摘 要：【目的】基于UAV和CNN ResNet 18参数调节的伊犁绢蒿荒漠草地植物识别性能分析。【方法】以集中分布在新疆且受退化威胁较大的伊犁绢蒿（Seriphidium transiliense）荒漠草地为对象，利用低空无人机遥感平台搭载多光谱成像仪采集该草地地物信息，选择卷积神经网络（Convolutional Neural Networks，CNN）ResNet 18模型，设置40轮和80轮的2组训练轮数，8、16、32、64的4组批量规模，0.01、0.005、0.001、0.000 5、0.000 1的5组学习率3类超参数，对比分析不同参数设置下的模型分类性能，探究适合伊犁绢蒿荒漠草地群落主要物种识别的最佳参数组合。【结果】初始模型超参数设置为训练轮数40轮、批量规模8、学习率0.001时，伊犁绢蒿群落总体分类精度为83.65%，伊犁绢蒿种群分类精度为84.21%，角果藜（Ceratocarpus arenarius）种群精度为81.15%；通过调节模型超参数（超参数设置为练轮数40轮、批量规模32、学习率0.000 5），伊犁绢蒿群落总体分类精度为83.73%，伊犁绢蒿种群精度为89.18%，角果藜种群精度为83.78%，较初始模型分别提高了0.08%、4.97%和2.63%。【结论】通过调节超参数可获得精度高、耗时短、性能稳定的伊犁绢蒿荒漠草地植物识别模型。
关键词：伊犁绢蒿；无人机遥感；深度学习；ResNet 18；识别
中图分类号：S812 文献标志码：A 文章编号：1001-4330（2024）10-2547-10
收稿日期（Received）：2024-03-11
基金项目：国家自然科学基金项目（31960360）
作者简介：秦叶康阳（2001-），男，江苏沛县人，本科，研究方向为草业科学，（E-mail）2095782457@qq.com
通讯作者：靳瑰丽（1979-），女，河南兰考人，教授，博士，硕士生导师，研究方向为草地资源与生态，（E-mail）jguili@126.com
0 引 言
【研究意义】伊犁绢蒿荒漠草地具有明显的植被低矮、覆盖度低等荒漠草地群落空间分布特征，且与裸土相间分布，给遥感识别带来一定的难度。卷积神经网络（Convolutional Neural Networks，CNN）ResNet 18模型具有对图像深层特征信息的提取以及对大数据量样本的学习潜力。通过对模型内部超参数调节，能够提高模型分类性能，将其用于无人机（Unnanned aerial vehicle，UAV）遥感影像能实现对地物精确分类。通过前期研究结果的归纳与总结显示，利用遥感图像信息结合机器视觉识别方式的高时效性已得到证实，且由于遥感数据具有特征维度高、数据量大的特点，采用传统机器学习（Machine Learning，ML）模型会因人工特征提取而导致识别结果会受到主观影响，因此对于草地地物等细小地物的识别，有文献开始选择深度学习（Deep Learning，DL）方法进行识别研究。【前人研究进展】前人通过利用遥感技术辅以计算机信息处理结合人工调查的方式进行该类草地植物遥感识别［1-5］，其中马建等［5］尝试基于无人机（Unmanned Aerial Vehicle，UAV）多光谱数据并结合卷积神经网络（Convolutional Neural Networks，CNN）和支持向量机（Support Vector Machine，SVM）两类分类方法对伊犁绢蒿荒漠草地中伊犁绢蒿（Seriphidium transiliense）、角果藜（Ceratocarpus arenarius）和裸地3类地物进行识别，CNN模型的识别精度达到83.65%。CNN算法具有对图像深层特征信息提取以及对大数据量样本的学习潜力［6］，是图像识别领域中常见的一类模型。随着CNN的发展，各种利用卷积算法原理的模型应运而生，如LeNet 5、AlexNet、VGGNet（Visual Geometry Group）、Google Inceptionn Net和ResNet等，其中ResNet 18是一类通过引入残差模块解决深度学习网络退化问题的模型，该模型具有更深的网络层次，并基本解决由此而引发的梯度消失和梯度爆炸等问题，能够有效提升模型识别精度［7］。无人机因其操作的灵活性和图像数据处理的高时效性，将两者结合有望于实现对草地植物的精细识别。在CNN应用于图像识别的具体研究中还发现通过调节模型参数，选择最佳模型参数，合理优化模型，从而能够提升模型识别精度［8-9］。如汪传建等［10］基于无人机可见光及多光谱成像系统并在7月进行野外数据采集，并结合CNN，通过参数优化调整后的卷积神经网络模型识别，结果表明，改进后的模型可以有效提高识别精度，对3种农作物的总体识别精度达97.75%。徐信罗等［11］基于Faster R-CNN对松材线虫病害木的识别，通过对模型锚框尺寸的调节，明显提升了模型的识别总体精度，由75.64%提升至82.42%。王圆等［9］基于低空无人机遥感平台搭载高光谱成像系统对内蒙古典型荒漠草地中植被、裸地和标记物3类地物进行分类识别，通过对模型内部超参数调节，最终优化模型分类精度可达99.75%。张燕斌等［8］基于无人机高光谱遥感系统采集内蒙古荒漠草原地物信息，结合3D-ResNet分类模型，通过设置不同的卷积核数量对比分析其分类性能，模型优化后最终分类精度为97.73%，相比于原始模型有所提升。【本研究切入点】有关通过对卷积神经网络模型内部超参数的设置调整可以提高模型的分类精度的文献尚较少。需基于调节ResNet 18模型超参数，分析有效提升荒漠草地地物分类精度高、性能稳定的识别模型。【拟解决的关键问题】基于前人研究，选择适于伊犁绢蒿荒漠草地最佳监测物候期和飞行高度，调节卷积神经网络ResNet 18模型训练轮数、批量规模和学习率3类超参数，对比其分类性能，获得识别精度高、性能稳定的适于伊犁绢蒿荒漠草地主要植物形态特征和空间分布特征的识别模型。
1 材料与方法
1.1 材 料
1.1.1 研究区概况
研究区位于新疆乌鲁木齐市米东区柏杨河乡（87°52′59″～87°55′13″E，44°00′16″～44°01′20″N），属于温带大陆性荒漠气候，夏季干旱少雨，冬季寒冷干旱，年均降水量200 mm。该地区具有典型的荒漠草地植被空间分布特征。植被低矮稀疏呈零星化分布，其优势种为伊犁绢蒿，亚优势种为角果藜。
1.1.2 伊犁绢蒿
根据2021年荒漠草地气候及植被生长差异特征和前期草地植物识别工作的研究进展可知［5］，春季4月下旬伊犁绢蒿处于返青期，叶片生长较快，对光谱的反射率吸收值增加；此时角果藜处于苗期，植被矮小。选择植株差异较大的时期进行识别，能够显著提高识别精度。参照前期野外调查数据，选择伊犁绢蒿荒漠草地群落和群落内优势种群伊犁绢蒿作为主要识别对象，角果藜和裸地同作为识别对象进行数据佐证。
1.2 方 法
通过人工踏查，在研究区内共布设3条样带，样带间隔约250 m。在每条样带内分别设置5个50 m × 50 m的样地，样地间隔50 m，共计15个；根据高光谱仪器的视场范围，在样地内按照十字交叉法布设5个0.5 m × 0.6 m的样方，共计75个。无人机多光谱和地面高光谱数据同时采集。图1
1.3 数据处理
1.3.1 样方图像
使用大疆精灵4多光谱版无人机（Phantom 4 Multispectral）采集数据。该无人机是一体式多光谱成像系统的航测无人机，集成了1个可见光相机和5个多光谱相机，分别有5个光谱范围：蓝（Blue）434～466 nm；绿（Green）544～576 nm；红（Red）634～666 nm；红边（Red Edge）714～746 nm；近红外（NIR）824～866 nm。
选择晴朗无云的天气采集数据。无人机沿样带方向进行飞行拍摄，飞行高度15 m，飞行速度1.0 m/s，拍照模式为等时间拍照，拍照间2.0 s，航向重叠率75%，旁向重叠率75%。图2
使用大疆智图对获取的无人机影像进行影像的畸变校正、辐射校正和拼接，得到5幅单波段图像。通过人工目视解译检查图像质量，剔除因阵风引起变形的图像。利用MATLAB 2023a和ENVI 5.3软件在无人机影像中标注识别对象，生成训练样本数据。
1.3.2 特征波段筛选
选择最佳指数因子法筛选特征波段。将无人机多光谱成像系统中的5个波段每选3个波段为1组，计算该10种组合的OIF，选择OIF值最大的一组波段作为最佳特征波段组合。OIF计算公式为［12］：
OIF=∑ni=1Si∑ni=1∑nj=1Rij.（1）
式中，OIF为最佳指数因子，为第i个波段的标准差，表示i，j两波段的相关系数且取绝对值，n为在所有波段中选取的波段数。
1.3.3 ResNet 18模型的构建
CNN ResNet 18模型是CNN模型中用于解决深度网络退化问题而研究出的新型模型［13］，引入了残差学习单元［14］，并且通过对模型超参数的选择和调节能够有效的选择适用于不同研究对象的稳定模型结构，进一步达到满意的识别结果。
构建基于多光谱图像采集系统的CNN模型，所采集的图像经特征波段选择后依据样方大小对影像进行裁剪，裁剪成224×224像素大小进行训练，研究样本总量为696，其中训练集为557，验证集为70，测试集为69。
主要调节的超参数有训练轮数：40轮、80轮；批量规模：8、16、32、64和学习率：0.1、0.01、0.005、0.001、0.000 5、0.000 1，其中学习率选择在正式训练开始前对学习率设置为0.1进行预测试，模型训练效果不佳，无法收敛且运行耗时过长，因此不选择学习率0.1作为参数设置组调试。
其中，初始模型参数的设置为：学习率0.001，批量规模8，训练轮数40轮，经过5层卷积和5层池化后，经2层全连接层后输出［7］。在初始模型设置的超参数组合基础上，以分步调节超参数的方式，按训练轮数、批量规模和学习率的顺序调节，每一组超参数的设置都是基于初始模型中其他2类超参数不变的条件下进行调试，通过对比分析不同超参数设置下的模型识别性能，筛选识别模型性能稳定、精度高和耗时较短的模型超参数组合。表1
1.3.4 精度评价
采用测试准确率和总体分类精度（Overall accuracy，OA）作为精度评价指标，对分类结果进行分析并评价模型性能［15］。其中，总体分类精度计算公式为：
OA=∑ni=1NiiN.（2）
式中，N代表总样本数，k为总类别数，Nii为被分到正确类别的样本数。
2 结果与分析
2.1 初始模型分类可视化准确率
研究表明，初始模型训练轮数为40、批量规模为8、学习率为0.001，总体分类精度为83.65%，其中，伊犁绢蒿测试准确率为84.21%，角果藜的为81.15%，裸地的为86.41%。图3
2.2 模型的超参数优化
2.2.1 不同训练轮数对识别的影响
研究表明，在初始模型其他参数不变条件下，设置训练轮数为40轮和80轮进行训练得到不同训练轮数的的识别精度。随训练轮数增加，准确率在前3轮上升较快，测试集在5轮时精度就已经超过78%，训练进行10轮收敛后准确率一直维持在77%～81%，模型在训练轮数为40轮时总体分类精度为83.65%，伊犁绢蒿识别精度为84.21%，角果藜和裸地的识别精度分别为81.15%和86.41%，模型精度变化曲线已达到稳定状态。当训练轮数设置为80轮时，模型总体分类精度为82.51%，伊犁绢蒿和角果藜的识别精度均低于40轮时的精度。之后的训练中选择固定的训练轮数40轮。表2，图4
2.2.2 不同批量规模对识别的影响
研究表明，在选择训练轮数为40轮的条件下，选取批量规模依次为8、16、32和64，对比模型在不同批量规模条件下的识别精度。在保持学习率为0.001的条件下，不同批量规模的总体分类精度以及各类目标分类精度相对较为稳定。其中伊犁绢蒿的分类精度在批量规模16时精度最高，随批量规模的增加呈先增加后下降的趋势；角果藜的分类精度在批量规模64时精度最高，随批量规模的增加呈增加趋势；裸地的分类精度在批量规模8时精度最高，随批量规模的增加呈高-低-高-低的趋势。选择在4组批量规模中总体分类精度最高的一组批量规模值32作为优化模型的批量规模。表3，图5
2.2.3 不同学习率对识别的影响
研究表明，在其他初始模型参数不变的条件下，通过改变学习率来测试模型的识别表现，学习率分别设置为0.01、0.005、0.001、0.000 5和0.000 1，整体表现为模型总体分类精度随学习率降低呈逐渐上升的趋势。当学习率由0.01调整至0.000 1时，其模型识别精度增加，总体分类精度由81.29%提升至85.12%，且整体模型性能较好；当学习率由0.000 5不断调整至0.000 1时，其模型总体分类精度变化不显著，精度由82.40%提升至84.26%，角果藜识别精度由79.33%提升至86.12%，伊犁绢蒿识别精度由86.42%下降至84.21%。表4，图6
学习率为0.000 5和0.000 1时模型曲线平滑，拟合效果最佳，在前15轮内达到了83%～84%，接近最终分类精度。其中学习率为0.000 1时的伊犁绢蒿分类精度相比于学习率为0.000 5时下降了8.29%，而总体分类精度虽相比于学习率为0.000 5时提升了0.86%，学习率为0.000 5时模型性能稍优于学习率为0.000 1时的模型性能。因此，选择学习率0.000 5作为优化模型的超参数。表5，图7
2.3 模型优化及识别精度
研究表明，选择设置训练轮数为40轮，批量规模为32，学习率为0.000 5时为最终优化模型的超参数。在此设置下的模型总体分类精度（OA）为83.73%，伊犁绢蒿的测试准确率为89.18%，角果藜的测试准确率为83.78%，相比初始模型分别提高了0.08%、4.97%、2.63%，裸地的测试准确率为80.23%，相比初始模型降低了6.18%。图8，图9
3 讨 论
3.1 深度学习其原理上是模仿人类或动物的神经网络系统，使其学习模式被运用于机器之上，而基于机器学习的图像识别工作也区别与传统的人类肉眼识别，不会产生视觉疲劳，并且避免因主观因素而对识别结果产生的影响，因而可完成高效、长周期的识别工作［16］。ResNet 18模型作为深度学习中的代表模型，其被用于不同语境下的图像分类已经较为广泛［17-19］。研究从模型超参数调节来优化模型分类性能，使其在样本数量固定、系统运行条件固定和模型种类不变的条件下，仅通过改变模型超参数来揭示模型自身识别性能的差异。王圆和毕玉革［9］通过调整学习率、批量规模和训练轮数等超参数大小测试ResNet 18模型对内蒙古荒漠草地地物的分类性能，最终确定最优模型超参数组合，其研究方法和结果与试验研究相似，通过对不同超参数的调节，模型综合分类性能有所提升。
3.2 正确设置训练轮数可以避免因训练轮数过大造成无效训练时间增多，或者因训练轮数过少造成训练结果未达到收敛效果就结束。通过试验研究对模型参数调节后，经模型综合性能分析及评价可以发现通过模型超参数改变从而影响模型识别性能是多因素综合作用结果，其中训练轮数和批量规模是控制模型运行时间和处理效率的关键因素。较多文献［5， 8-9， 20］根据自己样本数量规模而选择合适的批量规模，与试验研究结果相似，均通过参数选择节约了模型运行时间，但试验研究对于选择8、16、32、64 4组批量规模发现对于模型分类性能尤其是识别精度并未随批量规模增大而得到改善，原因是由于试验样本数量过少，无法满足较大批量规模的迭代训练，因此试验研究相较于其他使用深度学习方法的研究有一定的差距，在之后应考虑扩充图像样本数量。
3.3 研究调节学习率的过程中，参照常规的学习率调节方式：初始模型设置单一学习率梯度衰减［5， 20-21］和调节组设置多组学习率（常见的参数设置范围内选择）［9］，且试验研究分析对于学习率设置为0.1时的模型运行结果，出现模型训练极不稳定、无法完成收敛和耗时过长等现象，因此在调试学习率时不选择学习率0.1作为参数设置组进行试验，研究结果表明通过学习率调节可以提升模型对荒漠草地植物识别性能。梁俊欢等［21］基于Faster-RCNN模型对白喉乌头（Aconitum leucostomum）进行识别，通过对锚框尺寸和学习率的调节改进模型识别效果，通过调整学习率，学习率增大反而识别精度最优，与试验研究结果相反，研究调节学习率随学习率的减小整体模型综合性能均有所提升，得到了较好的模型识别效果；张燕斌等［8］基于CNN 3D-ResNet 18模型荒漠草原地物识别中选择学习率与试验研究最终优化模型学习率参数均为0.0005，且均得到了较好的识别效果；马永建［22］、王青青等［23］研究结果与本研究相同，均通过调整学习率大小而改善模型的收敛效果、提升了识别精度。研究基于初始模型参数组合的基础上对参数进行分步调试，通过评价模型综合性能以确定最终优化模型参数组合，最终研究结果表明基于CNN ResNet 18模型的超参数调节可有效提升模型识别性能。
4 结 论
基于CNN ResNet 18模型超参数调节，伊犁绢蒿和总体分类精度随训练轮数增加呈下降趋势，且耗时增加；通过调节批量规模，总体分类精度在批量规模为32时达到最佳；随着设置学习率的减小，总体分类精度逐渐增大，并于学习率为0.000 5时模型分类性能达到最佳。最优模型超参数组合为训练轮数为40轮、批量规模为32、学习率为0.000 5时模型的分类结果最优，其总体分类精度为83.73%，伊犁绢蒿精度为89.18%，较初始模型均有所提升，模型运行稳定，耗时最少。
参考文献（References）
［1］靳瑰丽， 魏秀红， 范燕敏， 等. 退化伊犁绢蒿荒漠草地群落特征与地面光谱反射率相关性分析［J］. 草地学报， 2017， 25（2）： 282-289.
JIN Guili， WEI Xiuhong， FAN Yanmin， et al. Correlation between community characteristics and spectral reflectance of the ground on degradedSeriphidium transiliense desert grassland［J］. Acta Agrestia Sinica， 2017， 25（2）： 282-289.
［2］ 武红旗， 范燕敏， 靳瑰丽， 等. 伊犁绢蒿荒漠草地植物光谱特征［J］. 草业科学， 2019， 36（7）： 1765-1773.
WU Hongqi， FAN Yanmin， JIN Guili， et al. Spectral characteristics of main plant inSeriphidium transiliense desert grassland［J］. Pratacultural Science， 2019， 36（7）： 1765-1773.
［3］ 韩万强， 靳瑰丽， 岳永寰， 等. 基于高光谱成像技术的伊犁绢蒿荒漠草地主要植物识别参数的筛选［J］. 草地学报， 2020， 28（4）： 1153-1163.
HAN Wanqiang， JIN Guili， YUE Yonghuan， et al. Screening of identification parameters of main plants onSeriphidium transiliense desert frassland based on hyperspectral imaging technology［J］. Acta Agrestia Sinica， 2020， 28（4）： 1153-1163.
［4］ 杨红艳， 杜健民， 王圆， 等. 基于无人机遥感与卷积神经网络的草原物种分类方法［J］. 农业机械学报， 2019， 50（4）： 188-195.
YANG Hongyan， DU Jianmin， WANG Yuan， et al. Classification method of grassland species based on unmanned aerial vehicle remote sensing and convolutional neural network［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（4）： 188-195.
［5］ 马建， 刘文昊， 靳瑰丽， 等. 基于CNN和SVM的无人机多光谱遥感草地植物识别［J］. 草地学报， 2022， 30（11）： 3165-3174.
MA Jian， LIU Wenhao， JIN Guili， et al. Identification of grassland plants by UAV multispectral remote sensing based on CNN and SVM［J］. Acta Agrestia Sinica， 2022， 30（11）： 3165-3174.
［6］ 卢宏涛， 张秦川. 深度卷积神经网络在计算机视觉中的应用研究综述［J］. 数据采集与处理， 2016， 31（1）： 1-17.
LU Hongtao， ZHANG Qinchuan. Applications of deep convolutional neural network in computer vision［J］. Journal of Data Acquisition and Processing， 2016， 31（1）： 1-17.
［7］ He K M， Zhang X Y， Ren S Q， et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas， NV， USA. IEEE， 2016： 770-778.
［8］ 张燕斌， 杜健民， 王圆， 等. 基于无人机高光谱遥感和3D-ResNet的荒漠草原地物分类［J］. 中国农机化学报， 2022， 43（4）： 66-73.
ZHANG Yanbin， DU Jianmin， WANG Yuan， et al. Terrain classification in desert steppe based on UAV hyperspectral remote sensing and 3D-ResNet［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（4）： 66-73.
［9］ 王圆， 毕玉革. 基于无人机高光谱的荒漠草原地物精简学习分类模型［J］. 农业机械学报， 2022， 53（11）： 236-243.
WANG Yuan， BI Yuge. Simplified learning classification model based on UAV hyperspectral remote sensing for desert steppe terrain［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（11）： 236-243.
［10］ 汪传建， 赵庆展， 马永建， 等. 基于卷积神经网络的无人机遥感农作物分类［J］. 农业机械学报， 2019， 50（11）： 161-168.
WANG Chuanjian， ZHAO Qingzhan， MA Yongjian， et al. Crop identification of drone remote sensing based on convolutional neural network［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（11）： 161-168.
［11］ 徐信罗， 陶欢， 李存军， 等. 基于Faster R-CNN的松材线虫病受害木识别与定位［J］. 农业机械学报， 2020， 51（7）： 228-236.
XU Xinluo， TAO Huan， LI Cunjun， et al. Detection and location of pine wilt disease induced dead pine trees based on faster R-CNN［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（7）： 228-236.
［12］ Ghiyamat A， Shafri H Z M， Amouzad Mahdiraji G， et al. Hyperspectral discrimination of tree species with different classifications using single- and multiple-endmember［J］. International Journal of Applied Earth Observation and Geoinformation， 2013， 23： 177-191.
［13］ 史冰莹， 李佳琦， 张磊， 等. 基于CNN的农作物病虫害图像识别模型［J］. 计算机系统应用， 2020， 29（6）： 89-96.
SHI Bingying， LI Jiaqi， ZHANG Lei， et al. Recognition model of crop pests and diseases images based on CNN［J］. Computer Systems amp; Applications， 2020， 29（6）： 89-96.
［14］ Arun P V， Buddhiraju K M， Porwal A， et al. CNN based spectral super-resolution of remote sensing images［J］. Signal Processing， 2020， 169： 107394.
［15］ 李恒凯， 王利娟， 肖松松. 基于多源数据的南方丘陵山地土地利用随机森林分类［J］. 农业工程学报， 2021， 37（7）： 244-251.
LI Hengkai， WANG Lijuan， XIAO Songsong. Random forest classification of land use in hilly and mountaineous areas of Southern China using multi-source remote sensing data［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（7）： 244-251.
［16］ 陈之射， 尹芳晔. 机器视觉和人工智能的现代化发展分析［J］. 中国新通信， 2023， 25（2）： 36-38.
CHEN Zhishe， YIN Fangye. Analysis of modern development of machine vision and artificial intelligence［J］. China New Telecommunications， 2023， 25（2）： 36-38.
［17］ 张文景， 蒋泽中， 秦立峰. 基于弱监督下改进的CBAM-ResNet18模型识别苹果多种叶部病害［J］. 智慧农业（中英文）， 2023， 5（1）： 111-121.
ZHANG Wenjing， JIANG Zezhong， QIN Lifeng. Identifying multiple apple leaf diseases based on the improved CBAM-ResNet18 model under weak supervision［J］. Smart Agriculture， 2023， 5（1）： 111-121.
［18］ 姜红花， 杨祥海， 丁睿柔， 等. 基于改进ResNet18的苹果叶部病害多分类算法研究［J］. 农业机械学报， 2023， 54（4）： 295-303.
JIANG Honghua， YANG Xianghai， DING Ruirou， et al. Identification of apple leaf diseases based on improved ResNet18［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（4）： 295-303.
［19］ 牛智有， 于重洋， 吴志陶， 等. 基于改进ResNet18模型的饲料原料种类识别方法［J］. 农业机械学报， 2023， 54（2）： 378-385， 402.
NIU Zhiyou， YU Chongyang， WU Zhitao， et al. Identification of feed raw material type based on improved ResNet18 model［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（2）： 378-385， 402.
［20］ 高宏元， 高新华， 冯琦胜， 等. 基于深度学习的天然草地植物物种识别方法［J］. 草业科学， 2020， 37（9）： 1931-1939.
GAO Hongyuan， GAO Xinhua， FENG Qisheng， et al. Approach to plant species identification in natural grasslands based on deep learning［J］. Pratacultural Science， 2020， 37（9）： 1931-1939.
［21］ 梁俊欢， 董峦， 孙宗玖， 等. 基于改进Faster-RCNN模型的无人机影像白喉乌头物种的检测［J］. 新疆农业大学学报， 2022， 45（4）： 323-329.
LIANG Junhuan， DONG Luan， SUN Zongjiu， et al. Detection ofAconitum leucostomum species in UAV images based on improved faster-RCNN model［J］. Journal of Xinjiang Agricultural University， 2022， 45（4）： 323-329.
［22］ 马永建. 基于CNN的高分辨率遥感影像典型农作物分类方法研究［D］. 石河子： 石河子大学， 2020.
MA Yongjian. Study on Typical Crops Classification with High-resolution Remote Sensing Images Based on CNN［D］. Shihezi： Shihezi University， 2020.
［23］ 王青青， 董能峰， 杨怡， 等. 基于图像处理和深度学习的中药材鉴别关键技术［J］. 自动化与仪器仪表， 2023，（1）： 30-35.
WANG Qingqing， DONG Nengfeng， YANG Yi， et al. Key TCM identification techniques based on image processing and deep learning［J］. Automation amp; Instrumentation， 2023，（1）： 30-35.
Identification of main plants in desert grassland Seriphidium transiliense based on UAV remote sensing and CNN ResNet 18
QIN Yekangyang， LI Jiaxin， JIN Guili， LIU Wenhao， MA Jian， LI Wenxiong， CHEN Mentian
（Xinjiang Key Laboratory of Grassland Resources and Ecology/Key Laboratory of Grassland Resources and Ecology of Western Arid Region， Ministry of Education/College of Grassland Science， Xinjiang Agricultural University， Urumqi 830052， China）
Abstract：【Objective】 Identification of main plants in desert grassland Seriphidium transiliense based on UAV remote sensing and CNN ResNet 18.【Methods】 In this paper， the Seriphidium transiliense desert grassland， which was concentrated in Xinjiang and at the forefront of degradation， was taken as the research object. The low-altitude UAV remote sensing platform was equipped with a multispectral imager to collect grassland feature information. The ResNet 18 classical model in the deep learning model was selected， too. By setting two groups of training rounds of 40 rounds and 80 rounds， four groups of batch sizes of 8， 16， 32， 64 and five groups of learning rates of 0.01， 0.005， 0.001， 0.000，5， 0.000，1， the model classification performances under different parameter settings were compared and analyzed in order to explore the best parameters for the identification of main species in S. transiliense desert grassland community.【Results】 The results showed that the overall classification accuracy of S. transiliense community was 83.65% and the classification accuracy of S. transiliense population was 84.21% and the population accuracy of arenarius was 81.15%， when the initial model hyper-parameter was set to 40 training rounds， 8 batch sizes and 0.001 learning rate. By adjusting the model hyper-parameters （the hyper-parameters were set to 40 rounds， the batch size was 32， and the learning rate was 0.0005）， the overall classification accuracy of S. transiliense community was 83.73% and the population accuracy of arenarius was 83.78%， and the population accuracy of S. transiliense was 89.18%， which was 0.08% and 4.97% higher than the initial model， respectively.【Conclusion】 The finding shows that the identification model with high precision， short time and stable performance can be obtained by adjusting the hyper-parameters.
Key words：Seriphidium transiliense; UAV remote sensing; deep learning; ResNet 18; identification
Fund project：Project of National Natural Science Foundation of China （31960360）
Correspondence author：JIN Guili （1979-）， female， from Lankao，Henan，professor， marster supervisor，Ph.D.， research direction：grassland resources and ecology， （E-mail） jguili@126.com
