【论文笔记】使用叶脉形态模式及深度学习进行植物区分

地点：鉴主
时间：2017-1130
论文: Deep learning for plant identification using vein morphological patterns

摘要

该论文使用基于叶脉模式的深度卷积神经网络来解决植物识别的问题。本文主要分类三种类别的豆类: 白豆，红豆和黄豆。
对于 CNN 的介绍避免了手写特征解压器的使用，它是一个最佳性能比较的标准。（???）
此外，这个深度学习实现了对提及的基准(Pipeline) 准确率的较大提升。通过增加网络深度，该论文达到了预期准确率。最终，通过使用简单的可视化工具分析结果模型，改论文能够展示相关叶脉模式的秘密。

主要工作

现有的植物识别主要有三种： 1. 介于叶子形状 2. 基于形状和纹理 3. 基于颜色和纹理。
** 现在，越来越多的研究将叶脉形态模式看作叶片的指纹 **

基本处理流程

数据处理流程:

1. 叶脉分割：首先使用 Hit 或者 Miss 转换来提取叶脉形态模式，转换的输出是一个二进制图像，因此它消除了颜色信息。
2. 中央块 (Patch) 解压: 截取整个二进制图像的中央块 (100 * 100 pxl)，舍弃其他部分。目的是为了较少叶片形状造成的影响。
3. 叶脉测量: 此阶段，通过 LEAF GUI 的帮助可以解压出所有有用的特征集。这个集合包括了各种特征，例如叶脉的总数，节点的总数，叶脉平均的宽度等等。
4. 分类： 测试三种不同的机器学习算法： SVM（支持向量机），PDA（Penalized Discriminant Analysis）和 随机森林算法。这些算法使用上一步产生的特征进行训练。

整个处理流程中有两个值得关注的地方。首先，为了标注出不同等级的叶脉细节，Larese 等人使用的 UHMT 获取了叶子图像的不同大小版本。分别为 100%， 80% 和 60% 大小。处理过的图片会恢复原始大小。其次，只有第三步需要相关知识。

不同的叶子叶脉具有不同的热力图特征 不同叶子叶脉的区别

原文（GB/T 7714）

Grinblat G L, Uzal L C, Larese M G, et al. Deep learning for plant identification using vein morphological patterns[J]. Computers and Electronics in Agriculture, 2016, 127: 418-424.