隨著全球經濟一體化的飛速發(fā)展，外來生物入侵已經成為與一個國家的經濟發(fā)展、生態(tài)安全、國際貿易與政治利益緊密關聯(lián)的重大科學問題，也是國際社會、各國政府、科學家與民眾共同關注的社會熱點。我國是世界上外來生物入侵危害最為嚴重的國家之一，在已報道的600多種外來入侵物種中占300多種，嚴重威脅著我國的生態(tài)安全和農林業(yè)生產甚至對人畜健康和軍事防衛(wèi)構成嚴重威脅。實現(xiàn)對入侵植物早期監(jiān)測預警和早期及時防治的一個重要的前提是實時識別入侵植物的種類。目前，入侵植物識別主要通過形態(tài)學分類鑒定和分子生物學鑒定等方法。其中，形態(tài)學識別方式主要依靠調查鑒定人積累的經驗，或者參考相關書籍和網絡資料進行判定，對于難以辨認的種類則需要專家鑒定。由于入侵植物種類繁多，且有些種類之間形態(tài)相似，種內也有可能出現(xiàn)變異或發(fā)育階段的可塑性形態(tài)變化。這些因素導致對入侵植物進行識別時容易出現(xiàn)誤判，調查監(jiān)測的實時性也很差;此外，由于專家人數(shù)有限和專業(yè)領域的差異等，也不可能隨時到現(xiàn)場對入侵植物進行識別。因此，亟須建立和開發(fā)一種入侵植物智能識別工具，為用戶提供便捷、高效、實時、準確的入侵植物識別診斷服務。

　　隨著圖像處理技術和機器學習理論的發(fā)展與應用，有很多學者開始利用植物葉片圖像來研究植物種類識別的方法s。首先通過圖像采集設備拍攝單張葉片圖像，然后進行葉片圖像的預處理和背景分割，提取和篩選葉片特征，主要包括全局特征中的顏色、形態(tài)和紋理特征，局部特征中的尺度不變特征變換(scale invariant feature transform)、方向梯度直方圖特征、局部二值模式、Gabor、基于主曲率的區(qū)域檢測器和多特征融合等，最后篩選出有效特征后訓練不同的分類器進行植物葉片的識別，分類器主要包括支持向量機、神經網絡、K最鄰近分類和稀疏表示分類器。

　　由于植物種類繁多，植物葉片存在種間變異和類間相似的現(xiàn)象，上述這種傳統(tǒng)的模式識別方法在自然環(huán)境下難以獲得高識別率，模型泛化能力差。近幾年，深度學習方法中的卷積神經網絡(CNN)在大規(guī)模圖像識別任務中表現(xiàn)出色，可以從圖像中自動提取成千上萬的特征用于識別圖像中的目標。已有學者將深度學習方法應用到植物種類識別中，建立卷積神經網絡模型，利用遷移學習方法，微調訓練好的模型參數(shù)，獲得了較高的識別率，這些研究結果為外來入侵植物智能識別提供了較好的理論支撐。隨著智能手機的日益普及，移動應用的開發(fā)呈現(xiàn)井噴態(tài)勢，這為實現(xiàn)便攜的外來入侵植物智能識別提供了良好的載體與環(huán)境。將深度學習與手機移動設備兩者結合實現(xiàn)移動端快速拍照、識別的應用越來越多，例如“形色”“識花”“花伴侶”等應用軟件，通過使用手機拍攝花朵或是植物圖像，進行實時智能識別，可以獲得較高的準確率，為植物和花卉愛好者提供了一個便捷的智能識別工具。本文利用安卓編程語言和深度學習方法建立了基于移動終端的外來入侵植物智能識別系統(tǒng)，實現(xiàn)客戶用手機拍攝未知植物，系統(tǒng)將自動識別結果實時反饋給用戶，并提供我國入侵植物信息、危害信息、防治方法和發(fā)生分布信息等信息的查詢功能。

　　1材料與方法

　　1.1系統(tǒng)設計

　　外來入侵植物智能識別系統(tǒng)是基于客戶端(cli-ent)/服務器(server)模式的應用開發(fā)，由手機客戶端APP、云端服務器和深度學習模型組成。用戶可通過客戶端APP拍照或者圖庫選取相冊中的入侵植物圖像，經預覽、裁剪等處理操作后上傳至云服務器，云服務器調用算法對圖像進行自動識別后再將結果反饋給客戶端，客戶也可通過遠程專家診斷功能進行在線咨詢。系統(tǒng)技術路線如圖1所示。

　　1.2試驗數(shù)據(jù)

　　本文的圖像數(shù)據(jù)一部分來自中國農業(yè)科學院植物保護研究所，一部分來自網絡圖片，共35科135種16 843幅入侵植物圖像，所有圖片經過專業(yè)人員鑒定。訓練集與測試集圖像樣本量按照4：1分配，其中13469幅圖像作為訓練集，3 374幅作為測試集。

　　1.3圖像數(shù)據(jù)增強

　　通過添加噪聲、增強亮度、增加對比度和旋轉等方法(圖2)對訓練圖像進行圖像數(shù)據(jù)增強，訓練集擴增到原來的5倍。

　　1.4基于DenseNet的入侵植物識別模型的建立與結果的評價

　　DenseNet模型的網絡結構主要由稠密塊dense block和過渡層transition layer組成(圖3)。在稠密塊中每層之間采用非線性組合函數(shù)BN+ReLU+3×3 conv的結構，過渡層包含卷積層和池化層。DenseNet采用密集連接機制和通過特征在channel上的連接來實現(xiàn)特征重用，這些特點讓DenseNet在參數(shù)和計算成本更少的情形下比ResNet具有更優(yōu)的性能。

　　利用識別率來評價模型對外來人侵植物的識別情況。

　　識別率一測試集中識別正確的圖像數(shù)/測試集中外來入侵植物圖像總數(shù)。

　　1.5基于Android的外來入侵植物識別系統(tǒng)APP的設計

　　在Android開發(fā)環(huán)境Android Srudio下實現(xiàn)入侵植物識別的客戶端APP，其核心功能包括用戶登錄、入侵植物信息查詢、入侵植物圖像采集和上傳、識別結果的反饋、入侵植物拍攝點的地理信息和專家遠程診斷等。

　　利用Material Design控件設計UI界面。用戶登錄模塊使用post請求攜帶用戶名和密碼等信息參數(shù)訪問服務器，服務器接受請求后返回回調信息。

　　利用ViewPager組件、RecyclerView自定義控件、SearchView和PhotoView圖片查看庫實現(xiàn)入侵植物信息查詢模塊。

　　利用百度提供的Android地圖SDK接口，通過使用GPS或網絡定位功能獲取手機當前位置，使用post請求攜帶位置信息訪問服務器數(shù)據(jù)庫，服務器接受請求后將附近的入侵植物信息以Json數(shù)據(jù)格式返回，客戶端解析后結合Glide圖片加載庫在地圖上提供實時的入侵植物位置信息，通過GPS距離換算可顯示入侵植物與用戶位置的距離。