计算机视觉是自二十世纪六十年代中期迅速兴起的一门新学科。随着计算机视觉技术的发展和技术成熟度的提高,应用领域不断扩充,更加显现出其卓越的优势,同时受到木材行业研究工作者的关注。将视觉技术应用于树木分类和资源开发,可使林业科技工作者从重复性极高的辨别工作中解放出来。由于以往的特征提取与分类器组合的树木叶片识别方法存在特征选取单一,信息量不足、分类器简易等问题,导致树木叶片的分类准确率受到限制。本文将深度学习与计算机视觉技术相融合,有效的提高树木叶片识别的辨识精度与效率。目前树木叶片特征提取与深度学习相结合的分类模型研究,已成为当今木材行业的研究热点。为了验证所提出方法的可行性,通过Pl@ntNet Identify、leafsnap等叶片数据库获取了大量树木叶片样本,共计9500张。同时分别对9500张图片进行自适应动态局部三值模式特征和梯度方向直方图特征提取,并采用零均值标准化方法进行特征融合,以融合后的特征作为分类依据,选用深度信念网络对其进行训练、识别、分类,实现了树木叶片的快速识别。具体的研究内容如下:1.首先进行叶片预处理与实验前的准备工作,分别对叶片提取自适应动态局部三值模式特征和梯度方向直方图特征,并对两种特征提取方法进行原理分析和方法讨论。深入研究深度信念网络结构及学习算法理论的核心要素,将其作为叶片分类识别的理论基础。2.将提取到的两种特征分别进行主成分分析,再采用零均值标准化方法进行融合,该方法可以扩大叶片细节信息散射的空间,通过两种特征相互补充信息以增强图像的相关特征,提高目标检测的识别能力。并将融合后的数据作为输入,训练基于Dropout的深度信念网络,以获得叶片分类模型。3.对影响深度信念网络性能的因素进行试验分析。首先对网络层数的选取问题进行对比试验,分析表明层数过少会导致收敛速度变慢,层数过多会导致局部极小值现象出现。试验证明四层网络为最佳模型,与此同时又对隐层单元数量的影响做了试验分析,研究发现在隐含层节点数接近输入层节点数时,识别率有提高的趋势,而且训练时间与隐含层单元数有关。经上述分析找到了最优隐含层单元数及其参数初始化选取范围与Dropout的选取值,确定了本模型的结构和最佳参数值。4.为解决模型过拟合等问题,采用Dropout方法进行网络训练,获取基于Dropout的深度信念模型。在对30种共6000张树木叶片集的训练与测试中,本文提出的叶片视觉特征融合与深度学习相结合的分类模型识别率可达95.33%,优于对比试验中其他算法。试验结果证明经过融合后的特征对图片细节信息的描述更加丰厚。在人为设置随机不规则光照的试验中,虽然识别率不是很理想,但可以得出经过融合后的特征相较于单一特征对光照的鲁棒性更强。