基于深度迁移学习的飞机草幼苗识别研究.pdfVIP

基于深度迁移学习的飞机草幼苗识别研究

摘要

资源的合理配置与环境的深层次保护共同构成了生态文明建设的基石。在经济发展与民生改善

的过程中，建立稳固且健康的自然生态圈，并提升资源的生态承载能力，已被视为关键支撑和先决

条件。然而，随着全球经济的迅猛发展和跨地域活动的日益频繁，部分自然界物种得以跨越地理界

限，侵入新的生态环境，成为外来入侵物种。这些物种对原生种群构成威胁，扰乱生态平衡，进而

对经济发展和社会进步造成负面影响。在中国，飞机草作为一种极具侵略性的外来物种，已被列为

急需排除的重要危险物种之一。

为了应对飞机草的威胁，国家已采纳了包括物理、化学及生物手段在内的多元化防控策略。尽

管如此，这些措施在实施过程中仍给环境与经济带来了一定程度的负担。因此，在致力于防控飞机

草的同时，积极探索更为环保且经济的解决方案显得尤为重要。预先侦测并防范飞机草的滋生，是

减少潜在损失的关键策略。尽管飞机草在成熟期时特征明显，识别准确率高，但此时已对生态环境

和经济造成了不可忽视的损害。相比之下，飞机草幼苗的识别则显得尤为棘手，因为它们特征隐蔽，

数据收集难度极大，这导致幼苗识别的精准度较低，难以直接应用于实际防控中。因此，提高飞机

草幼苗识别的准确性，以防止其扩散，已然成为科研工作中的重中之重。

针对上述问题，本文提出了一种基于深度迁移学习的飞机草幼苗识别方法。具体工作涵盖以下

几个方面：

1.本文采用模型为InceptionV3网络模型，其优点在于其采用的多尺度卷积和深度可分离卷积技

术，使得模型在保持较低计算复杂度的同时，能够实现较高的识别性能。

2.采用最大均值差异（MMD）作为迁移学习中衡量任务之间相似度的关键指标。基于InceptionV3

模型，对飞机草幼苗进行目标识别研究。首先运用迁移学习技术对幼苗进行初步识别。随后，利用

成熟飞机草的数据对InceptionV3模型进行特定训练，进而实施二次迁移学习，以实现对飞机草幼苗

的精确识别。

3.为了进一步提升识别精度，对InceptionV3深度迁移学习模型进行了针对性改进。首先，引入

以多核MMD为主要结构的DAN方法，优化损失函数和分布距离的度量方式，从而提升模型的整体

性能。其次，对数据集进行增强处理，在确保数据丰富性的同时保留图像信息的完整性，并增强模

型的泛化能力。最后，通过调整模型中各分类的权重参数以及微调网络各层参数的方式，获得最优

的损失值并进一步提升模型的识别能力。通过与多个模型的精度对比以及多角度的理论验证，证实

了所提方法的有效性和可行性。

实验结果表明，相较于其他模型而言，以InceptionV3为预训练模型的深度迁移学习方法在飞机

草幼苗识别方面展现出了卓越的性能，识别精度高达94.3%左右，相较于基础的迁移学习方法提升

了约6%。与同类型的VGG19和ResNet152模型相比，所提方法的识别精度也有显著提升。这一成

果充分验证了深度迁移学习在处理特征不明显、数据集稀缺的物种识别问题时的优越性和有效性。

【关键词】：环境科学；深度学习；迁移学习；图像识别；卷积神经网络

ResearchonChromolaenaodorata(L.)R.M.

KingH.RobSeedlingRecognitionBasedon

DeepTransferLearning

Abstract

Therationalallocationofresourcesandthedeep-levelprotectionoftheenvironmentjointlyconstitute

thecornerstoneofecologicalcivilizationconstruction.Intheprocessofeconomicdevelopmentand

improvementofpeopleslivelihood,establishingastableandhealthynaturalecologicalcircleandenhancing

theecologicalcarryingcapaci