论文部分内容阅读
花粉细胞图像识别在空气检测、化石鉴定、蜂蜜质量控制、植物年代测定与跟踪等环境和医学领域扮演着重要角色。传统花粉细胞图像识别基于人工进行特征设计,并使用机器学习方法进行分类识别,不仅对从业人员的植物形态学知识与实践经验要求较高,而且通常需要复杂的特征工程。而基于卷积神经网络的花粉细胞图像识别能够避免复杂操作产生不可控的精度误差,实现花粉图像高效、可靠的分类识别。为此,本文开展基于卷积神经网络的花粉细胞图像识别研究,主要工作和贡献总结如下:（1）针对花粉细胞图像采集、成像困难造成的数据集规模较小问题,设计了一种基于数据增广的花粉细胞图像识别方法。在POLEN23E花粉细胞图像数据的基础上,加入三种分割花粉细胞图像数据集,并对POLEN23E数据集进行基于Mixup算法的统计学增广,构建了 MixupPOLEN23E+CPOELN23E等多个增广花粉细胞图像数据集。实验表明,MixupPOLEN23E+CPOELN23E增广图像集取得了较好识别效果,本文的数据增广方法将花粉细胞图像识别准确率平均提升3.4%-4.6%,有效弥补了样本量不足的缺陷。（2）针对花粉细胞图像识别困难问题,设计了一种基于特征融合的花粉细胞图像识别方法。一方面对花粉图像进行传统特征提取,构建基于词频的视觉词典,并与深度残差网络特征图进行级联融合,加强样本的特征学习。另一方面在网络中引入了 Focal Loss损失函数,减小了简单/困难样本识别差异。实验表明,基于特征融合的识别方法能有效改善花粉细胞图像特征提取质量,提高花粉细胞图像识别精度。