聂聪颖，唐晶磊

(西北农林科技大学 信息工程学院，陕西 杨凌 712100)

0 引 言

近年来，随着计算机视觉的快速进步，植物自动识别[1]已引起越来越多的关注。Y H Sharath Kumar等[2]首先通过图像分割[3]和骨架修剪算法得到花的骨架，再利用德劳内三角剖分提取花朵的长度和角度特征，最后对花朵进行识别，在30类花卉中验证了该算法的合理性。于慧伶等[4]通过构建双路卷积神经网络模型，融合了边缘特征和内部纹理特征，对44种植物叶片进行了识别。张善文等[5]提出一种基于典型相关分析(CCA)的对全局和局部特征进行融合的植物识别方法，将梯度直方图(HOG)[6]和边缘轮廓Fourier描述子相融合，采用K-最近邻分类器对50种叶片进行植物识别。罗娟等[7]提出了多线索植物识别模型，利用了植物的7个不同部位对12种植物进行识别。

尽管植物识别方法的研究已经取得了许多进展，但是仍然存在许多问题。基于图像分析的植物识别过程中，研究目标一般只包含数十种植物，并且数据分布较为平衡。而在现实世界中存在着上万种植物，并且数据分布往往不平衡。因此，为了更好对现实世界中的植物进行研究，本文采用包含上千种植物且数据分布极不平衡的PlantCLEF2016数据集[8]。

为了研究大规模的植物识别，我们需要解决的一个问题是如何为植物识别获取更多的判别特征。但是，大多数现有方法仅从深度CNN的最后一个完全连接层中提取一组深度特征[9,10]，而使用一组深度特征无法有效完成大规模植物识别的任务。……