电子与信息工程学院,甘肃兰州730070 [2]兰州财经大学陇桥学院信息工程系,甘肃兰州730101

出　　处：《激光与光电子学进展》

基　　金：国家自然科学基金(61262044)。

年　　份：2020

卷　　号：57

期　　号：4

起止页码：173-183

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为了提高复杂背景植物图像识别准确率,提出一种基于卷积神经网络(CNN)有效区域筛选的植物图像识别方法,该方法首先基于图像(花朵、叶片)数据集利用CNN训练一个有效区域筛选模型,使数据集通过该模型筛选后仍能保留花朵、叶片等有效区域;然后经过Mask R-CNN对植物图像数据集进行有效区域的提取,再用有效区域筛选模型筛选能表征植物图像类别的有效区域,接着将此类有效区域以4…1的比例划分为训练集和测试集,然后送入GoogleNet进行训练,得到基于有效区域的CNN植物图像识别模型MRC-GoogleNet;最后通过该模型得出识别准确率。实验结果和数据表明,与经典CNN植物图像识别模型相比,基于有效区域筛选的识别模型能提取到更为有效的图像特征,有效地提高识别准确率。

关 键 词：图像处理 植物图像识别  复杂背景  卷积神经网络 有效区域筛选  MASK R-CNN  

分 类 号：TP183] TP181]