基于残差网络和迁移学习的野生植物图像识别方法

针对目前传统野生植物识别算法存在的耗时长、精度低等问题,提出一种基于ResNet101网络和迁移学习的方法。将在ImageNet数据集上训练好的参数应用于数据扩充后的野生植物数据集,同时考虑微调第5组卷积块、添加Dropout正则化和批量正则化技术、优化网络结构参数的方式对原有网络进行改进。测试结果表明,该方法对野生植物图像的识别准确率达到85.6%,较原ResNet101模型识别准确率增加约7个百分点,在提高模型识别精度方面效果较好,具有一定的指导意义。

基于科优先策略的植物图像识别

植物识别领域的研究包括单一背景和自然环境植物图像识别,由于背景噪声的存在,自然环境植物图像识别难度更大。针对如何降低卷积神经网络(CNN)的权重大小、如何改善过拟合、如何提高模型对自然环境植物的识别率和泛化能力的问题,提出科优先(FP)的植物识别方法。与轻量卷积神经网络Mobile Net模型结合,利用迁移学习的方法,建立基于Mobile Net的科优先(FP-MobileNet)植物识别模型。单纯使用Mobile Net模型在单一背景植物数据集flavia上获得了99.8%的识别率;对于更具挑战的自然环境花卉数据集flower102,在训练集样本数量大于测试集时FPMobile Net获得了99.56%识别率,在训练集样本数量小于测试集时FP-MobileNet仍获得了95.56%的识别率。实验结果表明,两种数据集划分方案下FP-MobileNet的识别率均高于单纯的Mobile Net模型;并且FP-MobileNet模型在获得较高识别率的同时,权重仅占13.7 MB,兼顾了精度和延迟,适合推广到需要轻量模型的移动设备。

基于深度学习的植物图像识别方法研究

传统植物图像识别研究主要集中在植物叶片图像。研究将深度神经网络学习运用于植物识别领域,突破局部叶片图像的限制,对常规植物图片进行识别。该方法运用google Net的深度卷积神经网络结构,通过图像旋转、镜像、随机裁剪等数据预处理方法扩充训练集,再利用SGD(随机梯度下降法)进行模型算法优化,生成对50种常规植物图像的识别模型。结果表明,该模型在测试集上能够达到平均90%的准确率。

基于有效区域筛选的复杂背景植物图像识别方法

为了提高复杂背景植物图像识别准确率,提出一种基于卷积神经网络(CNN)有效区域筛选的植物图像识别方法,该方法首先基于图像(花朵、叶片)数据集利用CNN训练一个有效区域筛选模型,使数据集通过该模型筛选后仍能保留花朵、叶片等有效区域;然后经过Mask R-CNN对植物图像数据集进行有效区域的提取,再用有效区域筛选模型筛选能表征植物图像类别的有效区域,接着将此类有效区域以4…1的比例划分为训练集和测试集,然后送入GoogleNet进行训练,得到基于有效区域的CNN植物图像识别模型MRC-GoogleNet;最后通过该模型得出识别准确率。实验结果和数据表明,与经典CNN植物图像识别模型相比,基于有效区域筛选的识别模型能提取到更为有效的图像特征,有效地提高识别准确率。

基于结构重参数化的复杂背景下天然草地植物图像轻量级分类识别方法

野外环境下天然草地植物种类的准确快速识别对草地资源调查、科学实验和教学科普等应用场景至关重要,目前多采用人工现场判别等方式,耗时耗力且受限于专家经验。以新疆干旱区天然草地植物为研究对象,构建自然复杂背景下的整株天然草地植物图像数据集。引入非对称卷积并结合结构重参数化方法优化RepVGG网络,提出并验证了一种兼顾识别精度、并行度和效率的自然复杂背景下天然草地植物图像轻量级分类识别模型(RepVGG_ACB),并与主流的经典网络模型(VGG系列和ResNet系列)以及轻量级模型(MobileNetV2和ShuffleNetV2)的识别效果进行对比分析。结果显示:(1)结构重参数化的RepVGG_ACB系列模型A0_ACB、A1_ACB和B0_ACB对天然草地植物的识别准确率为90.7%、92.4%和95.6%,模型有效且识别效果显著。(2)优化后的RepVGG_ACB网络在训练阶段采用多分支结构,识别准确率提高了1.9%~4.2%,提高了网络的泛化能力;在推理阶段采用并行度更高的单路结构,减少了FLOPs和参数量,降低了模型复杂度。(3)与经典网络模型相比,在准确率相当的情况下推理速度提升了1.3~3倍;与轻量级模型相比,推理速度虽略不及但准确率提高了2.1%~3.2%。结果表明:RepVGG_ACB系列网络在识别精度、并行度和效率方面取得均衡,具有其他网络所不具备的优势,可应用于无人机机载传感器网络或智能手持终端等边缘计算环境,为野外植物自动化高精度智能分类识别提供新方法。

基于深度学习的草原植物识别技术

草原植物图像识别、分类是智慧林草的一个重要分支。近些年,随着大数据的快速发展,深度学习技术被越来越多的学者研究和使用。基于深度学习的草原植物识别受到相关领域学者和技术人员的关注和研究。综述了卷积神经网络、深度信念神经网络、递归神经网络、堆叠自编码器等四种基于深度学习网络模型及其在草原植物识别中的应用,介绍了基于深度学习的草原植物识别的技术路线、实现途径、面临的挑战及发展趋势,以期为相关研究和实践提供理论支撑。