基于DCANet的智能园林植物查询系统

何昌来，邓心阳，蔡绍硕（通信作者），徐 欢

（1中南民族大学计算机学院 湖北 武汉 430074）

（2青岛海纹智慧农业科技有限公司 山东 青岛 266001）

（3 武汉市金叶云景观科技有限公司 湖北 武汉 430074）

（4上海法青景观科技有限公司 上海 201699）

（5上海株山农业科技有限公司 上海 201699）

0 引言

园林艺术是一个城市的绿色气质，而植物则是将这种园林艺术贯彻到钢筋混凝土建筑环境中的细分模块。这种区别于石质建筑的特性还在于每一个植物都是一个鲜活的生命，不仅千姿百态，品质不同。随着社会的快速发展和国家政策对园林行业的大力支持，加之物联网技术的日渐成熟，人工智能逐渐走入人们绿化生活中。园林里的植物就是园林中的核心，园林中的各式植物，构成了园林美丽的风景。而且随着气候的变化和异常天气的出现，园林植物构建出环境生态，以及展现出来的城市景色也各不相同[1]。但是由于植物物种十分丰富且对气候依赖性较强，同时由于不同区域环境下的形态、类别和特性都各不相同，因此园林从业者在植物信息认知和环境选择应用中需要经过较为繁杂的培训和技术沉淀。虽然近些年为了加快这种培训与技术的掌握进程，出现了结合计算机技术的园林植物数据库来方便对植物信息进行查询检索，不但为园林从业者提供了工作方面的便利，也使植物知识迈向数字化[2]。但由于植物种类繁多的特殊性，尤其是部分植物根据习性等因素不同，在细分类别上需要注重环境差异，导致这些园林数据库系统的开发者对于园林植物的差异情况划分不够深入与细致。

通过园林从业者在多年的园林景观施工中的经验反馈，也发现这种数据库结合的查询软件由于功能单一，只适合简单的浏览，而不能提供更为细分的参考等其他延伸功能。所以本文借助Auto CAD、Sketchup、PhotoShop等图形图像软件处理相关植物素材，设计出一款基于DCANet与图像识别技术和算法技术相结合的智能园林植物数据查询分析系统，并结合课题组在园林植物配置工作实战中的经验，开发了一款更具环境营造实用性、信息数据分析更智能性、人机交互界面更人性化的园林植物查询系统。

1 DCANet网络及模型优点

1.1 DCA网络模型

深度连接注意网络DCANet是一种新颖的设计，在不修改任何内部结构的情况下增强CNN模型中的注意力模块，通过将相邻的注意力模块相互连接，使信息在注意力模块之间流动成为可能。因此，本文将通过DCANet，联合训练CNN模型中的所有注意力模块进行模型测试[3]。本文将相邻的注意力模块连接起来使他们可以进行信息的交互从而提高网络的性能。为复现DCANet并用其来完成园林植物的实验，我们首次使用paddle2.0复现了含有注意力机制的网络DCANet，并在分类数据集上进行了训练和验证。DCANet网络的核心思想是提出了注意力模块的连接机制。该设计可以将任何已有的含有注意力机制的模块间产生连接，从而提高注意力的有效性。我们将前一个注意力模块中转换模块的输出与当前注意块中提取模块的输出连接起来。图1为DCANet网络建立注意力的机制。

1.2 DCANet模型的优点

DCANet与ResNet用于图像识别和目标检测任务，以RetinaNet和Cascade R-CNN作为探测器，比较两者在图像识别领域的优越性。在具有挑战性的COCO 2017数据集上对SE-ResNet50、GC-ResNet50和DCANet进行测试，发现DCANet对于所有IoU阈值和大多数对象规模（SE-ResNet50获得）都实现了最好的性能，表1即为测试结果。

表1 DCANet与ResNet的测试比较

从实验结果中我们可以看出，SE-ResNet50和GCResNet50中的快捷方式几乎没有能力像DCANet中的注意力连接那样促进注意力学习。在DCANet中可以探索更多的连接设计，它可以将每个注意力模块紧密连接到每个其他注意力模块，或者将注意力模块连接成树状结构。在ImageNet和MS COCO基准测试上的实验结果表明，DCANet在所有测试用例中以最小的额外计算开销始终优于最先进的注意力模块。由此看出，DCANet应用在对园林植物的图像识别当中的准确度比传统的ResNet50神经网络要高。

2 构建园林植物信息查询系统

本系统采用Microsoft Access数据库作为训练DCANet的数据库，该数据库也是本查询系统的核心中的核心。之所以将其认定为该系统的核心成分，是因为其对该数据库的构成，运行和维护等各个运作环节的稳定起着决定性作用。Microsoft Access数据库使用和编译过程和其他数据库一样，但其采用Microsoft Jet数据库引擎为核心，能够更加操作简单，易学易懂[4]。依托于该引擎，能够使得数据库的管理与计算机硬件、操作系统和开发工具形成一个整体。理论上来说，数据库的基础是数据的模型，就是对现实中的具体事物进行抽象、分析和处理的工具，而数据对象则是对一些特殊的模型进行抽象处理。而该引擎能够使得系统在数据库中完成数据调取、存储、分析等各种操作指令。因此在上述系统说明下，本数据库提供园林植物物种标准名称清单，用户可以以通用的MS Excel下载到本地计算机，从而用于与植物学物种相关的各种数据库的关联或科学研究，并以电子科属词典的形式，提供用户最便捷，也是最常用的对科属信息的需求，这种简捷的方式让中国植物物种信息库得到更广泛的应用。全面综合查询，网站形式发布了初步整合的中国植物物种基本信息，针对人们习惯的百度等搜索方式，为用户提供类似的搜索服务来，搜索整合的植物物种全部信息，对输入查询关键词进行语义分类查询，更快更准确地找到所需要的信息。

数据库内容尽可能地通过相关算法搜集了相关园林植物的物种分类文献信息，抓取、提供了园林植物异名及其文献来源，让用户不仅可以轻松地找到并使用这些名称，而且可以有据可考，能够充分保证使用该园林植物数据的科学依据，确保用户在使用该系统过程中，有效从植物名称拓展到描述信息、物种类群以及其生态、环境信息，特别是对珍稀特有的植物进行收集，着重收录了关于植物物种的珍稀性来源和保护等级。另外数据的搜集除了上述文字资料通过查阅书籍、网络等资料的整理，还包括了根据园林的设计图纸进行整理的设计素材两部分，这部分数据通过数码相机、扫描仪等设备获取，部分无法搜集到的设计素材可使用相关辅助设计软件制作。因此使得本系统上的植物信息内容除了园林植物的图片外，还有其他信息，如乔木、灌木、丛生、藤本、草本、草坪和水生等七大植物系统的文字和图片资料，包含这些植物在学术界使用的正统名称，全世界统一拉丁文的学名，用于商业名称或一般俗称的别名以及其的形态、习性、类别、花期、用途、虫害、病害、栽培技术、繁殖方式、生长速度等信息。 该系统还可以查询中国详尽的省县级地理分布，部分物种可查到全球各国、各地区的分布状况，如输入“英国”关键词，可以查到中国境内的植物物种可能在英国也有分布的物种记录。尤其是该系统设立了植物分类检索表，基于鉴定规则库与电子检索表，可辅助判定未知植物及标本、活植物的识别鉴定等。

突出人性化和操作简便化的用户操作界面，主要采用美国微软公司推出的关系数据库管理系统Visual Foxpro作为开发工具，借助于这一开发工具进行的Python可视化编程技术，分为菜单栏、工具栏、状态栏及主操作窗口4部分，使得该园林植物查询系统在市场价格、形态分类、应用场景等窗口展示上具有个性特征。一个好的查询系统需要做到支持多种语言多个模块方便浏览，因此本系统在分类别浏览上进行了创新：将科目分类浏览、植物特征浏览、植物名称首字母浏览、素材浏览进行算法推荐，依据用户喜好进行不同设置。同时在素材浏览中可根据用户所选的素材进行制图软件或者是音视频软件进行播放。同时该系统支持多种语言展示，对园林植物的学名、科别、花期、地域分布、土壤习性做了中英文等多种语言的展示，并且这种具有Windows界面风格的查询系统支持多语言一键切换。该系统针对用户的“收藏”所选，自动进行植物的生长环境分析，针对不同地区的环境特点首先匹配植物自然分布区划，其次再分析植物对环境的适应程度，最后通过人工实践经验进行校正。这种算法将理论值与经验有机结合，突破了软件的机器限制和数据偏差，使得用户可根据其对植物相关诉求得到较为系统性的可靠意见。

3 园林植物信息查询系统的具体实现

为了区别大多数程序在Windows环境中都提供菜单式的操作方式，该园林查询系统使用Visual Foxpro作为开发工具[5]，使得只需程序员编辑少量程序就可以快速生成所需要的菜单。这样设计的好处是便于用户在使用分析功能时更加简便。比如说在生长环境分析功能中，根据所处地区在土壤、空气、光照等环境因子分析中得出植物的环境适应度，并结合植物区划分布的经验数据，提供一定的数值或图表参考。通过Visual Foxpro开发工具与快捷键设置，在“添加、修改植物或地区的环境信息”后应运行“刷新数据”项目，可简单快速得到刷新后的植物环境适应度数据。同样该功能也适合综合分析功能中，在该功能模块里，使用Visual Foxpro工具与快捷键设置，可简单快速分析植物种群在所需设计及种植地区的环境适应度。

而且在人机交互主要窗口的对话框里，采用了双环境的特殊设计。当DCANet模型在Microsoft Access数据库强大的数据支持下完成事先训练，另外作为数据查询子系统的核心文件，在系统代码编辑完成后，若需进行全面的调试工作，根据实际要求把每一个可执行文件（如用户管理.exe）编辑成为一个交互式窗口，至此就得到了一个脱离Visual Foxpro运行环境的基于DCAnet的园林植物查询系统。查询系统主要分为用户管理和数据查询，在用户管理子系统中，可以对用户的密码进行修改，保护使用者的隐私并保证了软件的安全性；在数据查询子系统中，通过已经建立好了的DCANet模型对接收到的图片进行识别，向用户输出园林植物的名称、学名、别名等信息，同时还可以点击相关信息，如在叶形（植物叶片正常生长的形状）这个类别选项中，用户执行信息查询后，预设的系统会继续输出圆形、扇形、其他等结果信息，方便用户了解认识该植物。系统流程图见图2。

4 结语

基于DCANet模型的图像识别技术，在查询园林植物的应用中可以对用户需要了解的植物快速识别并返回该植物的各种信息，能够提升现代城市的精细化管理水平。因此本文提出的DCANet系统以及其包含的图像识别技术不仅可以用在识别植物方面，其实在物体分类、图像处理、勘探工程等领域依旧有很大潜力，如在城市园林绿化管理行业中，包含了在园林设计、工程种植等技术环节中的巨大信息资料的植物查询系统，通过结合Auto CAD、地理信息系统GIS等软件与技术的二次开发，可对城市园林绿地栽植植物的地段、品种、长势等信息在建设规划图纸应用上进行数字化，从而不但可以使用数据库查询植物相关信息，为城市绿地规划、施工、养护提供参考依据，更可以直观地以数字化图纸的形式将城市绿地现状显示出来，以方便管理。不足的地方就是在训练DCANet模型时需要的时间比较长，每一个查询系统都需要建立模型，在完成API接口的建立后才可大面积使用。