原忠虎,王 维,苏宝玲

(1.沈阳大学科技创新研究院,辽宁 沈阳 110044; 2.沈阳大学信息工程学院,辽宁 沈阳 110044；3.沈阳大学生命科学与工程学院,辽宁 沈阳 110044)

0 引 言

近年来，全球各地均有报道外来入侵植物对本土生态环境造成严重灾害和经济损失的现象。我国的外来入侵植物高达270余种，已成为受到外来入侵植物危害最严重的国家之一。因此，对外来入侵植物的及时发现和清理，是保障本土生态环境安全的重要措施。

植物的分类一般是根据根茎、叶片和果实等器官的形态和纹理特征来划分的。尤其以叶片的形态、颜色和纹理差异为目前植物分类的主要依据[1]。传统上在对植物叶片进行分类时，通常需要人工分析并提取叶片的纹理、颜色和轮廓等特征，分类的效果取决于特征工程的优劣和分类器的选择[2-5]。阚江明等人[6]提取了叶片6种形状特征和5种纹理特征，以径向基人工神经网络为分类器对3种植物叶片分类的识别准确率达到83.3%。Cerutti等人[7]在ImageCLEF 2012上，利用随机森林算法对126种树叶分类，在纯色背景和复杂背景下平均正确率为42%。在ImageNet2012图像分类竞赛中，Araújo等人[4]提出的AlexNet模型获得第一名的成绩，也是第一次将深度学习的理念应用到卷积神经网络(Convolutional Neural Network, CNN)中，CNN可以应用到更深更宽的模型，这就提高了CNN模型的泛化能力[8-9]。从此，CNN模型就成为了计算机视觉领域最受欢迎的方法，同时多种经典CNN模型相继被提出[10-13]。运用CNN模型对植物叶片识别和分类也获得了广泛的应用。张帅等人[14]使用了CNN模型分别对植物叶片图像的R、G、B这3个通道提取特征，在白色背景下的识别准确率达到90%。……