徐光柱，朱泽群，尹思璐，3，刘高飞，雷帮军

（1.三峡大学计算机与信息学院，宜昌 443002；2.三峡大学水电工程智能视觉监测湖北省重点实验室，宜昌 443002；3.国药葛洲坝中心医院信息中心，宜昌 443002）

引 言

在农、林业发展中，花卉种类的快速准确鉴别具有重要的意义［1］。传统的花卉识别方法易受到花卉形态多样性、背景环境复杂性及光照条件多变性的影响，其准确率与泛化性能有待提升。而深层卷积神经网络（Deep convolutional neural network，DCNN）在高速计算设备的辅助下可以自动学习视觉目标语义特征的特点，解决了复杂环境下的视觉目标的鲁棒性识别问题，在花卉识别应用中具有较大潜力。但在实际应用中，人们更希望能够利用便携式设备及时获得花卉的种类信息，从而在数据产生地点实时进行分析，以便于最有效地对花卉资源进行开发利用。因此在算力弱、存储成本高但是便于携带的AI 边缘计算设备上高效运行DCNN 花卉分类模型对于户外实时花卉识别具有重大的研究价值与意义。

目前，相关研究人员已构建出多种DCNN 模型来进行花卉的识别，Prasad 等［2］提出一种新型的深度卷积神经网络，该网络使用4 种不同尺寸的卷积核进行特征提取，在两层全连接层后应用Softmax 回归函数进行分类，并结合随机池化技术，显著改善了花卉的分类准确率。吴迪等［3］针对花卉分类任务对InceptionV3 网络进行了适应性修改，将激活函数调整为在负值具有软饱和特性的Tanh⁃ReLu 函数，利用迁移学习技术训练出了分类效果出众的网络权重，其分类准确率达到了92.85%。……