2、AI在瑞典树叶分类与文章推荐系统中的应用

AI在瑞典树叶分类与文章推荐系统中的应用

瑞典树叶分类的AI技术

研究背景与目标

在当今的计算机视觉和人工智能领域，对植物叶片进行准确分类是一项具有重要意义的任务。其目标是利用瑞典树叶数据集，对其中不同类型的树叶进行准确分类。为实现这一目标，采用了三种主要的训练方法，分别是机器学习、迁移学习和深度卷积神经网络（CNN）。相关输入图像可从 该链接 获取。

数据预处理

数据预处理是分类模型的初始步骤，主要解决了两个关键问题：
- 数据集规模小 ：为使模型在实时情况下也能做出正确预测，采用数据增强技术，对原始图像进行随机的旋转、水平翻转、缩放、剪切、高度和宽度平移等操作，生成了近5270张图像，每个类别分配440 - 445张，使数据集更加多样化，避免了模型的过拟合和欠拟合问题。增强后的数据集用于训练，原始数据集用于测试。
- 图像尺寸不一致 ：将数据集中所有图像调整为相同的尺寸，以确保模型输入的一致性。

训练方法

机器学习

使用Sklearn包中的多种分类算法，如支持向量机、线性判别分析、朴素贝叶斯、决策树等。由于机器学习算法本身不能自动提取特征，因此手动提取了以下特征：
- Harlick特征 ：用于提取图像的纹理信息。
- Hu矩 ：用于