引用本文: 高宏元，高新华，冯琦胜，李文龙，鲁征，梁天刚. 基于深度学习的天然草地植物物种识别方法. 欢乐牛牛, 2020, 37(9): 1931-1939 doi: shu

Citation: GAO H Y, GAO X H, FENG Q S, LI W L, LU Z, LIANG T G. Approach to plant species identification in natural grasslands based on deep learning. Pratacultural Science, 2020, 37(9): 1931-1939 doi: shu

基于深度学习的天然草地植物物种识别方法

高宏元 ^1, ,
高新华 ^1, ,
冯琦胜 ^1, ,
李文龙 ^1, ,
鲁征 ^2, ,
梁天刚 ^{1,
,}

1.
lanzhoudaxuecaodinongyeshengtaixitongguojiazhongdianshiyanshi / lanzhoudaxuenongyenongcunbucaomuyechuangxinzhongdianshiyanshi / lanzhoudaxuecaodinongyejiaoyubugongchengyanjiuzhongxin / lanzhoudaxuecaodinongyekejixueyuan，gansu lanzhou 730020
2.
gansushengcaoyuanjishutuiguangzongzhan，gansu lanzhou 730010

作者简介: 高宏元(1996-)，男，甘肃静宁人，在读硕士生，研究方向为草地遥感与地理信息系统。E-mail: .cn;

通讯作者: 梁天刚, .cn

基金项目:亚博滚球国家重点研发计划(2017YFC0504801)；国家自然科学基金(31702175、31672484、41805086、41801191)；现代农业产业技术体系建设专项资金(CSRS-34)；中国工程院咨询研究项目(2020-XZ-29、2018-XZ-25)；长江学者和创新团队发展计划(IRT_17R50)；兰州大学中央高校基本科研业务费专项资金(lzujbky-2020-kb29)

摘要: 天然草地植物物种的分类识别是草地植被调查与监测的重要内容，传统的植物物种分类方法费时费力，且对专业知识要求高，难以很好地满足天然草地资源快速调查的需求。近年来随着计算机视觉和深度学习的快速发展，基于深度学习算法的植物图像分类识别已成为当前的研究热点。本研究建立了293种天然草地植物图像数据集，利用TensorFlow深度学习框架中的TF-slim模块，通过微调Inception V3模型的训练参数构建了天然草地植物的图像识别模型，训练结果表明，该模型验证集的Top1识别准确率达89.41%，Top5识别准确率为97.71%。与形色、花伴侣、微软识花和拍照识花等软件的识别效果的比较结果显示，本研究训练得到的植物识别模型可以识别的天然草地植物物种数量更多，识别准确度更高。

关键词:

English

Approach to plant species identification in natural grasslands based on deep learning

1.
亚博滚球 state key laboratory of grassland agro-ecosystem / key laboratory of grassland livestock industry innovation, ministry of agriculture and rural affairs / engineering research center of grassland industry, ministry of education / college of pastoral agriculture science and technology, lanzhou university, lanzhou 730020, gansu, china
2.
gansu provincial extension station of grassland techniques, lanzhou 730010, gansu, china

Corresponding author: Tiangang LIANG, .cn

Received Date: 2019-02-05
Available Online: 2019-09-15

Abstract: The classification and identification of plant species plays an important role in the investigation of natural grassland vegetation. The traditional classification of plant species is time-consuming and laborious and requires high professional knowledge. With the rapid development of computer vision and deep learning, plant image classification and recognition based on deep learning algorithms has become a popular research topic. Based on the image data set of 293 natural grassland plants, the TF-slim module of the TensorFlow deep learning framework was used to construct the image recognition model of natural grassland plants by fine-tuning the training parameters of the Inception V3 model. The training results show that the model has a recognition accuracy of 89.41% in Top1 and 97.71% in Top5. Compared with the recognition effects of applications such as Xingse, Huabanlv, The Flower Recognition, and Paizhaoshihua, the results show that the plant recognition model trained in this study can recognize more species of natural grassland plants, and the recognition accuracy is higher.

Key words:

1. [1]
  阚江明, 王怡萱, 杨晓微, 冷萃. 基于叶片图像的植物识别方法[J]. 科技导报科技导报, 2010, 28(23): 81-85.
  KAN J M, WANG Y X, YANG X W, LENG C. Plant recognition method based on leaf images[J]. Science & Technology ReviewScience & Technology Review, 2010, 28(23): 81-85.
2. [2]
  王敬轩, 冯全, 王宇通, 邵新庆. 基于图像识别技术的豆科牧草分类研究[J]. 草地学报草地学报, 2010, 18(1): 37-41. doi:
  WANG J X, FENG Q, WANG Y T, SHAO X Q. Study on classification for leguminous forage based on image recognition technology[J]. Acta Agrestia SinicaActa Agrestia Sinica, 2010, 18(1): 37-41. doi:
3. [3]
  王礼, 洪祖兵, 方陆明, 陈珣, 吴超. 基于iOS系统的观赏植物识别[J]. 浙江农林大学学报浙江农林大学学报, 2018, 35(5): 900-907. doi:
  WANG L, HONG Z B, FANG L M, CHEN X, WU C. IOS-based recognition of ornamental plants[J]. Journal of Zhejiang A & F UniversityJournal of Zhejiang A & F University, 2018, 35(5): 900-907. doi:
4. [4]
  钱亮亮. 基于随机森林的植物叶片识别应用[J]. 现代计算机现代计算机, 2019, (29): 44-47, 51. doi:
  QIAN L L. Application of plant leaf recognition based on random forest[J]. Modern ComputerModern Computer, 2019, (29): 44-47, 51. doi:
5. [5]
  胡直峰. 植物图像识别方法研究及实现. 杭州: 浙江大学硕士学位论文, 2017.
  亚博滚球 HU Z F. Research and implementation of plant images recognition methods. Master Thesis. Hangzhou: Zhejiang University, 2017.
6. [6]
  HINTON G E, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. ScienceScience, 2006, 313(): 504-. doi:
7. [7]
  亚博滚球 krizhevsky a, sutskever i, hinton g e. imagenet classification with deep convolutional neural networks. //international conference on neural information processing systems. curran associates inc, 2012: 1097-1105.
8. [8]
  段萌. 基于卷积神经网络的图像识别方法研究. 郑州: 郑州大学硕士学位论文, 2017.
  亚博滚球 DUAN M. The research on the mothed of image recognition based on convolutional neural networks. Master Thesis. Zhengzhou: Zhengzhou University, 2017.
9. [9]
  杭州大拿科技公司. 形色. (2017-11-11)[2018-04-20]. .
  亚博滚球 DANA. Xingse. (2017-11-11)[2018-04-20]. .
10. [10]
  北京联星时代科技有限公司. 花伴侣. (2018-04-11)[2018-04-20]. .
  Robusoft (Beijing) CO.,LTD. aiPlants. (2018-04-11)[2018-04-20]. .
11. [11]
  亚博滚球 microsoft corporation. the flower recognition. (2015-12-05)[2018-04-20]. .
12. [12]
  袁培森, 黎薇, 任守纲, 徐焕良. 基于卷积神经网络的菊花花型和品种识别[J]. 农业工程学报农业工程学报, 2018, 34(5): 160-166.
  YUAN P S, LI W, REN S G, XU H L. Recognition for flower type and variety of chrysanthemum with convolutional neural network[J]. Transactions of the Chinese Society of Agricultural Engineering亚博滚球, 2018, 34(5): 160-166.
13. [13]
  曹中奇, 刘路路, 康孝岩, 张爱武, 柴沙驼. 一种基于卷积神经网络的草地植物识别方法[J]. 人工智能与机器人研究人工智能与机器人研究, 2018, 7(3): 135-146. doi:
  CAO Z Q, LIU L L, KANG X Y, ZHANG A W, CHAI S T. Grassland plant identification method based on convolutional neural network[J]. Artificial Intelligence and Robotics Research, 2018, 7(3): 135-146. doi:
14. [14]
  袁银, 王东斌, 刘永金. 基于深度学习的植物图像识别方法研究[J]. 现代农业科技现代农业科技, 2017, (23): 288-290. doi:
  YUAN Y, WANG D B, LIU Y J. Research on plant image recognition method based on depth learning[J]. XianDai NongYe KeJiXianDai NongYe KeJi, 2017, (23): 288-290. doi:
15. [15]
  赵彦辉, 范欣宁, 张建逵, 谢明. 基于DeepLearning4J on Spark深度学习方法在药用植物图像识别中应用初探[J]. 中国中医药图书情报杂志中国中医药图书情报杂志, 2018, 42(5): 24-28.
  ZHAO Y H, FAN X N, ZHANG J K, XIE M. Discussion on application of deep learning method in medical plant image recognition based on DeepLearning4J on Spark[J]. Chinese Journal of Library and Information Science for Traditional Chinese Medicine, 2018, 42(5): 24-28.
16. [16]
  刘洋, 冯全, 王书志. 基于轻量级CNN的植物病害识别方法及移动端应用[J]. 农业工程学报农业工程学报, 2019, 35(17): 194-204. doi:
  LIU Y, FENG Q, WANG S Z. Plant disease identification method based on lightweight CNN and mobile application[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(17): 194-204. doi:
17. [17]
  google. tensorflow. (2014-11-09)[2018-04-20]. .
18. [18]
  黄睿, 陆许明, 邬依林. 基于TensorFlow深度学习手写体数字识别及应用[J]. 电子技术应用电子技术应用, 2018, 44(10): 12-16.
  HUANG R, LU X M, WU Y L. Handwriting digital recognition and application based on TensorFlow deep learning[J]. Application of Electronic TechniqueApplication of Electronic Technique亚博滚球, 2018, 44(10): 12-16.
19. [19]
  田晓明. 基于深度学习的目标检测技术研究及其应用. 长沙: 湖南大学硕士学位论文, 2018.
  TIAN X M. The research and application of object detection technology based on deep learning. Master Thesis. Changsha: Hunan University, 2018.
20. [20]
  林王峰. 基于视频图像的船舶水尺自动测量系统的设计与实现. 厦门: 集美大学硕士学位论文, 2017.
  亚博滚球 LIN W F. The design and implementation of a Ship’s draft automatica measurement system base on the video image recognition technology. Master Thesis. Xiamen: JiMei University, 2017.
21. [21]
  韩伟红, 贾焰, 周斌. 大数据分析关键技术与挑战[J]. 信息技术与网络安全信息技术与网络安全, 2018, 37(4): 11-14.
  HAN W H, JIA Y, ZHOU B. The key technologies and challenges of big data analysis[J]. Information Techology and Network Security, 2018, 37(4): 11-14.
1. [1]
  张春林 , 韩向敏 , 郎侠 , 王彩莲 . 青藏高原东北缘不同草地类型牧草营养品质动态. 欢乐牛牛, 2019, 36(3): 763-771. doi: 亚博滚球
2. [2]
  王卫 , 张鲜花 , 安沙舟 , 李宏 , 木克松·木明 , 董莉莉 . 新疆伊犁天然草地白喉乌头种群分布格局. 欢乐牛牛, 2014, 8(3): 484-487. doi: 亚博滚球
3. [3]
  李建平 , 谢应忠 . 封育对黄土高原天然草地深层土壤碳、氮储量的影响. 欢乐牛牛, 2016, 10(10): 1981-1988. doi: 亚博滚球
4. [4]
  王婷 , 李建平 , 张翼 , 井乐 , 张茹 . 不同降水下天然草地土壤水稳定性团聚体分布特征. 欢乐牛牛, 2019, 36(8): 1935-1943. doi:
5. [5]
  方精云 , 潘庆民 , 高树琴 , 景海春 , 张文浩 . “以小保大”原理:用小面积人工草地建设换取大面积天然草地的保护与修复. 欢乐牛牛, 2016, 10(10): 1913-1916. doi: 亚博滚球
6. [6]
  张凡凡 , 杨开虎 , 于磊 , 和海秀 , 鲁为华 , 马春晖 . 新疆沙尔套山主要草地类型牧草营养品质季节变化规律. 欢乐牛牛, 2019, 36(10): 2647-2654. doi: 亚博滚球
7. [7]
  郭淑梅 , 郑天立 , 黄文博 , 宋珊珊 , 唐玲 . 青藏高原共玉公路沿线取弃土场修复效果可持续性评估. 欢乐牛牛, 2020, 37(11): 2243-2250. doi:
8. [8]
  亚博滚球 hongyuantianrancaodiyouduzhiwudehuaxuefangchu. huanleniuniu, 2010, 4(10): 91-95.
9. [9]
  ??航 , 侯扶江 . 草地农业农牧交错带天然草地植物种枯落物对小麦幼苗生长的影响. 欢乐牛牛, 2009, 3(5): 110-115.
10. [10]
  魏秀红 , 靳瑰丽 , 范燕敏 , 安沙舟 , 夏小伟 . 伊犁绢蒿荒漠草地物种光谱特征分析及识别初探. 欢乐牛牛, 2016, 10(10): 1924-1932. doi:
11. [11]
  tianranyangcaocaodimianyangcaishidejijiebianhua. huanleniuniu, 2013, 7(2): 266-273.
12. [12]
  tianzhuxiantianrancaodituihuachengyinjiduicefenxi. huanleniuniu, 2012, 6(11): 1678-1683.
13. [13]
  亚博滚球 kezhoudiqutianrancaodishengchanlipingjia. huanleniuniu, 2011, 5(1): 53-58.
14. [14]
  亚博滚球 haibeizhoutianrancaodituihuashahuachengyinyuduice. huanleniuniu, 2009, 3(7): 186-190.
15. [15]
  qinghaishengtianranyouqicaodinaijiantaxingyanjiu. huanleniuniu, 2008, 2(11): 103-110.
16. [16]
  qinghaishengzhuyaoleixingtianrancaodievidongtaibianhua. huanleniuniu, 2010, 4(5): 23-29.
17. [17]
  文畅平 . 基于突变级数法的天然草地分类. 欢乐牛牛, 2015, 9(2): 174-181. doi: 亚博滚球
18. [18]
  zhiwuvh+atpmeishiyingnijingdefenzidiaokongjili . huanleniuniu, 2013, 7(2): 245-252.
19. [19]
  米秀博 , 邵树勋 , 汤鋆 , 张静 . 湖北恩施地区天然富硒植物中硒形态的HPLC-ICP-MS分析 . 欢乐牛牛, 2014, 8(6): 1173-1177. doi: 亚博滚球
20. [20]
  伏映萍 , 李爱华 , 康艳梅 , 李正娟 . 宁夏盐池天然草地牧草脂肪酸的组成及含量. 欢乐牛牛, 2013, 7(12): 2024-2028.

亚博滚球

图 1 TensorFlow的基本架构图

Figure 1. Basic architecture diagram of TensorFlow

下载: 全尺寸图片幻灯片

图 2 研究技术路线图

Figure 2. Technology frame

下载: 全尺寸图片幻灯片

图 3 亚博滚球图像数据扩增示例

Figure 3. 亚博滚球 Example of image augmentation

下载: 全尺寸图片幻灯片

图 4 亚博滚球模型Top1和Top5准确率变化图

Figure 4. Change in Top1 and Top5 accuracy during training

下载: 全尺寸图片幻灯片

表 1 亚博滚球 Inception V3网络结构

Table 1. Inception V3 network architecture

网络层数 Network layer	类型 Type	滤波器 Filter	输入尺寸 Input size/pixel
1	卷积层1 Convolution layer 1	3 × 3	299 × 299 × 3
2	卷积层2 Convolution layer 2	3 × 3	149 × 149 × 32
3	卷积层3 Convolution layer 3	3 × 3	147 × 147 × 32
4	卷积层1 Convolution layer 1	3 × 3	147 × 147 × 64
5	卷积层4 Convolution layer 4	3 × 3	73 × 73 × 64
6	卷积层5 Convolution layer 5	3 × 3	71 × 71 × 80
7	卷积层6 Convolution layer 6	3 × 3	35 × 35 × 192
8	Inception模块组 Module Group	3	35 × 35 × 288
9	Inception模块组 Module Group	5	17 × 17 × 768
10	Inception模块组 Module Group	3	8 × 8 × 1280
11	池化层2 Pool Layer 2	8 × 8	8 × 8 × 2048
12	线性 Linear function	Logits	1 × 1 × 2048
13	Softmax	Classifier	1 × 1 × 1000

下载: 导出CSV

表 2 主要训练参数设置

Table 2. Main training parameter settings

参数名称 Parameter	含义 Meaning	设置 Parameter setting
checkpoint_exclude_scopes	模型不恢复层 Model exclude scopes	InceptionV3/Logits, InceptionV3/Auxlogits
trainable_scopes	训练范围 Training scopes	–
max_number_of_epoches	最大训练回合 Maximum training round	30
batch_size	批尺寸 Batch_size	64
learning_rate	初始学习率 Initial learning rate	初始值0.01，每3个epoch减半 The initial value is 0.01, reduce by half for every 3 epochs
optimizer	优化器 Optimizer	rmsprop
weight_decay	权重衰减 Weight decay	0.00004

下载: 导出CSV

表 3 亚博滚球不同科植物物种识别准确率

Table 3. 亚博滚球 Accuracy of plant species identification in different families

科名 Family name	物种数量 Number of species	准确率 Accuracy/%	科名 Family name	物种数量 Number of species	准确率 Accuracy/%
菊科 Compositae	55	90.6	伞形科 Umbelliferae	14	80.0
禾本科 Gramineae	39	89.2	毛茛科 Ranunculaceae	14	82.9
豆科 Leguminosae	26	89.2	藜科 Chenopodiaceae	12	88.3
蔷薇科 Rosaceae	17	91.8	蓼科 Polygonaceae	10	84.0
唇形科 Labiatae	16	90.0	龙胆科 Gentianaceae	8	90.0
玄参科 Scrophulariaceae	15	91.1	百合科 Liliaceae	6	90.0

下载: 导出CSV

表 4 亚博滚球不同地区植物物种识别准确率

Table 4. 亚博滚球 Accuracy of plant species identification in different areas

省 Province	物种数量 Number of species	准确率 Accuracy/%
甘肃 Gansu	195	88.80
四川 Sichuan	72	89.90
内蒙古 Inner Mongolia	115	89.10

下载: 导出CSV

表 5 亚博滚球不同草地类型植物物种识别准确率

Table 5. Accuracy of plant species identification in different rangeland types

草地类型 Rangeland types	物种数量 Number of species	准确率 Accuracy/%
高寒草甸类 Alpine meadow	107	89.7
山地草甸类 Mountain meadow	116	89.3
温性草原类 Temperate grassland	69	88.6
温性荒漠草原类 Temperate desert grassland	21	89.6

下载: 导出CSV

表 6 几种植物识别系统的识别结果

Table 6. 亚博滚球 Identification results of several plant identification systems

识别软件 Identification system	物种数量Number of species	识别准确率Accuracy/%
天然草地植物识别模型 Natural grassland plant identification model	293	89.6
形色 Xingse	176	60.1
花伴侣 aiPlants	209	71.3
微软识花 The flower recognition	29	9.9
拍照识花 Paizhaoshihua	45	15.4
本表的识别结果是识别系统给出的第一个结果，即得分最高的结果。　In this table, the identification result is the first result given by the identification systems.

下载: 导出CSV

点击查看大图

图(4)表(6)

计量

PDF下载量: 27
文章访问数: 2793
HTML全文浏览量: 542

通讯作者: 陈斌,

1.
shenyanghuagongdaxuecailiaokexueyugongchengxueyuan shenyang 110142

亚博滚球

亚博滚球

基于深度学习的天然草地植物物种识别方法

作者简介: 高宏元(1996-)，男，甘肃静宁人，在读硕士生，研究方向为草地遥感与地理信息系统。E-mail: .cn;

通讯作者: 梁天刚, .cn

English

Approach to plant species identification in natural grasslands based on deep learning

Corresponding author: Tiangang LIANG, .cn

亚博滚球

计量

文章相关

通讯作者: 陈斌,