植物识别融合式双特征卷积神经网络

左 羽，徐文博+，吴 恋

(1.贵州师范学院 数学与大数据学院，贵州 贵阳 550018； 2.贵州师范学院 大数据科学与智能工程研究院，贵州 贵阳 550018)

0 引 言

研究基于深度学习的植物识别方法能够帮助人们更容易地认识植物，具有重要的研究和应用意义。在植物识别的研究中，因为植物叶片所包含的形态学信息最为丰富，所以计算机视觉领域常常针对树叶来设计特征描述子。最为人所熟知的是基于统计学的形状上下文SC(shape context)描述方法，这个方法被谭亮[1]运用匹配检索的方式来识别植物。李龙龙等基于改进型sobel算子[2]提出一种描述叶片特征的算子，用这个算子提取特征数据库中图片特征形成特征池，通过对比待预测叶片图像特征与库中特征的相似程度来进行识别分类。随着深度学习技术的发展，学者们利用卷积神经网络CNN(convolution neural network)来提取叶片形状和叶脉[3]，花瓣颜色形状[4,5]这些局部形态学特征，并据此来区分植物种类，取得了比手工特征更好的效果[6]。

本文根据深度卷积神经网络模型特点[7]，结合植物识别的特殊要求和网络优化方法，从缓解梯度弥散问题[8,9]、提高特征利用率、减少参数和特征融合的角度考虑，从整体轮廓和局部纹理细节分别提取特征后融合，提出融合式双特征卷积神经网络来解决单一网络的特征提取限制，提升在植物分类任务中的识别准确率。

1 卷积神经网络残差

植物图像的识别相比于一般物体识别更具挑战性，一般物体的识别，特别是不同大类之间物体在形状、颜色、结构上都存在着较大差异，经典的神经网络(ResNet[10]、GoogleNet[11,12]等)可以较为理想地区分开这些物体。……