计算机辅助设计与图形学学报

作者：吴惠思, 肖芳燕, 史周安, 文振焜

关键词：深度学习, 半监督学习, 卷积神经网络, 特征提取, 植物叶片识别

植物叶片自动识别算法在植物教学和生态保护等领域有着广泛应用, 但由于植物种类繁多且类间差异小,传统深度学习方法需要大量的数据标注才能获得较好的训练效果. 为此, 提出一种基于深度半监督学习的植物叶片自动识别方法. 首先, 基于一致性正则化思想, 为提升数据扰动质量设计了显性、隐性数据扰动流程; 然后, 运用深度特征提取网络 DenseNet, 有效地提升了植物叶片细粒度特征的辨别能力; 最后, 基于模拟退火训练策略过滤训练过程中的异常数据, 从而缓解过拟合现象. 在分别含有 5 284 幅和 18 000 幅植物叶片图像的公开数据集 MalayaKew-D3 和私 有 数 据 集 LeafSZU-2021 中 获 得 的 实 验 结 果 表 明 , 与 全 量 标 注 数 据 下 监 督 学 习 模 型 相 比 , 该 方 法 在 仅 使 用30%~50%标注数据量时, 仍能达到 92.36%~96.85%的植物叶片识别准确率; 在相同数据标注量下, 其平均识别准确率比当前最新的半监督球面均值聚类方法提高了 2.95%, 且模型参数量降低了 38.12%, 识别速度提高了 61.51%.

来源：2023年第10期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2023年第10期