基于深度卷积神经网络的大菊品种图像识别技术研究
中国传统大菊品种的头状花序具有独特的多样性和复杂的表型变异,致使研究者很难对其进行准确识别,以及进行清晰的分类和实施有效的品种保护.高通量植物表型测量技术的快速发展,为花卉品种的快速准确识别提供了新的技术和方法.本文作者提出了基于深度卷积神经网络(deep convolution neural network,DCNN)对输入的菊花品种图像进行识别的方法.利用自动化图像采集装置对2018年种植的127个大菊品种进行图像采集,建立图像数据集,将每个品种的80％的数据用于构建训练集,20％构建校验集；采用Res-Net50模型结构提取127个品种图像的深度特征,使用训练集数据训练菊花品种分类器模型,使用校验集数据测试模型的识别精度.结果表明：该模型对这一数据集的识别率达到99.9％以上.利用2008-2010年拍摄的上述127个大菊品种的图像对菊花品种分类器模型进行校验,识别精度达到46.6％；将深度特征和颜色特征(Lab、HSV、HSI)相结合,结合Lab特征时该模型对于2008-2010年数据集的识别精度提高到47.4％.本研究结果表明,DCNN对输入的菊花品种图像具有非常强的学习能力,且具有一定的泛化能力,但当输入不同的数据集时,其泛化能力减弱.将深度特征和Lab特征的数据结合可以提高识别的准确性.
菊花 品种识别 深度卷积神经网络 深度特征 图像识别模型
王珏 张瑞松 田野 戴思兰 张玉鸽
花卉种质创新与分子育种北京市重点实验室,国家花卉工程技术研究中心,城乡生态环境北京实验室,园林环境教育部工程研究中心,林木花卉遗传育种教育部重点实验室,园林学院,北京林业大学,北京100083 北京林业大学工学院,北京100083
国内会议
北京
中文
12-19
2019-08-01（万方平台首次上网日期，不代表论文的发表时间）