基于ResNet 神經(jīng)網(wǎng)絡(luò)的花卉圖像分類(lèi)研究

摘要：本研究基于計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)，提出了一種高效、準(zhǔn)確的花卉圖像識(shí)別與分類(lèi)方法，采用基于殘差網(wǎng)絡(luò)（ResNet）的ResNet50卷積神經(jīng)網(wǎng)絡(luò)模型。相較于傳統(tǒng)的人工識(shí)別方式，該方法顯著提高了識(shí)別速度與準(zhǔn)確性，同時(shí)降低了成本。實(shí)驗(yàn)驗(yàn)證表明，ResNet50模型在花卉識(shí)別和分類(lèi)任務(wù)中表現(xiàn)出卓越性能：驗(yàn)證集準(zhǔn)確率達(dá)82.771%，Kappa系數(shù)為0.825，表明該方法具有出色的一致性和相對(duì)于隨機(jī)性的顯著改進(jìn)。此外，本文對(duì)ResNet模型的結(jié)構(gòu)和性能進(jìn)行了深入分析和討論，為未來(lái)在花卉分類(lèi)領(lǐng)域的研究和應(yīng)用提供了有益的指導(dǎo)。本研究對(duì)推動(dòng)植物學(xué)領(lǐng)域的數(shù)字化、智能化發(fā)展具有重要意義，為相關(guān)研究提供了有益參考。

關(guān)鍵詞：深度學(xué)習(xí)；ResNet；花卉識(shí)別；花卉分類(lèi)

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）32-0023-03 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 相關(guān)研究

隨著計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)的快速發(fā)展及其廣泛應(yīng)用[1-2]，將這些技術(shù)引入植物學(xué)研究領(lǐng)域，尤其是花卉圖像分類(lèi)任務(wù)中，對(duì)推動(dòng)植物學(xué)研究的智能化和數(shù)字化發(fā)展具有重要意義。本文將重點(diǎn)關(guān)注和探討計(jì)算機(jī)視覺(jué)技術(shù)，特別是基于深度學(xué)習(xí)的方法在花卉圖像分類(lèi)中的應(yīng)用研究。

植物多樣性是生態(tài)系統(tǒng)中的關(guān)鍵組成部分，對(duì)于生態(tài)平衡和生物多樣性的維護(hù)至關(guān)重要。而在這個(gè)多樣的植物世界中，準(zhǔn)確識(shí)別和分類(lèi)花卉是植物學(xué)研究的基礎(chǔ)。傳統(tǒng)的花卉分類(lèi)方法通常依賴于人工觀察和專業(yè)知識(shí)，這不僅費(fèi)時(shí)費(fèi)力，而且容易受到主觀因素的影響[3-4]。因此，迫切需要一種高效、準(zhǔn)確且自動(dòng)化的方法來(lái)進(jìn)行花卉分類(lèi)，以推動(dòng)植物學(xué)研究的發(fā)展[5]。

計(jì)算機(jī)技術(shù)在花卉分類(lèi)上的應(yīng)用為這一需求提供了新的解決方案。計(jì)算機(jī)視覺(jué)技術(shù)通過(guò)模擬人類(lèi)視覺(jué)系統(tǒng)的工作方式，使計(jì)算機(jī)能夠自動(dòng)從圖像或視頻中提取信息。在花卉分類(lèi)中，這意味著計(jì)算機(jī)可以學(xué)習(xí)和識(shí)別花卉的特征，實(shí)現(xiàn)對(duì)不同植物的自動(dòng)分類(lèi)。這種方法不僅能夠加速花卉分類(lèi)的過(guò)程，還能提高分類(lèi)的準(zhǔn)確性，減少人為誤差。

本文將深入分析和討論基于計(jì)算機(jī)視覺(jué)的方法在花卉圖像分類(lèi)任務(wù)中的應(yīng)用效果，探究其技術(shù)優(yōu)勢(shì)和局限，并對(duì)未來(lái)可能的改進(jìn)和發(fā)展方向進(jìn)行展望。通過(guò)本研究，有望為植物學(xué)領(lǐng)域提供一種更為高效和精確的花卉分類(lèi)方法，推動(dòng)植物學(xué)研究邁向數(shù)字化、智能化的新階段。

1 材料和方法

1.1 數(shù)據(jù)收集

本文使用了Oxford 開(kāi)源的花卉數(shù)據(jù)集，該數(shù)據(jù)集包含102個(gè)來(lái)自世界各地的常見(jiàn)花卉類(lèi)別，涵蓋植物學(xué)中的多樣性，包括小型花朵、中型花卉和大型花卉等不同類(lèi)型。每個(gè)類(lèi)別的圖像數(shù)量在40到258張不等，均為在不同視角和光線環(huán)境下拍攝。這種設(shè)計(jì)使得數(shù)據(jù)集更具挑戰(zhàn)性，更能模擬真實(shí)世界中花卉圖像的多樣性。圖1展示了一部分節(jié)選的數(shù)據(jù)。

1.2 數(shù)據(jù)預(yù)處理

為了提升神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中的準(zhǔn)確性、魯棒性和泛化能力，以應(yīng)對(duì)各種復(fù)雜情況，對(duì)花卉數(shù)據(jù)集進(jìn)行了必要的數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理主要采用了數(shù)據(jù)增強(qiáng)技術(shù)，包括以下步驟：

1） 隨機(jī)裁剪。將原始圖像按照其大小的90%進(jìn)行裁剪，以生成輸入。

2） 隨機(jī)旋轉(zhuǎn)。分別將原始圖像旋轉(zhuǎn)45°、90°和135°。

3） 高斯模糊。對(duì)部分圖像進(jìn)行高斯模糊處理，生成較模糊的圖像作為輸入。

通過(guò)這些數(shù)據(jù)增強(qiáng)操作，能夠有效提升模型在不同情境下的適應(yīng)性，并增強(qiáng)其在花卉分類(lèi)任務(wù)上的性能。

1.3 ResNet 神經(jīng)網(wǎng)絡(luò)

ResNet（Residual Network） 由Kaiming He 等人于2015年提出，是一種深度神經(jīng)網(wǎng)絡(luò)架構(gòu)[6]。其設(shè)計(jì)獨(dú)特之處在于引入了殘差學(xué)習(xí)的思想，通過(guò)使用殘差塊（Residual Blocks） 使信息在網(wǎng)絡(luò)中更直接地傳遞，有效解決了深度神經(jīng)網(wǎng)絡(luò)中的梯度消失和梯度爆炸問(wèn)題。這使得ResNet能夠輕松訓(xùn)練數(shù)百層的深度網(wǎng)絡(luò)，為圖像分類(lèi)等任務(wù)提供了強(qiáng)大的表征能力[7]。

在本研究中，選擇ResNet50作為基礎(chǔ)模型，原因在于其卓越的性能和對(duì)深層網(wǎng)絡(luò)的有效訓(xùn)練。ResNet50的網(wǎng)絡(luò)結(jié)構(gòu)包含多個(gè)關(guān)鍵組件：

1） 輸入層。接受大小為224×224像素的RGB圖像，并通過(guò)一系列卷積、池化和規(guī)范化操作逐漸提取特征。

2） 第一卷積層。由7×7的卷積核組成，步幅為2，用于降低圖像分辨率，隨后的3×3最大池化層進(jìn)一步提取特征。

3） 殘差塊。每個(gè)殘差塊包含兩個(gè)卷積層和一個(gè)跳躍連接（殘差連接），幫助緩解梯度消失問(wèn)題，使網(wǎng)絡(luò)更易于訓(xùn)練。整個(gè)網(wǎng)絡(luò)被劃分為四個(gè)階段，每個(gè)階段包含一系列殘差塊，這有助于從低級(jí)到高級(jí)學(xué)習(xí)不同層次的特征。

3） 全局平均池化層。通過(guò)計(jì)算每個(gè)特征圖的平均值來(lái)降低空間維度，減少參數(shù)數(shù)量，從而幫助防止過(guò)擬合。

4） 全連接層。用于輸出對(duì)不同花卉類(lèi)別的概率分布。

ResNet通過(guò)引入殘差連接，使網(wǎng)絡(luò)可以更深，同時(shí)減輕了梯度傳播的問(wèn)題，這對(duì)于花卉分類(lèi)任務(wù)中處理復(fù)雜特征是至關(guān)重要的。

1.4 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，其核心思想是通過(guò)將已學(xué)到的知識(shí)遷移到新任務(wù)上，從而提高模型在新任務(wù)上的性能[8]。在計(jì)算機(jī)視覺(jué)領(lǐng)域，遷移學(xué)習(xí)通常使用在大規(guī)模圖像數(shù)據(jù)上預(yù)訓(xùn)練的模型。此方法的優(yōu)勢(shì)在于預(yù)訓(xùn)練模型已經(jīng)學(xué)會(huì)了通用的圖像特征，可以在新任務(wù)中提供更好的初始化參數(shù)，進(jìn)而縮短模型的訓(xùn)練時(shí)間。

1.5 ResNet 神經(jīng)網(wǎng)絡(luò)在花卉分類(lèi)任務(wù)中的應(yīng)用

本文通過(guò)使用在大規(guī)模圖像數(shù)據(jù)集（如Ima?geNet） 上預(yù)訓(xùn)練的ResNet模型，充分利用其已學(xué)到的豐富圖像特征，包括邊緣、紋理和高級(jí)語(yǔ)義特征。這一選擇的合理性在于，預(yù)訓(xùn)練的ResNet已經(jīng)在各種圖像任務(wù)中表現(xiàn)出卓越性能，通過(guò)遷移這些學(xué)到的特征，可以更為有效地訓(xùn)練模型，從而在花卉分類(lèi)任務(wù)中取得更好的性能表現(xiàn)。

在花卉分類(lèi)任務(wù)中，本文采用了遷移學(xué)習(xí)的方法，包括模型微調(diào)、特征提取和遷移多層特征。通過(guò)模型微調(diào)，本研究調(diào)整了預(yù)訓(xùn)練模型的權(quán)重，使之適應(yīng)花卉分類(lèi)任務(wù)的特定上下文，同時(shí)保留通用特征。通過(guò)使用預(yù)訓(xùn)練模型作為特征提取器，本研究?jī)鼋Y(jié)了大部分權(quán)重，提取模型中間層的高級(jí)特征以提高分類(lèi)效率。利用ResNet的深層結(jié)構(gòu)，本研究選擇了不同層次的特征進(jìn)行遷移，以更好地滿足花卉分類(lèi)任務(wù)的需求。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)環(huán)境

硬件實(shí)驗(yàn)環(huán)境的配置信息如下：CPU為Intel Corei9-12900K；內(nèi)存為32 GB；顯卡為RTX 4090，顯存24GB。軟件實(shí)驗(yàn)環(huán)境的配置信息為：操作系統(tǒng)為Ubuntu 22.04；Python版本為3.9；使用Pycharm 2022.3 進(jìn)行開(kāi)發(fā)；Pytorch版本為2.1.0，CUDA版本為11.8。

2.2 評(píng)價(jià)指標(biāo)

本研究使用驗(yàn)證集的準(zhǔn)確率和Kappa 系數(shù)作為模型評(píng)估的指標(biāo)，以期達(dá)到更好的效果。

準(zhǔn)確率（Accuracy） 是分類(lèi)正確的樣本占總樣本個(gè)數(shù)的比例，其計(jì)算公式如方程（1） 所示。

Accuracy = TP + TN/TP + FP + FN + TN （1）

Kappa 系數(shù)是一種用于評(píng)估分類(lèi)器在分類(lèi)任務(wù)中性能的統(tǒng)計(jì)指標(biāo)。它通過(guò)考慮隨機(jī)一致性因素，提供了對(duì)準(zhǔn)確度的更全面評(píng)估，其計(jì)算公式如方程（2） 所示。

Kappa = Po - Pe /1 - Pe （2）

Kappa 系數(shù)基于混淆矩陣，通過(guò)比較觀察到的準(zhǔn)確率（3） 和由隨機(jī)猜測(cè)導(dǎo)致的準(zhǔn)確率（4） ，提供了一個(gè)在類(lèi)別分布不均勻時(shí)進(jìn)行修正的方法。Kappa 系數(shù)的取值范圍在?1到1之間，其中正值表示分類(lèi)器的性能優(yōu)于隨機(jī)猜測(cè)，負(fù)值表示性能不如隨機(jī)猜測(cè)，而0表示性能與隨機(jī)猜測(cè)相當(dāng)。

Po = TP + TN/TP + TN + FP + FN （3）

Pe = （TP + FP） ? （TP + FN ） + （TN + FP） ? （TN + FN ）/（TP + TN + FP + FN ）2 （4）

2.3 模型訓(xùn)練結(jié)果與分析

實(shí)驗(yàn)結(jié)果表明，將花卉數(shù)據(jù)集應(yīng)用于ResNet50網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與驗(yàn)證時(shí)，經(jīng)過(guò)250輪的訓(xùn)練，模型表現(xiàn)出令人矚目的性能。圖2和圖3分別展示了訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率及損失（loss） 在訓(xùn)練過(guò)程中的變化趨勢(shì)。

通過(guò)分析準(zhǔn)確率曲線和損失曲線的變化，可以觀察到ResNet50網(wǎng)絡(luò)模型在訓(xùn)練初期實(shí)現(xiàn)了快速學(xué)習(xí)和優(yōu)化。盡管在訓(xùn)練后期略有波動(dòng)，但整體趨于平穩(wěn)，這表明模型對(duì)訓(xùn)練數(shù)據(jù)具有出色的學(xué)習(xí)能力。

在ResNet網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程中，本研究采用了多種評(píng)價(jià)指標(biāo)，如表1所示。其中，Kappa系數(shù)作為關(guān)鍵的性能評(píng)估指標(biāo)，全面評(píng)估了模型在準(zhǔn)確性方面相對(duì)于隨機(jī)分類(lèi)的表現(xiàn)。實(shí)驗(yàn)結(jié)果顯示，當(dāng)訓(xùn)練到第200個(gè)Epoch 時(shí)，驗(yàn)證集的準(zhǔn)確率達(dá)到了最高，此時(shí)損失函數(shù)的值為1.025。ResNet50網(wǎng)絡(luò)模型取得了顯著的0.825的Kappa 系數(shù)，突顯其在花卉分類(lèi)任務(wù)中的卓越表現(xiàn)。較高的Kappa系數(shù)反映了模型在對(duì)102種不同花卉類(lèi)別的準(zhǔn)確分類(lèi)上，已超越了隨機(jī)猜測(cè)的水平。

此外，高Kappa 系數(shù)進(jìn)一步表明相對(duì)于隨機(jī)性，模型有顯著的改進(jìn)。即便在高準(zhǔn)確率下，模型仍然遠(yuǎn)遠(yuǎn)超越了僅比隨機(jī)分類(lèi)稍好的水平。在穩(wěn)定性方面，Kappa 系數(shù)計(jì)算考慮了分類(lèi)錯(cuò)誤和正確的概率，表現(xiàn)出模型對(duì)不同花卉類(lèi)別的相對(duì)穩(wěn)定的分類(lèi)能力，不容易受到隨機(jī)性的干擾。

總體而言，實(shí)驗(yàn)所取得的高Kappa 系數(shù)為ResNet50網(wǎng)絡(luò)模型在花卉分類(lèi)任務(wù)中的可靠性和卓越性能提供了有力支持。驗(yàn)證集上82.771%的準(zhǔn)確率，以及模型相對(duì)較小的規(guī)模（參數(shù)數(shù)量為23.663 M，模型大小為9.296 M） ，進(jìn)一步強(qiáng)調(diào)了其在實(shí)際應(yīng)用中可能具備的廣泛適用性。這一系列實(shí)驗(yàn)結(jié)果為本研究對(duì)模型分類(lèi)結(jié)果的信心提供了堅(jiān)實(shí)的基礎(chǔ)。

3 討論與總結(jié)

當(dāng)前，花卉識(shí)別主要依賴于人工方法，但人工識(shí)別存在識(shí)別速度慢和需要專業(yè)知識(shí)等問(wèn)題。為了解決這些問(wèn)題，本研究應(yīng)用計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)，提出了一種基于ResNet50神經(jīng)網(wǎng)絡(luò)的新方法，旨在識(shí)別和分類(lèi)102 種常見(jiàn)花卉。在實(shí)驗(yàn)過(guò)程中，重點(diǎn)分析了ResNet50模型在花卉識(shí)別與分類(lèi)中的表現(xiàn)，包括其準(zhǔn)確率、模型大小、參數(shù)量以及Kappa 系數(shù)。實(shí)驗(yàn)結(jié)果表明，ResNet50模型在花卉識(shí)別方面具有較高的準(zhǔn)確率，驗(yàn)證集的準(zhǔn)確率達(dá)到82.771%，Kappa系數(shù)為0.825。

本研究提出的花卉識(shí)別方法通過(guò)實(shí)驗(yàn)驗(yàn)證了其可行性。未來(lái)的研究將致力于優(yōu)化ResNet 模型的結(jié)構(gòu)，以適應(yīng)更多種類(lèi)的花卉識(shí)別任務(wù)，并將輕量化的ResNet 模型移植到移動(dòng)設(shè)備上。這些努力將進(jìn)一步提升花卉識(shí)別技術(shù)的性能和實(shí)用性。

參考文獻(xiàn)：

[1] 余杭. 基于激光雷達(dá)的3D目標(biāo)檢測(cè)研究綜述[J]. 汽車(chē)文摘，2024（2）： 18-27.

[2] 李濤， 等. 基于深度學(xué)習(xí)的金屬表面缺陷檢測(cè)[J]. 高師理科學(xué)刊， 2024， 44（1）： 36-42.

[3] 張永偉. 野生草本花卉在園林中的應(yīng)用：以塞罕壩機(jī)械林場(chǎng)為例[J]. 現(xiàn)代園藝， 2022， 45（10）： 140-142.

[4] 牛素華. 露地花卉的分類(lèi)及生長(zhǎng)習(xí)性[J]. 現(xiàn)代農(nóng)村科技，2022（3）： 39-40.

[5] 黎施欣， 范小平. 圖像處理與識(shí)別在果蔬成熟度監(jiān)測(cè)中的研究及應(yīng)用[J]. 包裝工程， 2024， 45（3）： 153-164.

[6] HE K M， ZHANG X Y， REN S Q， et al. Deep residual learningfor image recognition[C]//Proceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition. Las Vegas：IEEE， 2016： 770-778.

[7] 劉峻渟，周云成，吳瓊，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的番茄葉部病害識(shí)別方法[J].河南農(nóng)業(yè)大學(xué)學(xué)報(bào)，58（2）：287-297.

[8] 周曠， 姜名. 基于遷移學(xué)習(xí)的小樣本目標(biāo)識(shí)別研究進(jìn)展與展望[J]. 航空科學(xué)技術(shù)， 2023， 34（2）： 1-9.

【通聯(lián)編輯：唐一東】