自动化植物识别算法的性能将得到进一步提高

针对传统植物识别算法在特征提取上耗时耗力，以及对野外直接采集的图片识别准确率不高的问题，分析了深度卷积神经网络在植物识别中的优势和局限性，提出了一种结合多个神经网络的多线索植物识别模型，可以有效地自动识别植物。单个模型可以通过迁移学习得到比随机初始化更加有效的参数初始值，再根据训练数据对模型中的参数进行微调，可以更加节省时间，得到更高的测试准确率。还提出了丢弃噪声图片的方法，来优化本文模型。针对部分类别的部分器官图片较少的情况，本文采用了选择性增强的方法来扩充和均衡图片的数量。个别器官模型的识别性能远低于其他器官模型，这限制了多线索模型的整体表现。由于图片数量有限，本次实验只验证了12 个植物类别的四种器官模型的组合，今后的工作可以综合更多的数据集，在更多的植物类别上组合更多的器官模型，从而形成一个更加实用和高效的植物识别模型。此外，Google Net可以被一些更强大的模型取代，例如和ResNet。相信这种自动化植物识别算法的性能将得到进一步提高。

本文由拍照识别植物：http://www.wuweishangmao.cn/ 整理发布。