晏铭 朱良宽 景维鹏

摘 要：针对植物叶片识别过程中参数较多且易产生过拟合的问题，为减少其存储及计算的代价，本文提出一种基于贝叶斯融合压缩卷积神经网络植物叶片识别模型。首先，利用递归贝叶斯算法进行网络剪枝，自适应地去除网络冗余;然后，引入K-Means聚类量化网络中的卷积层和完全连接层，用于压缩整个卷积神经网络;最后，结合经典卷积神经网络模型AlexNet，进行植物叶片识别实验。实验结果表明，在相同的数据集中，压缩后的卷积神经网络相比于原网络及其它压缩方法，占用的存储空间更少，压缩率达到36倍，并取得了略好的性能，准确率达到88.58%。

关键词：

卷积神经网络;模型压缩;剪枝;参数量化;贝叶斯算法

DOI：10.15938/j.jhust.2021.03.012

中图分类号： TP183

文献标志码： A

文章编号： 1007-2683（2021）03-0083-08

Compressed CNN Plant Leaf Recognition Model Fused with Bayesian

YAN Ming， ZHU Liang-kuan， JING Wei-peng

（College of Mechanical and Electronic Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract：Aiming at the problem that there are many parameters in the process of plant leaf recognition and it is easy to produce over-fitting， in order to reduce the cost of storage and calculation， this paper proposes a plant leaf recognition convolutional neural network model based on Bayesian fusion. Firstly， the recursive Bayesian algorithm is used for network pruning to adaptively remove network redundancy. Then， the convolutional layer and the fully connected layer in the K-Means cluster quantization network are introduced to compress the entire convolutional neural network. Finally， combined with the classical convolutional neural network model AlexNet， plant leaf recognition experiments were carried out. The experimental results show that in the same data set， the compressed convolutional neural network takes less storage space，36 times compression and achieves a slightly better performance with 88.58% accuracy than the original network and other compression methods.

Keywords：convolutional neural network; model compression; pruning; parameter quantization; Bayesian algorithm

0 引 言

植物是地球生态系统的一个重要组成部分，目前已知的植物种类数量在40万左右，还存在大量未被分類或未知的物种。植物的分类识别是生物和环境科学中非常重要的一个研究课题，对生物多样性保护、生态农业、生物安全等有着重要的意义。作为植物的六大器官之一的植物叶片，因其方便采集、状态相对稳定，且不同种类植物一般在其叶片的视觉

特征上存在着差异，为植物的分类识别提供了非常有价值的线索，是植物分类的重要依据。传统的植物叶片分类方法准确率不高的原因在于其需要对数据进行预处理，特征提取，特征分类等繁琐步骤，预处理效果差异大，人工设计的提取器难以获得最接近目标自然属性的特征表达。……