42、几何变换对图像分类的影响及Oracle异步迁移方法研究

几何变换对图像分类的影响及Oracle异步迁移方法研究

1. 几何变换对图像分类的影响

在图像分类领域，深度学习模型的性能受多种因素影响，其中数据规模和数据增强技术起着关键作用。以水稻植物叶片疾病图像分类为例，研究几何变换对机器学习模型训练和验证准确性的影响。

1.1 研究背景

深度学习中的深度卷积神经网络（CNN）在图像分类方面表现出色，但网络性能依赖于数据规模，数据量越大，误差越小。在医疗和农业等领域获取大量有效数据具有挑战性，数据不足易导致过拟合问题。图像增强是解决过拟合的一种方法，其中几何变换是常用的传统技术，可增加训练样本数量、平衡数据集大小并提高效率。水稻作为主要粮食作物，早期疾病检测对提高产量至关重要，计算机视觉技术为提高水稻疾病检测准确性提供了新途径。

1.2 研究方法

• 数据集 ：使用包含2096张图像的开源水稻植物叶片疾病数据集，分为4类，每类524张图像。将图像按76.3%（400张）用于训练，23.6%（124张）用于验证。
• 模型选择 ：使用24个KERAS应用程序作为标准模型进行比较，选择表现良好的模型。默认图像大小设置为256像素，训练前将所有图像背景自动转换为白色。
• 几何变换 ：独立实施三种类型的变换及其组合：
  • 剪切（Shear）：使用变形值0.1、0.2和0.3。
  • 旋转（Rotation）：旋转角度为30°和45°。
  • 缩放（Zoom）：缩放范围