植物圖像數據庫及其識別技術概述與應用

摘要：植物學課程知識體系龐雜、內容瑣碎、概念抽象、專業術語復雜、實踐要求高，在講解與學習時均存在困難。隨著植物學科研究的不斷深入和計算機網絡技術在教學領域的廣泛應用，國內外植物圖像數據庫和相應的圖像識別技術應運而生。這些技術能夠為課堂和實踐教學提供資源共享、虛擬仿真、應用場景廣泛的輔助平臺，綜合提高了植物學課程的教學質量和效果，同時也激發了學生的自主探索意識和自發學習熱情。

關鍵詞：數據庫；植物圖像數據庫；植物圖像識別技術；植物學

文章編號：1671-489X（2025）10-0040-04

DOI：10.3969/j.issn.1671-489X.2025.10.040

0 引言

植物學相關知識是植物科學、農學、藥學、中藥學等專業學生必須理解與掌握的基礎課程內容。然而，植物學有知識體系龐雜、內容瑣碎、概念抽象、專業術語復雜、實踐要求較高等特點，導致學生在理解和記憶理論知識時存在一定困難。植物學課程內容與生活實際聯系極為密切，但傳統教學方式往往采用理論課堂面對面教授，機械性地灌輸知識，學生獲取植物形態信息的途徑大多源自課本和教師課件中的平面圖像，這導致其在野外實踐中，面對實物進行辨別時仍存在諸多困難，難以形成完整的植物學知識體系。

近年來，植物學科得益于計算機網絡技術的更新迭代與信息共享、數據通信載體的不斷發展，與植物相關的圖像、文獻、數據資料愈加豐富，如何對現有的植物資料進行有效整理，搭建功能全面、應用廣泛、操作便捷的植物數據庫系統，囊括植物學知識架構中的植物分類、形態特征、生長習性、地理分布、生態環境、藥用價值、食用價值、工業價值等內容，并將其用于建設課堂教學新范式，從而提高植物學課程的教學質量和效果，成為重要研究課題。利用數據庫的搜索、查詢、線上論壇等功能，為教師與學生提供便捷的服務平臺和全面豐富的信息資料，對擴充學生學習資源、深化學生知識理解、推動課程信息化建設，引導學生從知識的被動接受者轉變為主動探索者具有深遠意義。

除了植物數據庫系統，數字圖像處理與識別技術的發展不僅為植物的快速分類提供了新思路，還能為植物學課程的野外實踐和學生自學提供可靠的虛擬教學平臺。對植物圖像特征部位的提取，早期往往依賴人工主觀設定，然而在面對冗雜龐大的數據信息時，存在耗時耗力、識別效率低、準確率不高等現實問題。近年來，在機器學習和人工智能等技術突飛猛進的大背景下，借助計算機強大的算力、圖像處理和分析能力，已經可以實現植物圖像的自動、高效、準確識別和分類。學生在使用植物識別系統時，只需對植物進行拍照搜索就能隨時隨地獲得識別結果，這種沉浸式學習方式不僅能夠激發學生的探索興趣和自主學習意識，還能夠通過場景化學習鞏固理論知識，加深對植物的理解和記憶。

基于此，本文綜述了國內外植物圖像數據庫和植物圖像識別技術的發展現狀并探討了其在課堂教學中的應用前景。

1植物圖像數據庫

計算機技術在植物學科中的應用包括各類管理與識別平臺，而這些平臺的運行都需要基于植物信息數據庫的搭建。植物信息數據庫具有高效解決數據冗余、可擴展性良好等特點。

1.1 國外植物數據庫

20世紀60年代，西方發達國家乘著計算機技術發展的東風，開始建立基于計算機管理的大型植物信息檔案，歷經20年的發展已形成較為完善的網絡結構。國外的植物數據庫，像美國農業部PLANTS植物數據庫、GEO數據庫、JGI數據庫等涵蓋較為廣泛的領域，包括植物分類學、基因組學、生態學等多個方面，這些數據庫為研究人員提供了重要的數據支持和教研資源，推動了植物學和生態學的發展。

現有國外植物數據庫有以下特征。1）數據類型多元化。國外植物數據庫不僅包含植物分類、命名、分布和形態等基本信息，還包括植物基因組、轉錄組、蛋白質組等高通量數據，以及植物圖像、視頻、音頻等多媒體數據，數據類型多樣，覆蓋面廣泛。2）整合和共享能力強。采用統一的數據標準和格式，將不同來源的數據進行整合，以便更好地共享和利用，促進植物研究進展。3）開放性和透明度高。大部分數據庫都免費提供數據查詢和下載服務，并公開數據來源、采集方法、處理過程等信息，增強了數據的可信度和可靠性。4）可視化和交互性強。采用多種方式呈現數據，如數據可視化、地圖展示、圖表分析等，同時提供多種數據查詢和交互功能，便于用戶進行數據分析和使用。

1.2 國內植物數據庫

我國從1987年開始著手建設中國特色植物數據庫，至今已建設完成中國植物物種信息數據庫、植物科學數據中心、中國植物圖像庫、國家生態科學數據中心、一帶一路生物多樣性數據平臺等大型數據庫平臺。此外，很多科研單位和高校也根據當地特色搭建了具有區域特征和特定類別的植物數據庫。目前，中國的植物數據庫系統建設已經成為全球植物科研領域中的一項重要成就，為植物類學科的網絡教學提供了豐富資源，也為科學研究人員提供了可觀數據。

現有國內植物數據庫總體特征為：數據庫信息豐富，包含植物的形態、分布、生態環境、遺傳信息、分子生物學數據和標本數據。同時，大部分數據庫都提供免費查詢服務，方便教研人員使用。但開放性和透明度不高，未能公開數據來源、采集方法、處理過程等信息。此外，大部分數據庫不支持數據免費下載。

2植物圖像識別技術

2.1 國外植物圖像識別技術

近年來，許多國外學者運用不同的圖像處理技術對植物進行識別并取得一定成果，尤其在植物花、葉、果實等器官的局部與整體特征識別方面做了大量研究。例如，基于葉片器官特征與基準葉片數據庫（如Swedish葉片數據集、Flavia數據集和ICL數據集等）對植物的葉子進行識別研究。國外最初對植物識別方面的研究主要聚焦于葉子形狀特征的提取[]。隨著識別研究深入發展，研究人員提出了基于顏色和紋理特征混合的分類方法，并取得比較高的分類準確率[2]。然而，在自然光照條件下拍攝的葉片照片可能存在重疊與覆蓋，影響識別效果，為此，研究人員開發了新的方法一一利用葉片的形態學腐蝕找到圖像內的目標葉片并進行標記，結合分水嶺分割得到目標葉片[3]

研究人員在分類器上也進行了大量研究工作。例如，基于復雜網絡算法的分類方法能夠有效應對圖像采樣噪聲和不同分辨率的問題，從而獲得較好的識別效果[4]。此外，貝葉斯分類器結合體積分形維數、輪廓分割算法、卷積神經網絡等方法均能夠獲得更好的識別效果。

2.2國內植物圖像識別技術

國內對植物圖像識別技術的研究始于20世紀90 年代，傅星等[5]率先將計算機圖像的分類技術引入國內，國內植物圖像識別研究便由此開始。與國外相同，國內最初對植物圖像的識別也由葉片開始，研究人員首先關注葉片的葉脈特征，通過提取葉脈的局部對比度等特征，結合模式識別的圖像數據訓練技術，獲得了較高的識別準確率。朱靜等[6]基于模式識別技術，采用四個不同的圖像特征（包括長寬比、最寬位置指數、葉基部凹陷程度指數、葉裂數）進行分類，均獲得了較高的識別準確率。在葉脈研究方面，研究人員引入徑向量概率神經網絡進行分類，并采用高斯插值算法融合小波變換算法對植物圖像進行數據訓練和測試，也獲得了較高的識別準確率。在分類器的研究方面，標記控制的流域分割方法、多特征融合方法均能夠在葉片的識別分類方面取得較好的識別效果。

除了上述提到的各種算法，深度學習技術在圖像識別領域的應用也日益廣泛。例如，龔丁禧等[7]運用卷積神經網絡對植物葉片進行分類，獲得了較高的準確率和識別效果。張帥等[8]基于深度學習技術搭建新型卷積神經網絡模型，通過數據訓練，能夠準確識別復雜背景干擾下的葉片。張善文等[9]提出了一種基于分層卷積深度學習系統的植物葉片識別方法，通過直接輸入50類植物的原始葉片圖像，最終識別率可高達 92% 。

3植物圖像數據庫與植物圖像識別技術在教學科研中的應用

3.1 服務課堂

植物圖像數據庫與植物圖像識別技術能夠在植物學、藥學、中藥學等理論課程、實踐教學、科學研究中廣泛使用。高校的植物園、溫室等實踐基地可能無法為所有植物制作含有詳細信息的掛牌，也無法實現隨時隨地上傳信息、搜索查詢與在線互動功能，而具有靈活、快速、便攜特點的植物識別軟件便可發揮用處，既可以作為教師課堂理論教學內容的補充，還能夠為學生的課后學習提供權威學習資料、實時答疑解惑，更有助于學生在沒有實地考察的情況下領略不同地區植物的風采。這樣一個基于互聯網的植物學識別平臺不僅能夠提升相關專業學生的植物識別能力，還能夠豐富他們的理論知識儲備。在野外實踐時，植物識別平臺能夠便捷、快速、準確地識別植物，尤其對一些有毒植物的及時辨別能夠避免誤食誤采。簡單來講，植物數據庫與植物圖像識別技術不僅能夠提高學生碎片化時間的利用率，也可以激發他們的學習興趣，拓寬其視野。

3.2 推動科研

植物圖像數據庫與植物圖像識別技術在科研領域的應用日益廣泛，能夠為植物學、生態學、農學以及生物多樣性保護等多個領域的研究提供強有力支持。通過對大量植物圖像進行比對和分析，可以快速識別出具有優良性狀的植物品種，為植物種質資源篩選和育種工作提供有力支持。此外，植物圖像識別技術可以快速、準確地診斷植物病蟲害。科研人員上傳疑似病蟲害的圖像，利用植物圖像識別技術進行自動識別和分析，從而確定病蟲害的種類和程度，為及時采取防治措施提供科學依據。在生態環境監測方面，通過對特定區域內植物種類、分布和生長狀況等信息的監測和分析，可以評估該區域的生態環境質量，為生態保護提供決策支持。在藥用植物領域，植物圖像識別技術可以幫助科研人員快速、準確地對藥用植物進行分類和識別，從而分析其藥效和藥用價值。

3.3 助力科普

近年來，我國公眾的科學素質不斷提升，從互聯網上獲取科普知識的人越來越多，通過互聯網傳播科學信息也逐漸成為普及科學知識的重要手段。植物圖像數據庫可以助力在線平臺科普展覽，通過提供豐富的植物圖片和相關信息（如植物的生長環境、生態功能、藥用價值等）增加公眾對植物知識的了解，促進植物科普教育的普及。此外，植物圖像數據庫記錄了大量珍稀瀕危植物信息，通過科普教育和展示，可以提高公眾對珍稀瀕危植物的認識和保護意識，從而有力促進生物多樣性保護工作開展。

4植物圖像數據庫與圖像識別技術目前存在的問題

雖然目前國內外植物數據庫建設和圖像識別技術的發展取得了很大進展，但仍然存在一些共性問題，從而影響了其在教學中的進一步應用，主要表現在以下幾個方面。

1）數據不完整和不準確。植物圖像數據庫與圖像識別技術的建設離不開植物標本、圖像和文獻等數據的收集和整理。但是，目前的植物數據并不完整和準確，很多物種的標本和分布信息并沒有被完全收集和記錄，導致數據庫的可靠性和圖像識別的準確性存在問題，這不僅削弱了教學內容的權威性，學生的自學效果也容易出現偏頗。

2）數據孤島問題。植物圖像數據庫多由不同組織和機構獨立建設，彼此之間缺乏有效整合，形成了數據孤島。這不僅增加了數據共享的難度，還導致大量重復建設，資源浪費。教師和學生在選擇數據庫時，可能因無法找到與教學內容高度匹配的資源，而影響教學進度和效果。

3）數據可視化和科普不足。植物圖像數據庫中的數據呈現方式較為單一，缺乏直觀性和互動性，難以吸引學生的關注和參與，也難以提高他們對植物保護和利用的認識和興趣。

4）信息安全問題。隨著植物圖像數據庫規模的擴大和結構的復雜化，教師和學生可以在數據庫中頻繁進行數據交互。因此，不僅需要保障用戶個人信息的安全，還需要對平臺數據來源的可靠性、完整性、安全性進行全方位的維護。

5）植物圖像數據庫收益問題。目前，國內大部分植物圖像數據庫免費開放，但其更新與維護需要大量經費支持。由于缺乏穩定的資金來源，許多數據庫在研發完成后無人管理，導致數據陳舊、功能受限，嚴重影響了數據庫的使用價值和用戶體驗。

5展望

隨著信息技術的不斷進步和對植物資源保護利用的逐漸重視，植物圖像數據庫和圖像識別技術發展迅猛，其在課堂中的應用也越來越廣泛。當代學生身處網絡信息時代，對新方法、新技術接受度極高、適應性較強，應用數據庫、圖像識別技術等新興網絡資源輔助教學，既能夠激發學生的學習興趣和熱情，又可以推動學生以直觀的方式掌握植物學相關知識和理論，是對傳統教學方法和體系的重要補充。在實踐教學中，植物圖像數據庫和圖像識別技術能夠激發學生的自主學習意識，增強自發探索知識的動力，為未來從事植物相關科研工作奠定基礎。

未來，植物圖像數據庫可以通過加強數據整合和共享，充分發揮其價值和效用，在為高校提供豐富教學資料的同時，還能有力推動植物資源的保護、利用和研究。同時，借助人工智能、機器學習、深度學習等技術對數據進行自動化處理和分析，提高數據的準確性和效率，使圖像識別更加智能化和精準化，從而保證教學所用圖片和資料的可靠性和權威性。此外，結合3D成像技術，通過展示植物的立體形態和結構，為學生提供實景化的課后自主學習材料。除了圖像數據外，植物的氣味等信息也可以用于植物識別。運用多模態數據融合等策略可以進一步提高植物識別的準確性和可靠性，為學生提供多維度的學習工具。

植物圖像數據庫和圖像識別技術不僅可以用于高校教學，在科普和公眾教學方面也有極高的應用價值，通過將植物數據資料呈現給大眾，提高植物科普的普及程度，可以激發公眾對植物資源保護和利用的興趣，提升全民的公共文化素養。隨著植物圖像數據庫和圖像識別技術的不斷升級和發展，其在教學上的功能和應用范圍將進一步擴大和深化，在為教師豐富教學素材、提升工作效率的同時，也可以加強師生互動交流，促使學生主動學習、思考和探索，從而更深入地理解和掌握植物學知識。

6參考文獻

[1］INGROUILLEMJ，SMIRNOFFN.THLASPI CAERULESCENSJ．amp;C.PRESL．（T.ALPESTREL.）INBRITAIN[J].New Phytologist，1986，102（1）：219-233.

[2]SAKAI N，YONEKAWAS，MATSUZAKI A，et al．Two-dimensional image analysis of the shape of riceand its application to separating varieties[J].Journal of Food Engineering，1996，27（4）：397-407.

[3]WANGJ，ZHAOY，WANGY，et al．Marked WatershedAlgorithm Combined with Morphological PreprocessingBased Segmentation of Adherent Spores[C]//In：Proceedings of the Communications，SignalProcessing，and Systems.Singapore：Springer，2020：1316-1323.

[4]CASANOVAD，SILVA NRD，Cordeirod DF，et al.Shape Analysis of Plant Leaves Using ComplexNetworks for Species Identification[C]//International Symposium on Biological ShapeAnalysis.2017：57-70.

[5]傅星，盧漢清，羅曼麗，等．應用計算機進行植物自動分類的初步研究［J].生態學雜志，1994（2）：69-71.

[6］朱靜，田興軍，陳彬，等．植物葉形的計算機識別系統[J]．植物學通報，2005（5）：89-94.

[7］龔丁禧，曹長榮．基于卷積神經網絡的植物葉片分類[J].計算機與現代化，2014（4）：12-15，19

[8]張帥，淮永建.基于分層卷積深度學習系統的植物葉片識別研究［J].北京林業大學學報，2016，38（9）：108-115.

[9]張善文，孔韋韋，王震．基于稀疏表示字典學習的植物分類方法[J].浙江農業學報，2017，29（2）：338-344.