论文部分内容阅读
近年来,随着卷积神经网络(Convolutional Neural Network,CNN)等深度学习模型的广泛使用,人工智能(Artificial Intelligence,AI)领域有了突破性的进展,尤其是在图像识别领域里取得了前所未有的提升。由此,本文在整理与总结国内外卷积神经网络的基本理论成果与应用现状的基础上,结合当下较为热门的TensorFlow和Keras深度学习框架,构建了基于卷积神经网络的天然宝石图像分类模型。并针对小样本数据集设计了不同的网络结构体系,提出了改进的网络模型构架。完成的主要工作如下:(1)首先做了基于深度学习的卷积神经网络模型在图像分类应用领域中的研究现状和发展趋势的综述,并对理解网络模型所需的基本算法进行了介绍,以此为基础,在已搭建好的计算机平台上训练卷积神经网络的经典模型ZFNet、VGGNet13以及VGGNet16,对几种算法的识别率和速率进行对比分析,研究影响卷积神经网络识别性能的结构和方法,最终选择VGGNet13作为基准模型。(2)为了更好的训练小样本宝石数据集,提出一种基于VGGNet13改进的算法,通过调整网络复杂度参数,如滤波器的大小、图像尺寸以及卷积层的层数,降低了网络复杂度,减小了训练难度和加快图片识别速度,使得Top-1准确率达到93.52%,比基准模型的Top-1准确率提高了8.27%,模型复杂度也降低了5倍。同时增加了对改进后模型参数的调节,如Padding填充、Batch_size以及优化器算法,使得Top-1准确率达到98.30%,比基准模型的准确率提高了13.81%,相对改进复杂度模型的准确率提升了5.11%。理论分析与数据验证说明,通过深度学习所建立的改进卷积网络模型能够基于宝石图像获得高效、准确、可靠的自动分类结果,对具体图像分类的研究及实证提供了理论与实践方面的参考。(3)以训练好的模型为基础,结合iOS系统平台开发了一款智能宝石图像识别移动端应用程序(Application,APP),包含了即时拍照、导入照片、下载分类配置等功能的应用程序。目前,该应用程序APP实现了从提取图片数据生成分类器,到移动端手机使用该分类器进行分类的一系列完整功能,在天然宝石图像识别领域,开拓了新的手机识别方法,不再局限于传统的专业仪器设备,无需繁琐的人为干预。突破了个人自身的经验局限,为鉴定珠宝宝石提供了一种辅助工具。