基于树皮图像和轻量化深度学习算法的树种识别

摘要

构建一种兼具高精度与轻量化特征提取能力的树皮图像识别模型，从而在保持较低计算开销的前提下实现高效树种分类，并通过对模型结构进行设计，来增强模型对纹理特征的表达能力，最终提升其整体识别性能。设计由DenseNet121与ShuffleNetV2两特征提取分支构成的双分支轻量化识别模型——DenseShuffle＿ECA。DenseNet分支侧重深层语义特征提取，ShuffleNet分支用于获取高效纹理特征，以降低整体参数量与计算复杂度。在DenseNet分支中嵌入高效通道注意力（efficient channel attention,ECA）模块，通过自适应通道权重强化关键识别特征。两分支输出特征在通道维度上进行拼接融合，经Dropout与全连接层完成分类预测。模型在自建的树皮图像数据集上进行训练、验证与测试，其中包含黄檗（Phellodendron amurense）、兴安落叶松（Larix gmelinii）、蒙古栎（Quercus mongolica）、黑皮油松（Pinus tabulaeformis var. mukdensis）、水曲柳（Fraxinus mandshurica）和樟子松（Pinus sylvestris var. mongolica） 6种东北地区主要树种的3 514张树皮图像。为评估模型表现，设置多组对比试验，包括与AlexNet、 DenseNet、 GhostNet、 MobileNetV3、ShuffleNetV2共计5种经典网络的性能对比，拼接融合、平均融合与加权融合3种特征融合策略的效果对比，以及ECA模块不同嵌入方式的效果对比试验。此外，引入标签平滑（label smoothing）来抑制模型过拟合、提升其泛化能力。结果表明，1) DenseShuffle＿ECA模型在准确率和加权F1分数上均取得最佳性能，总体平均准确率达到98.87%，在保持较低计算开销的前提下显著优于5种对比模型，其中，较基线模型DenseNet提升约3.2%，较基线模型ShuffleNetV2提升约9.3%;2）拼接融合策略在性能与稳定性上最优，ECA模块集成于DenseNet分支（ECA＿dense＿only）时识别精度最高，达到98.06%;3）引入标签平滑（label smoothing）有效提升了模型泛化能力，识别精度达到了98.28%。通过双分支特征提取、通道注意力强化与高效融合机制的模型——DenseShuffle＿ECA，实现了树皮图像特征的深度表达与精确分类，在精度、计算效率与稳定性方面均表现突出，为建立便携式木材贸易、林业调查和森林智能监测识别系统提供了一种轻量化且可靠的技术方案。

关键词

树种识别 / 树皮图像 / 深度学习 / 特征融合 / 注意力机制 / 轻量化神经网络 / 卷积神经网络 / 标签平滑