快速提高学生识别植物能力的教学策略

识别植物是生物学等相关专业的学生需要掌握的一项重要技能。本文根据中山大学的教学经验,总结归纳出一套行之有效的植物识别方法:以植物学理论知识为基础,采用基本法、比较归纳法和综合法等方法获得全局特征,并从中提取关键特征来鉴定植物,同时在野外实习中深化植物识别方法的应用,可有效提高学生识别植物的能力。

大数据背景下园林植物识别与应用课程教学改革研究

随着互联网与大数据技术的飞速发展,教育理念由封闭走向开放。这一变革为高职院校的课程教学与人才培养提供了新的机遇和挑战。在大数据背景下,教育教学方式与人才培养模式都亟需顺应时代发展需求而进行改革和创新。本文以园林植物识别与应用课程为例,基于大数据应用,反思现有教学中存在的问题,并思考课程的教学改革与实践的新路径,通过分析大数据在教育教学中的应用,可以帮助教师提升教学效果,实现教学创新,进而在培养高质量的创新应用型人才方面发挥更积极的作用。

寓教于行——信息技术背景下植物野外分类识别实习模式探究

针对当前植物学教学中理论课和实验课衔接不紧密、野外实习时间有限、植物分类识别片面和难以学以致用等问题,该文探讨如何高效利用学生碎片时间将短期性的实习长期化,集中化的实习分散化,提升传统植物学教学中户外实习的教学效果,强化植物学实习实践教学,逐步培养学生理论联系实际的能力。实践表明,该方法不仅能够克服外界因素对实习教学的限制,还能增强理论知识的趣味性,激发学生学习的积极性,提高学生分析和解决问题的能力,同时培养学生管理碎片时间的能力。

基于计算机视觉的植物病害识别方法综述

病害识别是计算机视觉技术在农业领域的重要应用之一,对及时发现和早期预防植物病害起着关键作用。近年来,随着病害识别方法的不断演进,病害识别性能有了显著提高,但自然条件下病害特征提取困难、病害严重程度难以区分等问题依然存在。为了在现有方法的基础上进一步探索病害识别的新思路,先是针对不同识别目标,分析病害识别和病害严重程度识别的研究现状。然后从视觉特征类型和学习方式两个角度对植物病害识别方法进行全面的比较与研究,指出深度模型是当前植物病害识别的主流方法,融合多源信息和结合不同的机器学习方式是改进植物病害识别的重要手段,并将不同识别方法在主流数据集上的性能进行对比和分析。最后对未来发展方向进行展望。

基于改进YOLO v5s的轻量化植物识别模型研究

为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络中引入带有Transformer模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention,CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入SIoU函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution,DSC)减小模型内存占用量。实验结果表明,YOLO v5s-CBD模型在单块Nvidia GTX A5000 GPU单幅图像推理时间仅为8 ms,模型内存占用量为8.9 MB,精确率P为95.1%,召回率R为92.9%,综合评价指标F1值为94.0%,平均精度均值(mAP)为95.7%,在VOC数据集平均精度均值可达80.09%。相比YOLO v3-tiny、YOLO v4-tiny和YOLO v5s,改进模型内存占用量减小,平均精度均值提升。模型YOLO v5s-CBD在公开数据集和宁夏荒漠草原植物数据集都有良好的鲁棒性,推理速度更快,且易于部署,已应用在宁夏荒漠草原移动端植物图像识别APP和定点生态信息观测平台,可用来调查宁夏全区荒漠草原植物种类和分布,长期观测和跟踪宁夏盐池县大水坑、黄记场、麻黄山等地植物生态信息。

融合迁移学习和集成学习的自然背景下荒漠植物识别方法

[目的/意义]荒漠植物的准确识别是其认识和保护过程中不可或缺的任务,是荒漠生态研究与保护的基础。自然条件下野外荒漠植物图像的机器视觉自动分类识别可有效提升植物资源调查效率、降低人为主观因素影响,对荒漠植物的精准分类、多样性保护和资源化利用具有重要意义。[方法]以自然环境下的整株荒漠植物图像为研究对象,构建新疆干旱区荒漠植物图像数据集,以EfficientNet B0—B4网络为基础网络,提出一种融合迁移学习和集成学习的荒漠植物图像识别算法,并在公开数据集Oxford Flowers102上进行对比验证。[结果和讨论]基于EfficientNet B0网络的单一子模型的Top-1准确率最高可达93.35%,最低为92.26%,软投票Ensemble-Soft模型、硬投票Ensemble-Hard模型以及加权投票法集成的Ensemble-Weight模型的准确率分别为93.63%、93.55%和93.67%,F1Score和准确率相当;基于EfficientNet B0—B4网络的单一子模型的Top-1准确率最高可达96.65%,F1Score为96.71%,而Ensemble-Soft模型、Ensemble-Hard模型以及Ensemble-Weight模型的准确率分别为99.07%、98.91%和99.23%,相较于单一子模型,精度进一步提高,F_(1)Score与准确率基本相同,模型性能显著;在公开数据集Oxford Flowers102上进行对比试验,3个集成模型相比5个子模型准确率和F,Score最高提升了4.56%和5.05%,最低也提升了1.94%和2.29%,证明了本研究提出的迁移和集成学习策略能够有效提高模型性能。[结论]本方法可提高荒漠植物的识别准确率,通过云端传输至服务器后,实现荒漠植物的准确识别,为真实野外环境下植物图像识别精度低、模型鲁棒性及泛化性弱等问题提供解决思路。服务于野外调查、教学科普以及科学实验等场景。

基于CNN与Swin Transformer的新疆荒漠植物识别研究

新疆荒漠地区受气候和环境的双重影响易出现干旱灾害和影响农牧业生产,不利于新疆经济的可持续,新疆荒漠植物的识别是各植物研究人员了解植物生长状况的基础,也是生态保护研究和实施治理措施的前提.同时,新疆荒漠植物图像存在类间相似、图像背景复杂和数据样本不平衡等特点,导致该研究具有一定的难度.为提高识别准确率、准确定位局部重要特征与综合考虑复杂全局信息,本文提出了一种融合卷积神经网络(CNN)和Swin Transformer网络的植物图像识别方法.该方法结合了CNN网络擅长提取局部特征和Swin Transformer擅长捕获全局表示的优点,同时在CNN分支中嵌入改进的Convolutional Block Attention Module(CBAM)注意力模块以便充分提取到具有区分度的局部关键特征,并使用Focal Loss损失函数解决数据样本不平衡问题.通过实验结果表明,提出的融合方法在新疆荒漠植物数据集上相较于单分支网络更能充分提取图像的特征,其识别准确率可达97.99%,且精准率、召回率和F1分数都优于现有的方法.最后通过可视化分析和混淆矩阵进一步佐证了该方法的有效性.

基于轻量化YOLO模型的植物叶片识别

为了提升植物叶片的检测能力,减少繁琐的人工成本,本文构建了包含10类常见植物叶片的数据集。应用基于pytorch框架的YOLOv5网络模型对叶片数据集进行训练,并通过训练模型对叶片测试图像进行检测,在识别速度和精度上取得了较好的效果。实验结果表明,本文检测方法对叶片识别的平均精度为93%,识别速度较快,有效解决了传统植物识别方法中分类器耗时长、准确率低等问题。

基于Transformer和CNN的真实场景下植物病害识别方法

针对真实场景下的植物病害图像,设计了一种融合Transformer和CNN的植物病害识别模型CLT。该模型采用多阶段层次设计,以Conv Stem作为初始特征提取模块提取浅层局部特征,结合Transformer模块以学习全局特征;利用卷积Token嵌入,改变模型每个阶段Token的序列长度和特征维数,实现对多层次的局部空间上下文进行建模;将卷积模块融入到Transformer模块,并将多头注意力机制中的线性投影替换为卷积投影,提升模型对局部空间的特征提取。实验结果表明,CLT模型能够有效表达植物病害的各种特征,在真实场景下平均准确率达到77.91%,分类效果优于其他模型,为真实场景下植物病害识别提供参考。

基于深度半监督学习的植物叶片自动识别

植物叶片自动识别算法在植物教学和生态保护等领域有着广泛应用,但由于植物种类繁多且类间差异小,传统深度学习方法需要大量的数据标注才能获得较好的训练效果.为此,提出一种基于深度半监督学习的植物叶片自动识别方法.首先,基于一致性正则化思想,为提升数据扰动质量设计了显性、隐性数据扰动流程;然后,运用深度特征提取网络DenseNet,有效地提升了植物叶片细粒度特征的辨别能力;最后,基于模拟退火训练策略过滤训练过程中的异常数据,从而缓解过拟合现象.在分别含有5284幅和18000幅植物叶片图像的公开数据集MalayaKew-D3和私有数据集LeafSZU-2021中获得的实验结果表明,与全量标注数据下监督学习模型相比,该方法在仅使用30%~50%标注数据量时,仍能达到92.36%~96.85%的植物叶片识别准确率;在相同数据标注量下,其平均识别准确率比当前最新的半监督球面均值聚类方法提高了2.95%,且模型参数量降低了38.12%,识别速度提高了61.51%.

植物识别APP辅助植物学实践教学

植物学课程具有很强的理论性和实践性,是高校新生最先接触的专业基础课程之一.随着智能手机的普及与人工智能的高速发展,将植物识别类APP运用于植物学课程教学具有重要意义.选取了3款常用植物识别APP,形色、花伴侣和生命观察进行比较,分析其在植物学实践教学中的应用价值,并对其存在的问题进行探讨.合理运用植物识别APP辅助植物学实践教学,不仅可以提升学生的学习兴趣和积极性,还可以丰富教学内容与资源,并实现教学效果最优化.

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。

专业基础课教学改革与实践——以植物识别与生长调控教学为例

植物识别与生长调控课程是山西林业职业技术学院园艺系花卉生产与花艺专业的专业基础课程,该课程以行业需求为导向,以能力培养为核心,以实际应用为目的,以典型任务为驱动,对标职业资格标准,重构课程的教学内容。通过理论和实践相结合的一体化教学,将专业能力与素质培养和思政元素贯穿于学生的学习与训练之中,为学生后续的专业理论和专业核心技能的学习奠定基础,对学生职业能力培养和职业素养养成起着重要作用。

信息技术视角下的园林植物识别与应用课程教学改革

随着职业教育改革的不断推进,教育信息化已成为高职教育的重要改革方向。教育部在《教育信息化十年发展规划》中明确指出,职业教育应以信息技术为支持,推进课程教学和人才培养模式的改革。在此背景下,高职园林专业课程教学需要围绕信息化教学手段改革课程教学设计,以进一步提高教学效果和确保专业人才培养的质量。同时,这也为学生的学习成果提升及未来的就业和发展提供了科技支持。探讨了信息化教学手段在园林专业课程教学中的应用意义,并以园林专业的《园林植物识别与应用》课程为例,分析了信息化手段在课程教学中的应用途径,旨在为园林专业教学的现代化改革和发展作出贡献。

校园植物种类调查及不同植物识别软件准确性对比研究

为了解常见植物识别软件的准确度,以潍坊科技学院为例,调查分类校园内的植物,并对比6款植物识别软件的准确度。经过调查,共记录了潍坊科技学院校区植物有40科67属80种,其中被子植物35科59属71种,裸子植物有5科8属9种;在调查的80种植物中,乔本植物有45种,灌木植物有21种,藤本植物有3种,草本植物有8种,水生植物有3种;优势科为蔷薇科、豆科、木犀科,优势属为女贞属、槐属。植物识别软件准确率由高到低排序依次是“植物识别”“百度识图”“花帮主”“形色”“花伴侣”“花卉识别”。综上所述,推荐“植物识别”作为大众识别植物的首选APP。

百度AI环境下的植物生长阶段识别研究

植物在不同的生长阶段所需的“温光水气肥”等因素参数各不相同。为了精准地控制植物工厂中各种环境,需要对植物生长阶段进行识别。本文研究将百度AI智能云平台训练识别模型结合树莓派实现图像采集、识别以及环境控制输出,来实现生长环境精准调控。通过测试表明,该方案简单快速、实用性强,可以有效识别出所识别植物的生长阶段。

国内常用植物识别软件的识别能力及辅助教学课程设计

近年来植物识别软件(APP)不断更新,功能日益完善,市场前景广阔,适用人群范围逐渐扩大。本研究介绍了国内5款常用植物识别软件的识别能力。以本科植物学“校园植物调查研究课”为例,进行了植物识别APP辅助教学的课程设计。通过研究证明,将植物识别软件与传统课堂教学方法有机结合,可提高大学生学习植物学的自主能动性并提高思维逻辑性。

基于深度学习的中草药植物视觉识别方法研究

中草药植物对预防和治疗疾病有效,药效因植物类别而异,正确识别中草药植物类别是很重要的。本文旨在解决中草药植物数据缺少和图像分类准确率较低的问题。首先,构建了一个中草药植物图像数据集。其次,选择Resnet50作为基础网络模型,使用迁移学习技术预训练模型,加入注意力模块与Local-Clobal模块并采用Focal-Loss+Constrative-Loss作为损失函数。最后,基于该模型设计出一个中草药植物识别系统。改进后的模型在测试集上的准确率达到99.07%。实验结果表明,该系统能够准确地完成中草药植物图像的识别任务。

自然因素对植物识别手机应用程序精度的影响研究

为确定生长型、季节和气象条件对植物识别手机应用程序(APP)的识别精度是否存在影响,选取市面上综合评价较高的“百度识图”“植物识别”和“拍照识花”等6款植物识别手机APP,对赣南师范大学及其周边地区的103种植物进行了为期一年的连续实地观测;对同一植物识别手机APP在不同自然条件(4种生长型、4个季节和4种气象条件)下的识别结果进行了两-两间的方差比较分析。结果表明:(1)生长型、季节和气象条件对植物识别手机APP的识别精度均存在影响,但影响程度因植物识别手机APP而不同;(2)生长型和季节对植物识别手机APP的识别精度影响较大,气象条件的影响较小。研究结果能为用户选择和使用植物识别手机APP提供参考,也能为植物识别手机APP的升级提供基础数据。

数字学习资源对提升植物识别技能的探究

植物识别最大的瓶颈是文本形态描述、植物图像和植物实体三方印证的过程。“有名无实”或“名不副实”,是学习者普遍遇到的难点问题。借助数字学习资源形式多样性、布局灵活性、时空跨越性、链接全面性、互动多向性等特点,为学习者营造学习情景,搭建建构平台,促进学习迁移,切实有效提升植物识别技能。