林业科学

作者：张广群1,李英杰2,汪杭军2,*,周厚奎1

单位：1. 浙江农林大学信息工程学院 杭州 3113002. 浙江农林大学暨阳学院 诸暨 311800

关键词：林业图像,微调,森林管护,卷积神经网络,迁移学习

基金：浙江省自然科学基金项目(LY16C160007);浙江省自然科学基金项目(LY19F020048);浙江省基础公益研究计划项目(LGN19C140006);绍兴市科技计划项目(2018C20013)

目的: 基于迁移学习提出一种微调卷积神经网络（CNN）的林业图像自动分类方法，以利于林业管理部门对相关事件作出合理的处置方案或指挥调度决策，从而提升森林管护水平，保护森林资源和生态安全。方法: 基于大规模辅助图像数据集ImageNet预训练好的CaffeNet模型，利用林业图像数据对模型进行微调训练。模型前5层参数通过迁移获得，包括卷积层、激活函数和池化层；全连接层和Softmax参数通过训练确定。结果: 微调预训练卷积神经网络CaffeNet模型具有很好的林业图像分类正确率，在根据林业业务需求建立的4类林业图像数据集上，经过一定次数迭代后，平均识别精度达97.5%。进一步特征可视化显示，训练好的深度卷积神经网络不同层获得的特征图可从不同方面获得林业图像分类能力。与传统特征提取方法相比，即使分类种类数增加1种，识别率也可提升10.8%。结论: 利用CaffeNet模型进行林业图像分类可行。相比传统特征提取识别方法，基于卷积神经网络的林业图像分类模型具有很强的特征提取和分类能力，能够在森林管护中发挥重要作用。

来源：2020年第10期

《林业科学》期刊编辑部

查看林业科学杂志2020年第10期