基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别

目的利用红外自动感应相机对野生动物进行图像监测是对野生动物保护管理的有效手段，为了解决野外复杂背景环境导致的野生动物监测图像自动识别准确率低的问题，提出一种基于感兴趣区域(ROI)与卷积神经网络(CNN)的野生动物物种自动识别方法。方法以红外自动感应相机在内蒙古赛罕乌拉国家自然保护区内拍摄的马鹿、斑羚、猞猁、狍和野猪这5种国家级陆生保护动物的图像为实验样本，采用基于回归算法的目标检测方法，对监测图像中野生动物区域进行检测并分割，生成ROI图像，减少复杂背景信息对物种识别的干扰；利用裁剪、仿射变换等方式对样本数据进行扩充；构建基于全局-局部的VGG16双通道网络模型对样本图像进行训练，最后接入分类器输出物种识别结果。同时，构建了基于VGG19的双通道网络模型对样本图像进行训练，并与本研究训练结果进行比较；另外，将样本图像分别输入本研究算法与VGG16、R-CNN、Fast R-CNN算法进行训练，对比不同算法下的识别效果。结果利用本研究模型对样本图像进行训练时，测试集的平均识别精度均值MAP达到0.912，相对于VGG19结构下的训练模型和VGG16、R-CNN、Fast R-CNN，得到了更高的MAP值。结论相比于其他算法，本研究提出的物种识别模型更适合于复杂背景下的野生动物监测图像的物种识别，可以得到更高的MAP值与更优的识别效果。      

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于深度学习的5种树皮纹理图像识别研究

目的针对在树皮图像识别时，现有的算法和识别过程过于复杂的问题，提出了基于深度学习的方法来对不同树种的树皮图像进行识别。方法本文以5种常见树种的树皮纹理图像为例，采用基于卷积神经网络的深度学习方法，将原始图像直接作为输入，通过卷积和池化层对图像的低级、高级特征进行自动提取，解决了手动提取纹理特征的困难和问题；在此基础上，对CNN模型结构进行改进，采用带Maxout的ELU激励函数来代替ReLU函数，解决模型的偏移和零梯度问题；对损失函数进行改进，通过添加规范项来优化结构参数，并使用分段常数衰减法对学习率进行动态调控；最后采用softmax分类器对图像类别进行输出。结果对5个树种的树皮图像共计10 000张图像进行实验，其中每类选取200张图像作为测试集。最终训练准确率达到93.80%，测试集识别准确率为97.70%。另外，为验证本文方法的可行性，与传统人工特征提取法，提取HOG特征、Gabor特征和灰度共生矩阵统计法，训练SVM分类器。通过实验比较，本文方法识别准确率最高。结论本文提出的基于深度学习的树皮纹理图像识别方法是可行的，提高了识别效率和精度，为树种的智能化识别提供新的参考。      

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象，因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题，本文基于卷积神经网络，提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先，通过裁剪、水平翻转、旋转等操作，对原始树种图像集进行数量扩增，并划分为训练集和测试集，建立本次树种识别实验的图像库；其次，将本文模型设计为3路并列网络，分别选取RGB图像、HSV图像、LBP-HOG图像，从图像像素、色彩、纹理和形状的角度出发，对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型，将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入，进行树种图像深层特征提取；另一方面，对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征，作为第3路CNN模型的输入。然后，将3路模型各自得到的特征在最后一层全连接层进行汇总，作为softmax分类器的最终分类依据。最后，为检验本文方法的可行性，利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练，对测试集进行识别验证，来比较最终的识别效果。结果本文提出的多特征融合CNN模型，训练准确率为96.13%，平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中，RGB图像作为训练输入值时，识别率最高，为75.21%，HSV特征识别率次之，LBP-HOG特征最差；多特征融合情况下，基于RGB + H通道 + LBP条件下，验证识别准确率最高，达到93.50%；RGB + HSV + LBP + HOG组合识别率不增反降，识别率为89.50%。同样的特征或特征组合条件下，SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下，运用3路并列CNN模型，对本文6类树种图像进行识别的识别率最高，克服了在单一特征情况下识别率低的问题，识别效果也非常理想，实现了从大量不同树种图像中自动识别出具体类别。      

基于Inception-CSA深度学习模型的鸟鸣分类

为进一步提高通过声音识别鸟类的精确度，本研究提出基于Inception-CSA深度学习模型的鸟鸣声分类方法，包含鸟鸣声音频样本预处理、特征提取、分类器分类等步骤。首先将鸟鸣声样本预处理成尺寸相同的梅尔频谱图，作为鸟鸣声特征图；其次利用Inception-CSA模型对鸟鸣声特征图进行特征提取，其中Inception模块提取鸟鸣声特征图中的多尺度局部时频域特征，CSA模块获取鸟鸣声特征图的全局注意力权重，将二者的输出结合得到更强的特征图，再次利用最大池化层对特征图进行下采样；最后利用全连接层进行分类，得到最终的分类结果。以采集的华南地区自然环境中的10种野生鸟类的鸣叫声构建数据集，用于实验部分以验证方法的有效性。结果表明，本研究提出的方法在自建数据集上准确率达到了93.11%，相比于基于其他经典模型的分类方法，基于Inception-CSA模型的分类方法在拥有较少模型参数量的同时达到了更高的准确率。     

基于改进残差网络的葡萄叶片病害识别

葡萄病害是导致葡萄严重减产的主要因素，大多数病害症状都反映在葡萄的叶片上，但是人工针对叶片的识别费时且效率低。本研究提出了一种基于改进残差网络的葡萄叶片病害识别模型。该研究在ResNet50的基础上采用金字塔卷积网络，通过其包含不同大小和不同深度的卷积核来处理输入，然后以特征融合来获得不同程度的病害特征细节。在金字塔网络结构上采用深度超参数化卷积层代替传统的卷积层，能够加快模型收敛速度，有效提升模型精度。结果表明，改进后的残差网络模型与AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比，在准确性方面具有显著优势。与原模型相比较，识别准确率提高3.18百分比，改进模型对病害识别准确率高达98.20%。可以为识别葡萄叶片病害提供参考。     

基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法

为快速、高效地利用高光谱成像技术诊断小麦赤霉病病症,分析了卷积层结构与光谱病症特征的关联性,并重点研究了高光谱的像元分类建模方法。首先,基于深度卷积神经网络的2种典型结构,构建了不同深度的卷积神经网络,比较了小麦赤霉病高光谱数据点集的训练和测试结果。结果显示:Visual Geometry Group(VGG)结构随着网络深度的增加,模型损失值不断下降;残差神经网络(ResNet)结构随着深度增加,损失值没有明显降低,说明ResNet网络的深度与模型性能无关。从测试集评测模型泛化性可知,具有4个基础单元模块的22层VGG网络在所有深度卷积模型中最优,其建模和验证准确率远高于传统的支持向量机(SVM),分别为0.846和0.843,测试集准确率为0.742。以VGG为基础单元构建的深度神经网络,能有效提取小麦赤霉病病症的高光谱特征。研究结果可为大尺度小麦赤霉病的智能成像诊断提供理论基础。     

基于深度卷积神经网络的水稻田杂草识别研究

目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别，得出最优的网络模型，为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象，利用CCD感光相机采集杂草图像样本，构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取，并进行建模与试验。结果 在各深度模型对比试验中，VGG16模型取得了最高精度，其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992，其平均F值为0.954。在所设置的深度模型优化器试验中，VGG16-SGD模型取得了最高精度，其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982，其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中，无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900，而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草，这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义，可以有效地协助农业种植过程中的杂草防治工作。     

基于全卷积神经网络的植物叶片分割算法

目的植物叶片分割旨在从背景中分割出叶片区域，去除背景对象干扰。这对植物病害识别和物种鉴定具有重大意义。方法本文设计了基于全卷积神经网络的植物叶片分割算法。首先，目标函数用对数逻辑函数代替复杂的Softmax多类预测函数，从而将分割任务转化为适合于植物叶片分割的二分类问题；其次，把批归一化技术引入全卷积神经网络，从而改善网络整体的收敛性。最后，针对当前植物叶片分割研究中缺乏评估指标的状况，设计了新的评估协议——受试者工作特征曲线，该曲线反映了不同阈值情况下植物叶片图像分割的召回率与误报率之间的变化情况。结果本文提出的算法降低了全卷积神经网络的参数复杂度，改善了网络的收敛性。实验结果表明，该方法比Leafsnap提到的基于颜色的分割方法更完整地分割了植物叶片区域；提出的ROC曲线能够充分评估植物叶片的分割性能。结论与传统方法相比，基于深度学习的植物叶片分割方法实现了输入图像的端对端处理，无需图像转换、噪声滤波和形态运算等预处理技术，因此在植物叶片分割上具有可行性。      

基于改进DenseNet卷积神经网络的番茄叶片病害检测

针对传统的图像识别方法存在人工提取特征困难、识别耗时长和准确率低等问题,本研究以感染病害的番茄叶片和健康番茄叶片共10类图像为研究对象,提出了1种迁移学习和DenseNet卷积神经网络相结合的模型,实现了对番茄叶部病害的准确分类。首先将所有的图像数据进行预处理修改尺寸,对部分数量不均衡样本作随机变换;然后将DenseNet网络从ImageNet数据集上学习获得的先验知识应用到番茄病害图片数据集上,进而构建出基于迁移学习的深度卷积网络,经过微调训练得到番茄叶部病害识别模型。结果表明,该模型与AlexNet网络、VGG网络+迁移学习和MobileNet网络+迁移学习3种深度卷积模型相比,识别精度更高,测试准确率达到97.76%,实现了对10种番茄叶部图像的有效分类,为番茄等农作物病害的识别技术以及智慧农业的发展提供了新的思路与方法。     

基于改进的VGG16网络和迁移学习的水稻氮素营养诊断

为实现水稻氮素营养的快速、准确识别，采用改进的VGG 16网络和迁移学习相结合的水稻氮素营养诊断识别方法，以杂交稻‘两优培九’为试验对象进行田间试验，设置4组不同的施氮水平(施氮量分别为0、210、300和390 kg/hm²),在水稻幼穗分化期和齐穗期，扫描获取水稻叶片图像数据；通过图像预处理方法，对数据进行扩充；构建改进的VGG16和迁移学习相结合的网络模型对水稻叶片图像数据进行氮素营养诊断识别。结果表明：1)在幼穗分化期时，改进的VGG16网络的识别准确率为93.1%,模型大小约为迁移学习VGG16模型的1/6,训练时间约为1 261 s。2)在水稻幼穗分化期和齐穗期，该模型微调后的识别准确率均能达到95%以上。基于迁移学习和改进的VGG16网络所建立的水稻氮素营养诊断模型具有较好的泛化能力，可以预测水稻氮素营养状况，为水稻氮素营养诊断提供参考。     

基于Grad-CAM可视化和特征识别率结合的草地贪夜蛾及近缘种成虫识别模型评估方法

为提升草地贪夜蛾及其近缘种成虫识别模型的泛化能力,除识别准确率外额外引入特征识别率对模型的泛化能力进行评估。将带有批归一化层的VGG-16-bn模型的全连接层以全局平均值池化层取代,并在模型训练阶段引入了Grad-CAM可视化结果进行训练指导,共构建了4种改进模型识别草地贪夜蛾及其近缘种成虫。试验结果表明,改进后的模型的识别准确率均在99.22%以上,VGG-16-bn-GAP模型参数内存需求仅为原始模型的10.98%。为评估模型的泛化能力,利用导向反向传播梯度值、Grad-CAM及Grad-CAM++对模型习得的特征进行可视化,并和专家进行人工识别的关键视觉特征进行比较,结果表明改进的VGG-16-bn-GAP模型和VGG16-bn-GAIN模型获得的草地贪夜蛾平均特征识别率比原始模型分别提高12.25%和13.42%。两种改进方式单独应用均能显著提高特征识别率,但同时使用两种方法效果并不明显。本文提出的以特征识别率评估模型泛化能力的方法,可为特征识别率和识别准确率的提升提供参考。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率，进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法，针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分，进而利用分水岭分割方法对大豆叶片进行提取，最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后，基于深度学习开展了对大豆叶片形态的分类识别的研究，达到了较高的识别准确率。     

卷积神经网络在红木树种识别中的应用

  目的  不同类型的红木由于生长周期和木材特性的不同，导致商业价格差异悬殊，其中还包含有国家保护木种。本研究旨在找到能准确地识别红木种类的方法，以防止交易中的欺诈行为和保护树种。  方法  以国家林业和草原局木材与木竹制品质量检验检测中心(昆明)实际检测中累积的黄檀属Dalbergia和紫檀属Pterocarpus中的交趾黄檀D. cochinchinensis、刀状黑黄檀D. cultrata、卢氏黑黄檀D. louvelii、巴里黄檀D. bariensis、奥氏黄檀D. oliveri、大果紫檀P. macrocarpus、檀香紫檀P. santalinus等7种红木的376个样本作为基本数据，使用计算机算法扩展样本数量，提出自动化识别红木的卷积神经网络模型。  结果  该方法能够自动提取适合模型分类识别的特征，使用更为便捷，相比其他传统方法识别效果更准确的，结果证明平均识别精度达99.4%。  结论  自建的卷积神经网络可以有效识别红木树种，虽然在调参优化与训练时间大于VGG16等迁移学习方法，但泛化能力更强，证明了自建模型在红木识别应用上优于迁移学习模型。图7表4参23     

柳州市不同生境冬季鸟类多样性调查分析

【目的】调查分析柳州市不同生境冬季鸟类群落的多样性,探究影响鸟类多样性的生境因素,为城市生态建设提供参考。【方法】采用样线法进行调查,计算鸟类群落的多样性指数（H）、均匀度指数（J）和相似性指数（S）,并分析鸟类群落的基本结构和多样性特征。【结果】共记录到鸟类13目42科118种,以雀形目占绝对优势,有26科85种。留鸟是柳州市冬季鸟类的主要组成部分,共记录鸟种79种,而冬候鸟共记录34种,旅鸟5种。从鸟类区系来看,东洋种67种,古北种31种,广布种20种。各生境鸟类群落多样性顺序为：城市园林〉农田居民区〉石山灌丛〉湖泊洼地〉商品林区。农田居民区与湖泊洼地鸟类群落的相似性最高。【结论】空间异质性和食物资源是影响柳州市冬季鸟类群落多样性的重要因素,可通过优化树种结构、改善生境、加强保护宣传等方式,提高城市冬季鸟类多样性。     

基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数

针对传统机器学习采用人工提取特征方法时,由于人为主观性而影响昆虫识别效果与计数准确性的问题,采用图像特征自动提取方法,将深度学习目标检测模型引入昆虫的识别与计数领域,对Faster-RCNN目标检测模型进行改进:针对昆虫体积小,图像分辨率较低的特点,用网络深度更深,运算量更小的深度残差网络(ResNet50)代替原来的VGG16,以提取更加丰富的特征;针对部分昆虫密集的特点,用Soft-NMS算法代替传统的非极大值抑制(NMS)算法,以减少密集区域的漏检。结果表明:改进后Faster-RCNN模型的检测准确率达到90.7%,较未改进的Faster-RCNN模型提高了4.2%,可以运用于昆虫的分类计数。利用深度学习目标检测模型进行昆虫识别与计数较传统的昆虫识别与计数方法更加方便,能够将昆虫的识别、定位和计数融为一体。