[发明专利]基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法

说明书

本发明提出了基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法。首先对珍稀濒危植物叶片数据集进行扩充，然后替换已训练好的AlexNet和VGG16模型的最后一层全连接层进行迁移学习，达到了较高珍稀濒危植物叶片图像的识别准确率，最后，使用知识蒸馏，将AlexNet和VGG16模型的知识迁移到轻量级模型中。实施结果表明，相比其他方法，本文方法训练的轻量级珍稀濒危植物叶片识别模型，不但具有珍稀濒危植物叶片识别的高准确度，同时减少了识别模型的复杂度。

技术领域

本发明涉及农业科技及人工智能技术领域，尤其涉及一种使用迁移学习与知识蒸馏，训练珍稀濒危植物叶片识别模型的方法。

背景技术

植物是生态系统中的重要组成部分，是生物多样性的重要一环。每一种植物的灭绝，会导致10至30种伴生物种的消失，将给生态系统带来严重的不良影响。而珍稀濒危植物由于各种原因导致数量稀少，若种群灭绝则有可能导致整个生态系统的破坏，人类自身的生存与发展将受到严重威胁。保护植物的多样性，可促进人类社会的可持续发展。由于珍稀濒危植物涉及的知识面广，相关工作人员识别珍稀濒危植物困难，加大了保护管理珍稀濒危植物的难度，大量的工作急需开展和完善。

保护和管理珍稀濒危植物工作中，涉及珍稀濒危植物的物种识别问题。植物物种识别方法包括遗传学识别、形态学识别等，形态学识别领域中，植物叶片因为具有结构稳定、易采集、生存周期长等特点，通过植物叶片进行植物物种识别是识别植物物种的手段之一。人工鉴定珍稀濒危植物叶片类别，工作量大、效率较低，主观性较强，且要求较高的理论知识储备。使用计算机、人工智能等技术自动识别珍稀濒危植物物种，减少工作人员因为识别珍稀濒危植物困难而造成的种质资源损失，已成为迫切需要解决的问题。

发明内容

本发明目的在于提供一种珍稀濒危植物物种识别方法，减少工作人员因为野外识别珍稀濒危植物困难而造成的种质资源损失。

本发明的一个方面在于提出了一种基于迁移学习与知识蒸馏的珍稀濒危植物叶片识别方法，在保证珍稀濒危植物叶片识别结果高精度的情况下，减少卷积神经网络的参数量，使用轻量型珍稀濒危植物叶片识别模型，可应用于包括低算力移动终端等更广泛的使用场景。其包括步骤：在可离线运行的终端上部署学生模型，以便，所述终端在离线状态下调用所述学生模型获得一叶片图片的识别结果；所述学生模型的网络结构由逐次删减一教师模型的卷积层获得；所述学生模型的模型参数根据所述教师模型基于软标签的珍稀濒危植物叶片样本集通过知识蒸馏获得；所述教师模型的模型参数使用基于所述珍稀濒危植物叶片样本集的训练获得。

在多个使用程序指令实现的该方案实施例中，包括步骤：

步骤10，配置第一神经网络，使用第一数据集对其预训练，以获得其第一模型参数；

步骤20，根据第二数据集中叶片图片尺寸和分类调整第一神经网络的输入层和全连接层尺寸，以将第一神经网络修改为第二神经网络；使用第二数据集，基于所述第一模型参数对第二神经网络进行迁移学习训练，以获得其第二模型参数；

步骤30，迭代配置多个第三神经网络，以所述第二神经网络为教师模型，以各第三神经网络为学生模型，使用第三数据集通过知识蒸馏提取所述教师模型的知识信息以获得学生模型的模型参数；

步骤40，在所述终端上部署步骤30所获得的学生模型，以便所述终端读取叶片图片，并调用学生模型根据该叶片图片输出珍稀濒危植物识别结果；

其中，所述第二数据集和第三数据集由所述珍稀濒危植物叶片样本集的至少一个子集获得。

进一步的改进在于，所述步骤30包括以下步骤：

步骤31，对所述第二神经网络的网络结构进行剪枝调整操作后，去掉其中一个卷积层后，获得一个第三神经网络的网络结构；