中文引用格式： 丁鋆，徐愛(ài)俊，吳小芬，等. 基于多特征融合和知識(shí)蒸餾的亞熱帶常見(jiàn)喬木識(shí)別方法[J]. 電子技術(shù)應(yīng)用，2024，50(8)：1-9.
英文引用格式： Ding Yun，Xu Aijun，Wu Xiaofen，et al. Common arbor identification method in subtropics based on multiple features fusion and knowledge distillation[J]. Application of Electronic Technique，2024，50(8)：1-9.
引言
亞熱帶地區(qū)處于熱帶和溫帶之間，氣候和地理特征獨(dú)特，為喬木、灌木、草本植物以及濕地植被等多種植物提供了適宜的生存條件，形成了復(fù)雜多樣的植被環(huán)境[1-3]。喬木作為生態(tài)系統(tǒng)中的關(guān)鍵組成部分，其信息的準(zhǔn)確獲取對(duì)于珍稀瀕危樹(shù)木的保護(hù)和管理、木材資源的高效生產(chǎn)利用、亞熱帶地區(qū)生態(tài)系統(tǒng)健康的監(jiān)測(cè)和分析都至關(guān)重要。因此，如何在復(fù)雜環(huán)境下準(zhǔn)確識(shí)別喬木種類(lèi)成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。
傳統(tǒng)的樹(shù)種識(shí)別主要依靠相關(guān)領(lǐng)域?qū)＜矣^察樹(shù)木部分器官的形狀、顏色、紋理等特征來(lái)完成，該方法主觀性強(qiáng)且效率較低，不適于大量樹(shù)木的識(shí)別。隨著計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)的發(fā)展，樹(shù)種分類(lèi)和識(shí)別方法取得了很大的進(jìn)展，部分研究者利用圖像處理提取樹(shù)木顏色、紋理、邊緣、形狀等信息進(jìn)而完成樹(shù)種識(shí)別[4-6]，盡管分類(lèi)效果較好，但該方法需要人工選擇特征，復(fù)雜的預(yù)處理過(guò)程增加了時(shí)間成本，降低了實(shí)用性。
近年來(lái)，深度學(xué)習(xí)技術(shù)在農(nóng)林領(lǐng)域的應(yīng)用日益增多，不少?lài)?guó)內(nèi)外學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）用于樹(shù)種識(shí)別[7-10]。朱良寬等[11]利用深度卷積生成式對(duì)抗網(wǎng)絡(luò)（Deep Convolutional Generative Adversarial Networks, DCGAN）擴(kuò)充15種葉片圖像，通過(guò)遷移學(xué)習(xí)訓(xùn)練Inception V3網(wǎng)絡(luò)后識(shí)別準(zhǔn)確率為0.965 7，但圖片選取局限于簡(jiǎn)單背景，無(wú)法評(píng)估模型在復(fù)雜背景下的識(shí)別性能。劉嘉政等[12]設(shè)計(jì)3路并列CNN，融合RGB、H通道和局部二值模式（Local Binary Pattern, LBP）特征后，對(duì)6種常見(jiàn)樹(shù)種的樹(shù)皮紋理圖像識(shí)別準(zhǔn)確率為0.935 0，高于單一特征識(shí)別率，但樹(shù)皮圖像特征較為明顯易于區(qū)分。Cui等[13]使用ConvNeXt網(wǎng)絡(luò)的3種規(guī)格（ConvNeXt-Small、Base和Tiny）識(shí)別BarkNetV2數(shù)據(jù)集中的33種樹(shù)皮圖像，準(zhǔn)確率較高，分別為0.976 1、0.975 8和0.972 9，但參數(shù)量較大，其中參數(shù)量最小的Tiny網(wǎng)絡(luò)達(dá)到了28.59 M。上述研究證實(shí)了深度學(xué)習(xí)在樹(shù)種識(shí)別上的可行性，也取得了較好的效果，但普遍存在選取的樹(shù)木種類(lèi)較少、部分?jǐn)?shù)據(jù)集背景單一特征明顯以及改進(jìn)的網(wǎng)絡(luò)模型參數(shù)量較大等問(wèn)題。
為準(zhǔn)確識(shí)別復(fù)雜背景下特征不明顯的遠(yuǎn)距離喬木，本文提出了一種多特征融合的亞熱帶常見(jiàn)喬木識(shí)別模型MFFMN-KD-TA（Multiple Features Fusion MobileNetV3_Small complemented by Knowledge Distillation and Triplet Attention），模型將3個(gè)MobileNetV3_Small主干網(wǎng)絡(luò)融合為MFFMN模型，分別提取樹(shù)葉、樹(shù)干和樹(shù)木整體特征；再引入知識(shí)蒸餾策略，以3個(gè)ResNet50構(gòu)建的3-ResNet50融合模型作為教師網(wǎng)絡(luò)指導(dǎo)MFFMN訓(xùn)練，最終將蒸餾得到的MFFMN-KD模型與Triplet Attention注意力機(jī)制相結(jié)合，實(shí)現(xiàn)了自然環(huán)境下遠(yuǎn)距離喬木的準(zhǔn)確識(shí)別。
本文詳細(xì)內(nèi)容請(qǐng)下載：
http://www.shi-ke.cn/resource/share/2000006113
作者信息：
丁鋆1，2，3，徐愛(ài)俊1，2，3，吳小芬4，周素茵1，2，3
（1.浙江農(nóng)林大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，浙江 杭州 311300；
2.浙江農(nóng)林大學(xué) 浙江省林業(yè)智能監(jiān)測(cè)與信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 311300；
3.浙江農(nóng)林大學(xué) 林業(yè)感知技術(shù)與智能裝備國(guó)家林業(yè)與草原局重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 311300；
4.杭州市臨安區(qū)農(nóng)村水務(wù)資產(chǎn)經(jīng)營(yíng)有限公司，浙江 杭州 311300）
