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

摘要：本研究基于計算機視覺和深度學(xué)習(xí)技術(shù)，提出了一種高效、準(zhǔn)確的花卉圖像識別與分類方法，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)的人工識別方式，該方法顯著提高了識別速度與準(zhǔn)確性，同時降低了成本。實驗驗證表明，ResNet50模型在花卉識別和分類任務(wù)中表現(xiàn)出卓越性能：驗證集準(zhǔn)確率達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于隨機性的顯著改進。此外，本文對ResNet模型的結(jié)構(gòu)和性能進行了深入分析和討論，為未來在花卉分類領(lǐng)域的研究和應(yīng)用提供了有益的指導(dǎo)。本研究對推動植物學(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；花卉識別；花卉分類

中圖分類號：TP18 文獻標(biāo)識碼：A

文章編號：1009-3044（2024）32-0023-03 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID） ：

0 相關(guān)研究

隨著計算機視覺和深度學(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任務(wù)中，對推動植物學(xué)研究的智能化和數(shù)字化發(fā)展具有重要意義。本文將重點關(guān)注和探討計算機視覺技術(shù)，特別是基于深度學(xué)習(xí)的方法在花卉圖像分類中的應(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，對于生態(tài)平衡和生物多樣性的維護至關(guān)重要。而在這個多樣的植物世界中，準(zhǔn)確識別和分類花卉是植物學(xué)研究的基礎(chǔ)。傳統(tǒng)的花卉分類方法通常依賴于人工觀察和專業(yè)知識，這不僅費時費力，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)確且自動化的方法來進行花卉分類，以推動植物學(xué)研究的發(fā)展[5]。

計算機技術(shù)在花卉分類上的應(yīng)用為這一需求提供了新的解決方案。計算機視覺技術(shù)通過模擬人類視覺系統(tǒng)的工作方式，使計算機能夠自動從圖像或視頻中提取信息。在花卉分類中，這意味著計算機可以學(xué)習(xí)和識別花卉的特征，實現(xiàn)對不同植物的自動分類。這種方法不僅能夠加速花卉分類的過程，還能提高分類的準(zhǔn)確性，減少人為誤差。

本文將深入分析和討論基于計算機視覺的方法在花卉圖像分類任務(wù)中的應(yīng)用效果，探究其技術(shù)優(yōu)勢和局限，并對未來可能的改進和發(fā)展方向進行展望。通過本研究，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方法，推動植物學(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 開源的花卉數(shù)據(jù)集，該數(shù)據(jù)集包含102個來自世界各地的常見花卉類別，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型。每個類別的圖像數(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)計使得數(shù)據(jù)集更具挑戰(zhàn)性，更能模擬真實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)練過程中的準(zhǔn)確性、魯棒性和泛化能力，以應(yīng)對各種復(fù)雜情況，對花卉數(shù)據(jù)集進行了必要的數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理主要采用了數(shù)據(jù)增強技術(shù)，包括以下步驟：

1） 隨機裁剪。將原始圖像按照其大小的90%進行裁剪，以生成輸入。

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

3） 高斯模糊。對部分圖像進行高斯模糊處理，生成較模糊的圖像作為輸入。

通過這些數(shù)據(jù)增強操作，能夠有效提升模型在不同情境下的適應(yīng)性，并增強其在花卉分類任務(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)計獨特之處在于引入了殘差學(xué)習(xí)的思想，通過使用殘差塊（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)，為圖像分類等任務(wù)提供了強大的表征能力[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最大池化層進一步提取特征。

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

3） 全局平均池化層。通過計算每個特征圖的平均值來降低空間維度，減少參數(shù)數(shù)量，從而幫助防止過擬合。

4） 全連接層。用于輸出對不同花卉類別的概率分布。

ResNet通過引入殘差連接，使網(wǎng)絡(luò)可以更深，同時減輕了梯度傳播的問題，這對于花卉分類任務(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)是一種機器學(xué)習(xí)方法，其核心思想是通過將已學(xué)到的知識遷移到新任務(wù)上，從而提高模型在新任務(wù)上的性能[8]。在計算機視覺領(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)勢在于預(yù)訓(xùn)練模型已經(jīng)學(xué)會了通用的圖像特征，可以在新任務(wù)中提供更好的初始化參數(shù)，進而縮短模型的訓(xùn)練時間。

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

本文通過使用在大規(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、紋理和高級語義特征。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，從而在花卉分類任務(wù)中取得更好的性能表現(xiàn)。

在花卉分類任務(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)花卉分類任務(wù)的特定上下文，同時保留通用特征。通過使用預(yù)訓(xùn)練模型作為特征提取器，本研究凍結(jié)了大部分權(quán)重，提取模型中間層的高級特征以提高分類效率。利用ResNet的深層結(jié)構(gòu)，本研究選擇了不同層次的特征進行遷移，以更好地滿足花卉分類任務(wù)的需求。

2 實驗

2.1 實驗環(huán)境

硬件實驗環(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。軟件實驗環(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 進行開發(fā)；Pytorch版本為2.1.0，CUDA版本為11.8。

2.2 評價指標(biāo)

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

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

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

Kappa 系數(shù)是一種用于評估分類器在分類任務(wù)中性能的統(tǒng)計指標(biāo)。它通過考慮隨機一致性因素，提供了對準(zhǔn)確度的更全面評估，其計算公式如方程（2） 所示。

Kappa = Po - Pe /1 - Pe （2）

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

實驗結(jié)果表明，將花卉數(shù)據(jù)集應(yīng)用于ResNet50網(wǎng)絡(luò)模型進行訓(xùn)練與驗證時，經(jīng)過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)練集和驗證集的準(zhǔn)確率及損失（loss） 在訓(xùn)練過程中的變化趨勢。

通過分析準(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，但整體趨于平穩(wěn)，這表明模型對訓(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)練過程中，本研究采用了多種評價指標(biāo)，如表1所示。其中，Kappa系數(shù)作為關(guān)鍵的性能評估指標(biāo)，全面評估了模型在準(zhǔn)確性方面相對于隨機分類的表現(xiàn)。實驗結(jié)果顯示，當(dāng)訓(xùn)練到第200個Epoch 時，驗證集的準(zhǔn)確率達到了最高，此時損失函數(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)，突顯其在花卉分類任務(wù)中的卓越表現(xiàn)。較高的Kappa系數(shù)反映了模型在對102種不同花卉類別的準(zhǔn)確分類上，已超越了隨機猜測的水平。

此外，高Kappa 系數(shù)進一步表明相對于隨機性，模型有顯著的改進。即便在高準(zhǔn)確率下，模型仍然遠遠超越了僅比隨機分類稍好的水平。在穩(wěn)定性方面，Kappa 系數(shù)計算考慮了分類錯誤和正確的概率，表現(xiàn)出模型對不同花卉類別的相對穩(wěn)定的分類能力，不容易受到隨機性的干擾。

總體而言，實驗所取得的高Kappa 系數(shù)為ResNet50網(wǎng)絡(luò)模型在花卉分類任務(wù)中的可靠性和卓越性能提供了有力支持。驗證集上82.771%的準(zhǔn)確率，以及模型相對較小的規(guī)模（參數(shù)數(shù)量為23.663 M，模型大小為9.296 M） ，進一步強調(diào)了其在實際應(yīng)用中可能具備的廣泛適用性。這一系列實驗結(jié)果為本研究對模型分類結(jié)果的信心提供了堅實的基礎(chǔ)。

3 討論與總結(jié)

當(dāng)前，花卉識別主要依賴于人工方法，但人工識別存在識別速度慢和需要專業(yè)知識等問題。為了解決這些問題，本研究應(yīng)用計算機視覺和深度學(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，旨在識別和分類102 種常見花卉。在實驗過程中，重點分析了ResNet50模型在花卉識別與分類中的表現(xiàn)，包括其準(zhǔn)確率、模型大小、參數(shù)量以及Kappa 系數(shù)。實驗結(jié)果表明，ResNet50模型在花卉識別方面具有較高的準(zhǔn)確率，驗證集的準(zhǔn)確率達到82.771%，Kappa系數(shù)為0.825。

本研究提出的花卉識別方法通過實驗驗證了其可行性。未來的研究將致力于優(yōu)化ResNet 模型的結(jié)構(gòu)，以適應(yīng)更多種類的花卉識別任務(wù)，并將輕量化的ResNet 模型移植到移動設(shè)備上。這些努力將進一步提升花卉識別技術(shù)的性能和實用性。

參考文獻：

[1] 余杭. 基于激光雷達的3D目標(biāo)檢測研究綜述[J]. 汽車文摘，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[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：以塞罕壩機械林場為例[J]. 現(xiàn)代園藝， 2022， 45（10）： 140-142.

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

[5] 黎施欣， 范小平. 圖像處理與識別在果蔬成熟度監(jiān)測中的研究及應(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)的番茄葉部病害識別方法[J].河南農(nóng)業(yè)大學(xué)學(xué)報，58（2）：287-297.

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

【通聯(lián)編輯：唐一東】