Volume 4,Issue 9
多肉植物识别数据集构建与应用研究
现实常见的多肉植物不但品种繁杂，而且形态相近，并且外观易受外界环境等因素影响而发生变异，通过人工识别方式低效且精度差，现有深度学习模型存在优质数据不足而泛化能力弱等问题。本文针对多肉植物数据瓶颈问题，构建SPRD 多肉植物数据集，通过采集、预处理、标注、质检与数据增强全流程，提出三级标注方案，用 StyleGAN3 解决罕见样本稀缺问题。将 SPRD 用于三类主流深度学习模型测试，结果显示识别准确率得到显著提升；生成式增强技术使罕见品种准确率平均提升15.7%。
[1] 杨伽飞, 郝转. 多肉植物的特点及应用价值研究进展[J]. 现代园艺, 2020(19):112-114.
[2] 胡莹冰, 沈守云. 多肉植物的景观应用及发展趋势[J]. 广东农业科学, 2013, 40(12):46-48.
[3] 贝哲斯咨询. 全球及中国多肉植物行业：2023 年市场供需现状与发展前景分析报告[R]. 长沙: 湖南贝哲斯信息咨询有限公司, 2023.
[4] 王永财, 万华伟, 高吉喜. 基于深度学习的我国北方常见天然草地植物识别[J]. 生物多样性, 2024, 32(7):56-65.
[5] 袁敏, 李翔, 张磊. 细粒度植物种子识别数据集构建与应用[J]. 农业大数据学报, 2024, 6(2):45-53.
[6] 陈艺荃, 罗远华, 吴建设. 景天科多肉植物品种资源评价体系构建及应用[J]. 福建农业学报, 2024, 39(3):320-329.
[7] 宋琰, 杨兰海, 杜忠友. 深度学习在多肉植物图像识别中的应用进展[J]. 计算机工程与应用, 2023, 59(18):1-8.
[8] 李昊, 孙文博. 小样本植物图像数据增强方法研究[J]. 智能计算机与应用, 2023, 13(5):78-83.