Loading [MathJax]/extensions/TeX/noErrors.js
  • 融合迁移学习和集成学习的自然背景下荒漠植物识别方法

    分类: 农、林、牧、渔 >> 农业基础学科 提交时间: 2023-08-14 合作期刊: 《智慧农业(中英文)》

    摘要: [目的/意义]荒漠植物的准确识别是其认识和保护过程中不可或缺的任务,是荒漠生态研究与保护的基 础。自然条件下野外荒漠植物图像的机器视觉自动分类识别可有效提升植物资源调查效率、降低人为主观因素影 响,对荒漠植物的精准分类、多样性保护和资源化利用具有重要意义。[方法]以自然环境下的整株荒漠植物图像 为研究对象,构建新疆干旱区荒漠植物图像数据集,以EfficientNet B0—B4网络为基础网络,提出一种融合迁移学 习和集成学习的荒漠植物图像识别算法,并在公开数据集Oxford Flowers102上进行对比验证。[结果和讨论]基于 EfficientNet B0网络的单一子模型的 Top-1准确率最高可达 93.35%,最低为 92.26%,软投票Ensemble-Soft 模型、硬 投票 Ensemble-Hard 模型以及加权投票法集成的 Ensemble-Weight 模型的准确率分别为 93.63%、93.55%和 93.67%, F1 Score 和准确率相当;基于 EfficientNet B0—B4 网络的单一子模型的 Top-1 准确率最高可达 96.65%,F1 Score 为 96.71%,而 Ensemble-Soft 模型、Ensemble-Hard 模型以及 Ensemble-Weight 模型的准确率分别为 99.07%、98.91%和 99.23%,相较于单一子模型,精度进一步提高,F1 Score 与准确率基本相同,模型性能显著;在公开数据集Oxford Flowers102上进行对比试验,3个集成模型相比 5个子模型准确率和F1 Score 最高提升了 4.56%和 5.05%,最低也提 升了 1.94%和 2.29%,证明了本研究提出的迁移和集成学习策略能够有效提高模型性能。[结论] 本方法可提高荒 漠植物的识别准确率,通过云端传输至服务器后,实现荒漠植物的准确识别,为真实野外环境下植物图像识别精 度低、模型鲁棒性及泛化性弱等问题提供解决思路。服务于野外调查、教学科普以及科学实验等场景。

  • 作物农艺性状与形态结构表型智能识别技术综述

    分类: 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间: 2024-06-17 合作期刊: 《智慧农业(中英文)》

    摘要: [目的/意义]作物农艺性状与形态结构表型智能识别是作物智慧育种的主要内容,是研究“基因型—环 境型—表型”相互作用关系的基础,对现代作物育种具有重要意义。[进展] 大规模、高通量作物表型获取设备 是作物表型获取、分析、测量、识别等的基础和重要手段。本文介绍了高通量作物表型主流平台和感知成像设备 的功能、性能以及应用场景。分析了作物株高获取、作物器官检测与技术等农艺性状智能识别和作物株型识别、 作物形态信息测量以及作物三维重建等形态结构智能识别技术的研究进展及挑战。[结论/展望]从研制新型低成 本田间智能作物表型获取与分析装备、提升作物表型获取田间环境的标准化与一致性水平、强化田间作物表型智 能识别模型的通用性,研究多视角、多模态、多点连续分析与时空特征融合的作物表型识别方法,以及提高模型 解释性等方面,展望了作物表型技术主要发展方向。