卷积神经网络在植被识别中的应用研究

大多数植物图片识别的方法，都是聚焦与植物图片的某一特征进行识别，例如叶径，叶长，花，果实， *通讯作者。

植物是人类日常生活当中不可缺少的一部分。就刚需而言，它提供人类生活所必需的氧气、食物和药材，以及对空气的净化能力；而植物的观赏性和部分稀缺植物的珍贵则形成了人类对植物的弹需。无论是刚需或者是弹需，植物的作用不言而喻。如何普及人们对世界上已有植物的了解以及对现存海量植物的管理和保护，就是目前人们需要考虑的问题。潘安湖湿地公园地处于江苏徐州市，草本植物丰富。

据调查，目前已发现植物97 科227 属353 种[1]。

在植物识别方面，前人也有一些实践。但是，多种植物识别，一般传统意义上的机器学习算法很难支持，并且在识别效率和速度上也很难满足要求。第一款植物识别app 由Leafsnap 小组[2]研发成功，但其局限性很明显，只是满足其在植物的叶片上的识别。黄婕等[3]提出了尺度不变特征变换(SIFF)的带预处理的算法，此算法针对展示在摄像头之下的植物叶片，可以进行植物叶片的自动分类，达到了识别53中植物叶片的效果。

秦风[4]等人提出了基于CNN 和SVM 算法的图像分析， 测试集准确率达到87.48%。

目前来说，这些植物识别准确率上差异明显，可识别的植物种类也少。

目前比较成熟的深度卷积网络模型有很多， 最出名的包括AlexNet [5]， VGGNet [6]， GoogleNet [7]， ResNet [8]，这些网络模型在每年的IamgeNet 图像分类竞赛中都有着出色的表现。并且在实际应用中， 准确度、内存占用、参数、操作时间、操作次数、推理时间、功耗都体现出了优秀的成绩[9]。本文采用深度学习中卷积神经网络(Convolutional Neural Networks)的AlexNet 模型对潘安湖植物进行植物特征提取和分类建模，与KNN 最近邻分类和BP 神经网络两种分类算法进行实验结果对比，验证实验可行性。

2. 相关理论 2.1. 卷积神经网络CNN 卷积神经网络(CNN)，是人工神经网络其中的一种。相较于全连接神经网络的输入层、输出层和隐藏层每一层的所有神经元与相邻的所有神经元全部连接相比，卷积神经网络的权重共享的网络结构，降低了模型的复杂度，减少了权值的数量。同时，卷积神经网络可以直接将图片作为输入对象，自动提取图片特征。卷积神经网络主要由卷积层、池化层和全连接层三个部分组成。

卷积层(Conv Layer)的输出张量(图像大小)计算公式：