基于卷積神經(jīng)網(wǎng)絡(luò)的互花米草識(shí)別研究

李巖舟 何艷洲 覃鋒 錢萬強(qiáng) 吳媚 喬曦

摘要：互花米草的侵入對(duì)我國(guó)的生態(tài)系統(tǒng)多樣性造成了巨大損失，如何準(zhǔn)確地識(shí)別零散斑塊的互花米草對(duì)其早期監(jiān)測(cè)及預(yù)警具有重要意義。采用低空無人機(jī)遙感技術(shù)，以廣西北海地區(qū)春季時(shí)期紅樹林中的互花米草為研究對(duì)象，利用AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五種卷積神經(jīng)網(wǎng)絡(luò)，分別對(duì)包含互花米草、紅樹林及其他地物背景的圖像數(shù)據(jù)集進(jìn)行模型的訓(xùn)練、驗(yàn)證與測(cè)試，然后將訓(xùn)練好的五種網(wǎng)絡(luò)模型對(duì)整個(gè)試驗(yàn)區(qū)域的互花米草及地物背景進(jìn)行識(shí)別并標(biāo)記，得到互花米草的分布圖。基于混淆矩陣和運(yùn)算時(shí)間的綜合定量評(píng)估結(jié)果表明，ResNet50網(wǎng)絡(luò)模型總體上優(yōu)于另外四種網(wǎng)絡(luò)模型，識(shí)別準(zhǔn)確率最高，達(dá)到了96.96%，且在測(cè)試集上耗時(shí)僅為5.47 s。將識(shí)別結(jié)果圖與互花米草實(shí)際分布圖進(jìn)行對(duì)比，ResNet50網(wǎng)絡(luò)模型的識(shí)別結(jié)果與互花米草的實(shí)際分布基本重合。

關(guān)鍵詞：無人機(jī)遙感；互花米草；卷積神經(jīng)網(wǎng)絡(luò)；零散斑塊

中圖分類號(hào)：S451： TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2023） 04-0159-08

Abstract： The invasion of Spartina alterniflora has caused great losses to ecosystem diversity in China. How to accurately identify Spartina alterniflora in scattered patches is important for early monitoring and early warning. In this paper， low-altitude UAV remote sensing technology was used to study Spartina alterniflora in spring mangroves in Beihai area of Guangxi. Five convolutional neural networks including AlexNet， VGG16， GoogleNet， ResNet50 and EfficientNetB0 were used. Model training， validation and testing were carried out on image data sets containing Spartina alterniflora， mangrove and other ground object backgrounds respectively， then the cultivated five network models were used to identify and mark Spartina alterniflora and ground object backgrounds in the whole experiment area， obtaining the distribution map of Spartina alterniflora. The comprehensive quantitative evaluation results based on confusion matrix and operation time showed that ResNet50 network model was superior to the other four network models in general， with the highest recognition accuracy of 96.96%， and the test set took only 5.47 s. The identification results were compared with the actual distribution of Spartina alterniflora， and the identification results of ResNet50 network model basically coincided with the actual distribution of Spartina alterniflora.

Keywords： UAV remote sensing; Spartina alterniflora; convolutional neural network; scattered patches

0 引言

近年來，生態(tài)安全問題愈發(fā)突出，中國(guó)每年因生物入侵造成的經(jīng)濟(jì)損失超2 000億元［1］。為遏制入侵物種的傳播，中國(guó)于2013年發(fā)布了《中國(guó)第一批外來入侵物種名單》，其中互花米草是僅有的海岸帶鹽沼植物［2］。

互花米草（Spartina alterniflora）原產(chǎn)于北美洲，具有抗擊風(fēng)沙，保護(hù)河堤等優(yōu)點(diǎn)。出于保灘護(hù)岸的目的，我國(guó)于1979年從美國(guó)引進(jìn)互花米草的幼苗和種子，并在福建省羅源灣進(jìn)行試種實(shí)驗(yàn)［3］，其后在我國(guó)沿海地區(qū)開始推廣試種?；セ撞萃ㄟ^有性繁殖和無性繁殖來擴(kuò)大種群，經(jīng)過多年的擴(kuò)散，已經(jīng)廣泛分布到中國(guó)海岸潮間帶，對(duì)中國(guó)的濱海濕地生態(tài)系統(tǒng)的結(jié)構(gòu)和功能造成嚴(yán)重影響［4-7］。根據(jù)文獻(xiàn)的記載，廣西最早于1979年在合浦縣丹兜海和廉州灣引種了互花米草［8］。陶艷成等［9］在前人研究的基礎(chǔ)上，基于衛(wèi)星影像對(duì)廣西互花米草的擴(kuò)散現(xiàn)狀進(jìn)行了監(jiān)測(cè)分析，得出互花米草正處于迅速擴(kuò)張期，空間上呈現(xiàn)出自東向西擴(kuò)散的結(jié)論。李麗鳳等［10］對(duì)廣西山口紅樹林保護(hù)區(qū)中互花米草和紅樹林之間的生存轉(zhuǎn)化關(guān)系進(jìn)行研究，得出互花米草侵占灘涂的空間速度比紅樹林快的結(jié)論。如何快速準(zhǔn)確地識(shí)別出互花米草早期的生長(zhǎng)分布狀況，對(duì)于互花米草的精準(zhǔn)防治具有重要的意義。

隨著計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展，越來越多的機(jī)器學(xué)習(xí)方法應(yīng)用于植物等對(duì)象的分類識(shí)別中。Chen等［11］利用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)SRCNN和FSRCNN對(duì)斑塊尺度上的互花米草進(jìn)行監(jiān)測(cè)分析，提高了圖像的分辨率，特別是FSRCNN對(duì)識(shí)別和估算小斑塊的互花米草更為有效。原忠虎等［12］提出了一種基于改進(jìn)的VGGNet模型，對(duì)外來入侵植物葉片進(jìn)行識(shí)別，該模型可以有效地降低因葉片輪廓相近導(dǎo)致識(shí)別錯(cuò)誤的問題。喬曦等［13］提出了基于卷積神經(jīng)網(wǎng)絡(luò)的野外薇甘菊識(shí)別模型MicranthaNet，識(shí)別準(zhǔn)確率達(dá)到了94.50%，且總耗時(shí)僅為10.369 s。安談洲等［14］基于卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)油菜是否發(fā)生凍害進(jìn)行識(shí)別，識(shí)別精度達(dá)到98.13%。Qian等［15］基于薇甘菊?qǐng)D像數(shù)據(jù)，提出了一種深度卷積神經(jīng)網(wǎng)絡(luò)模型——IAPsNet，該模型的識(shí)別準(zhǔn)確率達(dá)到93.39%。

相較于人工踏查的方法，無人機(jī)效率更高。而對(duì)于衛(wèi)星遙感來說，受衛(wèi)星重訪周期的制約，遙感數(shù)據(jù)的獲取受到限制，同時(shí)對(duì)于零散斑塊入侵物種的監(jiān)測(cè)難以實(shí)現(xiàn)［16-17］。無人機(jī)作為一種新型的遙感平臺(tái)，靈活性較強(qiáng)，獲取的空間影像分辨率可輕松達(dá)到厘米級(jí)甚至毫米級(jí)，能夠彌補(bǔ)衛(wèi)星遙感空間分辨率不足的短板，采集成本低于衛(wèi)星遙感。Wan等［18］利用高空間分辨率的無人機(jī)對(duì)廣西北海的互花米草進(jìn)行研究，彌補(bǔ)了中等空間衛(wèi)星圖像分辨率低下的不足。Mullerova等［19］以兩種具有明顯不同物候的草本物種為研究對(duì)象，對(duì)比無人機(jī)遙感和衛(wèi)星遙感情況，得出無人機(jī)能夠在所需的時(shí)間周期內(nèi)，低成本靈活地獲取數(shù)據(jù)，非常適合目標(biāo)檢測(cè)，而衛(wèi)星圖像適用更大區(qū)域范圍的結(jié)論。

基于以上文獻(xiàn)的分析，本文以無人機(jī)遙感的方式，基于深度學(xué)習(xí)方法，對(duì)廣西北海地區(qū)紅樹林中的互花米草進(jìn)行研究，識(shí)別零散斑塊的互花米草，為后續(xù)互花米草的防治根除提供數(shù)據(jù)支撐。

1 試驗(yàn)材料與方法

1.1 圖像采集

試驗(yàn)樣本：試驗(yàn)圖像數(shù)據(jù)采集于2021年3月24日，采集區(qū)位于廣西壯族自治區(qū)北海市銀海區(qū)竹林村，位置坐標(biāo)信息為21°27′43.58″N，109°18′54.02″E。試驗(yàn)器材：大疆御MAVIC MINI無人機(jī)航拍器。試驗(yàn)數(shù)據(jù)采集方法：設(shè)置無人機(jī)的飛行高度為10 m，飛行速度為4.0 m/s，拍照模式設(shè)置為等間距拍照，相機(jī)朝向設(shè)置為平行于主航線，飛行航向重疊率設(shè)置為60%，旁向重疊率設(shè)置為60%，云臺(tái)俯仰角度設(shè)置為-90°，拍攝面積設(shè)置為40 m×80 m，拍攝模式為手動(dòng)操作拍攝。

1.2 圖像數(shù)據(jù)處理

1.2.1 數(shù)據(jù)處理設(shè)備

Windows版本為Windows Server 2019Datacenter，基于x64的處理器，64位操作系統(tǒng)。處理器型號(hào)為Intel（R） Core（TM） i7-7700 CPU @3.60 GHZ，內(nèi)存64.0 GB，顯卡型號(hào)為NVIDIA TITAN Xp。

1.2.2 數(shù)據(jù)處理方法

1）? 采集單張?jiān)紙D片共計(jì)1 200張，單張?jiān)紙D片像素大小為4 000像素×2 250像素。

2）? 用photoscan軟件拼接采集的圖片，生成正射影像，對(duì)拼接后的圖片進(jìn)行裁剪，去掉與試驗(yàn)無關(guān)的部分，最終得到圖片的像素大小為9 408像素×18 928像素。正射影像圖如圖1所示。

3）? 利用MATLAB2018軟件，對(duì)拼接后的大圖片進(jìn)行分割，分割成112像素×112像素大小，得到14 196張圖片。

1.2.3 數(shù)據(jù)集制作

1）? 數(shù)據(jù)集的標(biāo)簽分為四類，即互花米草、海欖雌（紅樹林）、灘涂、河堤。

2）? 從分割后的小照片中，隨機(jī)挑選出4 500張互花米草照片，4 500張紅樹林照片，500張灘涂圖片，500張河堤照片。由于灘涂和河堤照片較少，為了避免數(shù)據(jù)不平衡造成的影響，對(duì)灘涂和河堤照片進(jìn)行數(shù)據(jù)增強(qiáng)，通過旋轉(zhuǎn)、剪切等，得到1 500張灘涂照片、1 500張河堤照片。

3） 把得到的互花米草、海欖雌、灘涂、河堤的數(shù)據(jù)集，按照6∶2∶2的比例，劃分成訓(xùn)練集、驗(yàn)證集、測(cè)試集。訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò)的模型，驗(yàn)證集用于調(diào)整網(wǎng)絡(luò)模型的超參數(shù)，測(cè)試集用于檢驗(yàn)訓(xùn)練完成后的網(wǎng)絡(luò)模型。數(shù)據(jù)標(biāo)簽圖像如圖2所示。

1.3 網(wǎng)絡(luò)模型選擇

用于分類任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)模型有很多，比如早期的LeNet、Alexnet、VGG、GoogleNet、ResNet、DenseNet等，以及最近幾年新發(fā)表的算法模型如MobileNet、ShuffleNet、EfficientNet等，網(wǎng)絡(luò)模型越來越小而精巧，模型的識(shí)別速度以及識(shí)別準(zhǔn)確率越來越高。Abade等［20］對(duì)過去10年中選擇的121篇植物病蟲害識(shí)別等方面的論文進(jìn)行統(tǒng)計(jì)，結(jié)果表明AlexNet、VGG、ResNet、LeNet、Inception V3、GoogleNet等網(wǎng)絡(luò)模型在之前的研究中使用較多。因此本文以前期研究中使用次數(shù)較多的網(wǎng)絡(luò)以及最近幾年新發(fā)表的網(wǎng)絡(luò)——AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0作為識(shí)別互花米草的深度卷積神經(jīng)網(wǎng)絡(luò)模型，通過調(diào)節(jié)網(wǎng)絡(luò)模型的學(xué)習(xí)率、訓(xùn)練周期數(shù)、樣本批次大小等超參數(shù)，對(duì)互花米草進(jìn)行圖像識(shí)別。

1.4 網(wǎng)絡(luò)結(jié)構(gòu)

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、輸出層組成［21］。本文基于AlexNet［22］、VGG16［23］、GoogleNet［24］、ResNet50［25］、EfficientNetB0［26］五種卷積網(wǎng)絡(luò)模型對(duì)互花米草進(jìn)行分類識(shí)別，應(yīng)用于本次試驗(yàn)的五種卷積網(wǎng)絡(luò)模型的結(jié)構(gòu)及參數(shù)分別如表1～表5所示，通過試驗(yàn)的對(duì)比，找出適合互花米草識(shí)別的網(wǎng)絡(luò)模型。

以模型在測(cè)試集上的運(yùn)行時(shí)間作為網(wǎng)絡(luò)模型的識(shí)別效率，單位為秒。

2 模型訓(xùn)練與結(jié)果分析

2.1 模型超參數(shù)選擇

在深度卷積神經(jīng)網(wǎng)絡(luò)中，除了模型自身的結(jié)構(gòu)以外，學(xué)習(xí)率（Learing rate）、訓(xùn)練周期數(shù)（Epoch）、樣本批次大?。˙atchsize）等超參數(shù)也會(huì)影響模型的收斂速度、訓(xùn)練速度和泛化能力。超參數(shù)的設(shè)置，對(duì)模型訓(xùn)練結(jié)果有相當(dāng)大的影響。學(xué)習(xí)率如果設(shè)置過大，網(wǎng)絡(luò)模型通過反向傳播更新參數(shù)的過程中，可能會(huì)跳過使損失函數(shù)最小的參數(shù)值，使網(wǎng)絡(luò)模型陷入局部最小值；學(xué)習(xí)率如果設(shè)置過小，梯度下降的速度會(huì)變慢，參數(shù)更新的速度會(huì)變小，雖然隨著訓(xùn)練周期數(shù)的增加網(wǎng)絡(luò)模型最終也會(huì)趨于收斂，但耗費(fèi)的時(shí)間比較長(zhǎng)，收斂速度比較慢。因此在訓(xùn)練的過程中可以采用衰減學(xué)習(xí)率的策略，先給網(wǎng)絡(luò)模型一個(gè)較大的初始學(xué)習(xí)率，快速得到一個(gè)較優(yōu)的解，隨著訓(xùn)練周期的增加，逐步減小學(xué)習(xí)率，使得模型在訓(xùn)練的后期更加穩(wěn)定。一般情況下傾向于選擇相對(duì)較小的學(xué)習(xí)率，學(xué)習(xí)率選擇范圍在0.01～0.001，本文中，初始學(xué)習(xí)率設(shè)置為0.01，學(xué)習(xí)衰減率設(shè)置為0.85。同樣訓(xùn)練周期如果設(shè)置過大，模型訓(xùn)練的時(shí)間會(huì)變長(zhǎng)，訓(xùn)練速度變小，網(wǎng)絡(luò)模型收斂之后會(huì)上下震蕩，對(duì)準(zhǔn)確率的提升沒有意義，浪費(fèi)電腦資源；如果訓(xùn)練周期設(shè)置過小，模型會(huì)在收斂之前停止訓(xùn)練，得不到最優(yōu)的結(jié)果。樣本批次大小的設(shè)置對(duì)模型的訓(xùn)練速度也有著較大影響，在一定范圍內(nèi)，樣本批次設(shè)置越大，計(jì)算機(jī)設(shè)備的內(nèi)存利用率越高，網(wǎng)絡(luò)模型訓(xùn)練的速度會(huì)越快，樣本批次大小設(shè)置過大的話，對(duì)計(jì)算機(jī)的內(nèi)存容量要求會(huì)更高，在一個(gè)訓(xùn)練周期內(nèi)，迭代次數(shù)會(huì)相應(yīng)變小，對(duì)參數(shù)的更新會(huì)變得緩慢，通常樣本批次大小設(shè)置為2的冪次方，比如設(shè)置為32、64、128等。經(jīng)過實(shí)際的驗(yàn)證，將訓(xùn)練周期設(shè)置為500，樣本批次大小設(shè)置為128，會(huì)得到一個(gè)較優(yōu)的網(wǎng)絡(luò)模型。

2.2 模型訓(xùn)練情況分析

經(jīng)過500個(gè)周期的訓(xùn)練之后，網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果如圖3所示。

從圖3中可以看出，網(wǎng)絡(luò)模型在經(jīng)歷500個(gè)訓(xùn)練周期之后，損失函數(shù)值不再減小，訓(xùn)練集準(zhǔn)確率也不再上升，發(fā)生小幅度的振蕩，表示網(wǎng)絡(luò)模型均已達(dá)到收斂狀態(tài)。其中AlexNet、VGG16、GoogleNet、EfficientNetB0、ResNet50模型的訓(xùn)練集最高準(zhǔn)確率分別為84.23%、93.03%、96.32%、94.77%、98.03%，訓(xùn)練集損失函數(shù)最小值分別為0.372、0.191、0.208、0.145、0.061。GoogleNet和ResNet50在訓(xùn)練集上有較好的識(shí)別能力，識(shí)別準(zhǔn)確率均達(dá)到了95%以上，而AlexNet在訓(xùn)練集上的識(shí)別能力相對(duì)較差。訓(xùn)練集的結(jié)果反映了網(wǎng)絡(luò)模型對(duì)訓(xùn)練集樣本的識(shí)別能力。

2.3 模型測(cè)試情況分析

網(wǎng)絡(luò)模型在訓(xùn)練集收斂之后，會(huì)保存一個(gè)最優(yōu)的訓(xùn)練模型，分別把AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0網(wǎng)絡(luò)模型的測(cè)試集喂入各自訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，生成混淆矩陣，并且計(jì)算出各個(gè)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率、精確率、召回率、F1-Score、識(shí)別效率，測(cè)試結(jié)果如表6所示。

從表6中可以看出，AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五種卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)四個(gè)類別總體識(shí)別準(zhǔn)確率分別為83.75%、92.63%、93.21%、96.96%、93.50%。其中，ResNet50網(wǎng)絡(luò)模型測(cè)試準(zhǔn)確率最高，表現(xiàn)出網(wǎng)絡(luò)模型具有較好的分類識(shí)別能力和模型泛化能力以及具有較好的魯棒性；在互花米草的識(shí)別上，ResNet50網(wǎng)絡(luò)模型識(shí)別的精確率為97.61%，召回率為95.22%，F(xiàn)1-Score為96.40%，相比于另外四種網(wǎng)絡(luò)，ResNet50對(duì)互花米草的識(shí)別精度和能力都是最好。在海欖雌的識(shí)別上，EfficientNetB0網(wǎng)絡(luò)模型識(shí)別的精確率為99.66%，ResNet50網(wǎng)絡(luò)模型識(shí)別的精確率為99.00%，略低于EfficientNetB0，而其召回率為99.22%，F(xiàn)1-Score為99.11%，均優(yōu)于另外四種卷積網(wǎng)絡(luò)模型。在灘涂的識(shí)別上，ResNet50網(wǎng)絡(luò)模型識(shí)別的精準(zhǔn)率、召回率、F1-Score分別為88.47%，94.67%，91.47%，在對(duì)河堤的識(shí)別上，ResNet50網(wǎng)絡(luò)模型識(shí)別的精準(zhǔn)率、召回率、F1-Score分別為97.99%，97.67%，97.83%，是五種模型中識(shí)別結(jié)果最優(yōu)的網(wǎng)絡(luò)模型。

從識(shí)別效率上來看，AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五種卷積神經(jīng)網(wǎng)絡(luò)模型在測(cè)試集上的運(yùn)行時(shí)間分別為2.67 s、4.41 s、4.62 s、5.47 s、5.59 s。AlexNet網(wǎng)絡(luò)所用的時(shí)間最少，識(shí)別效率最高；EfficientNetB0網(wǎng)絡(luò)所用時(shí)間最多，效率最低；ResNet50網(wǎng)絡(luò)運(yùn)行時(shí)間略高于VGG16、GoogleNet，僅相差1 s左右。單從識(shí)別效率來看，應(yīng)選用AlexNet網(wǎng)絡(luò)作為最終的網(wǎng)絡(luò)模型，但是AlexNet網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率較低，不利于互花米草的識(shí)別，而ResNet50網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率較高，運(yùn)行時(shí)間也較為不錯(cuò)，有利于互花米草的快速識(shí)別。

因此，綜合識(shí)別準(zhǔn)確率和識(shí)別效率來說，ResNet50神經(jīng)卷積網(wǎng)絡(luò)模型對(duì)互花米草的識(shí)別結(jié)果較好。

2.4 識(shí)別結(jié)果顯示

將前期分割好的14 196張像素大小為112×112的圖片，分別喂入訓(xùn)練好的五種深度卷積神經(jīng)網(wǎng)絡(luò)模型中，讓模型對(duì)其進(jìn)行分類識(shí)別，并將識(shí)別出的互花米草的顏色進(jìn)行紅色標(biāo)記，最后將經(jīng)過顏色標(biāo)記的圖像拼接，得到互花米草的分布圖。結(jié)果如圖4所示。

從圖4中可以直觀地看出互花米草大致的分布狀況，通過識(shí)別結(jié)果圖的展示，表明網(wǎng)絡(luò)模型對(duì)互花米草的識(shí)別分類具有可行性，將識(shí)別結(jié)果圖與互花米草實(shí)際分布圖相比較，通過局部圖的展示，可以看出ResNet50網(wǎng)絡(luò)模型的識(shí)別結(jié)果與互花米草的實(shí)際分布較為重合。

2.5 識(shí)別差異分析

從圖4中可以看出，ResNet50卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別出來的結(jié)果局部與實(shí)際存在不一致的情況。把模型識(shí)別結(jié)果與人工識(shí)別結(jié)果不一致的圖片挑出一部分，作進(jìn)一步的分析，識(shí)別結(jié)果不一致的圖片如圖5所示。

從圖5中可以看出，在互花米草訓(xùn)練集挑選過程中，把既包含有互花米草又含有紅樹林的圖片，分成互花米草照片，當(dāng)把這些圖片喂入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，模型在提取圖片特征時(shí)，除了提取互花米草的特征，也會(huì)提取海欖雌的特征，作為識(shí)別互花米草的依據(jù)，當(dāng)模型對(duì)新的數(shù)據(jù)集分類識(shí)別時(shí)，模型有可能會(huì)把海欖雌的特征當(dāng)作互花米草，造成結(jié)果不一致的現(xiàn)象。同樣對(duì)灘涂的識(shí)別情況也是如此，在挑選互花米草數(shù)據(jù)集的過程中，把既有灘涂又有互花米草的圖片，人為分成互花米草，把訓(xùn)練好的模型應(yīng)用于新的數(shù)據(jù)集，識(shí)別結(jié)果出現(xiàn)偏差。針對(duì)這種錯(cuò)誤，在后續(xù)的過程中，重新挑選數(shù)據(jù)集，挑選的圖片中只包含單一的類別，同時(shí)繼續(xù)采集識(shí)別物種的圖片信息，擴(kuò)大數(shù)據(jù)集，不斷的優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型，從而提高識(shí)別準(zhǔn)確率。

3 討論

隨著無人機(jī)技術(shù)的不斷更新和深度學(xué)習(xí)技術(shù)的發(fā)展，越來越多的圖像識(shí)別技術(shù)用于入侵植物的檢測(cè)中。本文通過對(duì)文獻(xiàn)的調(diào)研分析，選擇AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五種卷積神經(jīng)網(wǎng)絡(luò)，用于對(duì)互花米草的識(shí)別監(jiān)測(cè)，研究結(jié)果表明ResNet50網(wǎng)絡(luò)模型對(duì)互花米草的識(shí)別效果較好，然后又分析了網(wǎng)絡(luò)模型與識(shí)別結(jié)果不一致的原因，通過查看訓(xùn)練數(shù)據(jù)集，在挑選互花米草數(shù)據(jù)集的過程中，把包含多個(gè)類別種類的照片歸為了互花米草，深度學(xué)習(xí)網(wǎng)絡(luò)模型在提取圖片特征的過程中，也會(huì)提取多個(gè)類別的特征當(dāng)作互花米草，在對(duì)新的數(shù)據(jù)集識(shí)別時(shí)，出現(xiàn)結(jié)果不一致的現(xiàn)象。雖然本次試驗(yàn)取得了良好的試驗(yàn)結(jié)果，但是還存在一些不足，在采集圖片的過程中，天氣因素也占有一部分影響，當(dāng)太陽(yáng)光線比較強(qiáng)時(shí)，拍攝的照片會(huì)反光，當(dāng)有風(fēng)天氣時(shí)，拍攝的照片會(huì)模糊不清，這些因素都會(huì)影響模型對(duì)互花米草的識(shí)別能力。與此同時(shí)，對(duì)于不同季節(jié)、不同地區(qū)的互花米草，ResNet50網(wǎng)絡(luò)模型是否也有一個(gè)較好的識(shí)別能力，除了這五種卷積網(wǎng)絡(luò)模型，是否還有比ResNet50網(wǎng)絡(luò)更優(yōu)秀的模型用于互花米草的分類識(shí)別，這是一個(gè)值得后續(xù)探討的問題。

4 結(jié)論

1）? 基于低空無人機(jī)遙感技術(shù)，通過選用五種卷積神經(jīng)網(wǎng)絡(luò)模型——AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0應(yīng)用于春季時(shí)期紅樹林中零散斑塊互花米草的識(shí)別，結(jié)果顯示ResNet50網(wǎng)絡(luò)模型在訓(xùn)練集上識(shí)別準(zhǔn)確率達(dá)到了98.03%，在測(cè)試集中識(shí)別準(zhǔn)確率達(dá)到了96.96%，同時(shí)在測(cè)試集上對(duì)互花米草識(shí)別的精確率、召回率、F1-Score都是最高，表現(xiàn)出較好的魯棒性和泛化性，具有較好的識(shí)別效果，可以為小面積互花米草的識(shí)別與防治提供資料。

2）? ResNet50網(wǎng)絡(luò)模型在測(cè)試集上的運(yùn)行時(shí)間為5.47 s，比VGG16、GoogleNet網(wǎng)絡(luò)模型略高于1 s左右，比AlexNet網(wǎng)絡(luò)模型高于2.80 s，比EfficientNetB0網(wǎng)絡(luò)模型低于0.12 s。識(shí)別效率雖然不是五個(gè)網(wǎng)絡(luò)模型中最高，但是運(yùn)行時(shí)間也較為不錯(cuò)，綜合識(shí)別準(zhǔn)確率來看，以訓(xùn)練好的ResNet50卷積網(wǎng)絡(luò)模型作為最終模型。

3）? 將訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)互花米草進(jìn)行識(shí)別時(shí)，會(huì)出現(xiàn)識(shí)別結(jié)果圖與實(shí)際分布圖局部存在不一致的現(xiàn)象，這種現(xiàn)象是由數(shù)據(jù)集中互花米草的不同劃分情況造成的。

4） 本次試驗(yàn)所選用的網(wǎng)絡(luò)模型還可以為后續(xù)同一地點(diǎn)不同時(shí)期的互花米草識(shí)別研究及同一時(shí)期不同地點(diǎn)互花米草的識(shí)別研究提供借鑒與參考。

參 考 文 獻(xiàn)

［1］ 李大林. 我國(guó)每年因外來生物入侵經(jīng)濟(jì)損失超兩千億元［J］. 廣西質(zhì)量監(jiān)督導(dǎo)報(bào)， 2014（11）： 30.

［2］ 朱玉玲. 基于深度學(xué)習(xí)分類方法的山東省外來入侵物種互花米草遙感監(jiān)測(cè)與分析［D］. 青島： 自然資源部第一海洋研究所， 2020.

［3］ 徐國(guó)萬， 卓榮宗， 曹豪， 等. 互花米草生物量年動(dòng)態(tài)及其與灘涂生境的關(guān)系［J］. 植物生態(tài)學(xué)報(bào)， 1989， 13（3）： 230-235.

Xu Guowan， Zhuo Rongzong， Cao Hao， et al. Annual changes of biomass of Spartina alterniflora and the relationships between biomass and tidal land habits ［J］. Chinese Journal Plant Ecology， 1989， 13（3）： 230-235.

［4］ 汪秀巖， 周宇鵬， 薛雨霏， 等. 高低緯度種源互花米草種子萌發(fā)特性及其對(duì)溫度的響應(yīng)［J］. 生態(tài)學(xué)雜志， 2021， 40（9）： 2763-2772.

Wang Xiuyan， Zhou Yupeng， Xue Yufei， et al. Seed germination characteristics of Spartina alterniflora from high and low latitude populations in relation to temperature ［J］. Chinese Journal of Ecology， 2021， 40（9）： 2763-2772.

［5］ 趙欣怡. 基于時(shí)序光學(xué)和雷達(dá)影像的中國(guó)海岸帶鹽沼植被分類研究［D］. 上海： 華東師范大學(xué)， 2020.

［6］ 解雪峰， 孫曉敏， 吳濤， 等. 互花米草入侵對(duì)濱海濕地生態(tài)系統(tǒng)的影響研究進(jìn)展［J］. 應(yīng)用生態(tài)學(xué)報(bào)， 2020， 31（6）： 2119-2128.

Xie Xuefeng， Sun Xiaomin， Wu Tao， et al. Impacts of Spartina alterniflora invasion on coastal wetland ecosystem： Advances and prospects ［J］. Chinese Journal of Applied Ecology， 2020， 31（6）： 2119-2128.

［7］ 王卿， 安樹青， 馬志軍， 等. 入侵植物互花米草——生物學(xué)、生態(tài)學(xué)及管理［J］. 植物分類學(xué)報(bào)， 2006（5）： 559-588.

Wang Qing， An Shuqing， Ma Zhijun， et al. Invasive Spartina alterniflora： Biology， ecology and management ［J］. Acta Phytotaxonomica Sinica， 2006（5）： 559-588.

［8］ 鄧必玉， 吳玲巧， 秦旭東， 等. 廣西紅樹林主要外來植物現(xiàn)狀及防控對(duì)策研究［J］. 林業(yè)調(diào)查規(guī)劃， 2020， 45（4）： 54-60.

Deng Biyu， Wu Lingqiao， Qin Xudong， et al. Current situation and control measures of exotic plants in mangrove forest of Guangxi ［J］. Forest Inventory and Planning， 2020， 45（4）： 54-60.

［9］ 陶艷成， 潘良浩， 范航清， 等. 廣西海岸潮間帶互花米草遙感監(jiān)測(cè)［J］. 廣西科學(xué)， 2017， 24（5）： 483-489.

Tao Yancheng， Pan Lianghao， Fan Hangqing， et al. Remote sensing monitoring of Spartina alterniflora in coastal intertidal zone of Guangxi ［J］. Guangxi Sciences， 2017， 24（5）： 483-489.

［10］ 李麗鳳， 劉文愛， 陶艷成， 等. 廣西山口紅樹林保護(hù)區(qū)互花米草擴(kuò)散動(dòng)態(tài)及其驅(qū)動(dòng)力［J］. 生態(tài)學(xué)報(bào)， 2021， 41（17）： 6814-6824.

Li Lifeng， Liu Wenai， Tao Yancheng， et al. Diffusion dynamics and driving forces of Spartina alterniflora in the Guangxi Shankou Mangrove Reserve ［J］. Acta Ecologica Sinica， 2021， 41（17）： 6814-6824.

［11］ Chen M， Ke Y， Bai J， et al. Monitoring early stage invasion of exotic Spartina alterniflora using deep-learning super-resolution techniques based on multisource high-resolution satellite imagery： A case study in the Yellow River Delta， China ［J］. International Journal of Applied Earth Observation and Geoinformation， 2020， 92.

［12］ 原忠虎， 王維， 蘇寶玲. 基于改進(jìn)VGGNet模型的外來入侵植物葉片識(shí)別方法［J］. 計(jì)算機(jī)與現(xiàn)代化， 2021（9）： 7-11.

Yuan Zhonghu， Wang Wei， Su Baoling. Leaf recognition method of invasive alien plants based on improved VGGNet model ［J］. Computer and Modernization， 2021（9）： 7-11.

［13］ 喬曦， 錢萬強(qiáng)， 樊偉， 等. 基于深度學(xué)習(xí)的野外薇甘菊?qǐng)D像識(shí)別［C］. 第五屆全國(guó)入侵生物學(xué)大會(huì)——入侵生物與生態(tài)安全， 2018.

［14］ 安談洲， 李俐俐， 張瑞杰， 等. 無人機(jī)遙感及深度學(xué)習(xí)在油菜凍害識(shí)別中的應(yīng)用研究［J］. 中國(guó)油料作物學(xué)報(bào)， 2021， 43（3）： 479-486.

An Tanzhou， Li Lili， Zhang Ruijie， et al. Application research of unmanned aerial vehicle remote sensing and deep learning in identification of freezing injury in rapeseed ［J］. Chinese Journal of Oil Crop Sciences， 2021， 43（3）： 479-486.

［15］ Qian W， Huang Y， Liu Q， et al. UAV and a deep convolutional neural network for monitoring invasive alien plants in the wild ［J］. Computers and Electronics in Agriculture， 2020， 174.

［16］ 劉凱， 龔輝， 曹晶晶， 等. 基于多類型無人機(jī)數(shù)據(jù)的紅樹林遙感分類對(duì)比［J］. 熱帶地理， 2019， 39（4）： 492-501.

Liu Kai， Gong Hui， Cao Jingjing， et al. Comparison of mangrove remote sensing classification based on multi-type UAV data ［J］. Tropical Geography， 2019， 39（4）： 492-501.

［17］ 孫中宇， 荊文龍， 喬曦， 等. 基于無人機(jī)遙感的盛花期薇甘菊爆發(fā)點(diǎn)識(shí)別與監(jiān)測(cè)［J］. 熱帶地理， 2019， 39（4）： 482-491.

Sun Zhongyu， Jing Wenlong， Qiao Xi， et al. Identification and monitoring of blooming Mikania micrantha outbreak points based on UAV remote sensing ［J］. Tropical Geography， 2019， 39（4）： 482-491.

［18］ Wan H W， Wang Q， Jiang D， et al. Monitoring the invasion of Spartina alterniflora using very high resolution unmanned aerial vehicle imagery in Beihai， Guangxi （China） ［J］. Scientific World Journal， 2014.

［19］ Mullerova J， Bruna J， Bartalos T， et al. Timing is important： Unmanned aircraft vs. satellite imagery in plant invasion monitoring ［J］. Front Plant Sci， 2017， 8： 887.

［20］ Abade A， Ferreira P A， De Barros Vidal F. Plant diseases recognition on images using convolutional neural networks： A systematic review ［J］. Computers and Electronics in Agriculture， 2021， 185.

［21］ 黃亦其， 劉琪， 趙建曄， 等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅樹林物種無人機(jī)監(jiān)測(cè)研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2020， 41（2）： 141-146， 189.

Huang Yiqi， Liu Qi， Zhao Jianye， et al. Research on unmanned aerial surveillance of mangrove species based on deep convolutional neural network ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（2）： 141-146， 189.

［22］ Krizhevsky A， Sutskever I， Hinton G. ImageNet classification with deep convolutional neural networks ［C］. NIPS， 2012.

［23］ Simonyan K， Zisserman A. Very deep convolutional networks for large-scale image recognition ［J］. Computer Science， 2014.

［24］ Szegedy C， Liu W， Jia Y， et al. Going deeper with convolutions ［J］. CoRR， 2014， abs/1409.4842.

［25］ He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［J］. IEEE， 2016.

［26］ Tan M X， Le Q V. EfficientNet： Rethinking model scaling for convolutional neural networks ［C］. 36th International Conference on Machine Learning （ICML）， 2019.