论文部分内容阅读
藻类植物是自然界的主要初级生产者,在整个自然生态系统的物质循环与能量流动中扮演重要角色。当水质遭受污染,如富营养化时,会造成一些藻类迅速繁殖,产生水华,赤潮现象。这些现象会对水体中物质与能量的平衡产生极大破坏,最终毁灭整个水生态系统。因此,藻类分布情况是判断水体环境污染的重要指标,对藻类检测研究十分重要。目前针对藻类的检测手段主要依靠人工识别,效率低,劳动强度大。本文利用卷积神经网络对藻类图集进行分类识别,并根据藻类多样性的特点,对卷积神经网络模型进行相应的改进。具体研究工作如下:1.介绍了数字无透镜全息成像理论,基于同轴成像方式,利用3D打印机制作了藻类检测装置。针对CCD采集到的藻类全息衍射图像,本文提出了共轭像迭代算法消除共轭像的影响。最后利用该藻类检测装置在各地共采集制作了16000张淡水藻类图集。2.提出一种鲁棒自适应随机梯度优化算法。针对卷积神经网络(CNN)学习过程中巨大的数据计算量,本文提出了一个鲁棒自适应学习速率优化算法,利用随机曲率信息来自动调整学习率的损失函数。3.提出了主成分分析池化法(PCA-pooling)。针对卷积神经网络池化过程中也会丢弃大量图像特征信息,本文采用主成分分析池化法,在保留了主要的图像特征的同时,对图像数据进行降维。并结合?1范数损失函数,通过评估极限学习机(ELM)模型结构风险和经验风险,利用增广型拉格朗日算子计算输出最优权值。4.提出CNN-?1-ELM混合分类模型。该模型利用自适应随机梯度卷积神经网络实现对输入复杂藻类图像的特征提取,并且结合了?1-ELM作为分类器泛化性高,学习速率快等特点。然后根据实际采集的藻类图集选取适当参数,对混合模型进行训练,实现藻类图像分类,最终达到了93.6%的识别准确率。