基于改進稠密膠囊網絡模型的植物識別方法

溫長吉，婁 月，張笑然，楊 策，劉淑艷，于合龍

基于改進稠密膠囊網絡模型的植物識別方法

溫長吉1,3，婁 月1，張笑然1，楊 策3，劉淑艷2,4，于合龍1※

（1. 吉林農業大學信息技術學院，長春 130118； 2. 吉林農業大學植物保護學院，長春 130118；3. 明尼蘇達大學食品、農業與自然資源科學學院，美國圣保羅 55108； 4. 吉林農業大學食藥用菌教育部工程研究中心，長春 130118）

植物識別意義重大，但是由于植物種類繁多，規模數據集標注和構建困難，因此植物物種識別作為精細分類任務仍然面臨巨大挑戰。該研究提出一種改進稠密膠囊網絡模型用于植物物種識別。首先，在網絡初始端引入自注意力層，通過增加特征圖中待識別區域的特征權值以降低背景信息對于識別任務的干擾。其次，在改進模型膠囊層間使用局部約束動態路由算法，實現局部區域內膠囊路由選擇和轉換矩陣共享機制，降低網絡參數規模，減小網絡訓練學習計算負載。在試驗數據集上計算結果表明，當輸入圖片尺度為32×32像素時，該研究模型平均識別準確率為77.2%，參數規模僅為1.8 M。當輸入圖片尺度為227×227像素時，該研究模型平均識別準確率為95.1%，參數規模僅為5.2 M。試驗結果表明提出的改進稠密膠囊網絡模型在識別分類和降低模型參數規模上均有大幅提升。

植物；機器視覺；模型；膠囊網絡；自注意力機制；動態路由算法；深度學習

0 引 言

植物是生命的主要形態之一，據估算現存大約有310 000至420 000已知和未知植物物種。陸生植物和藻類所行使的光合作用幾乎是所有的生態系中能源及有機物質的最初來源，因此植物在大多數的陸地生態系中屬于生產者，構建食物鏈的底層基礎，許多動物以植物作為其居所、氧氣和食物的提供者。但是伴隨人類活動加劇和自然環境不斷惡化，越來越多的植物瀕臨滅絕，據不完全統計約有22%的植物種類處于瀕危狀態[1]。植物等生物種類識別在維護植物物種多樣性，了解植物的生長特性、地理分布，構建生物種群多樣性數據庫，實現植物資源的合理開發與利用尤為迫切和必要。植物識別一般根據植物的花、果實、葉等器官的形態、紋理、顏色等特征完成識別分類工作。傳統的植物識別方法要求操作者擁有扎實的專業知識，譬如植物學家和園藝工人，但是對于復雜多樣的生態系統，用于植物識別的信息獲取往往較為零散、不充分且不完整，并且識別過程存在工作量大，人為主觀性強等因素，因此植物識別分類成為一項非常困難的任務。

近些年，圖像分析和機器視覺技術飛速發展，在工業等領域得到成功應用，為相關技術在農業等領域的應用奠定堅實的理論和技術基礎[2-7]。機器視覺技術應用于植物物種的自動識別成為研究熱點，一定程度上解決了人工識別主觀性強工作量較大的問題，對植物識別分類的研究主要集中在植物葉片圖像的識別方法上[8-13]。Guyer等[8-9]提出使用從葉片邊界的關鍵點（如沿邊界的角度位置和/或植物/樹葉質心的局部極大值和極小值）等樹葉形狀特征用于葉片識別分類。Shearer和Holmes[10]提出了一種基于冠層剖面顏色紋理特征的植物識別方法，通過計算顏色屬性的強度、飽和度和色調對應的共生矩陣，構建顏色紋理特征建立判別分析模型用于植物識別。張善文等[11-13]在植物識別領域開展系列研究，通過對植物葉片利用小波變換提取植物葉片特征，通過局部信息和類別信息構造的類間散度矩陣和類內散度矩陣進行差異化特征描述，利用樣本的局部信息、分類概率和類別信息定義權重矩陣構建目標函數，實現植物的分類識別，在公開植物葉片圖像影像庫上取得90%以上較高的識別結果。

深度學習是近年來發展起來的圖像處理和數據分析技術，通過構建深層網絡結構實現多層次特征端到端自動學習，Krizhevsky等[14]提出的AlexNet在大規模圖片分類識別公開庫（ImageNet）針對傳統視覺技術取得突破性進展，此后在此基礎上更多更深的深度學習網絡結構被提出，譬如VGG[15]，GoogLeNet[16]和DenseNet[17]等，并在植物識別領域得到廣泛關注和應用[18-26]。Reyes等[19]嘗試使用180萬幅圖像預訓練卷積神經網絡，然后采用對網絡參數微調的策略用于植物識別分類。Grinblat等[20]嘗試提出利用深卷積神經網絡（Convolutional Neural Networks，CNN）識別植物葉片的葉脈紋理模式從而實現植物識別分類，并應用于白豆、紅豆和大豆3種豆科植物分類。Dyrmann等[21]提出利用卷積神經網絡識別彩色圖像中植物物種，在總共10 413幅圖像（野外手持相機拍攝）訓練和測試，其中包含22種處于早期生長階段的雜草和作物，識別準確率達到86.2%。Lee等[22]嘗試利用CNN從輸入葉片影像數據中學習有效的葉特征，利用反卷積網絡對所選特征進行直觀性解釋，發現相比于葉片的輪廓特征，葉片葉脈的紋理特征對于描述和區分葉片種類更具代表性，并利用篩選的有效特征用于植物物種識別分類。在深度網絡模型的應用過程中，訓練包含數百萬參數的深層神經網絡需要數以百萬計樣本的海量數據，對比工業化海量數據采集和規模化數據集構建，農業領域數據采集和海量規模化數據集構建限制深度網絡模型在領域內的應用，因此Nguyen等[23]、Ghazi等[24]、鄭一力和張露[25]借鑒遷移學習中模型遷移思想，首先將經典深度模型AlexNet、GoogLeNet、VGGNet和Inception V3等在ImageNet大型圖像庫上進行預訓練獲得海量圖像訓練下的普適特征網絡模型，然后將預訓練網絡應用于目標數據庫實現模型參數在目標庫上的微調，在一定程度上解決訓練樣本不足的問題，上述遷移訓練模型分別在花卉數據集和葉片數據集上用于植物物種的識別分類。王生生等[26]提出一種自適應積節點結構學習，并利用貝葉斯矩匹配更新網絡參數的改進和積網絡模型，應用于無人機拍攝圖像中的雜草識別。

在針對深度神經網絡的應用過程中，研究者發現更深的網絡結構盡管可以提升網絡性能，但是模型將更加復雜，大量參數和超參數需要調整，網絡需要更加龐大的數據集用于優化學習[27-28]。另外傳統深度神經網絡（如深度卷積神經網絡、CNN等）層與層的信息路徑傳遞方式最常見的是池化操作（平均池和最大池等），然而簡單的池化操作容易造成區域目標位置姿態等重要空間位置信息的丟失，同時由于池化操作帶來的有限平移不變性同樣造成待識別目標區域的空間關系特征的丟失[29-30]。為了解決傳統卷積神經網絡無法準確反映其內部特征層次關系的問題，Hinton等[31]提出膠囊網絡（Capsule Network，CapsNet）這一顛覆性概念和網絡模型，并于2017年Hinton和他的學生Sabour等[32]共同提出了基于動態路由算法的膠囊網絡模型，其基本思想是利用多個神經元組建的膠囊作為單元取代傳統神經網絡中單個神經元，通過對位置、比例、方向和形狀等空間關系和圖像自身屬性信息進行編碼，因此對目標個體特征的描述和表示具有較為豐富的判別信息，更好的實現對于數據的理解和表示。同時膠囊網絡模型匹配動態路由算法，提升網絡對視角的平移不變性，通過單元的結構化設計也使得網絡更好的理解數據。由于膠囊網絡對比傳統網絡的優勢，該網絡及其改進模型已經被應用到多個任務領域，Jaiswal等[33]提出生成對抗膠囊網絡（Capsule GAN），即針對生成對抗網絡結構（Generative Adversarial Network，GAN）的判別器使用膠囊網絡替代原有的CNN結構，同時使用膠囊網絡的間隔損失函數構建GAN的目標函數，生成對抗膠囊網絡在MNIST和CIFAR-10公開庫上用于半監督分類取得較好的結果。Xiang等[34]提出一種兩階段多尺度膠囊網絡（Multi-Scale Capsule Network，MS-CapsNet），將深度卷積結構思想引入到經典膠囊網絡，使用多層小尺度卷積核來減少可訓練參數的數目，然后利用高維膠囊對對象的語義信息進行編碼，利用低維膠囊對對象的淺層特征進行編碼，從而實現較為復雜對象特征的結構化描述。Mobiny和Van Nguyen[35]、LaLonde和Bagci[36]分別將改進膠囊網絡用于3D肺結節影像分類和大尺寸低通量CT掃描片中肺部區域分割任務上，并取得較為滿意的效果。Li等[37]將稻米圖像通過直方圖均衡化處理后的灰度圖像和利用超像素算法區域分割圖像輸入膠囊網絡實現稻米識別分類。Phaye等[38]提出的稠密膠囊網絡（Dense Capsule Networks，DCNet）借鑒DenseNet的結構設計思想，將Dense塊引入到經典膠囊網絡取代其淺層卷積結構，實現網絡深層化用于獲取更加復雜的語義特征，同時不增加網絡參數規模，在手寫數據庫上對比傳統卷積網絡取得較好的識別結果。

綜合相關研究結論，首先，葉片作為植物的重要器官其普遍具有扁平易采集的特點，因此在植物識別任務中常作為首選器官，但是其受季節和環境因素影響外觀形態極易改變，并且某些植物類別間區分度較低，因此植物器官的多樣性識別對于植物物種識別具有重要意義。其次，相比葉片等其它植物器官識別，花冠在一定時期受外界環境影響較小，因此外部性狀較為穩定，但是相比葉片等其它植物器官，花冠空間形態和顏色紋理特征較為復雜，因此對于花冠識別屬于精細分類范疇，對花冠的描述和表示要求提取特征具有較好的類間區分性。最后，規模化數據集構建和標注困難，直接影響現有基于深度學習模型的植物識別方法應用。

本研究的主要工作在于：

1）首次嘗試將膠囊網絡及其改進模型引入植物識別領域，應用于包括花卉和葉片等植物器官識別。

2）經典膠囊網絡只使用淺層卷積提取特征，缺乏深層語義信息，因此對復雜數據集的分類任務魯棒性有限。本研究借鑒DCNet思想基礎上[38]，在網絡模型初始端引入自注意力機制[39-40]，通過增加前景待識別區域的特征權值以降低背景信息對于識別任務的干擾。

3）植物物種識別等精細分類問題一般樣本圖片尺度較大，而經典膠囊網絡參數計算規模伴隨輸入數據尺度的提升而大幅提升，從而計算負載大幅增加，因此研究借鑒LaLond和Bagci[36]提出局部約束動態路由算法（locally-constrained dynamic routing algorithm）取代經典動態路由算法中的全連接結構，實現局部區域內膠囊路由選擇和轉換矩陣共享機制，降低網絡參數規模，適應小樣本數據集的訓練學習需求。

4）標注構建包括牡丹、君子蘭、芍藥、萬壽菊和風信子等15類，每類花卉90張共計1 350張花卉圖片的典型北方常見花卉數據集，充分考慮各類花卉花期地域分布差異，數據集構建時間跨度為2017年3月至2019年10月。

1 試驗數據集

試驗數據來自于網絡公開數據集和實拍等方式構建3個數據集，第1個數據集是牛津大學機器視覺研究組開源的花卉數據庫[41]，包括水仙花（Daffodil）、雪花蓮（Snowdrop）和鈴蘭（Lily of the valley）等英國本土常見的17類花卉，每類花卉包含80張共計1 360張圖像（圖1），圖像個體姿態、光照和比例差異變化用于保證樣本的多樣性，并且部分個體類別間差異較小，例如蒲公英（Dandelion）和款冬（Coltsfoot）。第2個花卉數據集為本研究工作自建數據集，東北常見花卉數據集，通過植保專家及學生在郊外、公園和花卉養殖基地等實習現場，自然光條件下手機拍攝，為保證樣本多樣性取景方式包括單獨花冠取景、背景加花冠和整株植被的綜合拍攝方式，經園藝專家標注確認等方式構建，包括君子蘭（Kaffir lily）、馬蘭花（Malan flower）、牡丹（Peony）和芍藥（Paeonia lactiflora）等15類，每類90張共計1 350張花卉圖片（圖2）。第3個數據集選用的是ImageCLEF 2013中植物數據集[42]，該數據集由法國國家信息與自動化研究所（INRIA）和法國國家農業研究中心（CIRAD）支持籌建，本研究選擇葉片數據集主要以法國地中海區域主要物種，樣本圖片采集方式包括葉片掃描圖片和自然背景拍攝的圖片，包括蜀葵（Common hollyhock）、羽葉槭（Boxelder maple）和白樺（Silver birch）等15類，每類75張共計1 125張植物葉片（圖3）。

注：數據來源 Nilsback和Zisserman[41]。

注：數據來源為本研究工作自建數據集。

注：數據來源Joly et al.[42]。

2 改進稠密膠囊網絡模型

2.1 膠囊神經網絡

Hinton等[31]和Sabour等[32]首先提出膠囊神經網絡模型，其網絡基本單元為膠囊，用膠囊取代傳統神經網絡中的神經元用于圖像的特征表示。膠囊被定義為一組神經元的集合，其輸出為一個激活向量，激活向量用于預測目標對象在給定像素位置是否存在和目標對象的實例化參數。經典膠囊網絡由3個基本功能層構成，即卷積層、主膠囊層和數字膠囊層，膠囊層學習采用動態路由算法。

2.1.1 動態路由算法

動態路由算法的基本實現思想為，子膠囊層激活膠囊通過變換矩陣對父膠囊層的膠囊實例化參數進行預測，當多個子膠囊預測一致時父膠囊層的膠囊被激活并輸出具有更大感受野的實體特征向量。動態路由算法主要由向量計算和路由選擇2部分構成，具體計算表達式如下：

1）膠囊層激活輸出向量計算，用非線性壓縮函數壓縮輸入向量用于表示輸入實體出現的概率，非線性壓縮函數如式（1）所示：

2）路由參數c，用于實現膠囊層間的動態路由選擇，具體計算如式（3）和式（4）所示：

2.1.2 損失函數

經典膠囊網絡損失函數采用間隔損失函數（Margin Loss，L），具體計算如式（5）所示：

2.1.3 網絡結構

經典膠囊網絡由編碼和解碼2個模塊構成。編碼器模塊結構如圖4a所示，該網絡為3層的淺層網絡結構，第1層為卷積層，使用256個9×9×1卷積核，激活函數為ReLU函數，該層輸出20×20×256張量。第2層為主膠囊層（PrimaryCaps），主膠囊層包含32個主膠囊，主膠囊和卷積層相似，每個膠囊有8個9×9和步長為2的卷積核，該層接受卷積層提取的特征作為輸入，輸出為6×6×8×32張量。第3層為數字膠囊層（DigitCaps）在主膠囊層輸出的基礎上進行傳播和路徑更新，該層嵌入10個標準膠囊單元，輸出為16×10張量。

解碼器模塊試圖從最終的膠囊輸出結果重建輸入特征圖，使得整個網絡盡可能多地保留來自輸入的信息，以促進數字膠囊層的學習。另外重建結構起到正則化的作用，降低過擬合的風險。解碼器結構如圖4b所示，解碼器分別由512、1 024和784個神經元的3個全連接層用于實現輸入特征圖重構。

注：圖片數據來源Sabour et al. [32]。卷積層中帶有256個9×9步長為1的卷積核，結果為20×20×256張量；主膠囊層中32為膠囊個數，每個膠囊由8個6×6卷積核構成；Wij=[8×16]為膠囊層間的轉換矩陣；數字膠囊層中由16×10張量構成；||L2||為優化目標函數；全連接層分別為帶有512、1 024和784個神經元；ReLU和Sigmoid均為激活函數。

2.2 改進稠密膠囊網絡模型

經典膠囊網絡只使用淺層卷積提取特征，缺少深層語義信息表達。對于植物物種識別，植物待識別器官（如花和葉等）前景目標區域易受背景復雜區域干擾，降低識別準確率。大尺度圖像輸入增加網絡參數規模，從而增加網絡計算量。針對上述問題，本研究借鑒Phaye等[38]提出的DCNet，通過引入Dense塊，利用特征圖重用技術增加網絡深度，同時不增加甚至減少網絡參數規模，降低網絡計算量。

本研究又區別于DCNet，主要做出2方面改進，首先，在網絡模型初始端引入自注意力機制[39-40]，通過增加前景待識別目標區域的特征權值以降低背景信息對于識別任務的干擾。自注意力模型是在傳統視覺注意力模型研究基礎上，由Zhang等[39]和Wang等[40]提出，借鑒全局長時依賴的思想構建非局部塊（non-local blocks），利用特征圖中所有位置的特征加權和計算對指定局部區域的注意力響應，即全局像素點對局部像素點的計算響應，實現特征間的全局依賴學習。自注意力模型可以幫助網絡模型在訓練學習的過程中更加關注圖像內部區域的相關性，并且可以在小樣本和復雜背景下幫助網絡更好的提升分類性能[40]。

其次，經典膠囊網絡采用的動態路由算法在提升網絡分類精度的同時，由于算法自身選擇子膠囊與父膠囊之間的全連接結構，網絡參數計算規模會伴隨輸入圖片尺度的提升而大幅提升，從而導致計算負載的大規模提升，因此經典膠囊網絡不適用于輸入大尺度數據，限制了網絡的使用范圍。本研究改進稠密膠囊網絡模型研究借鑒LaLond和Bagci[36]提出局部約束動態路由算法實現局部區域內膠囊路由選擇和轉換矩陣共享機制，即子膠囊只能在一個預先定義的本地窗口路由到父膠囊，同時網絡中同一類型的膠囊的轉換矩陣共享。改進后的局部約束動態路由算法可以處理大尺度圖片如227×227像素。

本研究提出的改進稠密膠囊網絡模型（Modified Dense Capsule Network，Modified-DCNet）網絡結構如圖5所示，主要由5部分構成，依次為：卷積層、自注意力層、稠密層、局部約束動態路由層、分類和重構層。

注：f(x)、g(x)和h(x)分別為1×1步長為1的卷積核；Dense block稠密塊由6組卷積核構成，其中{Conv(1×1)，Conv(3×3)}×6表示6組連續1×1和3×3步長均為1的卷積核；主膠囊層由56×56×32×16D張量構成（D表示維度）；局部約束動態路由層中的5為預定義局部空間窗格的長和寬維度；||L2||為用于判別分類準確率的優化目標函數；重構模塊分別由128個1×1步長為1的卷積核，128個5×5步長為1的反卷積核和1×1步長為1的卷積核構成，卷積操作分別形成26×26×128維張量，32×32×128維張量。

2.2.1 自注意力模型

視覺注意力模型已經成為眾多網絡模型的重要組成部分，由于其具有計算效率高、對圖像理解能力強的特點，因此在機器翻譯、目標識別、圖像內容理解、顯著性檢測等領域得到廣泛應用[43]。視覺中的注意力機制基本思想是使系統學會忽略影像中的無關信息而關注重點區域。深度學習與視覺注意力機制結合的研究工作多集中于使用掩碼形成注意力機制[40,43]。

自注意力模型是在傳統視覺注意力模型研究基礎上，實現全局像素點對局部像素點的計算響應，實現特征間的全局依賴學習。實現思想是通過計算區域相似度和學習構建注意力圖掩模實現，具體實現如下：

1）區域相似度和注意力掩模計算，定義()、()和()為1×1卷積核，實現特征圖上跨通道信息融合，計算如式（6）所示：

2）自注意力特征圖計算，計算如式（9）和式（10）所示：

2.2.2 局部約束動態路由算法

3）路由參數更新如式（13）所示：

2.2.3 損失函數

2.3.4 學習算法及網絡結構描述

步驟1：卷積特征提取，第1層利用128個5×5步長為2的卷積核提取特征圖；

步驟3：基于Dense塊的特征圖提取，為提升網絡的特征抽取和描述性能，在自注意力層基礎上連續接入2組Dense塊，為有效減少抽取特征空間維度信息丟失，在引入2組Dense塊中沒有池化層，每組Dense塊由6組1×1和3×3卷積構成，2組Dense塊之間由過渡層（transition layer）鏈接，過渡層由BN-Conv(1×1)構成，第1組Dense塊輸入為自注意力特征圖與BN-ReLU-Conv(3×3)抽取特征圖的串聯，以防止注意力掩模造成特征圖信息丟失；

步驟5：重構層重構輸入樣本R，以第2主膠囊層為輸入，順次鏈接1×1卷積層，擴充特征圖維度卷積核為5×5步長為1的反卷積層和重構輸入樣本的1×1卷積層，輸出重構樣本R；

3 結果與分析

為驗證本研究提出模型有效性，將本研究模型與經典卷積神經網絡AlexNet和VGG16，以及經典膠囊網絡CapsNet和DCNet在分別在牛津花卉數據集、東北花卉數據集和葉片數據集上進行對比試驗。

3.1 試驗環境和參數設置

試驗環境為DELL圖形工作站，處理器為至強Xeon4210（8核2.45 GHz），內存64 G，NVIDIA RTX1080Ti，11GBRAM，軟件試驗配置環境為，Ubuntu16.04操作系統，配置安裝Anaconda3-5.2.0-Linux版本，python 3.6和2.7，Pytorch 0.4和1.0，以適應部分網絡對配置環境的需求。為有效增加樣本多樣性，首先對試驗數據集進行增廣處理，通過編寫python腳本文件對樣本分別采用旋轉和光照補償的方法，旋轉角度依次為90°、180°和270°，光照補償采用GrayWorld色彩均衡化方法，通過增廣處理將原數據集擴充5倍，為適應對比網絡的輸入要求，本研究提出Modified-DCNet、AlexNet和VGG16對應試驗數據集統一裁剪尺度為227×227像素，經典膠囊網絡CapsNet和DCNet對應試驗數據集采用下采樣，尺度為32×32像素。同時為保證試驗結果穩定性，試驗過程中對數據集采用5折交叉驗證，每組數據集樣本構成采用均勻采樣的原則。

試驗過程中AlexNet[14]和VGG16[15]均參照文獻中原型框架和參數設置方式，采用小批量梯度下降優化算法，動量初始設置為0.9，權重衰減系數設置為0.000 5，學習率設置為0.01。CapsNet[32]、DCNet[38]和本研究網絡均采用學習率為0.001和權重衰減率為0.9的Adam優化算法，所有卷積神經網絡模型的損失函數采用交叉熵，膠囊網絡及其改進模型損失函數均采用間隔—重構損失函數。試驗過程中mini-batch尺度設置為32，最大試驗迭代數為500輪。在3個數據集對比試驗結果如表1所示，識別精度折線圖如圖6所示。

表1 識別結果對比

注：“—”表示由于網絡自身結構設計或僅存于理論計算結果，本研究并未試驗驗證；識別結果用平均識別準確率和標準差表示。

Note: “—” was not verified in the experiments due to the design of the network or the theoretical possibility only; results are represented with the average accuracy and standard deviation.

注：* 表示數據尺度為227×227像素和32×32像素的識別準確率可視化曲線。

3.2 試驗結果及分析

為驗證Modified-DCNet的有效性，分別從識別準確率和網絡參數規模2個角度進行試驗驗證和分析。試驗過程中對比網絡模型均參照論文中原型框架和參數設置方式，輸入圖片尺度分別采用227×227像素和32×32像素。從表1的試驗結果中可以看出，Modified-DCNet在3個數據集上輸入圖片尺度分別為227×227像素和32×32像素的平均識別準確率達到95.1%和77.2%，均有較大幅度的提升。表1中對比網絡模型參照文獻中原型框架設計和參數設置，其中AlexNet[14]網絡由于初始卷積層采用11×11的大尺寸卷積核，因此在輸入圖片尺度為32×32×3像素時致使卷積特征圖空間維信息損失嚴重，因此無試驗結果；VGG16[15]網絡僅針對最后一層全連接層調整輸出神經元數量，調整后參數規模為134 M；CapsNet[32]和DCNet[38]在輸入圖片尺度為32×32×3像素時，利用原文框架設計和參數設置，當輸入圖片尺度為227×227×3像素時計算網絡參數分別為455 M和383 M，參數規模增幅巨大反觀試驗數據集規模較小，因此并無試驗驗證價值。

3.2.1 膠囊網絡及其改進模型對比試驗結果及分析

CapsNet、DCNet和本研究模型對比試驗結果如表1所示，本研究模型在牛津花卉數據集、東北花卉數據集和ImageCLEF 2013 葉片數據集上，當輸入圖片尺度為32×32像素時對比CapsNet和DCNet識別準確率分別提升了16.8%、15.9%、23.6%和12.1%、10.9%、15%。對比CapsNet，DCNet通過引入Dense塊平均識別準確率為64.5%，提升6.1%。DCNet模型參數規模為6.9 M，僅為CapsNet的84%。試驗結果表明加深網絡深度在一定程度上對于模型性能提升具有重要作用。

進一步分析表1的試驗結果表明，對比DCNet，本研究模型在初始端引入自注意力層后模型平均識別準確率為77.2%，平均識別準確率提升12.7%。圖7為隨機選擇輸入樣本的自注意力層特征可視化熱圖，在可視化熱圖中，一般對于注意力關注的高特征權值響應區域用偏暖色的高亮紅色進行表示，特征權值響應較低的區域，即弱關注和非關注區域，用偏冷色（即綠色和藍色）進行表示。自注意力層抽取特征圖的可視化熱圖如圖7b所示，自注意力特征圖與輸入圖片掩模操作后的可視化熱圖如圖7c所示，從圖7c中可以看出偏暖色的高亮紅色區域分布較為集中于待識別的花冠和葉片部分，偏冷色與除花冠和葉片外的背景區域分布較為趨近。因此從圖7的可視化結果可以看出，在稠密膠囊網絡結構中通過引入自注意力機制，可以實現為特征圖中待識別目標區域特征賦予高權值，背景區域特征賦予低權值。結合表1中本研究模型對比其他膠囊網絡模型在識別準確率上的大幅提升，試驗結果表明在網絡結構中引入自注意力機制在一定程度上可以降低背景區域對于目標識別的干擾，從而提升網絡模型的判別性能。

對表1的試驗結果進一步分析得出，當輸入圖片尺度為32×32像素時，本研究網絡模型的參數規模為1.8 M，在平均識別準確率大幅提升的同時參數規模僅為CapsNet的21.9%和DCNet的26%。在輸入圖片尺度為227×227像素時本研究模型的網絡參數規模為5.2 M，在輸入圖片尺度增幅約50倍的前提下，本研究網絡模型的參數規模增加2.8倍，僅為CapsNet參數規模的1.1%和DCNet的1.3%。因此本研究提出的改進稠密膠囊網絡模型在膠囊層間引入局部約束動態路由算法，對比經典膠囊網絡的全連接動態路由結構，大幅降低網絡參數規模，降低網絡模型計算負載。

3.2.2 膠囊網絡及其改進模型對比傳統卷積神經網絡試驗結果及分析

從表1試驗結果可以看出，針對不同輸入尺度圖片，本研究改進模型的性能對比其他網絡模型識別準確率均有一定幅度的提升。當輸入圖片尺度為227×227像素時，本研究模型在牛津花卉數據集、東北花卉數據集和ImageCLEF 2013 葉片數據集上平均識別準確率為95.1%，對比AlexNet和VGG16平均識別準確率分別提升了25.5%和8.6%，模型參數僅為AlexNet的8.6%，VGG16的3.7%。當輸入圖片尺度為32×32像素時，本研究模型、DCNet、CapsNet和VGG16平均識別準確率分別為77.2%、64.5%、58.4%和52.1%。本研究模型、DCNet、CapsNet的參數規模順次為VGG16的1.3%、6.1%和5.1%。分析表1的試驗結果可以得出，在有限模型復雜度條件下，膠囊網絡及其改進模型對比以VGG16為代表的卷積網絡在性能表現更為優異。對比傳統卷積神經網絡用標量作為神經元的輸入輸出，膠囊網絡及其改進模型用向量作為膠囊輸入輸出均為，向量對于特征描述和表示可以更好的兼顧數據內部固有的空間關系和語義信息，因此膠囊網絡及其改進模型在網絡結構上的顛覆性設計對于提升模型性能具有重要意義。

從表1的試驗結果可以看出，本研究模型和VGG16在不同輸入圖片尺度下，即227×227像素和32×32像素時，各自模型識別準確率均有大幅提升，由試驗結果得出輸入樣本的優劣對于模型分類識別性能具有較大的影響如圖8。樣本集中圖片質量優劣直接體現在對于樣本類別差異性信息的描述和表示上，并直接影響到模型的分類性能，因此本研究改進稠密膠囊網絡模型采用局部約束動態路由算法，降低網絡參數規模，允許膠囊網絡及其改進模型輸入大尺度圖片尤為必要。

圖8 降采樣前后圖例

3.2.3 本研究網絡模型識別結果分析

本研究網絡模型在牛津花卉數據集、東北花卉數據集和ImageCLEF 2013 葉片數據集上，輸入數據集圖片尺度為227×227像素時，識別結果如圖9所示。

注：圖中數值為識別準確率，%，計算至小數點后兩位。

在花卉數據集上的識別結果如圖9a和9b所示，花卉數據集誤分可視化混淆矩陣如圖10所示。在牛津花卉數據集上，虎皮百合和歐洲櫻草識別準確率最高達到97%，銀蓮花和三色堇識別準確率最低為87%，其中銀蓮花誤分為雪花蓮和雛菊的誤分率分別為5%和8%，三色堇誤分為鳶尾花和潘紅花的誤分率分別為11%和2%。在東北花卉數據集上，馬蘭花的識別準確率最高為98%，牡丹和迎春花的準確識別率最低為87%，其中牡丹誤分為鳳仙花和芍藥的誤分率分別為4%和9%，迎春花誤分為金娃娃萱草的誤分率為13%。

花卉數據集誤分可視化混淆矩陣如圖10所示，結合圖9試驗結果進一步分析得出，主觀視覺在花卉識別過程中顏色紋理和外部形態特征是判別類別的重要依據，當花卉顏色紋理特征較為單一，并且其顏色紋理特征與其他待識別花卉顏色紋理特征區分性較為明顯時，則該種花卉分類識別準確率較高。如果顏色特征區分性降低，則花卉形態特征是進行類間區分的主要依據。當顏色和外部形態特征差異性較小時，則容易發生誤分。以牛津花卉數據集識別結果為例，對17類花卉的誤分樣本進行整理，可視化混淆矩陣如圖10a所示，其中次對角線位置為誤分樣本。隨機選擇虎皮百合和鳶尾花為例，虎皮百合花冠在顏色紋理特征大多呈現偏紅色并且花瓣上帶有深色斑點，其顏色紋理特征與其他花卉類別區分度較為明顯（除貝母外），因此外虎皮百合識別準確率較高。觀察貝母數據集，貝母花冠顏色也多呈現偏紅色，而且花瓣帶有深色網紋狀斑點。圖10a中虎皮百合與貝母的可視化混淆矩陣次對角線位置樣本，二者在外部形態差異相對較小，因此誤分樣本僅存在于這2類花卉，圖9a試驗結果驗證該結論。鳶尾花花冠存在多種顏色，其顏色紋理特征多樣性降低其與其他花卉類別的可區分性。但是鳶尾花花冠獨特的外部形態特征，使得其誤分樣本僅出現在三色堇中，如圖10a所示。

注：每個可視化混淆矩陣中次對角線位置為對應誤分類別的樣本圖片，下同。

Note: The subdiagonal position in each visual confusion matrix was the sample images corresponding to the misclassification, the same below.

圖10 牛津和東北常見花卉數據集誤分可視化混淆矩陣

Fig.10 Visual confusion matrix for misclassification of Oxford and Northeast China flower datasets

在ImageCLEF 2013 葉片數據集上，從表1和圖9c的試驗結果可以看出，本研究模型對綠蘿和龜背竹的識別準確率最高為99%，在柿子樹和富貴榕樣本上的識別準確率相對較低分別為88%和89%，其中柿子樹分別以7%和5%的誤分率誤分為冬青和紙桑，富貴榕以11%的誤分率誤分為萬年青。進一步對比分析表1和圖9試驗結果表明，本研究模型在ImageCLEF 2013 葉片數據集的平均識別準確率最高，其原因可能在于葉片數據集樣本圖片采集方式包括葉片掃描圖片和自然背景拍攝的圖片，圖片大多為單張葉片，背景多為較為簡單的純色（白色）背景，掃描葉片色彩和邊緣清晰，因此對比花卉數據集，ImageCLEF 2013葉片樣本在外部形態、色彩紋理上復雜度相對較低。為進一步驗證上述結論，本研究工作整理葉片數據集誤分可視化混淆矩陣如圖11，圖中次對角線位置為誤分樣本。以識別率較低的富貴榕為例，富貴榕誤分為萬年青，從圖11誤分結果觀察發現，對比葉片掃描圖片，誤分樣本采集方式多為自然背景下拍攝，背景較為復雜影響樣本的準確識別。另外在誤分圖片中，誤分葉片間具有較為相似的邊緣紋理形態。

圖11 ImageCLEF 2013葉片數據集誤分可視化混淆矩陣

4 結 論

膠囊網絡作為一種全新的網絡結構，對比傳統卷積神經網絡的標量輸入輸出形式，膠囊網絡使用向量用于特征描述和表示，可以有效兼顧數據內部固有的空間關系和語義信息。本研究借鑒DCNet基礎上提出一種改進稠密膠囊網絡模型用于植物物種識別這一精細分類任務中。針對植物物種識別過程中復雜背景區域影響植物器官（如花和葉等）識別問題，本研究在網絡結構初始端引入自注意力機制，通過增加前景待識別區域的特征權值以降低背景信息對于識別任務的干擾。針對大尺寸圖片輸入導致膠囊層間參數規模激增，網絡學習訓練負載增加的問題，本研究在膠囊層間使用局部約束動態路由算法，實現局部區域內膠囊路由選擇和轉換矩陣共享機制，降低網絡參數規模，以適應大尺寸圖片訓練學習要求。為驗證本研究提出改進膠囊網路模型的有效性，構建包括君子蘭、牡丹和芍藥等15類共計1 350張東北常見花卉數據集。

本研究提出的改進稠密膠囊網絡模型在牛津花卉數據集、東北花卉數據集和ImageCLEF 2013 葉片數據集上的試驗結果表明，當輸入圖片尺度為32×32像素時的對比試驗結果表明，本研究模型平均識別準確率為77.2%，對比CapsNet、DCNet和VGG16平均識別準確率分別提升18.8%、12.7%和25.2%，參數規模僅為CapsNet的21.9%，DCNet的26%和 VGG16的1.3%。當輸入圖片尺度為227×227像素時，本研究模型平均識別準確率為95.1%，對比AlexNet和VGG16平均識別準確率分別提升了25.5%和8.6%，參數僅為AlexNet的8.6%和VGG16的3.7%。上述試驗結果驗證本研究改進模型在提升識別準確率和降低參數規模方面的有效性。

[1] Dethier V G. Mechanism of host‐plant recognition[J]. Entomologia Experimentalis et Applicata, 1982, 31(1): 49-56.

[2] Liao Ke, Paulsen M R, Reid J F, et al. Corn kernel breakage classification by machine vision using a neural network classifier[J]. Transactions of the American Society of Agricultural and Biological Engineers, 1993, 36(6): 1949-1953.

[3] Gomes J F S, Leta F R. Applications of computer vision techniques in the agriculture and food industry: A review[J]. European Food Research and Technology, 2012, 235(6): 989-1000.

[4] 何東健，張海亮，寧紀鋒，等. 農業自動化領域中計算機視覺技術的應用[J]. 農業工程學報，2002，18(2)：171-175.

He Dongjian, Zhang Hailiang, Ning Jifeng, et al. Application of computer vision technique to automatic production in agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(2): 171-175. (in Chinese with English abstract)

[5] 馮青春，趙春江，王曉楠，等. 基于視覺伺服的櫻桃番茄果串對靶測量方法[J]. 農業工程學報，2015，31(16)：206-212.

Feng Qingchun, Zhao Chunjiang, Wang Xiaonan, et al. Fruit bunch measurement method for cherry tomato based on visual servo[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(16): 206-212. (in Chinese with English abstract)

[6] 溫長吉，王生生，于合龍，等. 基于改進蜂群算法優化神經網絡的玉米病害圖像分割[J]. 農業工程學報，2013，29(13)：142-149.

Wen Changji, Wang Shengsheng, Yu Helong, et al. Image segmentation method for maize diseases based on pulse coupled neural network with modified artificial bee algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(13): 142-149. (in Chinese with English abstract)

[7] 陳娟，陳良勇，王生生，等. 基于改進殘差網絡的園林害蟲圖像識別[J]. 農業機械學報，2019，50(5)：194-202.

Chen Juan, Chen Liangyong, Wang Shengsheng, et al. Pest recognition based on improved residual network[J]. Transactions of the Chinese Society for Agriculture Machinery, 2019, 50(5): 194-202. (in Chinese with English abstract)

[8] Guyer D E, Miles G E, Schreiber M M, et al. Machine vision and image processing for plant identification[J]. Transactions of the American Society of Agricultural and Biological Engineers, 1986, 29(6): 1500-1507.

[9] Guyer D E, Miles G E, Gaultney L D, et al. Application of machine vision to shape analysis in leaf and plant identification[J]. Transactions of the American Society of Agricultural and Biological Engineers, 1993, 36(1): 163-171.

[10] Shearer S A, Holmes R G. Plant identification using color co-occurrence matrices[J]. Transactions of the American Society of Agricultural and Biological Engineers, 1990, 33(6): 1237-1244.

[11] 張善文，王獻峰. 基于加權局部線性嵌入的植物葉片圖像識別方法[J]. 農業工程學報，2011，27(12)：141-145.

Zhang Shanwen, Wang Xianfeng. Method of plant leaf recognition based on weighted locally linear embedding[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(12): 141-145. (in Chinese with English abstract)

[12] 張善文，張傳雷，程雷. 基于監督正交局部保持映射的植物葉片圖像分類方法[J]. 農業工程學報，2013，29(5)：125-131.

Zhang Shanwen, Zhang Chuanlei, Cheng Lei. Plant leaf image classification based on supervised orthogonal locality preserving projections[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(5): 125-131. (in Chinese with English abstract)

[13] 張善文，王獻鋒，王震，等. 基于概率局部判斷映射的植物分類方法[J]. 農業工程學報，2015，31(11)：215-220.

Zhang Shanwen, Wang Xianfeng, Wang Zhen, et al. Probability locality preserving discriminant projections for plant recognition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(11): 215-220. (in Chinese with English abstract)

[14] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[C]//Advances in Neural Information Processing Systems. 2012: 1097-1105.

[15] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. Computer Science, 2014, https://arxiv.org/abs/1409.1556.

[16] Szegedy C, Liu Wei, Jia Yangqing, et al. Going deeper with convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015: 1-9.

[17] Huang Gao, Liu Zhuang, Van Der Maaten L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 4700-4708.

[18] Kamilaris A, Prenafeta-Boldu F X. Deep learning in agriculture: A survey[J]. Computers and Electronics in Agriculture, 2018, 147(1): 70-90.

[19] Reyes A K, Caicedo J C, Camargo J E. Fine-tuning deep convolutional networks for plant recognition[J].Cross Language Evaluation Forum: Working Notes, 2015, 1391.

[20] Grinblat G L, Uzal L C, Larese M G, et al. Deep learning for plant identification using vein morphological patterns[J]. Computers and Electronics in Agriculture, 2016, 127(9): 418-424.

[21] Dyrmann M, Karstoft H, Midtiby H S. Plant species classification using deep convolutional neural network[J]. Biosystems Engineering, 2016, 151(11): 72-80.

[22] Lee S H, Chan C S, Mayo S J, et al.How deep learning extracts and learns leaf features for plant classification[J]. Pattern Recognition, 2017, 71(11): 1-13.

[23] Nguyen T T N, Van Tuan T L L, Vu H, et al. Flower species identification using deep convolutional neural networks[C]//AUN/SEED-Net Regional Conference for Computer and Information Engineering. 2016, https://www.researchgate.net/publication/308322586.

[24] Ghazi M M, Yanikoglu B, Aptoula E. Plant identification using deep neural networks via optimization of transfer learning parameters[J]. Neurocomputing, 2017, 235(4): 228-235.

[25] 鄭一力，張露. 基于遷移學習的卷積神經網絡植物葉片圖像識別方法[J]. 農業機械學報，2018，49(S1)：361-366.

Zheng Yili, Zhang Lu. Plant leaf image recognition method based on transfer learning with convolutional neural networks[J]. Transactions of the Chinese Society for Agriculture Machinery, 2018, 49(S1): 361-366. (in Chinese with English abstract)

[26] 王生生，王順，張航，等. 基于輕量和積網絡及無人機遙感圖像的大豆田雜草識別[J]. 農業工程學報，2019，35(6)：89-97.

Wang Shengsheng, Wang Shun, Zhang Hang, et al. Soybean field weed recognition based on light sum-product networks and UAV remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(6): 89-97. (in Chinese with English abstract)

[27] Sa L, Ge Zongyuan, Dayoub F, et al. DeepFruits: A fruit detection system using deep neural networks[J]. Sensors, 2016, 16(8): 1222-1244.

[28] Mohanty S P, Hughes D P, Salathé M. Using deep learning for image-based plant disease detection[J]. Frontiers in Plant Science, 2016, 7(9): 1419-1428.

[29] Cohen T, Welling M. Group equivariant convolutional networks[C]//International Conference on Machine Learning. 2016: 2990-2999.

[30] Worrall D E, Garbin S J, Turmukhambetov D, et al. Harmonic networks: Deep translation and rotation equivariance[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 5028-5037.

[31] Hinton G E, Krizhevsky A, Wang S D. Transforming auto-encoders[C]//International Conference on Artificial Neural Networks. Springer, Berlin, Heidelberg, 2011: 44-51.

[32] Sabour S, Frosst N, Hinton G E. Dynamic routing between capsules[C]//Advances in Neural Information Processing Systems. 2017: 3856-3866.

[33] Jaiswal A, AbdAlmageed W, Wu Yue, et al. CapsuleGAN: Generative adversarial capsule network[C]//Proceedings of the European Conference on Computer Vision (ECCV), 2018, https://arxiv.org/abs/1802.06167.

[34] Xiang Canqun, Zhang Lu, Tang Yi, et al. MS-CapsNet: A novel multi-scale capsule network[J]. IEEE Signal Processing Letters, 2018, 25(12): 1850-1854.

[35] Mobiny A, Van Nguyen H. Fast CapsNet for lung cancer screening[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer, Cham, 2018: 741-749.

[36] LaLonde R, Bagci U. Capsules for object segmentation[J]. Statistics, 2018，https://arxiv.org/abs/1804.04241.

[37] Li Yu, Qian Meiyu, Liu Pengfeng, et al. The recognition of rice images by UAV based on capsule network[J]. Cluster Computing, 2019, 22(6): 1-10.

[38] Phaye S S R, Sikka A, Dhall A, et al. Dense and diverse capsule networks: Making the capsules learn better[J]. Computer Science, 2018. https://arxiv.org/abs/1805.04001.

[39] Zhang Han, Goodfellow I, Metaxas D, et al. Self-attention generative adversarial networks[J]. Statistics, 2018, https://arxiv.org/abs/1805.08318.

[40] Wang Xiaolong, Girshick R, Gupta A, et al. Non-local neural networks[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018: 7794-7803.

[41] Nilsback M E, Zisserman A. A visual vocabulary for flower classification[C]// Computer Vision and Pattern Recognition, 2006 IEEE Computer Society Conference on. IEEE, 2006, 2: 1447-1454.

[42] Joly A, Hervé G, Bonnet P, et al. The imageclef plant identification task 2013[C]// Acm International Workshop on Multimedia Analysis for Ecological Data. ACM, 2013: 1-27.

[43] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances in Neural Information Processing Systems. 2017: 5998-6008.

Plant recognition method based on a improved dense CapsNet

Wen Changji1,3, Lou Yue1, Zhang Xiaoran1, Yang Ce3, Liu Shuyan2,4, Yu Helong1※

(1.,130118,; 2.130118,; 3.55108,; 4,,130118,)

The recognition of plant and other biological species is of great significance in maintaining plant species diversity, understanding plant growth characteristics and geographical distribution, constructing a biodiversity database, and realizing the rational development and utilization of plant resources. But plant recognition and classification are still very challenging tasks. In this study, the classical capsule network and its modified models were applied to the fined classification task of plant species recognition. Based on the idea of DCNet, a modified dense capsule network was proposed.Firstly, the self-attention mechanism was introduced as the network layer. By this method, the interference background information to the recognition task was reduced by assigning the high weight value of the target feature. Secondly, the locally-constraint dynamic routing algorithm was used between the capsule layers in the modified-DCNet. By sharing the transformation matrix in the predefined local grid, it reduced the load of network parameter calculation and adapted to the small sample datasets for training and learning. To verify the model of this study, three datasets were used, Oxford Flower datasets, the Normal flower datasets in Northeast China and ImageCLEF 2013 leaf datasets. Oxford Flower dataset was an open-source flower dataset consisting of common 17 types of flowers in the UK proposed by the machine vision research group of Oxford University. Every category contains 80 images. There was a total of 1 360 images. The changes in individual morphology, light, and proportion of the images were used to ensure the diversity of the samples. And the differences between some individual categories were small. The Normal flower dataset in Northeast China was a self-built dataset for this study. The dataset was composed of common flowers in Northeast China in which were 15 categories and a total of 1 360 images. The pictures were taken on the spot in suburbs, parks and flower breeding bases under sunlight condition. The images were marked and confirmed by experts. ImageCLEF 2013 leaf dataset was supported by INRIA and CIRAD. The main species were obtained in the Mediterranean region of France. There were 15 kinds of leaves, in a total of 1 125 plant leaves. The collection method of sample images included leaf scanning and taking pictures outdoors. The comparative experimental results showed that the average recognition accuracy of the Modified-DCNet proposed in this study was 77.2% on the three datasets when the input image scale was 32 × 32 pixels. Compared with CapsNet, DCNet, and VGG16, the average recognition accuracy improved by 18.8%, 12.7%, and 25.2%, respectively. The parameter size was only about 1.6 M which was only 1.3% of VGG16. When the input image scale was 227×227 pixels, the average recognition accuracy of this model was 95.1%. The average recognition accuracy was improved by 25.5% and 8.6% compared with AlexNet and VGG16, respectively. In this study, the model parameter size was 5.2 M which was only 8.6% of AlexNet and 3.7% of VGG16. Under the same conditions, the experimental results showed that the performance of these models was improved compared to AlexNet, VGG16, CapsNet, and DCNet. By using the locally-constrained dynamic routing algorithm, the scale of this model parameters was greatly reduced, which was more suitable for large-scale image classification and recognition. From the experimental results, when the input image was 227 × 227 pixels, the model parameter size was only 1.1% of CapsNet, and 1.3% of DCNet. When the input image was 32 × 32 pixels, these models were only 21.9% of CapsNet, and 26% of DCNet. The larger the image size was the more the improvement of the scale. Meanwhile, larger images often had more information, so the recognition accuracy was higher. Furtherly, the experimental results on three datasets showed that the highest recognition accuracy on the ImageCLEF 2013 leaf dataset was 97.2%. In this way, low sample complexity led to a high recognition rate. At the same time, through analyzing the results of the experiments in this study, the main distinctive features among flower datasets were color features, following by morphological features. When the color and morphological features of a certain type of a dataset were relatively monotonic, the recognition accuracy was higher.

plants; computer vision; models; capsule network; self-attention mechanism; dynamic routing algorithm; deep learning

溫長吉，婁月，張笑然，等. 基于改進稠密膠囊網絡模型的植物識別方法[J]. 農業工程學報，2020，36(8)：143-155.doi：10.11975/j.issn.1002-6819.2020.08.018 http://www.tcsae.org

Wen Changji, Lou Yue, Zhang Xiaoran, et al. Plant recognition method based on a improved dense CapsNet[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 143-155. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.018 http://www.tcsae.org

2020-01-30

2020-03-10

國家自然科學基金重點項目（U19A2061）；國家重點研發技術專項（2017YFD0502001）；國家自然科學基金面上項目（11372155，61472161）；吉林省自然科學基金（20180101041JC）；吉林省教育廳科研規劃重點課題（2016186，JJKH20180659KJ）

溫長吉，博士，副教授，主要從事模式識別、農業信息化等方面研究。Email：chagou2006@163.com

于合龍，博士，教授，主要從事知識表示與推理、農業信息化等方面研究。Email：264496469@qq.com

10.11975/j.issn.1002-6819.2020.08.018

S24; TP391.41

A

1002-6819(2020)-08-0143-13