基于数据增强的卷积神经网络图像识别研究

针对深度学习网络在处理图像分类的过程中数据集样本数较少和样本相似度较高的问题,在卷积神经网络模型AlexNet 的基础上,提出了对数据集采用数据集扩增、背景分割和主成分分析等数据预处理方法。 卷积神经网络模型的基本结构为 5 个卷积层,2 个全连接层和 dropout 层。 实验环境是 ubuntu16. 04 系统,Caffe 深度学习框架。 实验首先对原始的公开数据集 Leaves 和苹果表面病变数据集进行分类识别测试,分别得到 84% 和 78% 的准确率。 然后对数据增强后的数据集再进行测试,公开数据集 leaves 的准确率为86%,准确率提高了2%,苹果表面病变数据集的准确率为83%,准确率提高了5%。 测试结果表明,通过数据增强处理后,公开数据集 Leaves 和苹果表面病变数据集在该网络上的识别准确率都有了一定的提升