新疆地處高原，擁有很多一部分的荒漠地帶，降水稀少、植物稀疏，有半喬木、灌木、半灌木、小半灌木等植物?；哪参锏臏蚀_識別是其認識和保護過程中不可或缺的任務，是荒漠生態(tài)研究與保護的基礎。

自然條件下野外荒漠植物圖像的機器視覺自動分類識別可有效提升植物資源調查效率、降低人為主觀因素影響，對荒漠植物的精準分類、多樣性保護和資源化利用具有重要意義。為了提示對荒漠植物的識別精準度，新疆農(nóng)業(yè)大學計算機與信息工程學院攜手中國農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所、國家農(nóng)業(yè)科學數(shù)據(jù)中心，組成科研團隊，提出融合遷移學習和集成學習的自然背景下荒漠植物識別方法。

該方法以自然環(huán)境下的整株荒漠植物圖像為研究對象，構建新疆干旱區(qū)荒漠植物圖像數(shù)據(jù)集，以EfficientNet B0—B4網(wǎng)絡為基礎網(wǎng)絡，提出一種融合遷移學習和集成學習的荒漠植物圖像識別算法，并在公開數(shù)據(jù)集Oxford Flowers102上進行對比驗證。

基于EfficientNet B0網(wǎng)絡的單一子模型的Top-1準確率最高可達93.35%，最低為92.26%，軟投票Ensemble-Soft模型、硬投票Ensemble-Hard模型以及加權投票法集成的Ensemble-Weight模型的準確率分別為93.63%、93.55%和93.67%，F(xiàn)1 Score和準確率相當;基于EfficientNet B0—B4網(wǎng)絡的單一子模型的Top-1準確率最高可達96.65%，F(xiàn)1 Score為96.71%，而Ensemble-Soft模型、Ensemble-Hard模型以及Ensemble-Weight模型的準確率分別為99.07%、98.91%和99.23%，相較于單一子模型，精度進一步提高，F(xiàn)1 Score與準確率基本相同，模型性能顯著。

在公開數(shù)據(jù)集Oxford Flowers102上進行對比試驗，3個集成模型相比5個子模型準確率和F1 Score最高提升了4.56%和5.05%，最低也提升了1.94%和2.29%，證明了本研究提出的遷移和集成學習策略能夠有效提高模型性能。

該方法可提高荒漠植物的識別準確率，通過云端傳輸至服務器后，實現(xiàn)荒漠植物的準確識別，為真實野外環(huán)境下植物圖像識別精度低、模型魯棒性及泛化性弱等問題提供解決思路。服務于野外調查、教學科普以及科學實驗等場景。

審核編輯 黃宇