【论文精选】基于改进胶囊网络模型的植物图像识别方法学术资讯

来源：农业工程学报

《农业工程学报》2020年第36卷第8期刊载了吉林农业大学信息技术学院等单位温长吉、娄月、张笑然、杨策、刘淑艳与于合龙的论文——“基于改进稠密胶囊网络模型的植物识别方法”。该研究由国家自然科学基金重点项目（项目号：U19A2061）等资助。

植物识别意义重大，但是由于植物种类繁多，规模数据集标注和构建困难，传统的植物识别方法对于复杂多样的生态系统，信息的获取较为零散、不充分且不完整，并且识别工作量大，人为主观性强，因此植物识别成为一项非常困难的任务。

深度学习是近年来发展起来的图像处理技术，但是更深的网络结构使得模型更加复杂，大量参数和超参数需要调整，网络需要更加庞大的数据集用于优化学习。而胶囊网络能够提升网络对视角的平移不变性，也使得网络更好的理解数据，因此该网络及其改进模型对图像识别具有重要的研究意义和广阔的应用前景。

该研究在借鉴DCNet的基础上，将改进的稠密胶囊网络模型（Modified Dense Capsule Network，Modified-DCNet）用于植物图像识别，通过引入Dense块，利用特征图重用技术增加网络深度，减少网络参数规模，降低网络计算量。在网络初始端引入自注意力机制，通过增加前景待识别目标区域的特征权值以降低背景信息对于识别任务的干扰。将局部约束动态路由算法取代经典动态路由算法中的全连接结构，实现局部区域内胶囊路由选择和转换矩阵共享机制，以适应大尺度输入图片和小样本集学习需求。具体实现步骤：首先输入图像，经过批量归一化，获取卷积特征图。然后将特征图输入自注意力层构建自注意力特征图，提取的自注意力图与初始提取卷积特征图，经过卷积操作，获取卷积特征图，输入到稠密层。将稠密块提取的特征图输入局部约束动态路由层，该层提取的特征图输入分类重构层，最后实现重构结果的输出。

研究结果表明，当输入图片尺度为32×32像素时，本研究模型（Modified-DCNet）平均识别准确率为77.2%，对比CapsNet、DCNet和VGG16平均识别准确率分别提升18.8%、12.7%和25.2%，参数规模仅为CapsNet的21.9%、DCNet的26%和 VGG16的1.3%。当输入图片尺度为227×227像素时，本研究模型平均识别准确率为95.1%，对比AlexNet和VGG16平均识别准确率分别提升了25.5%和8.6%，参数仅为AlexNet的8.6%和VGG16的3.7%。试验结果验证了本研究改进模型在提升识别准确率和降低参数规模方面的有效性。

长按识别二维码关注“农业工程学报”

来源：gh_c45100f8f9c0 农业工程学报

原文链接：http://mp.weixin.qq.com/s?__biz=MjM5NjU1MzcwNQ==&mid=2652996882&idx=6&sn=8110d42c27b4ce2c5be55c62ff32cea4&chksm=bd3253948a45da82fea45262767b92edb1f4ec747bca210969a6099b03bcb87b8174dad97d84&scene=27#wechat_redirect

电话：（010）86409582

邮箱：kejie@scimall.org.cn