王亞鵬，曹姍姍，李全勝，孫偉

(1.新疆農(nóng)業(yè)大學(xué) 計算機與信息工程學(xué)院，新疆 烏魯木齊830052；2.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，北京 100081；3.國家農(nóng)業(yè)科學(xué)數(shù)據(jù)中心，北京 100081)

自20世紀80年代以來，我國草地生態(tài)系統(tǒng)因載畜量過高、過度開發(fā)和氣候變化等因素，草地普遍發(fā)生了退化，退化率已超過90%[1-3]。草業(yè)資源調(diào)查是一項重大的基礎(chǔ)性自然資源調(diào)查監(jiān)測工作，為草原現(xiàn)狀和變化情況、科學(xué)評價其質(zhì)量和生態(tài)狀況提供了數(shù)據(jù)支撐[4]。根據(jù)《中國草地資源》[5]草地分類系統(tǒng)，我國草地可分為20個草原類824個草原型，類型多樣，植物種類豐富。草業(yè)資源調(diào)查等工作的重要環(huán)節(jié)之一是在野外環(huán)境下對天然草地植物種類進行準確快速的識別，目前多采用植物分類領(lǐng)域的專家現(xiàn)場判別的方式，識別準確率取決于專家經(jīng)驗和技術(shù)水平，識別效率受限于資源調(diào)查整體推進的速度，局限性較大且浪費人力物力，不利于野外開展資源調(diào)查、科學(xué)實驗或教學(xué)科普等場景下的植物分類識別。

近年來，隨著數(shù)碼相機、攝像頭、無人機、衛(wèi)星遙感等多源數(shù)據(jù)獲取手段的豐富，計算機硬件算力的提高以及圖像自動分類識別精度的不斷提升，以卷積神經(jīng)網(wǎng)絡(luò)[6-8](convolutional neural networks，CNN)為代表的深度學(xué)習(xí)算法在圖像分類和表征識別方面的能力取得了突破性進展[9]，并逐步應(yīng)用到植物圖像分類領(lǐng)域，并在訓(xùn)練數(shù)據(jù)充足時表現(xiàn)出良好的性能[10-11]。國內(nèi)外學(xué)者在基于CNN的植物分類識別方面開展了大量研究，取得了眾多進展[12-15]。以植物葉片圖像為研究對象，開展基于機器視覺的葉片圖像識別已成為主流方法[16-18]。該類方法早期多是以實驗室環(huán)境下的葉片或植物局部特征為對象進行的圖像分類識別[19-20]，具有較高的精度和穩(wěn)定性。但受限于實驗室光源、圖像背景等較為理想和單一的數(shù)據(jù)采集環(huán)境，基于實驗室圖像數(shù)據(jù)構(gòu)建的模型難以直接拓展應(yīng)用到野外復(fù)雜多變的自然條件和背景下的植物圖像分類識別上，同時陰影、反光、土壤、砂礫等噪聲也提升了圖像識別難度[21]，忽視了圖像采集的復(fù)雜自然背景和植物的整體外觀特征[22]。在植物特征提取的對象區(qū)域上，陳淑君等[23]提出了一種盆栽植物總體外部特征提取的圖像識別方法，識別率可達90%；馮海林等[24]提出了一種基于樹木整體圖像和集成遷移學(xué)習(xí)的樹種識別方法，對于樹木整體圖像識別具有較好的效果。在模型算法的算力要求上，隨著DenseNet[25]等CNN網(wǎng)絡(luò)的加深，雖可以提升網(wǎng)絡(luò)性能，但模型參數(shù)量龐大且更加復(fù)雜，訓(xùn)練網(wǎng)絡(luò)需要海量數(shù)據(jù)集[26-27]，并不適用于植物的野外現(xiàn)場快速識別等應(yīng)用場景，尤其是在無人機機載傳感器或智能手持終端等邊緣計算環(huán)境下，要在確保識別準確率的前提下，盡可能降低模型運行的時間復(fù)雜度和空間復(fù)雜度，提升模型的推理速度，因此，VGG[28]和ResNet[29]等經(jīng)典原始網(wǎng)絡(luò)仍然大量應(yīng)用于工業(yè)界[30-31]，但難以滿足農(nóng)業(yè)、林業(yè)、資源環(huán)境等領(lǐng)域的野外植物圖像數(shù)據(jù)的直接快速識別需求。隨著SqueezeNet[32]、MobileNet[33]、ShuffleNet[34]和EfficientNet[35]等輕量化網(wǎng)絡(luò)的提出，使得網(wǎng)絡(luò)攜帶參數(shù)量減少且FlOPs(浮點運算數(shù))降低，旨在解決邊緣計算下模型所需的算力問題。ACNet[36]通過非對稱卷積，提升網(wǎng)絡(luò)對圖像旋轉(zhuǎn)和翻轉(zhuǎn)的魯棒性，且對網(wǎng)絡(luò)的預(yù)測速度沒有影響，提供了一種網(wǎng)絡(luò)性能提升但不增加內(nèi)存的新思路。ResRep[37]提出的一種SGD更新規(guī)則，在少精度損失的情況下，具有更高的壓縮率，達到壓縮模型的目的。眾多輕量化模型及方法的提出，使得植物圖像的快速識別成為可能，也為天然草地植物的智能識別提供新的途徑。

以新疆干旱區(qū)自然復(fù)雜背景下采集的整株天然草地植物圖像為研究對象，基于現(xiàn)有高效網(wǎng)絡(luò)RepVGG，引入非對稱卷積進行優(yōu)化，構(gòu)建RepVGG_ACB模型，并結(jié)合結(jié)構(gòu)重參數(shù)化方法解耦RepVGG_ACB模型的訓(xùn)練階段和推理階段，提出一種兼顧識別精度、并行度和效率的自然復(fù)雜背景下天然草地植物圖像輕量級分類識別模型，可直接應(yīng)用于無人機機載傳感器網(wǎng)絡(luò)或智能手持終端等野外植物圖像快速分類識別應(yīng)用場景，為邊緣計算條件下的野外植物自動化高精度智能分類識別提供新方法。

1 材料與方法

1.1 數(shù)據(jù)采集

塔城地區(qū)位于新疆西北部、亞歐大陸腹地，屬中溫帶干旱和半干旱氣候，地處43°25′～47°15′N、82°16′～87°21′E之間。塔城地區(qū)植物資源豐富，有鈴鐺刺(Halimodendronhalodendron)、錦雞兒(Caraganasinica)、紅柳(Tamarixramosissima)、梭梭(Haloxylonammodendron)、琵琶柴(Reaumuriasongarica)等水土保持荒漠喬、灌木樹種，亦有蒿類(Artemisiaspp.)、針茅(Stipacapillata)、麻黃(Ephedrasinica)、黃芪(Astragalusmembranaceusvar.mongholicus)等草本植物，共計1 000余種[38]。本研究的天然草地植物圖像主要采集自塔城地區(qū)的2市4縣(塔城市、沙灣市、裕民縣、托里縣、額敏縣及和布克賽爾蒙古自治縣)，包含溫性草原、低地草甸、山地草甸、溫性荒漠及溫性荒漠草原等草原類型。

于2022年7—8月采集天然草地植物圖像。采用數(shù)碼相機和智能手機拍攝調(diào)查樣地中的整株植物照片，圖像分辨率分別為3 968×2 232 px和4 800×3 200 px。在多種光照條件下從多種角度進行圖像數(shù)據(jù)采集，目標植物占據(jù)整幅圖像的中央主要位置，圖像包含光照、陰影、土壤、沙礫、雜類草、其他草地植物和草地植物成群生長等自然復(fù)雜條件和背景因素。同時，記錄每一張圖像中的目標植物的專家鑒定結(jié)果。經(jīng)過人工鑒定和手動篩選，構(gòu)建自然復(fù)雜背景下天然草地植物圖像數(shù)據(jù)集，共計18 583張圖像，包含21科63屬74種天然草地植物，每一種草地植物的圖像數(shù)據(jù)量為183～392張。以駱駝刺(Alhagisparsifolia)和瓦松(Orostachysfimbriata)為例，同一植物種類在不同自然條件和背景下的數(shù)據(jù)集實例見圖1。

圖1 天然草地植物圖像數(shù)據(jù)集實例

1.2 數(shù)據(jù)預(yù)處理

考慮到深度學(xué)習(xí)模型對數(shù)據(jù)集的要求，無規(guī)則打亂74種天然草地植物圖像數(shù)據(jù)，采用6︰2︰2的比例將數(shù)據(jù)集劃分為訓(xùn)練集(60%)、驗證集(20%)和測試集(20%)。在訓(xùn)練前，需對訓(xùn)練集和驗證集的數(shù)據(jù)進行標準化處理，先將短邊縮放為256 px，長邊按圖像比例進行縮放，再進行中心剪裁，尺寸為224×224 px。而歸一化操作是對形狀為(高、寬、通道)的圖像轉(zhuǎn)化為(通道、高、寬)的張量，將其RGB值歸一化到[0，1]，進而將圖像的RGB值進行標準化操作(均值變?yōu)?，標準差變?yōu)?)，可加快模型的收斂。在訓(xùn)練前，對訓(xùn)練集使用平移、旋轉(zhuǎn)以及翻轉(zhuǎn)等數(shù)據(jù)增強操作。

1.3 RepVGG_ACB網(wǎng)絡(luò)

1.3.1 基礎(chǔ)網(wǎng)絡(luò)模型RepVGG

本研究采用的基礎(chǔ)網(wǎng)絡(luò)模型RepVGG借鑒了VGG網(wǎng)絡(luò)結(jié)構(gòu)。VGG網(wǎng)絡(luò)采用了單路架構(gòu)，通過堆疊多個3×3的卷積來獲取相同的感受野[39]，現(xiàn)有的計算庫(如Intel MKL、CuDNN)和硬件針對3×3卷積有深度的優(yōu)化，使得VGG網(wǎng)絡(luò)并行度高且推理速度更快。另外，如DenseNet等網(wǎng)絡(luò)并行了多個分支，但對于內(nèi)存消耗是不友好的，且多分支結(jié)構(gòu)影響了網(wǎng)絡(luò)的靈活度，不利于模型剪枝及優(yōu)化，而單分支具有更加靈活的特點。

RepVGG網(wǎng)絡(luò)在推理階段沒有任何分支結(jié)構(gòu)，且僅使用大小為3×3的卷積以及ReLU激活函數(shù)。在訓(xùn)練階段，RepVGG網(wǎng)絡(luò)舍棄了VGG網(wǎng)絡(luò)最后3個全連接層，以減少整體的參數(shù)量，達到模型剪枝的目的。為增加網(wǎng)絡(luò)對于特征圖的表征提取能力，如ResNet等網(wǎng)絡(luò)一樣，采取多分支結(jié)構(gòu)提升網(wǎng)絡(luò)性能。RepVGG網(wǎng)絡(luò)借鑒ResNet網(wǎng)絡(luò)的殘差模塊，為每個3×3卷積添加平行的恒等映射塊和1×1卷積塊，構(gòu)成一個多分支結(jié)構(gòu)(RepVGG Block，圖2)。以RepVGG-A網(wǎng)絡(luò)為例，堆積22層3×3卷積，分為5個階段，每個階段的第一層是步距為2的降采樣，每個卷積層的激活函數(shù)均為ReLU，對應(yīng)圖2中左圖a，其余為右圖b。RepVGG-A的5個階段分別有{1，2，4，14，1}層，RepVGG-B的5個階段分別有{1，4，6，16，1}層，寬度則是{64，128，256，512}的若干倍。

1.3.2 非對稱卷積

非對稱卷積(Asymmetric Convolutions)通常用于逼近現(xiàn)有的方核卷積層，用于模型壓縮和加速。前人的研究[33-34]表明，可以將標準的k×k卷積分解為k×1和1×k卷積，以減少參數(shù)和所需的計算量。非對稱卷積作為卷積神經(jīng)網(wǎng)絡(luò)中標準卷積操作的變種，在水平和垂直方向上使用不同的卷積核尺寸進行卷積運算，能夠提高模型對圖像翻轉(zhuǎn)的魯棒性。但在現(xiàn)實情況下可能存在差異，在進行數(shù)據(jù)增強操作時，通常執(zhí)行圖像的左右翻轉(zhuǎn)而非上下翻轉(zhuǎn)，因此若將倒置的圖像輸入到模型中，標準的平方卷積可能會產(chǎn)生無意義的結(jié)果。水平卷積和標準卷積見圖3。

由圖3可知，水平卷積在圖像上下翻轉(zhuǎn)后，仍然能夠提取正確的特征，而標準平方卷積提取的特征顯然是不一樣。因此，引入水平卷積(卷積核為1×k)操作可以提升模型對圖像上下翻轉(zhuǎn)的魯棒性。同理，引入垂直卷積(卷積核為k×1)操作可以提升模型對圖像左右翻轉(zhuǎn)的魯棒性。以獲取更好的特征表達為切入點，在訓(xùn)練階段引入非對稱卷積塊[36](Asymmetric Convolution Block，ACB)，與其它方法的最大區(qū)別是沒有引入額外的超參數(shù)，并且在推理階段沒有增加任何計算量。主流網(wǎng)絡(luò)的核心組件是3×3卷積，在訓(xùn)練階段，為3×3卷積增加一個1×3卷積和3×1卷積，最終將這3個卷積層的計算結(jié)果進行融合獲得卷積層的輸出，以獲取更好的特征提取。在推理階段，先對3個卷積核進行融合，而后用于計算，推理階段和原始網(wǎng)絡(luò)的結(jié)構(gòu)完全相同。為3×3卷積添加ACB模塊的訓(xùn)練及推理階段見圖4。

圖4 ACB模塊的訓(xùn)練及推理階段

RepVGG網(wǎng)絡(luò)的核心組件是堆疊多個3×3卷積，結(jié)合ACB為RepVGG網(wǎng)絡(luò)的3×3卷積添加一個1×3卷積和一個3×1卷積，在訓(xùn)練階段強化特征提取，提升模型性能，基于RepVGG_ACB網(wǎng)絡(luò)架構(gòu)見圖5。

1.3.3 結(jié)構(gòu)重參數(shù)化的RepVGG_ACB網(wǎng)絡(luò)

基于RepVGG_ACB網(wǎng)絡(luò)模型，通過結(jié)構(gòu)重參數(shù)化[30,40]解耦訓(xùn)練時和推理時架構(gòu)。該架構(gòu)在模型訓(xùn)練時采用多分支結(jié)構(gòu)，而后將多分支模型等量轉(zhuǎn)化為單分支模型，最后部署單分支模型。其特點是可結(jié)合多分支模型在訓(xùn)練時性能高及單分支模型在推理時速度快的優(yōu)勢，具有較高的準確率和較快的識別速度。結(jié)構(gòu)重參數(shù)化的RepVGG_ACB網(wǎng)絡(luò)訓(xùn)練和推理階段思路見圖6。

1.4 模型評價指標

1.4.1 Top-1 Accuracy

圖像識別問題使用測試集top(k)的準確率評價模型的好壞，其計算公式如下。

①

式中：k的取值為[1，n]，a表示模型測試集圖像的總數(shù)量，r表示模型預(yù)測的前k個結(jié)果中測試正確的圖像數(shù)量。一般常用Top-1 Accuracy，是指排名第一的類別與實際結(jié)果相符的準確率。

1.4.2 混淆矩陣

混淆矩陣(Confusion Matrix)也稱誤差矩陣，是評判模型結(jié)果的一種指標，屬于模型評估的一部分，常用于評判分類器模型的優(yōu)劣?；煜仃囈姳?。

表1 混淆矩陣

預(yù)測性分類模型，期望越準確越理想。對應(yīng)到混淆矩陣中，期望TP(true positive)與TN(true negative)的數(shù)量大、FP(false negative)與FN(false positive)的數(shù)量小。在得到模型的混淆矩陣后，在第二、四象限對應(yīng)位置的觀測值越多越好；反之，在第一、三象限對應(yīng)位置出現(xiàn)的觀測值越少越好。為驗證RepVGG_ACB網(wǎng)絡(luò)在結(jié)構(gòu)重參數(shù)化前后是否影響模型識別準確率，對比轉(zhuǎn)換前后模型的混淆矩陣，從而達到結(jié)構(gòu)重參數(shù)化的有效驗證。

1.4.3 模型推理速度

RepVGG_ACB網(wǎng)絡(luò)使用結(jié)構(gòu)重參數(shù)化優(yōu)化了推理階段的模型運行速率，以劃分的測試集(20%)約為3 696張圖像為實驗數(shù)據(jù)，計算RepVGG_ACB與經(jīng)典網(wǎng)絡(luò)模型在單位時間內(nèi)的推理速度，即每秒能夠預(yù)測圖像的數(shù)量，作為判斷模型推理速度的指標。

2 結(jié)果與分析

2.1 結(jié)構(gòu)重參數(shù)化的有效性驗證

通過結(jié)構(gòu)重參數(shù)化技術(shù)將RepVGG_ACB網(wǎng)絡(luò)的訓(xùn)練階段與推理階段解耦，先訓(xùn)練多分支模型，而后等價轉(zhuǎn)換為單路模型，最后部署模型。因此，在推理階段使用的是已轉(zhuǎn)換的模型，應(yīng)考慮對比RepVGG_ACB網(wǎng)絡(luò)在轉(zhuǎn)換前后的準確率、浮點運算數(shù)(FLOPs)、推理速度、參數(shù)量及模型大小，對結(jié)構(gòu)重參數(shù)化的有效性進行驗證。模型訓(xùn)練中，每次訓(xùn)練所選取的樣本數(shù)BatchSize設(shè)為32，迭代次數(shù)Epoch設(shè)為120，初始學(xué)習(xí)率設(shè)為0.000 1，隨后使用自適應(yīng)學(xué)習(xí)率，損失函數(shù)為交叉熵損失函數(shù)，結(jié)果見表2。

表2 結(jié)構(gòu)重參數(shù)化的有效性驗證

表2中，RepVGG_ACB網(wǎng)絡(luò)在轉(zhuǎn)換前后擁有相同的識別準確率，F(xiàn)LOPs、參數(shù)量以及模型體積降低約10%，而推理速度提升了約15%～30%，且隨著模型深度和寬度的增加，模型的推理速度逐步增加，識別效率顯著提高。

為進一步驗證結(jié)構(gòu)重參數(shù)化的有效性，繪制RepVGG_ACB網(wǎng)絡(luò)在轉(zhuǎn)換前和轉(zhuǎn)換后的混淆矩陣，更加直觀的驗證其有效性。以RepVGG A0_ACB為例，挑選10種天然草地植物，訓(xùn)練50個Epoch，結(jié)構(gòu)重參數(shù)化前后的混淆矩陣見圖7。

圖7 結(jié)構(gòu)重參數(shù)化前后的混淆矩陣

由圖7所示，結(jié)構(gòu)重參數(shù)化前后的混淆矩陣完全相同，可得知A0_ACB轉(zhuǎn)換前后的識別準確率也完全相同，且第二、四象限對應(yīng)位置的觀測值較多，第一、三象限對應(yīng)位置出現(xiàn)的觀測值較少，通過訓(xùn)練50個Epoch，A0_ACB網(wǎng)絡(luò)能夠達到較高的識別準確率。結(jié)果表明，RepVGG_ACB網(wǎng)絡(luò)在結(jié)構(gòu)重參數(shù)化前后，不會降低識別準確率，影響轉(zhuǎn)換前模型的性能，且通過解耦訓(xùn)練和推理階段，提高模型的推理速度，減少天然草地植物圖像的識別時間。

2.2 RepVGG_ACB網(wǎng)絡(luò)消融分析

為驗證多分支結(jié)構(gòu)以及引入非對稱卷積對網(wǎng)絡(luò)表征能力的增強效果，通過網(wǎng)絡(luò)消融方法移除RepVGG_ACB若干個組件，分析組件對于整個網(wǎng)絡(luò)的作用。將RepVGG_ACB的兩個捷徑分支和非對稱卷積塊為組件，分別測試與主分支結(jié)合后模型的識別準確率。以RepVGG A0_ACB為例，保證其他參數(shù)不變，消融分析實驗結(jié)果見表3。

由表3可知，在不包含任一組件時，準確率相比A0_ACB下降了4.2%，但推理速度大幅提高。在僅使用一個組件時，準確率相比A0_ACB也都不同程度的下降，推理速度也相應(yīng)提高，結(jié)果表明多分支結(jié)構(gòu)能夠增加網(wǎng)絡(luò)的表征能力，提高模型的識別準確率。在引入ACB模塊后，A0_ACB相比原始A0網(wǎng)絡(luò)準確率提高了0.3%，且推理速度相同，表明引入非對稱卷積對于推理階段沒有增加任何的計算資源。

2.3 多模型分類識別對比分析

本研究期望在保證較高識別準確率的前提下，盡可能提升模型的推理速度，減少圖像的識別時間。基于74種天然草地植物圖像數(shù)據(jù)，選用RepVGG_ACB系列、經(jīng)典網(wǎng)絡(luò)(VGG系列和ResNet系列)、輕量級網(wǎng)絡(luò)(MobileNet V2和ShuffleNet V2)進行訓(xùn)練和測試，上述網(wǎng)絡(luò)模型測試結(jié)果對比數(shù)據(jù)見表4。

表4 不同網(wǎng)絡(luò)模型測試結(jié)果對比

由表4可知，RepVGG_ACB系列網(wǎng)絡(luò)與VGG式網(wǎng)絡(luò)相比，在準確率相當(dāng)?shù)那闆r下，擁有更少的FLOPs和更快的推理速度，且參數(shù)量、模型體積約為后者的5%。通過結(jié)構(gòu)重參數(shù)化，RepVGG_ACB網(wǎng)絡(luò)在推理階段采取VGG式網(wǎng)絡(luò)的單路模型架構(gòu)，推理速度約為后者的3倍。RepVGG_ACB采取多分支結(jié)構(gòu)作為主干網(wǎng)絡(luò)，且舍棄VGG式網(wǎng)絡(luò)的全連接層，F(xiàn)LOPs約為后者的7%，模型復(fù)雜度大幅降低。

與多分支結(jié)構(gòu)ResNet系列網(wǎng)絡(luò)相比，A1_ACB與ResNet 34網(wǎng)絡(luò)準確率相當(dāng)，但FLOPs僅為后者的65%，參數(shù)量和模型體積約為后者的50%，且推理速度約為后者1.3倍。B0_ACB與ResNet50網(wǎng)絡(luò)相比，F(xiàn)LOPs、推理速度、參數(shù)量以及模型體積對比前組優(yōu)勢更加明顯。RepVGG_ACB網(wǎng)絡(luò)借鑒ResNet系列網(wǎng)絡(luò)的殘差模塊，不僅使得網(wǎng)絡(luò)可以訓(xùn)練的更深，在識別效果相近的情況下，參數(shù)量更低、推理速度更快，模型復(fù)雜度也隨之降低。

MobileNet和ShuffleNet網(wǎng)絡(luò)是專門為計算資源有限的設(shè)備設(shè)計的網(wǎng)絡(luò)架構(gòu)，在保留一定模型精度的同時極大減少了計算開銷，推理速度大幅提升，且FlOPs、參數(shù)量和模型體積大幅減小。RepVGG_ACB網(wǎng)絡(luò)是為專用硬件或GPU設(shè)計的高效模型，追求推理速度快、更加省內(nèi)存，較少關(guān)注參數(shù)量和FLOPs。RepVGG B0_ACB與MobileNet V2、ShuffleNetV2相比，識別準確率提升了2%到3%，但推理速度不及二者，且參數(shù)量和FLOPs高于二者。但可以觀察到，A1_ACB與MobileNet V2相比，F(xiàn)LOPs是后者的7.6倍，但推理速是后者85%，可見，F(xiàn)LOPs不能完全決定推理速度，表明RepVGG_ACB網(wǎng)絡(luò)的計算密度更高?？紤]到模型訓(xùn)練及推理所使用到的硬件設(shè)備，在算力較低的設(shè)備上，RepVGG_ACB網(wǎng)絡(luò)可能不如MobileNet和ShuffleNet網(wǎng)絡(luò)的適用能力。

2.4 不同科植物物種識別準確率

本研究構(gòu)建的天然草地植物圖像數(shù)據(jù)集共包含21科，以不同科為分類(數(shù)量小于2的則歸為其它)的RepVGG B0_ACB識別準確率見表5。

表5 不同科植物物種識別準確率

可以看出，不同科植物物種的識別準確率差距較大(92.3%～97.8%)，但準確率都高于了92%，識別效果較佳。識別準確率最高的是百合科，達到 97.8%，其次是其他科和檉柳科，識別準確率分別為 97.6% 和 97.5%，準確率最低的是藜科，為92.3%。可以看出，同一科內(nèi)物種數(shù)等于2的準確率均達到了較高水平，但物種數(shù)較少，表明模型對于同一科內(nèi)物種數(shù)較少情況下的識別能力突出。而在物種數(shù)較多的情況下，準確率開始下降，說明同一科下的植物相似度較高，識別難度增大。另外，74種植物中，識別準確率最高的物種有花花柴(Kareliniacaspia)(藜科，100%)和黃芪(豆科，100%)，經(jīng)分析，兩個物種的外形特征差異較大，因此能獲得高準確率。準確率最低的物種為疣苞濱藜(Atriplexverrucifera)(藜科，81.3%)，數(shù)據(jù)集中物種數(shù)量最多的科為藜科，由于植物物種和科有唯一的所屬關(guān)系，則單個物種的識別準確率將直接影響科的識別準確率。

3 討論與結(jié)論

目前，國內(nèi)草業(yè)資源調(diào)查中對于天然草地植物的分類識別，主要依靠專家經(jīng)驗，時間和人力成本較高。使用深度學(xué)習(xí)算法輔助傳統(tǒng)人工識別天然草地植物，可以有效降低天然草地植物的識別難度，并為草業(yè)查人員提供技術(shù)支持和減少對專家鑒定的依賴，效率提高且成本降低。

本研究構(gòu)建了新疆塔城地區(qū)74種天然草地植物圖像數(shù)據(jù)集，共計18 583張圖像，與文獻[41]所使用的天然草地植物數(shù)據(jù)集相比，植物種類數(shù)量少于其所使用的293種，但本文所使用的植物圖像全部來源于草地資源調(diào)查樣地，并未融合其他數(shù)據(jù)集或網(wǎng)上爬取，真實地反映了一段時期內(nèi)植物的天然形態(tài)特征，且每種植物圖像的數(shù)量在183至299張之間，包含復(fù)雜背景等噪聲，能夠滿足當(dāng)前主流網(wǎng)絡(luò)對于數(shù)據(jù)集的要求，可用于深度學(xué)習(xí)識別算法研究，并為草業(yè)資源調(diào)查和生態(tài)學(xué)研究領(lǐng)域的植物分類識別提供數(shù)據(jù)支持和借鑒。但本數(shù)據(jù)集具有一定的局限性，因數(shù)據(jù)來源于草業(yè)資源調(diào)查的部分樣地，且數(shù)據(jù)范圍局限于塔城地區(qū)，可能不適用于其它地區(qū)的天然草地植物識別。又因數(shù)據(jù)采集時間在夏季，而植物在不同的生長周期外觀特征上具有很大的差異性，模型也僅對夏季的天然草地植物具有較高的識別精度，對于其他季節(jié)時期的識別效果可能不佳。

以74種天然草地植物為研究對象，本文提出了一種基于結(jié)構(gòu)重參數(shù)化的RepVGG_ACB網(wǎng)絡(luò)，能夠兼顧識別精度、并行度和效率，可應(yīng)用于野外植物圖像的快速分類場景，解決了自然復(fù)雜背景下整株天然草地植物圖像野外識別的精度和效率問題?；诮Y(jié)構(gòu)重參數(shù)化的RepVGG_ACB網(wǎng)絡(luò)，通過解耦訓(xùn)練和推理階段，在訓(xùn)練階段借鑒ResNet式網(wǎng)絡(luò)的殘差模塊，并引入非對稱卷積塊，構(gòu)建了多分支結(jié)構(gòu)，增加了模型的表征提取能力，使得網(wǎng)絡(luò)能夠達到較高的識別準確率。RepVGG A0_ACB、A1_ACB和B0_ACB網(wǎng)絡(luò)對天然草地植物的識別準確率分別為90.7%、92.4%和95.6%，識別準確率相比單分支結(jié)構(gòu)提高了0.3%～4.2%，識別效果顯著。在推理階段繼承了VGG式網(wǎng)絡(luò)的優(yōu)點，采取單路架構(gòu)，與經(jīng)典網(wǎng)絡(luò)相比，在準確率相當(dāng)?shù)那闆r下，擁有更少的FLOPs，且參數(shù)量、模型體積約為后者的5%～50%，模型復(fù)雜度大幅降低，并行度高的同時推理速度提升了1.3～3倍。與輕量級模型相比，推理速度雖略不及但準確率提高了2.1%～3.2%，且RepVGG_ACB網(wǎng)絡(luò)擁有更高的計算密度，更適用于專用硬件或針對3×3卷積進行優(yōu)化和適配的邊緣計算設(shè)備。因此，可將RepVGG_ACB模型應(yīng)用于無人機機載傳感器網(wǎng)絡(luò)或智能手持終端等邊緣計算環(huán)境，為野外植物自動化高精度智能分類識別提供新方法。

與國內(nèi)外常見的植物識別系統(tǒng)微軟識花、形色及花伴侶相比，本研究所使用的基于結(jié)構(gòu)重參數(shù)化的RepVGG_ACB模型能夠識別更多的天然草地植物類別，且識別準確率更高。文獻[42]提出了一種輕量化網(wǎng)絡(luò)結(jié)構(gòu)，用于番茄葉面病害識別，通過結(jié)構(gòu)重參數(shù)化技術(shù)使得測試數(shù)據(jù)的推理效率提高了6.94%，而本研究的模型推理速度提升了約15%～30%。