林业科学

作者：杨兵兵,许杰*

单位：黑龙江八一农垦大学信息与电气工程学院　大庆 163319

关键词：树种识别,ConvNeXt,SimAM注意力机制,ECA通道注意力机制

基金：国家自然科学基金项目（31570712）；黑龙江省自然基金项目（LH2022E099）。

目的: 为提高树种识别工作的效率和准确率，提出一种利用迁移学习策略并引入SimAM注意力机制和ECA通道注意力机制的ConvNeXt树种识别模型。方法: 以12种常见树种的树皮图像为研究对象，通过传统数据增强方法对数据进行扩充，防止模型过拟合。使用SimAM和ECA通道注意力机制构建以ConvNeXt为基础的改进网络，增强特征提取的SA-ConvNeXt、增强重要特征权重的E-ConvNeXt、结合两者的ES-ConvNeXt，测试数据集在增强前后对ES-ConvNeXt网络准确率的影响。使用ResNet34、ResNet50、GoogLeNet、Swin Transformer、DenseNet121和ConvNeXt网络，与ES-ConvNeXt模型识别效果进行比较。结果: SA-ConvNeXt和E-ConvNeXt准确率分别达到(95.14±0.42)%、(96.085±0.235)%，ES-ConvNeXt在增强后数据集测试的准确率达到(97.445±0.635)%，对单一树种识别准确率均超过93%，最高类别准确率达到99.79%，为最优方案。经数据增强后进行训练的模型与使用原始数据进行训练的模型相比，其验证集的准确率和损失值，无论是收敛速度还是最终稳定值都是最优。数据集相同时，使用ResNet34、ResNet50、GoogLeNet、Swin Transformer、DenseNet121和ConvNeXt网络的识别准确率，分别为92.74%、94.47%、90.52%、92.85%、70.38%、94.72%，均低于新改进模型ES-ConvNeXt（97.81%），进一步说明了改进后的ES-ConvNeXt模型的有效性。结论: 数据增强对模型准确率提升有效，在数据增强后的数据集上，改进后的ES-ConvNeXt模型与其他模型相比可以更加准确地完成树种分类任务，在不同树种上也有较好的泛化能力。

来源：2025年第2期

《林业科学》期刊编辑部

查看林业科学杂志2025年第2期