首页 > 生物多样性 > 基于深度学习的我国北方常见天然草地植物识别

基于深度学习的我国北方常见天然草地植物识别

Identification of common native grassland plants in northern China using deep learning

摘要草地植物的分类识别是开展草地资源调查和生物多样性监测的基础,计算机视觉和深度学习技术的快速发展为植物分类识别提供了技术条件,但目前缺乏专门针对草地植物识别的数据集和模型.本研究建立了我国北方831种常见天然草地植物的图像数据集,基于卷积神经网络(convolutional neural network,CNN)和视觉Transformers(vision transformers,ViT)这两个最先进的图像分类架构进行模型训练,以获取草地植物识别模型,并从模型识别精度、识别速度和大小等方面评估了Eva-02、ResNet-RS、MobileNetV3和MobileViTv2 4个模型的性能.从模型识别精度方面来看,Eva-02、MobileViTv2、ResNet_RS和MobileNetV3在测试集的Top1准确率分别为96.78％、94.29％、95.57％和91.53％,Top5准确率分别为99.17％、98.93％、98.79％和97.56％.从模型大小和识别速度来看,MobileNetV3的参数量最小,识别速度最快,其次为MobileViTv2,可用于移动端部署,而Eva-02参数量最大,检测速度最慢.与Pl@ntNet、花伴侣、百度识图植物识别效果的比较表明,本研究训练得到的4个植物识别模型可以识别的天然草地植物物种数量最多,识别准确率最高,均优于这3个识别系统.