彭鴻元　吳戀　鄭旭　張雯雯　蘭騰騰

摘要：隨著大數(shù)據(jù)的崛起，機器學習被越來越多的學者學習并研究，深度學習是機器學習研究中的一個新的領(lǐng)域，主要目的為通過計算機模擬人大腦的活動來解釋數(shù)據(jù)，例如圖像，聲音和文本。本文通過深度學習中的植物識別這一模塊，為大家簡要地介紹了深度學習中植物識別的相關(guān)方法與技術(shù)。

關(guān)鍵詞：深度學習；植物識別；卷積神經(jīng)網(wǎng)絡(luò)；植物；圖像

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2018）19-0200-03

Abstract： with the rise of big data， machine learning is more and more scholars study and research， deep learning is a new field in machine learning research， main purpose is through the computer simulation of human brain activity to explain the data， such as images， sound and text. This paper introduces the methods and techniques of plant identification in deep learning by means of plant identification in deep learning.

Key words： deep learning； Plant identification； Convolutional neural network； Plants； image

1 引言

地球上的植物種類繁多，目前已發(fā)現(xiàn)的植物總數(shù)越有50萬種，植物的分類鑒別已然成了一個難題。近些年來，植物識別課題在深度學習領(lǐng)域得到持續(xù)的關(guān)注。研究學者們的目光主要集中在如何正確快速的識別上。隨著神經(jīng)網(wǎng)絡(luò)科學的發(fā)展，人們放棄了從單一特征識別的方法，通過各學科之間的交融，從而達到更快速準確的識別效果。特征提取的學習方法一直都是處理智能識別問題的核心。

植物的分類是保護工作的基石，但現(xiàn)在植物的鑒別主要依靠人工進行，識別率低且耗時較長。特別是針對像貴州這樣自然條件優(yōu)越，珍貴植物藥材豐富的地域，對于大多數(shù)不懂植物資源的人掌握和發(fā)現(xiàn)更多的植物藥材信息對人文發(fā)展、經(jīng)濟發(fā)展都具有重要的推動作用。對于植物的鑒別需要一定的專業(yè)知識和相當豐富的經(jīng)驗積累，有的情況下植物專家都很難準確的辨別出植物類別。所以借助人工智能的方法使計算機能夠通過圖片識別出植物，認識一種植物我們將不用再去翻閱繁多的資料，也不用再對著搜索框為關(guān)鍵詞發(fā)愁，通過獲取圖片直接進行識別。這對于植物的研究、植物相關(guān)教學工作、植物的科普以及貴州特色經(jīng)濟發(fā)展具有相當重要的意義。

2 基于深度學習的植物識別技術(shù)現(xiàn)狀

近年來，基于圖像分析的植物識別顯然成了深度學習的焦點。在植物識別過程中，主要根據(jù)植物的形態(tài)和紋理來對不同的植物進行區(qū)分，同時還可根據(jù)顏色情況進行區(qū)分，如花、樹枝、葉子、果實等，在顏色、形態(tài)和紋理上各不相同。由于植物的葉子采集起來很方便，并且可以作為標本保存很長時間，通過對植物的葉片進行分類、研究植物葉片的特點成為很多研究人員的研究熱點。雖然目前植物識別技術(shù)已經(jīng)取得了長足的進步，但仍然存在很多不足，比如目前的葉片分析過程中很多分析過程都是人工完成的，這種人工技術(shù)同時在背景復(fù)雜的條件下，識別率得不到保證。

2.1 傳統(tǒng)植物識別方法現(xiàn)狀及存在的問題

國內(nèi)，有很多學者對植物領(lǐng)域做出了相當大的貢獻。其中有王麗君課題組開發(fā)了觀葉種類識別系統(tǒng)，該系統(tǒng)基于圖像多特征融合，在分析葉子時包含了收集葉片的顏色、紋理和形狀等特征，在識別算法中采用SVM算法，使得系統(tǒng)的葉子識別分辨率達到91.41%。楊天天課題組選擇了7種柳屬（Salix）葉片作為樣本，采用顏色、紋理和形狀等特征作為數(shù)字化指標，采用這種多個特征融合的方式來識別后，系統(tǒng)綜合識別準確率達到90.8%。翟傳敏課題組在識別方法上，提出了葉緣與葉脈分數(shù)維特征作為識別參考的方法，該方法引入葉片識別領(lǐng)域，再一次拓展了葉片識別的范疇。

在國外，CLEF論壇從2011年開始就組織植物識別和分類比賽，積累了大量植物圖像識別經(jīng)驗，隨后在2014年又開始利用植物器官和植物綜合拍照來識別，提升了植物圖像識別難度。截止到2015年，識別過程中的植物樣本數(shù)量已達到1000以上。在ImageCLEF2011中，研究人員Villena-Roman利用 SIFT（尺度不變特征轉(zhuǎn)換）的算法來研究植物識別技術(shù)，該研究證明SIFT技術(shù)可有效應(yīng)用到植物識別領(lǐng)域。研究人員Backes試圖將復(fù)雜網(wǎng)絡(luò)算法（ComplexNetworkmethod）應(yīng)用到葉片分析過程中，該研究表明，負責網(wǎng)絡(luò)算法在采樣噪聲葉子的圖像識別方面取得很好的效果。

2.2 基于深度學習的植物識別技術(shù)

2.2.1 深度學習之卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是首個多層結(jié)構(gòu)學習算法由Lecun等人提出，為了提高訓(xùn)練效率而通過空間相對關(guān)系減少參數(shù)數(shù)目。深度學習是機器學習中一種基于數(shù)據(jù)進行特征提取的方法。傳統(tǒng)手工提取特征被機器所取代。主要目的為通過計算機模擬人大腦的活動來解釋數(shù)據(jù)，例如圖像，聲音和文本。與機器學習相同的是，深度學習的方法也可分為監(jiān)督學習與無監(jiān)督學習之分。例如：卷積神經(jīng)網(wǎng)絡(luò)（Convolutionalneuralnetworks，簡稱CNN），是前饋神經(jīng)網(wǎng)絡(luò)中的一種，該神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元可應(yīng)答一些覆蓋單元，在大型圖像的處理方面有著一定的優(yōu)勢。由于任何圖像中相鄰的像素點在空間上存在著一定的相關(guān)性，這一特點跟像素點在整個圖像中的位置無關(guān)，是通用的特征。這一特性被卷積網(wǎng)絡(luò)中的卷積層充分利用，在此基礎(chǔ)上得到了一組卷積核（濾波器）F={}，該卷積核公式將會通過卷積層圖像Z={}迭代卷積獲得不同的N個二維特征圖（featuremaps）Z={}，即有：

與卷積核相似的圖像塊，響應(yīng)值也較高，所以卷積核也被認為是特征的收集器，不同的特征由不同的卷積核所提取。卷積核的優(yōu)勢相當明顯：第一，在權(quán)值共享模型中，由于自由變量參數(shù)個數(shù)大幅度減少，使得該模型的訓(xùn)練效率大幅度提升；第二，部分處理過程不會損壞像素特性，可在下一次處理中繼續(xù)使用；第三，像素本身的固有特性使得該模型在平移過程中保持不變。常見的CNN由卷積層（convolutionallayer）、池化層（poolinglayer）和一個全連接層和輸出層組成。卷積層主要功能采用卷積操作感知局部特征，并通過權(quán)值共享的方式來提取同一類特征，并采用卷積核這一工具提取不同類型的特征。在上述的CNN網(wǎng)絡(luò)中，通常在輸入層、池化層的后面實現(xiàn)卷積層的功能，這些功能主要包括對特征圖譜或者輸入圖像進行卷積濾波。池化層的主要功能是對卷積得到的特征圖譜進行局部統(tǒng)計計算，分別計算多個局部空間區(qū)域的平均值這一參數(shù)。通過將池化單元進行平移，就可以得到不同小范圍區(qū)域的數(shù)值，通過這種方式可減少特征圖譜的維度，從而大幅度降低了擬合的概率且使輸入圖像具有平移不變性。全連接層是網(wǎng)絡(luò)層的輸出和輸出層的分類器的中間過渡層。全連接層主要完成匯總的功能，它會將上面的卷積層分析得到的特征圖進行匯總，得到一系列的特征向量?；谶@種對應(yīng)關(guān)系，通常將一到多個連接層置于卷積層的后面。處理完特征向量的生成后，隨后有兩種處理方式：第一：對所有的特征向量進行分類，參考依據(jù)是特征向量的特征；第二：采用softmax對所有的特征向量進行分類，如下公式所示， N為類別總數(shù)。

在不正確處理的情況下由于層數(shù)過多，常會造成過度擬合，為避免這種情況的發(fā)生，常使用權(quán)值衰減（Weightdecay）、數(shù)據(jù)擴充（DataAugmentation）在模型訓(xùn)練中。

卷積神經(jīng)網(wǎng)絡(luò)的核心技術(shù)：

權(quán)值共享技術(shù)：在一張圖片上，為了提取不同像素點的同一類特征，借助權(quán)值共享技術(shù)，采用卷積核對不同像素區(qū)域進行特征提取。權(quán)值共享除了可提取同一類特征，還可保證特征提取過程中提取區(qū)域位移的不變性。假設(shè)某個特征位置相關(guān)特征已變化，卷積核在對特征圖譜濾波時，不會因為特征位置特性的變化而無法提取特征。除此以外，權(quán)值共享技術(shù)大幅度降低了模型中的數(shù)據(jù)訓(xùn)練難度，同時也降低了訓(xùn)練樣本數(shù)量需求，提升了訓(xùn)練模型的泛化能力和容錯能力。

池化采樣技術(shù)：該技術(shù)類似于視皮層中的分析細胞，對卷積層提取的特征圖譜進行處理，分別統(tǒng)計計算各個局部區(qū)域，得到局部區(qū)域上的平均值或極值這些參數(shù)。相比以前的提取技術(shù)得到的特征，該技術(shù)得到的特征具有更低維度，在識別結(jié)果上更加準確，同時不會出現(xiàn)過擬合的問題。池化采樣技術(shù)在使用過程中具有特征位置無關(guān)性的特點，它只關(guān)心多個特征之間的相對位置，實現(xiàn)深度提取卷積層傳遞的特征樣本，使最終得到的特征具有平穩(wěn)不變性，即使特征位置發(fā)生變化或者輕微扭曲，隨后的池化層都能成功提取該特征。

2.2.2 當前基于深度學習的著名植物識別網(wǎng)絡(luò)

2.2.2.1 GooleNet

為了能夠同時考慮卷積神經(jīng)網(wǎng)絡(luò)深度、神經(jīng)網(wǎng)絡(luò)寬度以及模型訓(xùn)練難度，GoogLeNet采用了Inception的結(jié)構(gòu)。他們在ILSVTC-2014上提交的是一個22層的深度網(wǎng)絡(luò)，在分類和檢測中都得到了十分理想的效果。GoogLeNet團隊在研究過程中大量使用了1*1卷積層，這樣做的好處是移除計算瓶頸，同時能減少計算量，并且不會影響整個網(wǎng)絡(luò)的計算性能，并且卷積神經(jīng)網(wǎng)絡(luò)深度、神經(jīng)網(wǎng)絡(luò)寬度都得到了不同程度的優(yōu)化，考慮到統(tǒng)計相關(guān)性，一個稀疏網(wǎng)絡(luò)結(jié)構(gòu)可以重新構(gòu)建出最優(yōu)結(jié)構(gòu)。GoogLeNet團隊在研究中去除了連接層，減少了大量的自由變量，為構(gòu)建更深的網(wǎng)絡(luò)提供了可能。

2.2.2.2 VGGnet

KarenSimonyan又被稱為VGG團隊，該團隊在一項研究中重點研究了大批量圖像識別過程中卷積網(wǎng)絡(luò)深度對計算結(jié)果準確率的影響。他們在改變卷積網(wǎng)絡(luò)深度時，主要采用的方法是使用不同規(guī)模的卷積核，當使用小卷積核堆疊方法，就可得到高深度的模型。通過小卷積核的使用，實現(xiàn)了卷積網(wǎng)絡(luò)深度的提升，效果也比之前的設(shè)計模型有了大幅度提升。這個設(shè)計結(jié)構(gòu)提升了圖像識別技術(shù)的準確率，別能夠在其他數(shù)據(jù)集泛華方面得到應(yīng)用，在ILSVRC-2014排名中斬獲第二名。VGG研究團隊對卷積神經(jīng)網(wǎng)絡(luò)模型的改善是使用模仿人腦模式，提高識別能力的思想展開的。詳細的操作是如下：將該網(wǎng)絡(luò)結(jié)構(gòu)的相關(guān)參數(shù)進行標準化配置，在相對穩(wěn)定的情況下加強網(wǎng)絡(luò)深度，并同步改變涉及的全部卷積層的卷積核大小，做到在對網(wǎng)絡(luò)層數(shù)增多的同時滿足卷積神經(jīng)網(wǎng)絡(luò)模型的相關(guān)要求，保證參數(shù)在能夠接受的水平之內(nèi)。 除此以外，VGG團隊大量使用1*1卷積核，使得輸入通道的線性系數(shù)得到提升。

3 植物識別技術(shù)的發(fā)展

第一個方向是根據(jù)圖像發(fā)展的檢索科技，原理是對圖像里的相關(guān)元素特點先錄入檢索庫里面，這些特點會以矢量特征進行建模，相關(guān)信息包括圖像元素的色彩，文理特點，外觀模樣和這些元素之間的空間聯(lián)系等等。檢索手段是根據(jù)上述元素特點整合使用，可以對相關(guān)的對象做相同點 檢索。這個科技已經(jīng)涉廣泛領(lǐng)域，例如電腦識別技術(shù)、信息數(shù)據(jù)庫、圖形處理等，是未來發(fā)展的基石技術(shù)，同時也推動了其他技術(shù)的發(fā)展?；趫D像的研究可以分為三類：最初只是在研究怎么提取相宜的全局特征和怎么配對。目前已經(jīng)使用了這種手段的項目有：IBM的QBIC，MIT的Photobook，Columbia的VisualSEEk等。由于應(yīng)用了系統(tǒng)的圖像特點，這個手段目前只在簡單的對象上進行應(yīng)用，這些對象包括某個建筑物圖像，某張自然風光圖像，某個獨立物品的圖像等進行檢索識別。

第二個研究路勁是在一定范圍內(nèi)的圖像檢索辦法：怎樣對某個范圍內(nèi)的圖像進行截取獲取圖像相關(guān)特點，并對每個截取部分的圖像內(nèi)容特點進行研究分析，能夠?qū)⒚總€截取部分的個性特征展示出來，然后結(jié)合每個截取的部分的圖像特征，得到整個圖像的獨特個性特點，最后通過這些相似的特點描述準則來和其他圖像進行對比識別。使用這種檢索技術(shù)的代表項目有Netra，Blobworld，SIMPLIcity等。即便這樣的手段相對而言是比較適合使用者檢索的思維模式，但是考慮到圖像分割截取分析是一個非常艱難的技術(shù)，所以目前采用翻個圖像事檢索的手段檢索成功的準確率較低，還沒有得到大力的推廣使用。

上述描述的兩個研究路勁都是基于圖像開展的，對圖像進行分析，采用固定的相似度比對方法。第三個研究方向則在人機交互為基礎(chǔ)上進項開展，應(yīng)用對使用者的需要特點進行猜測式分析，實時地對使用者的需求進行調(diào)整，采用相關(guān)技術(shù)對使用者的需求做特點分析，進一步減小檢索范圍，加入算法對檢索時的一些詞語進行分析，從而加大底層信息庫和上層使用者檢索的言語差距。為什么會想到這種手段呢？原因是先前有例子可以追尋RuiYong最先將其用到CBIR領(lǐng)域，其實例證明這種檢索的手段非常好；其次這種方法實際的技術(shù)也是當下比常用的在對圖像研究檢索基礎(chǔ)的熱點，同時伴隨著很多的反饋手段出現(xiàn)，而比較成功的代表項目有：Mars，PicHunter，F(xiàn)ourEyes和MindReader等。

4 總結(jié)

本文首先描述了植物識別的意義和用途，基于深度學習的植物識別技術(shù)對植物相關(guān)教學工作，植物的科普及當?shù)氐闹参锵嚓P(guān)經(jīng)濟發(fā)展起到了較好的推動作用。本文首先闡述了國內(nèi)外葉片識別技術(shù)的發(fā)展現(xiàn)狀以及目前的相關(guān)研究方向。隨后介紹了深度學習技術(shù)，并將卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到圖像識別中。卷積神經(jīng)網(wǎng)絡(luò)從下到上分別是卷積層，池化層，全連接層，卷積神經(jīng)網(wǎng)絡(luò)的核心技術(shù)有權(quán)值共享和池化采樣。詳細介紹了幾種植物識別技術(shù)。卷積神經(jīng)網(wǎng)絡(luò)（CNN），GooleNet用于對植物的分類和監(jiān)測，在增加卷積神經(jīng)網(wǎng)絡(luò)深度和寬度的同時，減少了計算量。VGGnet從網(wǎng)絡(luò)深度改進了卷積神經(jīng)網(wǎng)絡(luò)模型，提高了在大規(guī)模圖像識別背景下對植物識別的準確率。隨著科技的發(fā)展與學者們的大力研究，在不久的未來深度學習將會迎來更大的挑戰(zhàn)與變革，更加便利于我們的日常生活。

參考文獻：

[1] 袁銀，王東斌，劉永金.基于深度學習的植物圖像識別方法研究[J].現(xiàn)代農(nóng)業(yè)科技，2017（23）：278-280.

[2] 劉晶晶.基于深度網(wǎng)絡(luò)特征學習的植物葉片識別算法研究與實現(xiàn)[D].深圳：深圳大學，2017.

[3] 林心怡.我國植物辨識科普發(fā)展研究[D].陜西：西北農(nóng)林科技大學，2017.

[4] 劉孟南.基于深度學習的植物圖像集識別技術(shù)研究[D].福建：華僑大學，2017.

[5] 胡直峰.植物圖像識別方法研究及實現(xiàn)[D].浙江：浙江大學，2017.

[6] 張帥，淮永建.基于分層卷積深度學習系統(tǒng)的植物葉片識別研究[J].北京林業(yè)大學學報，2016.

[7] 馬珍玉.基于深度學習和SVM的植物葉片識別系統(tǒng)的研究與測試[D].內(nèi)蒙古：內(nèi)蒙古農(nóng)業(yè)大學，2016.

[8] 張宇卉.基于反向訓(xùn)練和深度學習的植物圖像集分類算法研究[D].福建：華僑大學，2016.

[9]YangYingGan，ChunShengHou，TingZhou，et al.PlantIdentificationBasedonArtificialIntelligence[J].AdvancedMaterialsResearch，2011，1279（255）.

[10]YuSun，YuanLiu，GuanWang，et al.SergioSolinas.DeepLearningforPlantIdentificationinNaturalEnvironment[J].ComputationalIntelligenceandNeuroscience，2017，2017.

[11]AlaaTharwat，TarekGaber，AboulEllaHassanien.One-dimensionalvs.two-dimensionalbasedfeatures：Plantidentificationapproach[J].JournalofAppliedLogic，2016.