识别自然背景下荒漠植物.docx

《识别自然背景下荒漠植物.docx》由会员分享，可在线阅读，更多相关《识别自然背景下荒漠植物.docx（5页珍藏版）》请在第壹文秘上搜索。

1、科研新进展，迁移学习和集成学习应用，识别自然背景下荒漠植物新疆地处高原，拥有很多一部分的荒漠地带，降水稀少、植物稀疏，有半乔木、灌木、半灌木、小半灌木等植物。荒漠植物的准确识别是其认识和保护过程中不可或缺的任务，是荒漠生态研究与保护的基础。融合迁移学习和集成学习 自然背景下荒漠植物识别方法自然条件下野外荒漠植物图像的机器视觉自动分类识别可有效提升植物资源调查效率、降低人为主观因素影响，对荒漠植物的精准分类、多样性保护和资源化利用具有重要意义。为了提示对荒漠植物的识别精准度，新疆农业大学计算机与信息工程学院携手中国农业科学院农业信息研究所、国家农业科学数据中心，组成科研团队，提出融合迁移学习和集

2、成学习的自然背景下荒漠植物识别方法。t ( I !.(a)麻黄(b)骆驼蓬(C)骆驼刺(d)驼绒藜(e)苦豆子(f)花花柴(g)碱蓬草(h)矮锦鸡儿小蓬该方法以自然环境下的整株荒漠植物图像为研究对象，构建新疆干旱区荒漠植物图像数据集，以EffiCiemNetB0B4网络为基础网络，提出一种融合迁移学习和集成学习的荒漠植物图像识别算法，并在公开数据集OxfordFlowersl02上进行对比验证。基于EfficientNetBO网络的单一子模型的ToP-I准确率最高可达93.35%,最低为92.26%,软投票Ensemble-Soft模型、硬投票Ensemble-Hard模型以及加权投票法集成的

3、EnSembIe-Weight模型的准确率分别为93.63%、93.55%和93.67%,FlScore和准确率相当;基于EfficientNetBOB4网络的单一子模型的Top-I准确率最高可达96.65%,FlScore为96.71%,而Ensemble-Soft模型、Ensemble-Hard模型以及Ensemble-Weight模型的准确率分别为99.07%、98.91%和99.23%,相较于单一子模型，精度进一步提高，FlScore与准确率基本相同，模型性能显著。1.81.61.41.2坦人*10祟0.80.60.40.2020400.0迭代次数在公开数据集OxfordFlowersl02上进行对比试验，3个集成模型相比5个子模型准确率和FlScore最高提升了4.56%和5.05%,最低也提升了1.94%和2.29%,证明了本研究提出的迁移和集成学习策略能够有效提高模型性能。(a)barbeton daisy(c)wild pansy(d)orange dahlia(b)sword lily(e)gazania(f)water lily该方法可提高荒漠植物的识别准确率，通过云端传输至服务器后，实现荒漠植物的准确识别，为真实野外环境下植物图像识别精度低、模型鲁棒性及泛化性弱等问题提供解决思路。服务于野外调查、教学科普以及科学实验等场景。