基于計算機(jī)技術(shù)的竹種分類研究進(jìn)展

汪紫微 代福寬 岳祥華 王漢坤 田根林

(國際竹藤中心, 國家林業(yè)和草原局/北京市共建竹藤科學(xué)與技術(shù)重點實驗室 北京 100102)

全球現(xiàn)有竹類植物1 642種，廣泛分布于亞洲、非洲、拉丁美洲[1]，是禾本科植物中的重要經(jīng)濟(jì)植物，享有“樹的最佳替代，草的最高境界”之美譽(yù)，是一種具有優(yōu)良機(jī)械性能的可再生資源。分類學(xué)研究是竹類資源開發(fā)利用的基礎(chǔ)，但不同于其它按花、果進(jìn)行分類的被子植物類群，絕大多數(shù)竹亞科植物很難開花，且一旦開花大片竹林就會枯死；竹子果實大多為穎果，差異較小，這些特殊的生物學(xué)特性決定了對竹類植物進(jìn)行分類并非易事[2-4]。目前，竹類植物分類方法主要有經(jīng)典形態(tài)學(xué)分類[5-7]、解剖特征分類[8-10]、分子生物技術(shù)分類[11-13]，但這些技術(shù)不僅需要依靠經(jīng)驗豐富的專業(yè)人員，而且費時費力，還存在主觀性、模糊性與效率低等問題。隨著信息化時代的發(fā)展，計算機(jī)技術(shù)被廣泛應(yīng)用于植物分類[14-16]，其以數(shù)據(jù)為驅(qū)動，脫離人工，由機(jī)器計算、學(xué)習(xí)，進(jìn)而實現(xiàn)分類，節(jié)省了大量人力物力，也避免了人為主觀判斷帶來的偏差。本文介紹了計算機(jī)科學(xué)在竹種分類學(xué)上的應(yīng)用實例，闡述了從基于數(shù)量分類學(xué)至基于機(jī)器學(xué)習(xí)分類的歷程，以期為竹種分類提供思路，也為竹類植物資源的保護(hù)和可持續(xù)利用提供依據(jù)。

1 基于數(shù)量分類學(xué)的竹種分類

植物數(shù)量分類學(xué)自20世紀(jì)50年代出現(xiàn)后便被廣泛應(yīng)用，主要是將植物性狀歸類成類元，把分類學(xué)的研究從定性的描述提高到定量的綜合分析[17-20]，為研究植物、劃定分類等級提供了新思路。數(shù)量分類學(xué)也一直伴隨著我國竹種分類體系的建立，研究者們從表型性狀方面和組織層面入手，通過分析、比較、討論為分類原理提供方向與佐證，進(jìn)而達(dá)到分類、鑒別的效果。

1.1 表型性狀方面

竹子的表型性狀包括以花、果為代表的生殖體性狀和以分枝、稈籜、竹葉為代表的營養(yǎng)體性狀[21-24]，數(shù)量分類學(xué)以標(biāo)記這些特性為起點。陳守良等[25]將數(shù)量分類手段運用至常見的散生竹上，以13個屬的21個竹種為分類對象，選取地下莖類型、稈枝個數(shù)、籜葉性狀、葉片特征、花與花序形態(tài)等52個表型性狀特征和1個地理分布特征作為分類依據(jù)，根據(jù)相似性繪制出聚類圖，并開創(chuàng)性地提出了結(jié)合線分類法，即通過將聚合過程描點，以結(jié)合水平和結(jié)合次數(shù)為橫、縱坐標(biāo)繪制出結(jié)合線的方式來確定類群分界線的方法；其結(jié)果反映了散生竹屬之間的親緣關(guān)系，同時也對經(jīng)典分類系統(tǒng)作出了合理的校正。李德銖等[26-28]選取了15個竹種進(jìn)行數(shù)量分類學(xué)運算，共選取60個性狀，采用聚類算法、結(jié)合線法作出樹狀圖、結(jié)合線圖，依據(jù)分界線劃分的第一、二級類群提出更傾向于大屬分類的觀點(即第一、二級類群為亞屬或組、屬，而不是屬、族)，這一結(jié)論與經(jīng)典分類學(xué)相吻合，也支持了廣義牡竹屬的觀點，有效解決了牡竹屬及其鄰近屬分類等級混亂的情況。張漢堯等[29]將竹類資源豐富的云南作為觀察地，運用實地觀察和測量的方法，針對26個竹種的41個性狀進(jìn)行了研究，對所得的數(shù)據(jù)進(jìn)行聚類分析，聚類結(jié)果與傳統(tǒng)分類結(jié)果基本相似，但有些地方存在一定的差異；如黃竹是牡竹屬的竹種卻與簕竹屬的竹種聚在一起，料慈竹是簕竹屬的竹種卻與牡竹屬的竹種聚在一起，這些差異可能與選用的性狀不夠全面有關(guān)，也可能與傳統(tǒng)分類過分突出花部性狀有關(guān)；但毋庸置疑，借助數(shù)量分類學(xué)的方法克服了僅依靠少數(shù)幾個性狀進(jìn)行直觀經(jīng)驗性分析的弊端。竹類群落的劃分也可依賴于數(shù)量分類法，張映堂等[30]用多種數(shù)量分類法結(jié)合多種聚合策略，對滇南3個地點的天然竹林中的20塊樣地進(jìn)行了劃分，其中主分量排序法與類平均法所得結(jié)果與實際情況更符合，證明數(shù)量分類法可應(yīng)用于天然竹類植物群落分類。自然環(huán)境下的集群必然存在變異[31-35]，從居群角度探究與地理分布相適應(yīng)的變異對分類也有益。吳豪等[36]、龍春玲等[37-38]以居群為單位對分布于13個自然居群的井岡寒竹復(fù)合體進(jìn)行調(diào)查和分析，選取節(jié)部、節(jié)間、分枝和葉片等部位的13個性狀，用SPSS軟件進(jìn)行單因素方差分析、變異系數(shù)分析、相關(guān)性分析，篩選出7個具有分類學(xué)價值的性狀，即胸徑、節(jié)數(shù)、枝下高、葉長、葉寬、葉長寬比和枝盤數(shù)，為復(fù)合體竹種分類提供了可靠的信息，由此推測復(fù)合體的系統(tǒng)演化與地理上的隔離分化有較大的關(guān)聯(lián)。

1.2 組織層次方面

竹類植物由維管束與薄壁組織組成，維管束鑲嵌在薄壁組織中為增強(qiáng)相，薄壁組織為基體相。典型維管束類型有5種，按進(jìn)化順序分別為雙斷腰型、斷腰型、緊腰型、開放型、半開放型[39-40]，利用竹子維管束解剖形態(tài)作為區(qū)分屬、種的研究有不少，但大多局限于定性描述[9-10,41-43]，少見定量研究。高智慧等[44]以中國常見的17種散生竹為分類單位，使用Fuzzy直接聚類分析維管束類型，分別選取竹稈上、中、下3段各類型維管束作為分類的性狀，根據(jù)矩陣之間的相似程度在任意λ水平上進(jìn)行分類，發(fā)現(xiàn)當(dāng)λ=0.65時，散生竹的17個竹種可歸并為12個屬，與經(jīng)典分類結(jié)果基本一致。

在天然竹類植物屬間分類、種間分類、群落劃分中，數(shù)量分類法作為一種輔助和驗證是可行的，它是分類的又一種重要途徑，能綜合多種性狀因子進(jìn)行分類，可以減少主觀片面性，分類結(jié)果也更符合客觀實際，且較之其他一些分類法更加簡便。但在具體應(yīng)用時需注意：原始特性選取是否合理；各類編碼是否準(zhǔn)確、科學(xué)；分類方法選擇是否恰當(dāng)。

2 基于機(jī)器學(xué)習(xí)的竹種智能分類

當(dāng)今，人工智能屬于應(yīng)用研究的熱門領(lǐng)域，這為植物分類發(fā)展帶來了新機(jī)遇[45]。目前人工智能用于植物分類的主流方法主要有2種：一種是傳統(tǒng)的通過標(biāo)注特征、提取特征、分類器分類獲得結(jié)果的傳統(tǒng)機(jī)器學(xué)習(xí)[14-15]；另一種是通過深度卷積神經(jīng)網(wǎng)絡(luò)分層提取、分析和理解圖像識別要素的深度學(xué)習(xí)，其內(nèi)部的多隱層、非線性結(jié)構(gòu)使系統(tǒng)了解輸入和輸出之間的復(fù)雜關(guān)系，并能自主學(xué)習(xí)、不斷優(yōu)化，而后基于經(jīng)驗判別物種所屬類別[16]，其優(yōu)勢在于不需要像機(jī)器學(xué)習(xí)一樣手動提取、制作特征。

2.1 傳統(tǒng)分類器分類

傳統(tǒng)分類器主要依賴于人工設(shè)定好的特征或一些特征描述子，例如梯度直方圖、灰度直方圖和傅里葉矩等，這些特征通常僅僅是對圖像中表層的信息進(jìn)行描述與表征，特征選取后還需進(jìn)一步選擇分類器，將用于分類的特征輸入至分類器調(diào)節(jié)各部分參數(shù)，屬于一種基于數(shù)據(jù)和多參數(shù)定量分析的方法[14-15]，該方法在解決約束較多的問題上效果明顯。

李欣[46-47]等基于支持向量機(jī)(SVM)，將ReliefF算法、Ranker搜索作為屬性選擇(AS)策略，采用網(wǎng)格搜索和K-交叉驗證法優(yōu)化RBF(徑向基函數(shù))-SVM的各項參數(shù)，構(gòu)建了一種優(yōu)化的AS-PO(參數(shù)優(yōu)化)-SVM分類模型依據(jù)常見的形態(tài)學(xué)特征，選擇地下莖、竹稈、竹籜、竹葉、花等56個性狀作為分類依據(jù)，對46個竹種進(jìn)行分類，取得了較好的分類效果，并在竹種數(shù)據(jù)庫中進(jìn)行小樣本實例驗證，準(zhǔn)確率達(dá)到95.65%，證明了該模型對竹種分類的有效性。為研究葉片性狀特征及其特征組合對竹種識別準(zhǔn)確度的影響，找出分類效果較好的特征組合，周必鐃等[48]研究了16個屬下的70種竹子，結(jié)合Python語言、OpenCV庫識別葉片掃描圖像，測算葉片的長度、寬度、面積、周長和最小外接圓面積，同時計算出葉片外接矩形面積、葉片周長與面積的比值、葉片面積與外接矩形面積的比值和與葉片面積相等圓的直徑，共9個指標(biāo)作為分類特征。比較單個性狀、組合性狀的準(zhǔn)確率，最終選取5個性狀作為分類特征，分別為葉長、葉寬、葉面積、葉周長、葉周長與葉面積之比；結(jié)果顯示16個屬中有14個屬的識別準(zhǔn)確率達(dá)到80%以上，其中5個屬達(dá)到90%以上，倭竹屬的準(zhǔn)確率更是達(dá)到100%，這證實了SVM分類器基于葉片性狀組合對多個竹種進(jìn)行分類的可行性，且在屬、種水平上均達(dá)到了較好的分類效果，為竹子分類研究提供了一種多維度定量分析方法。沈逸[49]在葉片形狀特征向量的基礎(chǔ)上又增加了紋理特征向量，并對比極限學(xué)習(xí)機(jī)、SVM、概率神經(jīng)網(wǎng)絡(luò)和基于遺傳算法的反向傳播(GA-BP)神經(jīng)網(wǎng)絡(luò)4種分類器的分類效果，極限學(xué)習(xí)機(jī)分類準(zhǔn)確率為72.45%，分類效果不理想，可能與樣本量較少、竹葉相似度高或者分類器性能有關(guān)。此外，竹葉形態(tài)隨著環(huán)境變化其波動性大，以竹葉為對象進(jìn)行竹種分類可能需要整合大量數(shù)據(jù)、采集各地樣本，提高數(shù)據(jù)的多樣性、均衡性，以此來達(dá)到區(qū)分竹種的目的。Singh等[50-51]直接提取竹籜葉的中心矩、勒讓德矩以及傅里葉矩描述子特征，對比分類精度和分類時間，認(rèn)為傅里葉矩是最適合用于處理形狀特征的描述子。Parismita等[52]將高分辨率相機(jī)拍攝的印度地區(qū)5種竹子的竹稈部圖像和竹葉圖像作為數(shù)據(jù)，打破了以往的重疊特征算法，采用投票的方式設(shè)計程序，擬通過特征向量、Sobel邊緣檢測以及骨架化進(jìn)行K-近鄰算法(KNN)分類。Tong等[53]將光譜技術(shù)與分類算法結(jié)合，采集了4種竹筍的近紅外光譜，對光譜圖進(jìn)行預(yù)處理后選擇分類的區(qū)域，得到了可靠的分類算法，為竹筍分類提供了一種快速、無損的方法。生物質(zhì)材料特性多種多樣，在加工利用中如何選取代表性性狀篩選優(yōu)異竹材也十分重要，岳想想等[54]用主成分分析降維法獲得6個綜合主成分?jǐn)?shù)據(jù)，通過聚類法可將綜合性能優(yōu)異的竹材聚成一類。

2.2 深度神經(jīng)網(wǎng)絡(luò)分類

基于圖像分類、識別領(lǐng)域等方面技術(shù)的需要，計算機(jī)技術(shù)不斷進(jìn)步，更深層次的網(wǎng)絡(luò)模型應(yīng)運而生，這些模型可以由淺及深、由表及里地提取、學(xué)習(xí)高復(fù)雜度圖像下的識別、分類作業(yè)，其擁有自主學(xué)習(xí)目標(biāo)特征能力、多卷積核和權(quán)值共享等特點[55-58]，處于自然環(huán)境下的物體也可被準(zhǔn)確定位、識別。竹類植物生長環(huán)境大多復(fù)雜且混亂，是否可將此技術(shù)應(yīng)用至處于野外環(huán)境的竹類植物上，研究者進(jìn)行了探索。

段慧茹[59]選用自然環(huán)境下攝像機(jī)采集的竹種圖像作為數(shù)據(jù)集，選用4種深度神經(jīng)網(wǎng)絡(luò)模型，為了減少圖像背景的干擾，用顯著性檢測算法RC獲取顯著圖，通過最大類間方差法截取竹種顯著區(qū)域，并進(jìn)行縱橫比為1的分割；結(jié)果表明，該方法能有效改善竹種圖像的分類效果，竹種分類精度從初始的87.31%提高至93.09%。王志玲等[60-61]以將模型部署至手機(jī)端為目標(biāo)，對網(wǎng)絡(luò)模型進(jìn)行壓縮處理，使模型的占用內(nèi)存空間和運行速度都能適應(yīng)手機(jī)端，這為竹種識別進(jìn)入大眾視野提供了有效思路。Jupal等[62]收集印度地區(qū)5種竹類的圖像數(shù)據(jù)，以此作為輸入，分別構(gòu)建了4種分類器算法和2種神經(jīng)網(wǎng)絡(luò)模型，發(fā)現(xiàn)深層模型的準(zhǔn)確率最高可達(dá)98%，遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)分類器算法。

基于竹類植物圖像的分類法是切實可行的，隨著數(shù)字圖像智能化的普及，該項技術(shù)也是未來發(fā)展的一大趨勢。今后，研究人員可收集更多樣的圖像數(shù)據(jù)，搭建、更新、擴(kuò)充數(shù)據(jù)庫，優(yōu)化算法和模型的泛化能力以及識別準(zhǔn)確率，以獲得更高效、高精度的分類結(jié)果。訓(xùn)練后的算法和模型可移植到PC端、手機(jī)端，在竹材加工利用中和日常生活中便可隨時、隨地對竹種進(jìn)行分類以及識別。

3 展望與建議

計算機(jī)技術(shù)的發(fā)展為竹子分類從傳統(tǒng)人工經(jīng)驗逐步過渡到基于深度學(xué)習(xí)的智能分類提供了技術(shù)支撐，既能節(jié)省大量人力和物力，又能避免主觀性、模糊性和效率低的問題，必將成為今后竹學(xué)的研究熱點。為進(jìn)一步推動基于深度學(xué)習(xí)的計算機(jī)視覺識別技術(shù)的發(fā)展和應(yīng)用，建議重點開展以下2方面的工作。

1) 積極開展竹類植物標(biāo)本數(shù)字化工作，采用專業(yè)化、標(biāo)準(zhǔn)化手段采集竹子表型性狀和組織層面的圖像，建立起準(zhǔn)確、可靠的圖像數(shù)據(jù)庫，為基于深度學(xué)習(xí)的竹種計算機(jī)視覺識別技術(shù)發(fā)展和應(yīng)用奠定堅實的數(shù)據(jù)基礎(chǔ)。

2) 比較多種深度網(wǎng)絡(luò)模型結(jié)構(gòu)、參數(shù)下的識別精度，根據(jù)測試結(jié)果不斷優(yōu)化模型，提高模型的精度和泛化能力，確立適用于竹子分類的最優(yōu)網(wǎng)絡(luò)及參數(shù)，實現(xiàn)竹類植物計算機(jī)視覺識別技術(shù)的標(biāo)準(zhǔn)化。