菊花原产于中国，具有很高的观赏价值和商业价值，中国、日本、荷兰、韩国等是菊花主要产地。大花菊花(Chrysanthemum?×?morifoliumRamat.)品种群是中国最大的菊花品种群之一，具有很高的观赏价值和丰富的文化底蕴。品种识别是花卉生产、研究和商业应用的基础工作。但是，由于品种多、花序结构复杂、花型多样、遗传背景杂合度高，在大花菊花品种识别中遇到了许多问题。即使是专业研究人员也可能会混淆菊花品种，这不利于菊花资源的管理和保护。因此，准确、快速地识别菊花品种是一项极具挑战性的工作。

图1菊花识别的复杂性

a千姿百态的大花菊花品种，b菊花花序结构：（i）舌状花和（ii）管状花

在本文中，LiuZ.等探讨了如何将深度学习方法应用于菊花品种识别，提出了基于VGG16和ResNet50的深度学习模型，以识别大花菊花。根据个品种的14,张图像构建了一个平衡的数据集，即数据集A。数据集A中的图像是使用自动图像采集设备从预先定义的视角拍摄的，每幅图像都经过人工检查，以确保品种识别的准确性；数据集B由幅往年采集的图像构成，用于评价模型的泛化性能，并通过T分布随机邻域嵌入（T-SNE）观察品种的特征分布。此外，采用加权梯度类激活映射(Grad-CAM)方法和特征聚类分析，解释了深度学习模型的决策过程。本研究的主要目的是建立基于图像的DCNN菊花识别分类方法，为菊花品种识别和植物分类研究提供较高的参考价值。

图2实验材料为种中国传统大花菊花品种，其中一些在形态上相似

图3数据集A和B的样本图像

图4深度卷积神经网络(DCNN)的框架，VGG16或ResNet50充当特征提取器

图5VGG16模型识别

a输入图像，b特征提取可视化结果，cTop-k结果

研究结果显示，深度学习方法应用于菊花品种识别，具有识别性能强、识别速度快等优点，是园艺学的一个突破。舌状花、管状花、花序颜色和花序形状可能是模型决策过程中的关键因素，当然这对人工决策也至关重要。

表1数据集A上VGG16和ResNet50的Top-1和Top-5精度

Pre-trainednetwork

Top-1(%)

Top-5(%)

VGG16

89.43

98.59

ResNet50

95.39

99.51

表2数据集B上VGG16和ResNet50的Top-1和Top-5精度

Pre-trainednetwork

Top-1(%)

Top-5(%)

Analysistimeperimage(ms)

VGG16

51.93

78.21

10

ResNet50

69.86

88.19

15

图6Top-5识别结果

每张图像的顶部为品种名称，底部为识别精度。

图7特征分布图

每个点代表一幅图像的高维特征，每种颜色代表一个品种的标签。

图8根据Grad-CAM方法生成的热图

a管状花可见的品种，b管状花不可见的品种。在每个热图中，像素的颜色越暖，模型就越

转载请注明:http://www.lixiangguod.com/jhgx/18352.html