深度学习及其在图像分类识别中的运用探讨

人工智能与识别技术信息与电脑China Computer&Communication2018年第12期深度学习及其在图像分类识别中的运用探讨林泽文（广东南方网络信息科技有限公司，广东 广州 510601）摘　要：随着信息技术的不断发展，深度学习逐渐成为促进社会各项技术发展的必然趋势，并且在社会各领域都得到有效的应用。基于此，笔者就深度学习及其在图像分类识别中的运用进行研究，首先就深度学习的起源和发展进行分析，然后阐述深度学习在图像分类识别中的应用，最后根据深度学习的发展现状，提出一些实际应用的途径，从而提升深度学习的应用水平。关键词：深度学习；图像分类识别；文物图像中图分类号：TP751  文献标识码：A  文章编号：1003-9767（2018）12-146-02Deep Learning and Its Application in Image Classification and RecognitionLin ZewenAbstract: With the continuous development of information technology, deep learning has gradually become an inevitable trend (Guangdong South Network Information Technology Co., Ltd., Guangzhou Guangdong 510601, China)to promote the development of various social technologies, and has been effectively applied in all areas of society. Based on this, the author studies deep learning and its application in image classification recognition. Firstly, the origin and development of deep the development status of deep learning, some practical ways are put forward to improve the application level of deep learning.learning are analyzed, and then the application of deep learning in image classification recognition is expounded. Finally, according to Key words: deep learning; image classification and recognition; cultural relics image深度学习作为机器学习的关键组成部分，对现代人工智习实现在线翻译、语音识别、图像检索等，从而促进企业发展。能发展具有至关重要的作用。近年来社会科学技术水平不断提升，人工智能在社会各领域得到广泛的应用，不仅提升行２　深度学习在图像分类识别中的应用业现代化和智能化的发展水平，还为人们的生活带来极大的2.1 卷积神经网络便利。为进一步提升深度学习的应用水平，探究这一课题是随着深度学习在社会各领域的广泛应用，各种成熟的深很有必要的。度学习模型诞生，而卷积神经网络就是其中的一种典型模式。１　深度学习概述卷积神经网络以感知器作为基础技术，但是卷积神经网络是最初对深度学习的研究源自于神经科学，相关研究学者多层感知器的叠加，因此，神经元也更加丰富。另外，卷积对人脑的神经网络进行深入研究，最后研发出模拟人脑运行神经网络转变传统感知器全连接的方式，以稀疏连接的方式的人工神经网络，对各项数据信息进行高效处理，例如，感实现各神经元之间的灵活搭配，从而保证网络结构能够满足知机的研发就是以人工神经网络为载体，对各项数据进行计缩放、平移、倾斜等各项需求。卷积神经网络的典型图像识算和分析。随着社会科学技术的进一步发展，科学家对人工别应用为二维码，而这一网络的特殊设计也完全为二维码的神经网络的研究逐渐进入瓶颈期，反向传播算法随之诞生，应用服务。以卷积神经网络的模型构建为例，该网络模型分通过这项技术可以使人工神经网络适应更加复杂的数据计为不同层次，每一层次与上层之间都具有映射作用，神经元算，这使得人工神经网络的学习程度逐渐加深。2006年，加之间为小区域的部分连接，在识别二维码时，只要一部分神拿大的研究学者针对人工神经网络构建模型，从而使数据处经元特征被读取，其他位置会相应稳定，从而成功识别图像理的维度降低，这使得深度学习的概念得到全球共识，而深中的信息。应用卷积神经网络可以实现图像的直接识别和分度学习也得到有效应用，例如，很多互联网企业应用深度学类处理，无须进行预处理，因此，更加方便快捷[1]。作者简介：林泽文（1991-），男，广东汕尾人，本科，电子技术助理工程师。研究方向：计算机视觉。—　　　１４６　　　—信息与电脑2018年第12期China Computer&Communication人工智能与识别技术2.2 深度置信网络3.3 植物图像识别深度置信网络也是深度学习的一个典型网络模型，主要在植物图像的识别中应用深度学习主要经过以下几个步由多层的神经元随机组成。深度置信网络应用的是一种依次骤：首先，对植物图像进行预处理，统一处理植物图像的尺训练、逐层学习的模式，学习数据在每一层之间的分布都具寸大小，并且去除噪音图像，避免复杂的背景环境对植物图有一定的概率，而深度置信网络可以对每一层学习数据的特像的识别和分类产生影响；其次，提取植物图像的底层特征，征进行概括和分析，并且通过可视层的内容获取隐藏层的内主要利用最优的组合方式提出Opponent-SIFT特征，对图像容，从而逐步深入网络模型的内部。由此来看，深度置信网进行灰度转化，然后采集并拼接不同颜色通道中的特征；再络的应用是一种自上而下的模式，这种模式的顶端不变，而次，对植物图像的底层特征进行编码；最后，对植物图像的后续的每一层都会不断向下深入。深度置信网络主要应用于底层特征进行融合，并且构建VGG模型。例如，对同样物语音识别、图像处理等项目中，可以对大数据进行高效整合种的植物图像进行识别时，着重排除环境背景的干扰，对物和处理。种的结构特征进行识别和提取，扩充数据集[2]。2.3 堆叠自动编码器3.4 岩性图像识别堆叠自动编码是一种深度编码的网络模式，与深度置信岩性识别是地质勘探中的重要内容，对地质学发展具有网络的运行方式具有一定的相似性，以自动编码器作为基本至关重要的作用。利用深度学习构建岩性图像识别的模型，的结构单元。自动编码器主要分为两个层次，一是编码层，不仅能够提高岩性图像识别的效率，还能提高地质勘探的技二是解码层，当堆叠自动编码器获取信号时，自动编码器就术水平。当前深度学习在图像分类识别领域的应用已相对比会对信号进行编码、解码的循环操作，最后实现对信号的处较成熟，因此，可以通过建立模型提取岩石的特征，然后实理。在实际应用过程中，堆叠自动编码器也是逐层进行操作，现智能化分类，使图像的结果更加精确。例如，在岩性图像而每一层对数据的处理和表达方式都不相同，而这些不同性的识别中，深度学习可以自动消除图像中的噪声，并且提取产生的数据特征会被总结分析，从而实现数据的预处理。堆岩石的特征，降低主观因素对图像识别结果的影响。叠自动编码器主要应用于语音识别、图像处理等项目中。3.5 文物图像识别３　深度学习在图像分类识别中的实际应用在文物图像识别中，仍然利用深度学习的原理构建网络3.1 肿瘤细胞图像识别模型。构造文物图像识别模型要满足以下几点：一是对文物图像进行预处理，平均和规范图像的尺寸和规格；二是对文肿瘤细胞图像识别主要应用的是深度学习中的卷积神经物图像进行识别，通过训练参数对图像的特征进行识别，并网络，因为卷积神经网络在深度学习中的发展最为成熟，相且对特征进行标识，总结并保存训练中的网络权重，保障结关研究也比较深入，取得大量的研究成果。当前深度学习在果的精准度；三是对图像分类识别的结果进行验证，通过验肿瘤细胞图像识别中的应用虽然不够广泛，但是已有成功的证结果对网络参数进行相应的调整；四是对文物图像的分类应用案例出现。在应用卷积神经网络对肿瘤细胞图像进行识识别模型进行优化，从而提高识别的准确率[3]。别时，主要通过构建CNN模型实现这一操作。对于肿瘤细胞图形的识别而言，一般采用数字图像预处理的方式，但是４　结　语在采集成像时有可能受到多种因素的干扰，使图像结果产生综上所述，探究深度学习及其在图像分类识别中运用是一定程度的误差，因此，可以构建CNN模型，实现局部权非常必要的。本文主要对深度学习进行概述，并分析该技术在值的提取和共享，简化计算过程，并且保障成像可以自由旋图像分类应用中面临的挑战，然后提出一些实际的应用方向。转、平移，从而保障成像的精确度。研究可得，深度学习在图像分类识别中的实际应用有肿瘤细胞3.2 鱼类图像识别识别、鱼类图像识别、植物图像识别、岩性图像识别和文物图像识别，能够有效提升行业智能化发展水平。希望本文能够为对鱼类图像进行识别能够准确判断鱼的坐标位置，并且研究深度学习及其在图像分类识别中运用提供参考。对鱼的种类进行判断。一般采用数码摄像设备对数据进行快速采集，然后根据采集到的信息进行人工分类，这种分类方法会受到很多干扰因素的影响，从而使结果被误判。而利用参考文献深度学习中的卷积神经网络能够有效弥补这些不足。例如，[1]孙瑜阳.深度学习及其在图像分类识别中的研究综述采用VGG模型进行图像分类，首先在模型的输入层处理采[J].信息技术与信息化,2018(1):138-140.集到的图像，统一处理图像的尺寸，然后在汇合层处理图像[2]刘晓春,陈炼.基于深度学习的手写体图像分类识别研究[J].江西通信科技,2016(4):35-39.的区域像素，从而减少计算量，简化计算过程，最后在全连接层进行反向传播法训练，输出坐标位置和分类。[3]王曙.深度学习算法研究及其在图像分类上的应用[D].南京:南京邮电大学,2016.—　　　１４７　　　—