杨旺功，淮永建,2

(1.北京林业大学 信息学院，北京 100083；2.国家林业和草原局林业智能信息处理工程技术研究中心，北京 100083)

基于机器学习的植物图像分类方法克服了人工分类方法的局限性。传统细粒度分类算法，采用尺度不变特征变换(scale invariant featuretrans form，SIFT)[1]或方向梯度直方图(histogram of oriented gradient，HOG)[2]提取局部特征手段，利用局部聚集描述符向量(vector of locally aggregated descriptors，VLAD)[3]或Fisher vector[4]等编码模型进行特征编码。张娟等[5]按照纹理、形状、颜色等手工特征对梅花进行分类，方法不具有通用性。Nilsback等[6]提出了基于花卉几何形状的自动分割算法。周伟等[7]提出了基于显著图的花卉分类算法，为避免分割的依赖关系，将显著图融入特征提取过程，融合颜色和尺度不变特征变换，并采用支持向量机(support vector machines,SVM)进行分类。主流细粒度分类方法基于卷积神经网络[8-12]。本文提出了基于多层特征融合及兴趣区域的花卉图像分类方法。该方法基于VGG16[13]框架，提出基于兴趣区域的特征强化算法，抑制无效信息区域，强化细微特征提取。融合多层网络特征图，采用全局平均池化取代全连接层[14]达到降维目的，从而防止过拟合。采用改进的损失函数pre_softmax完成分类任务，提高了训练网络的识别率。

1 图像预处理

使用深度学习进行图像分类任务时，要求输入的图像尺寸固定，采用图像缩放的方法直接将图像缩放至神经网络可输入的图像尺寸。图像的宽高不等，导致图像不同程度的变形，有效形态特征信息被压缩，从而引起图像细节信息损失，影响图像的分类结果。为了强化图像有效信息，抑制边界信息的干扰，提高神经网络模型的泛化能力，本研究针对花卉的特性，设计的图像预处理流程如图1所示。……