第5期 林丽惠，等：融合整体与局部信息的武夷岩茶叶片分类方法 ·923· 高于单分支CNN模型的最高分类准确率96.04%： 参考文献： 3)当IGL-CNN模型的输人是整个叶片图像 和图像前后端信息时，分类准确率为92.25%，略 [1]张宁，刘文萍.基于图像分析的植物叶片识别技术综 高于单分支CNN模型的最低分类准确率92.21%。 述.计算机应用研究，2011,28(11)少4001-4007 4)对于武夷岩茶鲜茶叶叶片分类问题，除了 ZHANG Ning,LIU Wenping.Plant leaf recognition tech- nology based on image analysis[J].Application research of 全局信息，叶片图像的边缘局部信息和中间局部 computers..2011,28(11):4001-4007. 信息也是区分叶片种类的重要信息。图像的边缘 [2]卢宏涛，张秦川.深度卷积神经网络在计算机视觉中的 信息反映了叶片的边缘形状特征，图像的中间信 应用研究综述).数据采集与处理，2016,31(1)少：1-17. 息反映了叶片的纹理特征。因此，边缘形状和纹 LU Hongtao,ZHANG Qinchuan.Applications of deep 理是分类叶片种类的重要信息。在加入图像的前 convolutional neural network in computer vision[J].Journ- 后端信息后，叶片分类的准确率出现了下降，这 al of data acquisition and processing,2016,31(1):1-17. 说明叶片图像的前后两端信息对区分叶片种类的 [3]王成济，罗志明，钟准，等.一种多层特征融合的人脸检 作用不大。 测方法).智能系统学报，2018,13(1)少：138-146. S)合理选择CNN模型的深度很重要。理论 WANG Chengji,LUO Zhiming,ZHONG Zhun,et al.Face 上，模型深度越深，模型的表达能力越好。如表3 detection method fusing multi-layer features[J].CAAI 所示，ResNet50模型的分类准确率要高于 transactions on intelligent systems,2018,13(1):138-146. ResNet18模型的分类准确率。但对于配置Res- [4]周俊宇，赵艳明.卷积神经网络在图像分类和目标检测 Net50的IGL-CNN模型和配置ResNet1:8的IGL- 应用综述.计算机工程与应用，2017,53(13)：34-41. CNN模型而言，这种情况出现了逆转。考虑到 ZHOU Junyu,ZHAO Yanming.Application of convolu- IGL-CNN模型的两分支并行结构包含的参数数 tion neural network in image classification and object de- tection[J].Computer engineering and applications,2017, 目是单分支CNN模型的2倍，这说明7330张叶 53(13):34-41. 片图像数据集对于配置ResNet50的IGL-CNN模 [5]刘大伟，韩玲，韩晓勇.基于深度学习的高分辨率遥感影 型是不够的，如果想进一步提高配置ResNet50的 像分类研究).光学学报，2016,36(4)：0428001 IGL-CNN模型的分类准确率，还需增大图像数据 LIU Dawei,HAN Ling,HAN Xiaoyong.High spatial res- 集的容量。 olution remote sensing image classification based on deep 表34种单分支CNN模型的分类准确率 learning[J].Acta optica sinica,2016,36(4):0428001. Table 3 Classification accuracies of 4 kinds of single- [6]李亚飞，董红斌.基于卷积神经网络的遥感图像分类研 branch CNN models 究[).智能系统学报，2018,13(4)：550-556. 模型 分类准确率% LI Yafei,DONG Hongbin.Classification of remote-sens- ResNet18 94.36 ing image based on convolutional neural network[J].CAAI transactions on intelligent systems,2018,13(4):550-556. ResNet50 96.04 [7刀]刘彪，黄蓉蓉，林和，等.基于卷积神经网络的盲文音乐 VGG16 93.22 识别研究).智能系统学报，2019,14(1)：186-193 AlexNet 92.21 LIU Biao,HUANG Rongrong,LIN He,et al.Research on braille music recognition based on convolutional neural networks[J].CAAI transactions on intelligent systems, 5结束语 2019,141):186-193 针对武夷岩茶鲜茶叶叶片图像分类问题，本 [8]周飞燕，金林鹏，董军.卷积神经网络研究综述).计算 机学报，2017,40(6)：1229-1251 研究设计了一个两分支并行结构的CNN模型。 ZHOU Feiyan,JIN Linpeng,DONG Jun.Review of con- 该模型融合了叶片图像的整体与局部信息，并 volutional neural network[J].Chinese journal of com- 在给定的武夷岩茶鲜茶叶叶片图像数据集上取 puters,2017,40(6):1229-1251 得了很好的分类准确率。此外，实验结果还表 [9]YALCIN H,RAZAVI S.Plant classification using convo- 明，除了图像的全局信息外，图像的边缘信息和 lutional neural networks[C]//2016 Fifth International Con- 纹理信息也是识别武夷岩茶鲜茶叶叶片的重要 ference on Agro-Geoinformatics.Tianjin,China,2016: 特征。以上结论为后续研究工作提供了有益的 1-5. 借鉴。 [10]LEE S H,CHAN C S,MAYO S J,et al.How deep learn-高于单分支 CNN 模型的最高分类准确率 96.04%； 3) 当 IGL-CNN 模型的输入是整个叶片图像 和图像前后端信息时，分类准确率为 92.25%，略 高于单分支 CNN 模型的最低分类准确率 92.21%。 4) 对于武夷岩茶鲜茶叶叶片分类问题，除了 全局信息，叶片图像的边缘局部信息和中间局部 信息也是区分叶片种类的重要信息。图像的边缘 信息反映了叶片的边缘形状特征，图像的中间信 息反映了叶片的纹理特征。因此，边缘形状和纹 理是分类叶片种类的重要信息。在加入图像的前 后端信息后，叶片分类的准确率出现了下降，这 说明叶片图像的前后两端信息对区分叶片种类的 作用不大。 5) 合理选择 CNN 模型的深度很重要。理论 上，模型深度越深，模型的表达能力越好。如表 3 所示， ResNet5 0 模型的分类准确率要高 于 ResNet18 模型的分类准确率。但对于配置 Res￾Net50 的 IGL-CNN 模型和配置 ResNet18 的 IGL￾CNN 模型而言，这种情况出现了逆转。考虑到 IGL-CNN 模型的两分支并行结构包含的参数数 目是单分支 CNN 模型的 2 倍，这说明 7 330 张叶 片图像数据集对于配置 ResNet50 的 IGL-CNN 模 型是不够的，如果想进一步提高配置 ResNet50 的 IGL-CNN 模型的分类准确率，还需增大图像数据 集的容量。 表 3 4 种单分支 CNN 模型的分类准确率 Table 3 Classification accuracies of 4 kinds of single￾branch CNN models 模型 分类准确率/% ResNet18 94.36 ResNet50 96.04 VGG16 93.22 AlexNet 92.21 5 结束语 针对武夷岩茶鲜茶叶叶片图像分类问题，本 研究设计了一个两分支并行结构的 CNN 模型。 该模型融合了叶片图像的整体与局部信息，并 在给定的武夷岩茶鲜茶叶叶片图像数据集上取 得了很好的分类准确率。此外，实验结果还表 明，除了图像的全局信息外，图像的边缘信息和 纹理信息也是识别武夷岩茶鲜茶叶叶片的重要 特征。以上结论为后续研究工作提供了有益的 借鉴。 参考文献： 张宁, 刘文萍. 基于图像分析的植物叶片识别技术综 述 [J]. 计算机应用研究, 2011, 28(11): 4001–4007. ZHANG Ning, LIU Wenping. Plant leaf recognition tech￾nology based on image analysis[J]. Application research of computers, 2011, 28(11): 4001–4007. [1] 卢宏涛, 张秦川. 深度卷积神经网络在计算机视觉中的 应用研究综述 [J]. 数据采集与处理, 2016, 31(1): 1–17. LU Hongtao, ZHANG Qinchuan. Applications of deep convolutional neural network in computer vision[J]. Journ￾al of data acquisition and processing, 2016, 31(1): 1–17. [2] 王成济, 罗志明, 钟准, 等. 一种多层特征融合的人脸检 测方法 [J]. 智能系统学报, 2018, 13(1): 138–146. WANG Chengji, LUO Zhiming, ZHONG Zhun, et al. Face detection method fusing multi-layer features[J]. CAAI transactions on intelligent systems, 2018, 13(1): 138–146. [3] 周俊宇, 赵艳明. 卷积神经网络在图像分类和目标检测 应用综述 [J]. 计算机工程与应用, 2017, 53(13): 34–41. ZHOU Junyu, ZHAO Yanming. Application of convolu￾tion neural network in image classification and object de￾tection[J]. Computer engineering and applications, 2017, 53(13): 34–41. [4] 刘大伟, 韩玲, 韩晓勇. 基于深度学习的高分辨率遥感影 像分类研究 [J]. 光学学报, 2016, 36(4): 0428001. LIU Dawei, HAN Ling, HAN Xiaoyong. High spatial res￾olution remote sensing image classification based on deep learning[J]. Acta optica sinica, 2016, 36(4): 0428001. [5] 李亚飞, 董红斌. 基于卷积神经网络的遥感图像分类研 究 [J]. 智能系统学报, 2018, 13(4): 550–556. LI Yafei, DONG Hongbin. Classification of remote-sens￾ing image based on convolutional neural network[J]. CAAI transactions on intelligent systems, 2018, 13(4): 550–556. [6] 刘彪, 黄蓉蓉, 林和, 等. 基于卷积神经网络的盲文音乐 识别研究 [J]. 智能系统学报, 2019, 14(1): 186–193. LIU Biao, HUANG Rongrong, LIN He, et al. Research on braille music recognition based on convolutional neural networks[J]. CAAI transactions on intelligent systems, 2019, 14(1): 186–193. [7] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述 [J]. 计算 机学报, 2017, 40(6): 1229–1251. ZHOU Feiyan, JIN Linpeng, DONG Jun. Review of con￾volutional neural network[J]. Chinese journal of com￾puters, 2017, 40(6): 1229–1251. [8] YALCIN H, RAZAVI S. Plant classification using convo￾lutional neural networks[C]//2016 Fifth International Con￾ference on Agro-Geoinformatics. Tianjin, China, 2016: 1−5. [9] [10] LEE S H, CHAN C S, MAYO S J, et al. How deep learn- 第 5 期 林丽惠，等：融合整体与局部信息的武夷岩茶叶片分类方法 ·923·