基于殘差網(wǎng)絡(luò)和遷移學(xué)習(xí)的野生植物圖像識(shí)別方法

李立鵬，師菲蓬，田文博，陳 雷

(天津商業(yè)大學(xué) 信息工程學(xué)院，天津 300134)

0 引言

我國(guó)是全球植物多樣性最豐富的國(guó)家之一[1]，總數(shù)居世界第三位。除了常見的農(nóng)林植物與盆栽外，還有很多野生植物，是重要的自然資源和環(huán)境要素，對(duì)于維持生態(tài)和發(fā)展經(jīng)濟(jì)具有重要作用[2]。近年來，由于野生植物種類的多樣性以及人們對(duì)其認(rèn)識(shí)的匱乏，很多野生植物被過度采摘。尤其是一些國(guó)家級(jí)重點(diǎn)保護(hù)野生植物，如百山祖冷杉、銀杉等，處于極度瀕危的狀態(tài)，其生存與發(fā)展急需得到保護(hù)。因此，探求一種準(zhǔn)確且高效的野生植物識(shí)別方法刻不容緩。

由于野生植物種類間的相似性，傳統(tǒng)的植物識(shí)別主要依賴人工采集大量樣本，耗時(shí)耗力且識(shí)別率低，植物識(shí)別面臨巨大挑戰(zhàn)。近年來，人工智能行業(yè)飛速發(fā)展，深度學(xué)習(xí)方法已廣泛應(yīng)用于日常生活的各個(gè)領(lǐng)域[3-4]。以深度學(xué)習(xí)為基礎(chǔ)，溫長(zhǎng)吉[5]、曹香瀅[6]、于慧伶[7]等研究人員將卷積神經(jīng)網(wǎng)絡(luò)的思想與植物圖像識(shí)別問題相結(jié)合，探索出了一系列高效準(zhǔn)確的識(shí)別算法，應(yīng)用于不同種類植物圖像的分類問題。目前，以深度學(xué)習(xí)為核心技術(shù)的野生植物分類方法較少，分類效率和識(shí)別精度方面還有很大的提升空間。

本文以遷移學(xué)習(xí)方法為基礎(chǔ)，利用已在大型ImageNet數(shù)據(jù)集中提前訓(xùn)練好的ResNet101網(wǎng)絡(luò)模型，對(duì)經(jīng)過數(shù)據(jù)增強(qiáng)后的野生植物圖像進(jìn)行識(shí)別和分類。同時(shí)，使用Dropout正則化和批量正則化等技術(shù)對(duì)原始模型進(jìn)行微調(diào)，降低模型過擬合。最后，采用SGDM優(yōu)化器優(yōu)化模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，加速模型的收斂。

1 基礎(chǔ)網(wǎng)絡(luò)模型

1.1 卷積神經(jīng)網(wǎng)絡(luò)

作為一種典型的深度神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)共享和稀疏連接策略在處理圖像識(shí)別問題上有獨(dú)特的優(yōu)勢(shì)，在減少網(wǎng)絡(luò)層參數(shù)的同時(shí)提高了神經(jīng)網(wǎng)絡(luò)的泛化能力，增加了圖像的識(shí)別率。

自LeNet-5網(wǎng)絡(luò)被成功用于手寫數(shù)字識(shí)別問題起[8]，由卷積層和池化層交替連接的卷積神經(jīng)網(wǎng)絡(luò)模型基本骨架正式確立。隨后AlexNet網(wǎng)絡(luò)模型的創(chuàng)立[9]，使卷積神經(jīng)網(wǎng)絡(luò)逐漸成為眾多學(xué)科領(lǐng)域的研究熱點(diǎn)之一。近年來，使用卷積神經(jīng)網(wǎng)絡(luò)來處理與分析數(shù)據(jù)已成為流行趨勢(shì)，眾多經(jīng)典的網(wǎng)絡(luò)模型如VGGNet，ResNet，DenseNet及GooleLeNet等相繼被提出，并在計(jì)算機(jī)視覺和自然語(yǔ)言處理等方面得到了廣泛應(yīng)用[10-12]。

1.2 ResNet101網(wǎng)絡(luò)

在卷積神經(jīng)網(wǎng)絡(luò)發(fā)展與研究的進(jìn)程中，由于分類問題日益增多，識(shí)別難度逐漸加大，人們對(duì)卷積神經(jīng)網(wǎng)絡(luò)層的深度要求日漸增高。2015年誕生的殘差網(wǎng)絡(luò)——ResNet[13]，利用殘差模塊進(jìn)行訓(xùn)練，建立了輸入與輸出之間的有效連接，使神經(jīng)網(wǎng)絡(luò)在深度拓寬的同時(shí)還能保持其特征表達(dá)的能力，巧妙地解決了由層數(shù)加深引發(fā)的梯度消失或梯度爆炸問題。引入殘差模塊是卷積神經(jīng)網(wǎng)絡(luò)發(fā)展進(jìn)程中至關(guān)重要的一環(huán)，該模塊結(jié)構(gòu)如圖1所示。

殘差結(jié)構(gòu)以跨層鏈接的方式，構(gòu)成了身份映射(Identity)和殘差映射(Covn)2種映射路徑。通過在普通模塊連接過程中添加x恒等映射的方法，使得該網(wǎng)絡(luò)在緩解梯度消失問題的同時(shí)，有效地控制網(wǎng)絡(luò)層參數(shù)和計(jì)算復(fù)雜度不變。殘差結(jié)構(gòu)單元可表示為：

xj+1=xj+F(xj,Wj)，

(1)

式中，xj，xj+1分別代表該層網(wǎng)絡(luò)的輸入和輸出信息；Wj表示該層待學(xué)習(xí)的參數(shù)。將式(1)進(jìn)行遞歸運(yùn)算，可得任意深層單元J的特征表示：

(2)

為了更好地說明殘差網(wǎng)絡(luò)模塊的內(nèi)涵，引入反向傳播的概念。令網(wǎng)絡(luò)損失函數(shù)為E，由反向傳播的鏈?zhǔn)角髮?dǎo)法則可推出：

(3)

ResNet101是以VGG網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，在其上基于短路機(jī)制添加殘差學(xué)習(xí)模塊而產(chǎn)生的。該網(wǎng)絡(luò)多達(dá)101層，殘差塊由大小分別為1×1,3×3和1×1的3個(gè)卷積層依次相串并與輸入合并構(gòu)成，各層后均加入Rule激活函數(shù)，其殘差學(xué)習(xí)模塊如圖2所示。

圖2 3層式的殘差學(xué)習(xí)模塊Fig.2 Three-layer residual learning module

ResNet101網(wǎng)絡(luò)構(gòu)造如圖3所示。

圖3 ResNet101網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 ResNet101 network structure

從第1組卷積塊起到第5組均為殘差模塊，將大小為224 pixel×224 pixel的圖像數(shù)據(jù)輸送后，經(jīng)殘差網(wǎng)絡(luò)提取特征進(jìn)行學(xué)習(xí)訓(xùn)練，最終縮減為7 pixel×7 pixel的尺寸。經(jīng)過殘差網(wǎng)絡(luò)訓(xùn)練后，將圖像輸入平均池化層取平均，最終由全連接層的Softmax函數(shù)進(jìn)行圖像類別的劃分。

2 網(wǎng)絡(luò)模型構(gòu)建與優(yōu)化

2.1 遷移學(xué)習(xí)

遷移學(xué)習(xí)[14]是為了解決小數(shù)據(jù)量樣本集在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程中，容易出現(xiàn)過擬合問題而提出的一種非常高效的學(xué)習(xí)方法。通過將在大型網(wǎng)絡(luò)(如ImageNet[15]等)中預(yù)訓(xùn)練好的特征參數(shù)保存后，應(yīng)用到全新的任務(wù)中，通過特征模型權(quán)重在不同分類數(shù)據(jù)之間的可移植性，提高了小數(shù)據(jù)分類問題的效率與準(zhǔn)確性。

對(duì)卷積模型而言，遷移學(xué)習(xí)就是要提取提前訓(xùn)練好的卷積基(包括一系列卷積層和池化層)的特征參數(shù)，在新模型中凍結(jié)卷積基，輸出時(shí)設(shè)置一個(gè)新的分類器，針對(duì)特定圖像進(jìn)行分類。

基于遷移學(xué)習(xí)在小樣本數(shù)據(jù)集上的優(yōu)勢(shì)，本文以ResNet101網(wǎng)絡(luò)為基礎(chǔ)架構(gòu)，設(shè)置新樣本參數(shù)為已在ImageNet數(shù)據(jù)集上訓(xùn)練好的參數(shù)，采用遷移學(xué)習(xí)的方法對(duì)小型野生植物圖像數(shù)據(jù)集進(jìn)行訓(xùn)練。

2.2 改進(jìn)模型

2.2.1 模型微調(diào)

基于ResNet101網(wǎng)絡(luò)遷移學(xué)習(xí)，提出的改進(jìn)后的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4所示。

圖4 改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Improved network structure

主要改進(jìn)內(nèi)容如下：

(1) 首先對(duì)遷移模型進(jìn)行微調(diào)，刪除最后的平均池化層和分類層，凍結(jié)其前312層(即凍結(jié)圖3所示conv1～conv4_x層)，對(duì)其后卷積層(conv5_x層)進(jìn)行參數(shù)重訓(xùn)練，使網(wǎng)絡(luò)在借鑒大型數(shù)據(jù)集參數(shù)的同時(shí)保持其與本文所用數(shù)據(jù)集的相關(guān)性，并將該模型作為骨干網(wǎng)絡(luò)。

(2) 設(shè)置全局平均池化層(Global Average Pooling)[16]于ResNet101骨干網(wǎng)絡(luò)之后，使網(wǎng)絡(luò)參數(shù)減少，避免過擬合的發(fā)生。其后添加2層全連接層，將神經(jīng)元個(gè)數(shù)均設(shè)置為128，激活函數(shù)選擇Rule。

(3) 在激活函數(shù)后增加Dropout正則化[17]處理，將舍棄概率值設(shè)置為0.5，即在訓(xùn)練網(wǎng)絡(luò)時(shí)，隨即丟棄一半的參數(shù)，以降低參數(shù)的改變對(duì)輸出結(jié)果的影響，如圖5所示。

(4) 搭建BN層，以Batch Normalization技術(shù)[18]批量標(biāo)準(zhǔn)化處理不規(guī)范的數(shù)據(jù)，歸一化網(wǎng)絡(luò)輸出，降低模型過擬合，使模型收斂速度加快，進(jìn)一步提高模型的性能。BN層算法如式(4)和式(5)，分別表示對(duì)數(shù)據(jù)進(jìn)行規(guī)則化和尺度變換與平移。

(4)

(5)

(5) 添加輸出神經(jīng)元個(gè)數(shù)為62的分類層Softmax，使輸出符合本文數(shù)據(jù)集的要求。

(a) 標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)

2.2.2 模型優(yōu)化

(1) 優(yōu)化器選擇SGDM動(dòng)量梯度下降[19]，初始學(xué)習(xí)率設(shè)為0.001。在隨機(jī)梯度下降法的基礎(chǔ)上引入一階動(dòng)量Momentum，并將參數(shù)β設(shè)為0.9。采用SGD with Momentum的方式，使更新梯度由式(6)轉(zhuǎn)化為式(7)，利用2次訓(xùn)練間梯度的動(dòng)量變化，使其梯度變化不止由當(dāng)前時(shí)刻梯度決定，還與歷史積累有關(guān)。以SGDM為優(yōu)化器，加快模型的收斂速度，緩解了由單純梯度下降法帶來的收斂速度較慢且易于陷入局部鞍點(diǎn)等問題。

mt0=gt0，

(6)

mt=βmt-1+(1-β)gt，

(7)

式中，mt，mt-1分別表示當(dāng)前時(shí)刻與前一時(shí)刻的梯度更新；gt為目標(biāo)函數(shù)的梯度，其具體表示方式如下：

(8)

(2) 損失函數(shù)選擇交叉熵?fù)p失函數(shù)，將得到的輸出進(jìn)行0～1區(qū)間映射，隨后放入傳統(tǒng)的交叉熵函數(shù)中，加快了誤差變化的速度。

2.3 圖像分類流程

將數(shù)據(jù)集劃分后，圖片的一部分在經(jīng)過預(yù)處理后用于新模型的訓(xùn)練，另一部分用于對(duì)學(xué)習(xí)到的特征進(jìn)行評(píng)定。改進(jìn)后網(wǎng)絡(luò)在植物圖像上的基本分類流程如圖6所示。

圖6 改進(jìn)后網(wǎng)絡(luò)在植物圖像識(shí)別中的流程Fig.6 Improved network process in plant image recognition

3 實(shí)驗(yàn)結(jié)果與分析

3.1 野生植物數(shù)據(jù)集及其預(yù)處理

本文采用的數(shù)據(jù)集是來自kaggle的野生植物圖像數(shù)據(jù)集，包含苜蓿、蘆筍、藍(lán)馬鞭草、車前草等植物在內(nèi)的62種常見的野生植物類別，采集了6 558張植物圖像。實(shí)驗(yàn)以4∶1的比例將所含圖像劃分為訓(xùn)練集(80%)和測(cè)試集(20%)兩部分，訓(xùn)練集數(shù)量為5 246張，測(cè)試集數(shù)量為1 312張。其中，部分種類植物圖像如圖7所示。

(a) 紫花苜蓿

實(shí)驗(yàn)原始數(shù)據(jù)還需要在訓(xùn)練開始前進(jìn)行預(yù)處理操作。由于每個(gè)類別訓(xùn)練集植物圖像數(shù)量約85張，數(shù)據(jù)集相對(duì)較小，模型泛化能力差，直接送入網(wǎng)絡(luò)運(yùn)行易過擬合，嚴(yán)重影響圖像識(shí)別的準(zhǔn)確率。因此，首先采用平移、翻轉(zhuǎn)、剪切變換等數(shù)據(jù)增強(qiáng)方法對(duì)訓(xùn)練集樣本進(jìn)行擴(kuò)張并隨機(jī)打亂順序，其中一張圖片隨機(jī)變換后的擴(kuò)充圖像如圖8所示。

(a) 野生植物圖片原圖

接著，采用數(shù)據(jù)規(guī)范化操作使整個(gè)樣本集統(tǒng)一，整理其圖像尺寸為224 pixel×224 pixel。

3.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

本實(shí)驗(yàn)在硬件上使用Intel(R) Core(TM) i5-10210U CPU處理器，運(yùn)行內(nèi)存為8 GB，加速顯卡為NVIDIA GeForce MX250 GPU。軟件環(huán)境為Windows 10 64 bit操作系統(tǒng)，基于Python腳本語(yǔ)言，Tensorflow2.4.0深度學(xué)習(xí)框架和jupyter notebook開發(fā)平臺(tái)。以驗(yàn)證集精度作為模型評(píng)估指標(biāo)。

分別對(duì)各種熱門網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)后，綜合選出精度與收斂速度綜合評(píng)分較高的ResNet101網(wǎng)絡(luò)模型進(jìn)行微調(diào)訓(xùn)練。

3.3 實(shí)驗(yàn)結(jié)果及分析

3.3.1 數(shù)據(jù)擴(kuò)充策略對(duì)實(shí)驗(yàn)結(jié)果的影響

為驗(yàn)證數(shù)據(jù)擴(kuò)充策略對(duì)小樣本數(shù)據(jù)集的影響，現(xiàn)以對(duì)比實(shí)驗(yàn)的方式，在保證網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化方式相同的情況下，分別在原始數(shù)據(jù)集和經(jīng)過平移、翻轉(zhuǎn)、剪切變換等數(shù)據(jù)增強(qiáng)方法擴(kuò)充的數(shù)據(jù)集上進(jìn)行訓(xùn)練，并記錄測(cè)試精度如圖9所示。

圖9 數(shù)據(jù)增強(qiáng)前后準(zhǔn)確率對(duì)比Fig.9 Comparison of accuracy before and after data enhancement

圖中a，b分別表示添加了數(shù)據(jù)擴(kuò)充方法后和未添加前的測(cè)試精度。

由圖9可以看出，對(duì)數(shù)據(jù)增強(qiáng)操作后的訓(xùn)練集進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，可在一定程度上緩解模型過擬合的問題，使模型獲得更高的測(cè)試精度，相比原始數(shù)據(jù)集提高了約3個(gè)百分點(diǎn)，說明數(shù)據(jù)擴(kuò)充策略能有效地提升小數(shù)據(jù)量樣本集的識(shí)別準(zhǔn)確率。

3.3.2 改進(jìn)策略對(duì)實(shí)驗(yàn)結(jié)果的影響

(1) ResNet101網(wǎng)絡(luò)自對(duì)比實(shí)驗(yàn)

為驗(yàn)證本文所提出的微調(diào)模型在野生植物圖像識(shí)別問題上的有效性，分別在遷移學(xué)習(xí)方法的基礎(chǔ)上對(duì)原始ResNet101模型、微調(diào)第5組卷積塊后的模型、添加Dropout正則化和批量正則化技術(shù)后的模型進(jìn)行訓(xùn)練，優(yōu)化器選用SGDM，損失函數(shù)為交叉熵?fù)p失函數(shù)。均迭代150次后，以測(cè)試準(zhǔn)確率最大值為判斷依據(jù)，與本文改進(jìn)模型相比，最終得到的模型精度與損失對(duì)比情況如表1所示。

表1 微調(diào)模型訓(xùn)練結(jié)果對(duì)比Tab.1 Comparison of fine-tuning model training results

由表1可以看出，2種改進(jìn)方案均對(duì)測(cè)試集準(zhǔn)確率和損失結(jié)果有影響。較原始ResNet101模型，微調(diào)卷積塊后模型準(zhǔn)確率提高5.8%、加入正則化技術(shù)后提高2.1%，且模型損失均有降低，證明了本文所提優(yōu)化方法可在一定程度上緩解模型過擬合的問題，在植物識(shí)別問題上具有可行性。本文最終改進(jìn)模型測(cè)試準(zhǔn)確率達(dá)85.6%，較原始模型準(zhǔn)確率提升了6.9%，損失降低了0.7，具有很好的泛化能力，適合用于野生植物圖像的分類。改進(jìn)前后模型訓(xùn)練過程中的準(zhǔn)確率與損失曲線如圖10和圖11所示。

可以看出，原有ResNet101網(wǎng)絡(luò)在訓(xùn)練集上表現(xiàn)較好，識(shí)別精度隨迭代次數(shù)的增多穩(wěn)步升高，最終能達(dá)到將近94%的準(zhǔn)確率，但測(cè)試集精度卻在達(dá)到78%后不再改變，可見模型產(chǎn)生了過擬合的問題。而改進(jìn)后的網(wǎng)絡(luò)模型在訓(xùn)練約40次后，測(cè)試精度能穩(wěn)定在85%，較原始模型泛化能力更優(yōu)。

(a) 改進(jìn)前訓(xùn)練集與測(cè)試集準(zhǔn)確率

(a) 改進(jìn)后訓(xùn)練集與測(cè)試集準(zhǔn)確率

(2) 與其他網(wǎng)絡(luò)模型的對(duì)比試驗(yàn)

為驗(yàn)證ResNet101網(wǎng)絡(luò)結(jié)構(gòu)在野生植物數(shù)據(jù)集上的適用性，本文就卷積神經(jīng)網(wǎng)絡(luò)發(fā)展進(jìn)程中熱門網(wǎng)絡(luò)結(jié)構(gòu)——VGGNet與其對(duì)比，分別以VGGNet16，VGGNet19和ResNet101網(wǎng)絡(luò)為基礎(chǔ)架構(gòu)，采用遷移學(xué)習(xí)的方法對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練。迭代150次后，不同模型的訓(xùn)練結(jié)果如表2所示。

表2 不同模型訓(xùn)練結(jié)果對(duì)比Tab.2 Comparison of training results of different models

由表2可以看出，相較于VGGNet網(wǎng)絡(luò)，ResNet101網(wǎng)絡(luò)引入殘差結(jié)構(gòu)模塊，在減少網(wǎng)絡(luò)參數(shù)的同時(shí)提高了模型的準(zhǔn)確率，表明了殘差結(jié)構(gòu)的有效性。模型的具體測(cè)試精度隨迭代次數(shù)的變化情況如圖12所示。

圖12 不同網(wǎng)絡(luò)測(cè)試準(zhǔn)確率對(duì)比曲線Fig.12 Comparison curves of different network test accuracy

由圖12可以看出，ResNet101網(wǎng)絡(luò)比VGGNet更快收斂且曲線穩(wěn)定后能達(dá)到相對(duì)較高的準(zhǔn)確率，由于ResNet網(wǎng)絡(luò)是在VGG網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上基于短路機(jī)制發(fā)展起來的，因此更能體現(xiàn)出殘差模塊的獨(dú)特優(yōu)勢(shì)。與其他基礎(chǔ)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比，本文所提出的改進(jìn)模型經(jīng)遷移學(xué)習(xí)后對(duì)植物圖像的識(shí)別準(zhǔn)確率最高，因而更適用于野生植物數(shù)據(jù)集的學(xué)習(xí)。

3.3.3 不同優(yōu)化器及學(xué)習(xí)率對(duì)實(shí)驗(yàn)結(jié)果的影響

許多優(yōu)化方法都能解決深度學(xué)習(xí)中模型最優(yōu)解的問題，不同優(yōu)化器的選擇也會(huì)使訓(xùn)練出現(xiàn)不同的效果。訓(xùn)練過程中學(xué)習(xí)率選取太小，收斂速度緩慢；而選取過大，會(huì)導(dǎo)致曲線震蕩，從而容易跳過最優(yōu)值。為驗(yàn)證不同優(yōu)化器和學(xué)習(xí)率對(duì)野生植物數(shù)據(jù)集識(shí)別結(jié)果的影響，分別選用優(yōu)化器SGDM，Adam和RMSprop在改進(jìn)后的模型上進(jìn)行試驗(yàn)，并設(shè)置初始學(xué)習(xí)率分別為0.01，0.001和0.000 1，得到的測(cè)試結(jié)果如表3所示。

表3 不同優(yōu)化器與學(xué)習(xí)率的識(shí)別精度對(duì)比Tab.3 Comparison of recognition accuracy of different optimizers and learning rates

實(shí)驗(yàn)結(jié)果表明，以SGDM為優(yōu)化器，0.001為學(xué)習(xí)率參數(shù)時(shí)，模型能夠快速收斂，測(cè)試準(zhǔn)確率最高達(dá)到85.6%，更適合用于本模型的訓(xùn)練。

4 結(jié)束語(yǔ)

本文提出了一種以ResNet101網(wǎng)絡(luò)為基礎(chǔ)的野生植物圖像識(shí)別方法。首先，針對(duì)實(shí)驗(yàn)樣本較少的問題，對(duì)經(jīng)過數(shù)據(jù)擴(kuò)充后的樣本圖像進(jìn)行遷移學(xué)習(xí)，選取綜合評(píng)分較高的ResNet101網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，凍結(jié)其部分層，對(duì)剩余各層進(jìn)行重訓(xùn)練；其次，對(duì)模型結(jié)構(gòu)參數(shù)進(jìn)行微調(diào)，引入正則化技術(shù)提高泛化，并選取SGDM優(yōu)化器加快模型的收斂速度，使其表現(xiàn)出更好的性能。實(shí)驗(yàn)結(jié)果表明，本文所提方法針對(duì)62種野生植物圖像的測(cè)試精度可達(dá)85.6%，較單一ResNet101網(wǎng)絡(luò)模型遷移學(xué)習(xí)方法提高了約7%的檢測(cè)精度，模型泛化能力較好，對(duì)于解決野生植物圖像的分類識(shí)別問題有一定的可行性。在未來的工作研究中，將擴(kuò)充野生植物數(shù)據(jù)集，把更多的植物種類考慮在內(nèi)，設(shè)計(jì)更加有效地優(yōu)化方法，進(jìn)一步提高不同網(wǎng)絡(luò)模型在此種識(shí)別問題上的性能。