植物分类系统图解（一种新型植物种类自动识别方法）

如何可靠、高效地识别植物品种，对于植物育种者的产权保护和种质资源创新有着重大意义。然而，由于品种间叶片的相似性较高，在品种鉴定中应用较少。因此，武汉理工大学生物信息团队提出了一种基于叶片图像的品种自动识别方法MFCIS (多特征组合品种识别系统)，该方法将持久同源性收集的多个叶片形态特征与卷积神经网络(CNN)相结合。此外，为了提升用户体验，团队还构建了一个让用户使用方便的web服务，可以免费获得。

1. 自动化:将叶片图像直接拟合为网络的输入，品种识别结果网络的输出。
2. 多特征组合:对叶片形态特征进行局部和全局的综合测量，提高识别精度。
3. 效率高:该方法不需要大量样本进行模型训练，计算时间在可以接受的范围之内。
4. 泛化能力:模型在其他植物上也适用。

大豆数据集

为了更好的向大家介绍新型植物种类识别方法，现以大豆植物种类识别为例。实验中，每个品种在开花开始期、开荚开始期、满荚期、结籽开始期和结籽充分期(分别记为R1、R3、R4、R5和R6)五个繁殖阶段的几株植株上随机选取50片完全展开的叶片作为样本。这些叶子从植物上分离后，再使用扫描仪器扫描。之后，进行图像预处理。

图像预处理过程包括背景去除和对比度增强两部分。由于叶片图像质量高，背景干净，所以采用典型的全局阈值法去除图像背景，并通过线性拉伸的方法扩大动态灰度值范围。此次实验中，通过此识别方法进行了叶片形态特征提取、高级图像特征提取。具体如下：

团队利用PH从拓扑的角度捕捉叶片的形状、纹理和叶脉特征，并利用pd对提取的特征进行描述。叶片形状使用Pershombox(python包)计算得到，叶片纹理和脉络pd均值使用Python Homcloud(python包)计算。在过滤过程中，系统捕获并记录了组件和孔洞的变化。在脉序特征提取方面，对二值叶脉图像进行距离变换，过滤得到的叶脉网络距离图，可以用于跟踪不同尺度下叶脉的面积和脉络结构结构变化。

整个系统采用深度CNN模型Xception 作为骨干网络，提取叶片图像的高级特征。在相对较小的数据集上从头训练较多层次的神经网络是很困难的。此外，从其他图像分类任务中学到的知识可能对研究有帮助。因此，团队采用ImageNet数据集上的exception权值作为初始权重，将迁移学习应用到品种分类任务中。全局平均池化层的输出是2048维向量，作为接下来的多特征组合过程的高级图像特征。与传统的手工制作的形态特征(叶面积、周长等)和基于图像处理的描述符相比，高级图像特征具有更好的抽象性和辨识力。

为了使用方便，团队开发了在线品种识别系统。该系统提供了一种简单易用的品种识别服务，包括三个步骤:(1)模型和数据集的选择。用户需要选择一个初始的模型和目标数据集，然后等待模型加载和配置。(2)图像上传与品种识别。用户通过弹出的窗口选择并上传一个本地图像文件。等待几分钟后，直到系统做出预测。(3)查看预测结果。以饼状图的形式显示前3个品种的预测结果。用户可以点击饼状图，查看各品种的预测得分。详细的用户手册可以在补充手册中找到。

在作物育种群体中，品种鉴定长期依赖于专家的视觉识别，精度不能保证。随着深度学习和图像技术的发展，园艺研究者和计算机视觉界对基于叶片图像的栽培品种识别研究越来越关注。由于之前模型的准确性仍然是一个有待解决的关键问题。此次，团队关于本研究提出了一种有效的叶片图像获取策略，设计了高精度的品种识别图像分析系统，构建了基于web、用户友好的品种识别平台。在植物种类识别图像，识别准确性，非专家也能使用等方面有重大意义。