引用格式：王亚鹏, 曹姗姗, 李全胜, 孙伟. 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[J]. 智慧农业(中英文), 2023, 5(2): 93-103. DOI：10.12133/j.smartag.SA202305001
WANG Yapeng, CAO Shanshan, LI Quansheng, SUN Wei. Desert plant recognition method under natural background incorporating transfer learning and ensemble learning[J]. Smart Agriculture, 2023, 5(2): 93-103. DOI：10.12133/j.smartag.SA202305001
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
王亚鹏1，2， 曹姗姗2，3， 李全胜1， 孙伟2，3*
（1.新疆农业大学 计算机与信息工程学院，新疆乌鲁木齐 830052；2.中国农业科学院农业信息研究所，北京 100081；3.国家农业科学数据中心，北京 100081）
摘要：［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%，F1 Score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%，F1 Score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，F1 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F1 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。
关键词： 荒漠植物识别；自然背景；集成学习；迁移学习；投票法；数据集
文章图片
图1 数据集中荒漠植物图像实例
Fig. 1 Examples of desert plant images in data set
图2 荒漠植物图像数据增强实例
Fig. 2 Data enhancement instance of desert plant images
图3 MBConv Block结构
Fig. 3 Structure of MBConv Block
图4 集成学习的偏差及方差示意图
Fig. 4 Diagram of bias and variance of ensemble learning
图5 荒漠植物图像识别集成模型架构
Fig. 5 Integrated model architecture of desert plant image recognition
图6 5个EfficientNet B0网络损失值变化曲线
Fig. 6 Loss value variation curves of five EfficientNet B0 networks
图7 EfficientNet B0—B4网络损失值变化曲线
Fig. 7 Loss value variation curves of EfficientNet B0‒B4 network
图8 Oxford Flowers102图像实例
Fig. 8 Examples of Oxford Flowers102 images
通信作者简介
孙伟 研究员
孙伟，男，博士，中国农业科学院农业信息研究所研究员，长期从事农林时空信息智能分析、动植物表型参数提取、畜禽智慧养殖智能装备研制等方面的科研工作。主持国家自然科学基金面上项目、省自然科学基金重点项目、UNDP-GEF项目课题、“948”项目课题等，发表相关学术论文51篇（其中SCI/EI检索17篇），出版学术专著2部，获国家专利授权18项，获计算机软件著作权登记15项。获得科技成果奖励2项，其中北京市科学技术奖1项，大北农科技奖（智慧农业奖）1项。
来源：《智慧农业（中英文）》2023年第2期
转载请联系编辑部授权
推荐阅读
小
店
欢迎光临选购
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
