基于一种轻量级卷积神经网络的植物叶片图像识别研究
来源:用户上传
作者:李文逵 韩俊英
文章编号：2096-1472（2022）-02-10-04
DOI：10.19644/j.cnki.issn2096-1472.2022.002.003
摘 要：对轻量级卷积神经网络MobileNet V2的模型结构进行改进，将深度可分离卷积中的激活函数ReLU替换成Leaky ReLU，从而避免神经元死亡问题，倒置残差卷积中的跨越连接添加Dropout层，增大模型的泛化能力。实验结果表明，预测结果的总体准确率达到91.41%，最高精确率为95.12%，最高召回率为97.39%，取得较好的预测结果。这说明将MobileNet V2卷积神经网络用于植物叶片图像识别是实际可行的，为移动端植物叶片图像识别提供了实现方法和技术支撑。
关键词：植物叶片;图像识别;MobileNet V2;卷积神经网络;深度学习
中图分类号：TP520.40 文献标识码：A
Research on Plant Leaf Image Recognition based on a Lightweight Convolutional Neural Network
LI Wenkui， HAN Junying
（College of Information Science and Technology， Gansu Agricultural University， Lanzhou 730070， China）
448671882@qq.com; 3243727977@qq.com
Abstract： This paper proposes to improve the model structure of the lightweight convolutional neural network MobileNet V2. The activation function ReLU in the deep separable convolution is replaced with Leaky ReLU， thereby avoiding the problem of neuron death. A Dropout layer is added across connections in inverted residual convolution to increase the generalization of the model. The experimental results show that the overall accuracy rate of the prediction results reaches 91.41%， the highest accuracy rate is 95.12%， and the highest recall rate is 97.39%， achieving good prediction results. It shows that it is practical to use the MobileNet V2 convolutional neural network for plant leaf image recognition， and it provides an implementation method and technical support for mobile terminal realization of plant leaf image recognition.
Keywords： plant leaf; image recognition; MobileNet V2; convolutional neural network; deep learning
1 引言（Introduction）
植物是自然界的基本M成部分，人类的许多生产活动与植物密切相关，比如农业中以植物类农作物为主，生活中的中草药、护肤品和化妆品等都是对植物进行加工得到的。随着人们对大自然不断进行不合理的开采，人类的许多生活生产活动对植物生态环境构成威胁，植物物种不断灭绝。为了保护植物多样性，建立植物物种数据库是十分必要的，这就需要人类进行植物分类与识别，确认新的或者罕有的植物品种。但是由于植物科学研究的普及性不高，通常人们能看到一些植物，却不能快速准确地获取该植物的学名、性状、品类和价值，使得植物保护和植物认知研究产生一定的困难，因此植物识别是进行植物学习过程中的一项基本任务。相较于植物的其他器官，大部分植物的叶片是一个二维的平面，具有形状结构稳定、特征性状多、区分度大、生存周期长、采集便利等特点，从叶片出发能更加快速准确地分辨植物种类。
随着计算机视觉技术的不断成熟，尤其是深度学习技术在图像识别方面的不断发展，人们已经能对植物叶片图像实现不错的识别效果。2021 年，韩斌等将LBP特征和Gabor特征融入AlexNet卷积神经网络，对189 种叶片识别的平均正确识别率是96.37%;王维提出改进的VGGNet神经网络，植物叶片识别准确率达到99.39%。2020 年，边缘等利用Flavia数据集，运用深度学习算法，识别准确率超过90%;朱良宽等利用迁移学习获得96.57%的植物叶片识别精度。2019 年，张露使用AlexNet、Inception-V3、VGG-16预训练模型，在测试集上得到的准确率分别为95.31%、93.86%、95.40%。可见，卷积神经网络已经普遍运用于植物叶片的图像识别，其识别准确率可满足实用要求。
转载注明来源:https://www.xzbu.com/1/view-15425115.htm
