基于一维卷积神经网络与自编码算法的松属物种鉴别机制

Identification mechanism of Pinus species based on one dimensional convolutional neural network model and self-coding algorithm

二维码有效期 120s

摘要松属植物具有重要的生态和经济价值.但松属植物的基因组庞大、分子进化慢,物种的特征相似性极高,辨别难度大.为解决传统松属物种鉴别方法存在的成本高、耗时长、准确率低、操作复杂等问题,提出了一种基于松属近红外光谱数据(NIRS)并结合一维连续型卷积神经网络(1D-CS-CNN)与自编码技术的松属物种检测机制.使用更高效率的连续型结构替代传统 1D-CNN模型中隐含层结构,并针对松属NIRS数据适应性改进为 1D-CS-CNN模型,使其可直接应用于一维NIRS数据.结合自编码器的重构误差设计一种考虑未知类别的松属物种鉴别方法,通过待测样本的自编码重构误差来解决卷积神经网络置信度过高的问题,将修正的置信度与预先设定的阈值进行比较,判断该样本是否为未知品种.实验结果表明,1D-CS-CNN训练集与测试集准确率均达到近 100%,损失值收敛为 0.015,改进后的 1D-CS-CNN模型识别速度更快;同时,自编码模型对未知类别松属检测机制识别率为 99%.实验结果证明,该模型可快速高效分类出不同松属物种,同时检测出松属新物种.