基于深度學習的植物識別原理綜述

王永金 左羽 吳戀 崔忠偉 趙晨潔

摘 要：文中對基于深度學習的植物識別技術(shù)進行了廣泛研究。闡述了傳統(tǒng)植物識別技術(shù)存在的缺陷，提出將深度學習技術(shù)應(yīng)用在植物識別方向，并簡要介紹了深度學習中的深度信念網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等網(wǎng)絡(luò)結(jié)構(gòu)和特征以及將各自的神經(jīng)網(wǎng)絡(luò)應(yīng)用在植物識別技術(shù)上的案例，并重點分析了植物識別的原理，最后指出將深度學習應(yīng)用在植物識別方向上的優(yōu)缺點。

關(guān)鍵詞：深度學習;植物識別;神經(jīng)網(wǎng)絡(luò);信念網(wǎng)絡(luò);網(wǎng)絡(luò)結(jié)構(gòu);魯棒性

中圖分類號：TP305文獻標識碼：A文章編號：2095-1302（2020）01-00-03

0 引 言

作為地球上最多樣化的生命形式，植物的種類數(shù)量已經(jīng)達到令人瞠目結(jié)舌的程度，在判斷植物類別時給研究人員帶來了諸多不便。傳統(tǒng)的植物識別主要依靠專家進行判別，當植物種類較多時，就需要大量專家參與，不僅工作量極大，同時分類結(jié)果也容易受專家主觀因素的影響，導致判別植物種類的正確率有所不同。隨著計算機圖像處理技術(shù)的發(fā)展，許多研究者更傾向于將數(shù)字圖像處理和模式識別技術(shù)應(yīng)用于植物分類方面。近年來，深度學習的快速發(fā)展已成為圖像識別領(lǐng)域的熱點。許多研究人員在研究如何將深度學習方法應(yīng)用在植物鑒定中，并取得了較好的識別效果。

1 傳統(tǒng)方法的缺陷

在傳統(tǒng)的植物分類識別[1]方法中，主要包括兩個方面，即特征提取和分類器設(shè)計。許多研究人員在進行特征選取時[2]，一般選擇葉片作為特征參數(shù)，但是這種方法形式單一，背景簡單，并未考慮其他復(fù)雜的背景，例如植物葉片缺口、斷葉、重疊等情況。然后在識別方法上，它局限于形狀、顏色、紋理等特征，并且未將各類特征融合[3]。在分類器的設(shè)計中，通常會選擇神經(jīng)網(wǎng)絡(luò)、支持向量機和最近鄰。但是分類人員在選擇特征功能時大都選擇自己認為正確的，不僅缺乏公認的依據(jù)，同時這些特征只適合特定的數(shù)據(jù)，如果用同樣的特征來處理不同的數(shù)據(jù)集，那么結(jié)果可能不一致，因此這種特征不具有可遷移性[4]。

2 基于深度學習的植物識別技術(shù)

隨著深度學習[5]的發(fā)展，許多研究者將深度學習應(yīng)用在各領(lǐng)域中，特別是在圖像識別領(lǐng)域，取得了較好的效果?；诰矸e神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[6]的深度學習算法可以自動提取圖像特征且無需人工干預(yù)，克服了傳統(tǒng)植物葉片識別依靠人工提取特征的缺陷。近年來，許多研究通過深度學習識別諸如植物的葉子、花朵等圖像。

2.1 深度學習技術(shù)

深度學習是在機器學習的基礎(chǔ)上發(fā)展而來，它屬于機器學習的研究領(lǐng)域之一，解決了特征選擇這一重大難題。傳統(tǒng)的機器學習特征由人類專家選擇，而深度學習則是由自己選擇特征，無需人工選擇，減少了人力、物力的投入。

2.1.1 深度信念網(wǎng)絡(luò)DBN

深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）[7]最初是由Hinton教授提出的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，2006年Hinton教授在Science上發(fā)表了一篇文章，深度學習就是從這個時候慢慢開始發(fā)展，逐漸進入大眾視野，開啟了學術(shù)界的深度學習大潮。這篇文章有兩個觀點：首先，具有多個隱藏層的神經(jīng)網(wǎng)絡(luò)可以學習到更多特征并具有很強的學習能力，能夠更好地描述數(shù)據(jù)性質(zhì)，有利于數(shù)據(jù)可視化或分類。其次，在深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下，可以通過逐層初始化的措施來降低訓練難度。深度信念網(wǎng)絡(luò)是一種生成模型，是由多個受限制的Boltzmann[8]機組成的復(fù)合模型。Hinton教授使用預(yù)訓練方法來解決局部最優(yōu)解的問題，并把隱藏層的數(shù)量增加到了7層，證明隱藏層的層數(shù)可以增加，結(jié)果直觀可見，使得神經(jīng)網(wǎng)絡(luò)有了真正意義上的深度。

2.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）[9]是20世紀80年代提出的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，其處理單元之間存在內(nèi)部反饋連接和前饋連接。在CNN網(wǎng)絡(luò)中，訓練樣本的數(shù)據(jù)大多獨立且具有相同分布，解決的問題多為分類問題、回歸問題或者特征表達問題。但通常更多數(shù)據(jù)不滿足于獨立和相同分布，例如語音翻譯。這是一個序列問題，包括時間序列和空間序列[10]。RNN內(nèi)部具有記憶功能，利用該特點，可用它來處理任意時間段的輸入序列，所以在處理語音翻譯等問題時更容易。RNN分為兩類，其中一類為Simple RNN，會將上一層存儲的信息帶入下一次RNN的隱藏層。Simple RNN有兩個缺點：一是記憶期極短，不僅隱藏層存儲的內(nèi)容向后傳遞時影響會逐漸減弱，同時還無法控制存儲的內(nèi)容，即一個語句中并非所有的內(nèi)容都會寫入存儲中。另一類是Long Short Term Memory（LSTM），即僅將重要的內(nèi)容寫入memory中，不重要的不存入，需要時輸出，必要時清空。LSTM能夠解決Simple RNN存在的問題，但自身所需要的參數(shù)是Simple RNN的4倍。

2.1.3 卷積神經(jīng)網(wǎng)絡(luò)CNN

卷積神經(jīng)網(wǎng)絡(luò)最初是為解決圖像識別問題而提出，之后慢慢發(fā)展，廣泛應(yīng)用于圖像、視頻、音頻和文本數(shù)據(jù)等方面，當人們提起深度學習時，首先會想到CNN，而CNN也被認為是深度學習的代名詞。卷積神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成。

（1）輸入層用來接收原始數(shù)據(jù)，然后對原始數(shù)據(jù)進行處理（包括處理多維數(shù)據(jù)）。

（2）卷積層用來提取圖像的特征。

（3）池化層對卷積層卷積的特征圖進行降維采樣，壓縮數(shù)據(jù)和參數(shù)數(shù)量，避免過擬合，同時增強模型的適應(yīng)能力。池化操作使得特征表達具有魯棒性。

（4）全連接層將之前得到的特征進行整合，針對各類情況輸出概率，之后分類器就可以根據(jù)得到的概率進行分類。

（5）輸出層將全連接層得到的分類結(jié)果進行輸出，使得輸出結(jié)果更直觀。

2.2 基于深度學習的植物識別典型案例

隨著深度學習的快速發(fā)展，許多研究者將深度學習技術(shù)應(yīng)用到了植物識別方面。趙彥輝[11]將深度學習應(yīng)用到了藥用植物識別方面，通過灰度化、角度隨機旋轉(zhuǎn)等對收集的藥用植物圖像進行預(yù)處理，然后采用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，結(jié)合DeepLearning4J框架對模型參數(shù)進行優(yōu)化調(diào)試，從而提高復(fù)雜背景下藥用植物圖像識別的準確性和有效性。鄭一力[12]采用一種基于遷移學習的卷積神經(jīng)網(wǎng)絡(luò)方法，將收集的植物圖像通過水平、垂直翻轉(zhuǎn)等預(yù)處理來擴充植物圖像的數(shù)據(jù)集，之后將數(shù)據(jù)集以4∶1的比例劃分為訓練集和測試集，然后使用遷移學習方法，將之前的模型（AlexNet，InceptionV3）在測試集上訓練，模型前面所有卷積層的參數(shù)均不改變，只替換全連接層的最后一層，使其能夠適應(yīng)植物圖像的識別。結(jié)果表明此方法不僅能節(jié)約大量時間，而且擁有更好的準確率。張雪芹[13]為了解決傳統(tǒng)機器學習算法在大樣本情況下圖像識別速度慢的難點而提出了P-AlexNet模型，此模型是在AlexNet模型基礎(chǔ)上進行改進優(yōu)化而得到的，改進后的模型不僅能在大樣本情況下進行圖像識別，識別精度和泛化能力也有所提高，同時還利用GPU來提高訓練的速度、減少等待時間。最后將此模型算法應(yīng)用于智能植物圖像識別系統(tǒng)，結(jié)果表明使用和測試效果良好。

2.3 基于深度性的植物識別技術(shù)原理

植物識別技術(shù)原理的本質(zhì)是圖像識別[14]，根據(jù)植物的圖像來識別植物種類是植物識別技術(shù)的重點。然而，早期圖像識別的工作僅限于識別文本之類的簡單信息，經(jīng)過計算機技術(shù)的發(fā)展，逐漸演變到今天的圖像識別，可根據(jù)給定的圖像執(zhí)行相應(yīng)的處理和分析，以識別出我們設(shè)定的目標。計算機圖像識別技術(shù)的靈感來源于人類用肉眼去識別圖像的原理，但缺少人類的視覺與感覺。人類在看到某一張圖片時，大腦會迅速感應(yīng)是否見過類似圖片，腦海中是否存在類似圖片的記憶。在看到和感應(yīng)之間便是我們識別的過程。在此過程中，大腦將根據(jù)存儲類別來識別當前看到的圖片，以查看他們是否看過這樣的圖片。計算機的圖像識別技術(shù)也一樣，根據(jù)提取到的特征來識別圖像。隨著神經(jīng)網(wǎng)絡(luò)的興起，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別技術(shù)中，使得計算機本身具備學習能力，從而自動提取圖像特征，自動識別，減少人為干預(yù)，然后通過不斷學習來提高識別準確度。

2.4 基于深度學習的植物識別技術(shù)的優(yōu)缺點

將深度學習應(yīng)用于植物識別方面是許多研究者都在做的事，事實證明這樣做能夠解決在植物識別中遇到的難題。尤其是近年來卷積神經(jīng)網(wǎng)絡(luò)的盛行，許多研究者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于植物分類識別后大大提高了植物鑒定的準確性。從依靠人工分類到現(xiàn)在采用深度學習技術(shù)來識別植物，很大程度上減少了人工投入，大大節(jié)約了成本。而且自然界的植物種類繁多，人工采集的植物圖像多如牛毛，如果僅靠人工分類，那么無疑增加了人的工作量。深度學習能夠在一定程度上解決數(shù)據(jù)繁多的難題，從而節(jié)省大量時間，同時基于深度學習的植物識別準確率也較高。然而，計算機雖然能夠進行植物識別，但是識別準確度還無法達到100%，即使采用已經(jīng)準備好的數(shù)據(jù)集也無法避免誤差，更何況在各種復(fù)雜背景下來動態(tài)識別各類植物，將大幅降低識別準確率。同時設(shè)備的變化、網(wǎng)絡(luò)環(huán)境的差異均會影響判斷的準確性。

3 結(jié) 語

本文闡述了在植物識別方面?zhèn)鹘y(tǒng)方法存在的技術(shù)缺陷，之后介紹了幾種具有代表性的神經(jīng)網(wǎng)絡(luò)，并簡要描述了卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。隨后列舉了幾個深度學習應(yīng)用于植物識別的案例，可以看出將深度學習應(yīng)用于植物識別確實能夠提高識別率。最后分析了植物識別技術(shù)的原理和存在的優(yōu)缺點。

將神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識別雖然還存在一些問題，但是相信隨著計算機技術(shù)的發(fā)展，這些問題都會被逐一解決。

參 考 文 獻

[1]袁銀，王東斌，劉永金.基于深度學習的植物圖像識別方法研究[J].現(xiàn)代農(nóng)業(yè)科技，2017（23）：278-280.

[2]溫坤哲，韋玉科，董曉華.深度卷積神經(jīng)網(wǎng)絡(luò)在圖像美學評價的應(yīng)用綜述[J/OL].計算機工程與應(yīng)用，2019：1-16. [2019-07-03].http：//kns.cnki.net/kcms/detail/11.2127.TP.20190401.1730.026.html.

[3]鐘海軍，胡步發(fā).基于高層特征融合的圖像語義分割[J].機械制造與自動化，2019（3）：178-181.

[4]汪榮貴，姚旭晨，楊娟，等.基于深度遷移學習的微型細粒度圖像分類[J].光電工程，2019，46（6）：21-30.

[5] LECUN Y，BENGIO Y，HINTON G.Deep learning [J]. Nature，2015，521：436-444.

[6] LECUN Y，BENGIO Y.Convolutional Networks for Images，Speech，and Time Series [M]. Cambridge，MA： MIT Press，1998：255-258.

[7] HINTON G E，OSINDERO S， TEH Y W. A fast learning algorithm for deep belief nets [J]. Neural computation，2006，18（7）：1527-1554.

[8] LI W，NING H T. Poisson-boltzmann equation with a random field for charged fluids [J]. Journal of physics：condensed matter，2019，31（37）.

[9] MIKOLOV T， KARAFI?T M， BURGET L， et al. Recurrent neural network based language model [C]// Interspeech，2010.

[10]王遠志，孫家潔，劉連興，等.關(guān)于引入空間序列概念的思考[J].沈陽工程學院學報（自然科學版），2007（2）：179-180.

[11]趙彥輝，范欣寧，張建逵，等.基于DeepLearning4J on Spark深度學習方法在藥用植物圖像識別中的應(yīng)用初探[J].中國中醫(yī)藥圖書情報雜志，2018，42（5）：18-22.

[12]鄭一力，張露.基于遷移學習的卷積神經(jīng)網(wǎng)絡(luò)植物葉片圖像識別方法[J].農(nóng)業(yè)機械學報，2018，49（z1）：354-359.

[13]張雪芹，陳嘉豪，諸葛晶晶，等.基于深度學習的快速植物圖像識別[J].華東理工大學學報（自然科學版），2018，44（6）：887-895.

[14]高浩宇.基于機器學習的圖像識別研究與應(yīng)用[D].武漢：華中師范大學，2018.