李滨, 敬启超

(东北林业大学 机电工程学院，哈尔滨 150040)

0 引言

树种识别与分类是森林资源调查与保护中的一项重要工作[1]，但由于树木种类繁多,人工识别工作量大且效率低，树种识别技术也就应运而生。因此研究树种识别分类，提高识别的准确率具有非常重要的意义。

目前关于树木种类识别的研究主要分为2种方法：①人工提取图像特征，再运用传统机器学习的方法，利用树叶和树皮的显著特征[2-3]，如颜色、形状、纹理和大小的传统计算机视觉系统，但该方法在特征提取时效率低。唐钦[4]提出的利用k近邻(k-Nearest Neighbor，KNN)算法和支持向量机(SVM)算法在树叶样本上取得了89.64%的识别率。赵鹏超等[5-6]在卷积神经网络中对BP神经网络反向传播算法和梯度下降算法优化训练，取得了95%以上的正确率。杨蒙蒙[7]采用Hu矩和灰度共生矩阵与BP神经网络，在对15种树叶图像分类中取得了80.97%的识别率。树木识别技术也在不断改进。②基于深度学习的识别方法，其中卷积神经网络(Convolutional Neural Networks，CNN)是深度学习模型中最重要的一种结构，可自动提取目标特征，已基本满足目标分类。陈明建[8]提出了一种预处理算法，消除树叶图像阴影，再结合树叶轮廓，最终在32种叶片上取得了98.26%的准确率。Yang等[9]采用多个CNN分类器分别对叶片及显著特征区域图像自主提取特征，准确率达到97.1%。Liu等[10]采用VGG16作为模型预训练网络，再利用UNET网络对树种图像进行语义分割，最终取得96.03%的准确率，但是网格模型较大效率不高。Mubin等[11]、业巧林等[12]提出了一种遥感图像分类模型，采用图像增强后利用深度学习训练模型，结果可以从卫星图像中取得的识别正确率分别为95.11%和92.26%，但是需要大量的森林卫星图像。……