基于卷积神经网络的互花米草识别研究

李岩舟 何艳洲 覃锋 钱万强 吴媚 乔曦

摘要：互花米草的侵入对我国的生态系统多样性造成了巨大损失，如何准确地识别零散斑块的互花米草对其早期监测及预警具有重要意义。采用低空无人机遥感技术，以广西北海地区春季时期红树林中的互花米草为研究对象，利用AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五种卷积神经网络，分别对包含互花米草、红树林及其他地物背景的图像数据集进行模型的训练、验证与测试，然后将训练好的五种网络模型对整个试验区域的互花米草及地物背景进行识别并标记，得到互花米草的分布图。基于混淆矩阵和运算时间的综合定量评估结果表明，ResNet50网络模型总体上优于另外四种网络模型，识别准确率最高，达到了96.96%，且在测试集上耗时仅为5.47 s。将识别结果图与互花米草实际分布图进行对比，ResNet50網络模型的识别结果与互花米草的实际分布基本重合。

关键词：无人机遥感；互花米草；卷积神经网络；零散斑块

中图分类号：S451： TP391.4

文献标识码：A

文章编号：2095-5553 （2023） 04-0159-08

Abstract： The invasion of Spartina alterniflora has caused great losses to ecosystem diversity in China. How to accurately identify Spartina alterniflora in scattered patches is important for early monitoring and early warning. In this paper， low-altitude UAV remote sensing technology was used to study Spartina alterniflora in spring mangroves in Beihai area of Guangxi. Five convolutional neural networks including AlexNet， VGG16， GoogleNet， ResNet50 and EfficientNetB0 were used. Model training， validation and testing were carried out on image data sets containing Spartina alterniflora， mangrove and other ground object backgrounds respectively， then the cultivated five network models were used to identify and mark Spartina alterniflora and ground object backgrounds in the whole experiment area， obtaining the distribution map of Spartina alterniflora. The comprehensive quantitative evaluation results based on confusion matrix and operation time showed that ResNet50 network model was superior to the other four network models in general， with the highest recognition accuracy of 96.96%， and the test set took only 5.47 s. The identification results were compared with the actual distribution of Spartina alterniflora， and the identification results of ResNet50 network model basically coincided with the actual distribution of Spartina alterniflora.

Keywords： UAV remote sensing; Spartina alterniflora; convolutional neural network; scattered patches

0 引言

近年来，生态安全问题愈发突出，中国每年因生物入侵造成的经济损失超2 000亿元［1］。为遏制入侵物种的传播，中国于2013年发布了《中国第一批外来入侵物种名单》，其中互花米草是仅有的海岸带盐沼植物［2］。

互花米草（Spartina alterniflora）原产于北美洲，具有抗击风沙，保护河堤等优点。出于保滩护岸的目的，我国于1979年从美国引进互花米草的幼苗和种子，并在福建省罗源湾进行试种实验［3］，其后在我国沿海地区开始推广试种。互花米草通过有性繁殖和无性繁殖来扩大种群，经过多年的扩散，已经广泛分布到中国海岸潮间带，对中国的滨海湿地生态系统的结构和功能造成严重影响［4-7］。根据文献的记载，广西最早于1979年在合浦县丹兜海和廉州湾引种了互花米草［8］。陶艳成等［9］在前人研究的基础上，基于卫星影像对广西互花米草的扩散现状进行了监测分析，得出互花米草正处于迅速扩张期，空间上呈现出自东向西扩散的结论。李丽凤等［10］对广西山口红树林保护区中互花米草和红树林之间的生存转化关系进行研究，得出互花米草侵占滩涂的空间速度比红树林快的结论。如何快速准确地识别出互花米草早期的生长分布状况，对于互花米草的精准防治具有重要的意义。

随着计算机科学技术的发展，越来越多的机器学习方法应用于植物等对象的分类识别中。Chen等［11］利用深度学习卷积神经网络SRCNN和FSRCNN对斑块尺度上的互花米草进行监测分析，提高了图像的分辨率，特别是FSRCNN对识别和估算小斑块的互花米草更为有效。原忠虎等［12］提出了一种基于改进的VGGNet模型，对外来入侵植物叶片进行识别，该模型可以有效地降低因叶片轮廓相近导致识别错误的问题。乔曦等［13］提出了基于卷积神经网络的野外薇甘菊识别模型MicranthaNet，识别准确率达到了94.50%，且总耗时仅为10.369 s。安谈洲等［14］基于卷积神经网络模型，对油菜是否发生冻害进行识别，识别精度达到98.13%。Qian等［15］基于薇甘菊图像数据，提出了一种深度卷积神经网络模型——IAPsNet，该模型的识别准确率达到93.39%。

相较于人工踏查的方法，无人机效率更高。而对于卫星遥感来说，受卫星重访周期的制约，遥感数据的获取受到限制，同时对于零散斑块入侵物种的监测难以实现［16-17］。无人机作为一种新型的遥感平台，灵活性较强，获取的空间影像分辨率可轻松达到厘米级甚至毫米级，能够弥补卫星遥感空间分辨率不足的短板，采集成本低于卫星遥感。Wan等［18］利用高空间分辨率的无人机对广西北海的互花米草进行研究，弥补了中等空间卫星图像分辨率低下的不足。Mullerova等［19］以两种具有明显不同物候的草本物种为研究对象，对比无人机遥感和卫星遥感情况，得出无人机能够在所需的时间周期内，低成本灵活地获取数据，非常适合目标检测，而卫星图像适用更大区域范围的结论。

基于以上文献的分析，本文以无人机遥感的方式，基于深度学习方法，对广西北海地区红树林中的互花米草进行研究，识别零散斑块的互花米草，为后续互花米草的防治根除提供数据支撑。

1 试验材料与方法

1.1 图像采集

试验样本：试验图像数据采集于2021年3月24日，采集区位于广西壮族自治区北海市银海区竹林村，位置坐标信息为21°27′43.58″N，109°18′54.02″E。试验器材：大疆御MAVIC MINI无人机航拍器。试验数据采集方法：设置无人机的飞行高度为10 m，飞行速度为4.0 m/s，拍照模式设置为等间距拍照，相机朝向设置为平行于主航线，飞行航向重叠率设置为60%，旁向重叠率设置为60%，云台俯仰角度设置为-90°，拍摄面积设置为40 m×80 m，拍摄模式为手动操作拍摄。

1.2 图像数据处理

1.2.1 数据处理设备

Windows版本为Windows Server 2019Datacenter，基于x64的处理器，64位操作系统。处理器型号为Intel（R） Core（TM） i7-7700 CPU @3.60 GHZ，内存64.0 GB，显卡型号为NVIDIA TITAN Xp。

1.2.2 数据处理方法

1）  采集单张原始图片共计1 200张，单张原始图片像素大小为4 000像素×2 250像素。

2）  用photoscan软件拼接采集的图片，生成正射影像，对拼接后的图片进行裁剪，去掉与试验无关的部分，最终得到图片的像素大小为9 408像素×18 928像素。正射影像图如图1所示。

3）  利用MATLAB2018软件，对拼接后的大图片进行分割，分割成112像素×112像素大小，得到14 196张图片。

1.2.3 数据集制作

1）  数据集的标签分为四类，即互花米草、海榄雌（红树林）、滩涂、河堤。

2）  从分割后的小照片中，随机挑选出4 500张互花米草照片，4 500张红树林照片，500张滩涂图片，500张河堤照片。由于滩涂和河堤照片较少，为了避免数据不平衡造成的影响，对滩涂和河堤照片进行数据增强，通过旋转、剪切等，得到1 500张滩涂照片、1 500张河堤照片。

3） 把得到的互花米草、海榄雌、滩涂、河堤的数据集，按照6∶2∶2的比例，划分成训练集、验证集、测试集。训练集用于训练网络的模型，验证集用于调整网络模型的超参数，测试集用于检验训练完成后的网络模型。数据标签图像如图2所示。

1.3 网络模型选择

用于分类任务的卷积神经网络模型有很多，比如早期的LeNet、Alexnet、VGG、GoogleNet、ResNet、DenseNet等，以及最近几年新发表的算法模型如MobileNet、ShuffleNet、EfficientNet等，网络模型越来越小而精巧，模型的识别速度以及识别准确率越来越高。Abade等［20］对过去10年中选择的121篇植物病虫害识别等方面的论文进行统计，结果表明AlexNet、VGG、ResNet、LeNet、Inception V3、GoogleNet等网络模型在之前的研究中使用较多。因此本文以前期研究中使用次数较多的网络以及最近几年新发表的网络——AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0作为识别互花米草的深度卷积神经网络模型，通过调节网络模型的学习率、训练周期数、样本批次大小等超参数，对互花米草进行图像识别。

1.4 网络结构

卷积神经网络主要由输入层、卷积层、池化层、全连接层、输出层组成［21］。本文基于AlexNet［22］、VGG16［23］、GoogleNet［24］、ResNet50［25］、EfficientNetB0［26］五种卷积网络模型对互花米草进行分类识别，应用于本次試验的五种卷积网络模型的结构及参数分别如表1～表5所示，通过试验的对比，找出适合互花米草识别的网络模型。

以模型在测试集上的运行时间作为网络模型的识别效率，单位为秒。

2 模型训练与结果分析

2.1 模型超参数选择

在深度卷积神经网络中，除了模型自身的结构以外，学习率（Learing rate）、训练周期数（Epoch）、样本批次大小（Batchsize）等超参数也会影响模型的收敛速度、训练速度和泛化能力。超参数的设置，对模型训练结果有相当大的影响。学习率如果设置过大，网络模型通过反向传播更新参数的过程中，可能会跳过使损失函数最小的参数值，使网络模型陷入局部最小值；学习率如果设置过小，梯度下降的速度会变慢，参数更新的速度会变小，虽然随着训练周期数的增加网络模型最终也会趋于收敛，但耗费的时间比较长，收敛速度比较慢。因此在训练的过程中可以采用衰减学习率的策略，先给网络模型一个较大的初始学习率，快速得到一个较优的解，随着训练周期的增加，逐步减小学习率，使得模型在训练的后期更加稳定。一般情况下倾向于选择相对较小的学习率，学习率选择范围在0.01～0.001，本文中，初始学习率设置为0.01，学习衰减率设置为0.85。同样训练周期如果设置过大，模型训练的时间会变长，训练速度变小，网络模型收敛之后会上下震荡，对准确率的提升没有意义，浪费电脑资源；如果训练周期设置过小，模型会在收敛之前停止训练，得不到最优的结果。样本批次大小的设置对模型的训练速度也有着较大影响，在一定范围内，样本批次设置越大，计算机设备的内存利用率越高，网络模型训练的速度会越快，样本批次大小设置过大的话，对计算机的内存容量要求会更高，在一个训练周期内，迭代次数会相应变小，对参数的更新会变得缓慢，通常样本批次大小设置为2的幂次方，比如设置为32、64、128等。经过实际的验证，将训练周期设置为500，样本批次大小设置为128，会得到一个较优的网络模型。

2.2 模型训练情况分析

经过500个周期的训练之后，网络模型的训练结果如图3所示。

从图3中可以看出，网络模型在经历500个训练周期之后，损失函数值不再减小，训练集准确率也不再上升，发生小幅度的振荡，表示网络模型均已达到收敛状态。其中AlexNet、VGG16、GoogleNet、EfficientNetB0、ResNet50模型的训练集最高准确率分别为84.23%、93.03%、96.32%、94.77%、98.03%，训练集损失函数最小值分别为0.372、0.191、0.208、0.145、0.061。GoogleNet和ResNet50在训练集上有较好的识别能力，识别准确率均达到了95%以上，而AlexNet在训练集上的识别能力相对较差。训练集的结果反映了网络模型对训练集样本的识别能力。

2.3 模型测试情况分析

网络模型在训练集收敛之后，会保存一个最优的训练模型，分别把AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0网络模型的测试集喂入各自训练好的神经网络中，生成混淆矩阵，并且计算出各个网络模型的识别准确率、精确率、召回率、F1-Score、识别效率，测试结果如表6所示。

从表6中可以看出，AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五种卷积神经网络模型对四个类别总体识别准确率分别为83.75%、92.63%、93.21%、96.96%、93.50%。其中，ResNet50网络模型测试准确率最高，表现出网络模型具有较好的分类识别能力和模型泛化能力以及具有较好的鲁棒性；在互花米草的识别上，ResNet50网络模型识别的精确率为97.61%，召回率为95.22%，F1-Score为96.40%，相比于另外四种网络，ResNet50对互花米草的识别精度和能力都是最好。在海榄雌的识别上，EfficientNetB0网络模型识别的精确率为99.66%，ResNet50网络模型识别的精确率为99.00%，略低于EfficientNetB0，而其召回率为99.22%，F1-Score为99.11%，均优于另外四种卷积网络模型。在滩涂的识别上，ResNet50网络模型识别的精准率、召回率、F1-Score分别为88.47%，94.67%，91.47%，在对河堤的识别上，ResNet50网络模型识别的精准率、召回率、F1-Score分别为97.99%，97.67%，97.83%，是五种模型中识别结果最优的网络模型。

从识别效率上来看，AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五种卷积神经网络模型在测试集上的运行时间分别为2.67 s、4.41 s、4.62 s、5.47 s、5.59 s。AlexNet网络所用的时间最少，识别效率最高；EfficientNetB0网络所用时间最多，效率最低；ResNet50网络运行时间略高于VGG16、GoogleNet，仅相差1 s左右。单从识别效率来看，应选用AlexNet网络作为最终的网络模型，但是AlexNet网络模型识别准确率较低，不利于互花米草的识别，而ResNet50网络模型识别准确率较高，运行时间也较为不错，有利于互花米草的快速识别。

因此，综合识别准确率和识别效率来说，ResNet50神经卷积网络模型对互花米草的识别结果较好。

2.4 识别结果显示

将前期分割好的14 196张像素大小为112×112的图片，分别喂入训练好的五种深度卷积神经网络模型中，让模型对其进行分类识别，并将识别出的互花米草的颜色进行红色标记，最后将经过颜色标记的图像拼接，得到互花米草的分布图。结果如图4所示。

从图4中可以直观地看出互花米草大致的分布状况，通过识别结果图的展示，表明网络模型对互花米草的识别分类具有可行性，将识别结果图与互花米草實际分布图相比较，通过局部图的展示，可以看出ResNet50网络模型的识别结果与互花米草的实际分布较为重合。

2.5 识别差异分析

从图4中可以看出，ResNet50卷积神经网络模型识别出来的结果局部与实际存在不一致的情况。把模型识别结果与人工识别结果不一致的图片挑出一部分，作进一步的分析，识别结果不一致的图片如图5所示。

从图5中可以看出，在互花米草训练集挑选过程中，把既包含有互花米草又含有红树林的图片，分成互花米草照片，当把这些图片喂入神经网络进行训练时，模型在提取图片特征时，除了提取互花米草的特征，也会提取海榄雌的特征，作为识别互花米草的依据，当模型对新的数据集分类识别时，模型有可能会把海榄雌的特征当作互花米草，造成结果不一致的现象。同样对滩涂的识别情况也是如此，在挑选互花米草数据集的过程中，把既有滩涂又有互花米草的图片，人为分成互花米草，把训练好的模型应用于新的数据集，识别结果出现偏差。针对这种错误，在后续的过程中，重新挑选数据集，挑选的图片中只包含单一的类别，同时继续采集识别物种的图片信息，扩大数据集，不断的优化卷积神经网络模型，从而提高识别准确率。

3 讨论

随着无人机技术的不断更新和深度学习技术的发展，越来越多的图像识别技术用于入侵植物的检测中。本文通过对文献的调研分析，选择AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五种卷积神经网络，用于对互花米草的识别监测，研究结果表明ResNet50网络模型对互花米草的识别效果较好，然后又分析了网络模型与识别结果不一致的原因，通过查看训练数据集，在挑选互花米草数据集的过程中，把包含多个类别种类的照片归为了互花米草，深度学习网络模型在提取图片特征的过程中，也会提取多个类别的特征当作互花米草，在对新的数据集识别时，出现结果不一致的现象。虽然本次试验取得了良好的试验结果，但是还存在一些不足，在采集图片的过程中，天气因素也占有一部分影响，当太阳光线比较强时，拍摄的照片会反光，当有风天气时，拍摄的照片会模糊不清，这些因素都會影响模型对互花米草的识别能力。与此同时，对于不同季节、不同地区的互花米草，ResNet50网络模型是否也有一个较好的识别能力，除了这五种卷积网络模型，是否还有比ResNet50网络更优秀的模型用于互花米草的分类识别，这是一个值得后续探讨的问题。

4 结论

1）  基于低空无人机遥感技术，通过选用五种卷积神经网络模型——AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0应用于春季时期红树林中零散斑块互花米草的识别，结果显示ResNet50网络模型在训练集上识别准确率达到了98.03%，在测试集中识别准确率达到了96.96%，同时在测试集上对互花米草识别的精确率、召回率、F1-Score都是最高，表现出较好的鲁棒性和泛化性，具有较好的识别效果，可以为小面积互花米草的识别与防治提供资料。

2）  ResNet50网络模型在测试集上的运行时间为5.47 s，比VGG16、GoogleNet网络模型略高于1 s左右，比AlexNet网络模型高于2.80 s，比EfficientNetB0网络模型低于0.12 s。识别效率虽然不是五个网络模型中最高，但是运行时间也较为不错，综合识别准确率来看，以训练好的ResNet50卷积网络模型作为最终模型。

3）  将训练好的网络模型对互花米草进行识别时，会出现识别结果图与实际分布图局部存在不一致的现象，这种现象是由数据集中互花米草的不同划分情况造成的。

4） 本次试验所选用的网络模型还可以为后续同一地点不同时期的互花米草识别研究及同一时期不同地点互花米草的识别研究提供借鉴与参考。

参 考 文 献

［1］ 李大林. 我国每年因外来生物入侵经济损失超两千亿元［J］. 广西质量监督导报， 2014（11）： 30.

［2］ 朱玉玲. 基于深度学习分类方法的山东省外来入侵物种互花米草遥感监测与分析［D］. 青岛： 自然资源部第一海洋研究所， 2020.

［3］ 徐国万， 卓荣宗， 曹豪， 等. 互花米草生物量年动态及其与滩涂生境的关系［J］. 植物生态学报， 1989， 13（3）： 230-235.

Xu Guowan， Zhuo Rongzong， Cao Hao， et al. Annual changes of biomass of Spartina alterniflora and the relationships between biomass and tidal land habits ［J］. Chinese Journal Plant Ecology， 1989， 13（3）： 230-235.

［4］ 汪秀岩， 周宇鹏， 薛雨霏， 等. 高低纬度种源互花米草种子萌发特性及其对温度的响应［J］. 生态学杂志， 2021， 40（9）： 2763-2772.

Wang Xiuyan， Zhou Yupeng， Xue Yufei， et al. Seed germination characteristics of Spartina alterniflora from high and low latitude populations in relation to temperature ［J］. Chinese Journal of Ecology， 2021， 40（9）： 2763-2772.

［5］ 赵欣怡. 基于时序光学和雷达影像的中国海岸带盐沼植被分类研究［D］. 上海： 华东师范大学， 2020.

［6］ 解雪峰， 孙晓敏， 吴涛， 等. 互花米草入侵对滨海湿地生态系统的影响研究进展［J］. 应用生态学报， 2020， 31（6）： 2119-2128.

Xie Xuefeng， Sun Xiaomin， Wu Tao， et al. Impacts of Spartina alterniflora invasion on coastal wetland ecosystem： Advances and prospects ［J］. Chinese Journal of Applied Ecology， 2020， 31（6）： 2119-2128.

［7］ 王卿， 安树青， 马志军， 等. 入侵植物互花米草——生物学、生态学及管理［J］. 植物分类学报， 2006（5）： 559-588.

Wang Qing， An Shuqing， Ma Zhijun， et al. Invasive Spartina alterniflora： Biology， ecology and management ［J］. Acta Phytotaxonomica Sinica， 2006（5）： 559-588.

［8］ 邓必玉， 吴玲巧， 秦旭东， 等. 广西红树林主要外来植物现状及防控对策研究［J］. 林业调查规划， 2020， 45（4）： 54-60.

Deng Biyu， Wu Lingqiao， Qin Xudong， et al. Current situation and control measures of exotic plants in mangrove forest of Guangxi ［J］. Forest Inventory and Planning， 2020， 45（4）： 54-60.

［9］ 陶艳成， 潘良浩， 范航清， 等. 广西海岸潮间带互花米草遥感监测［J］. 广西科学， 2017， 24（5）： 483-489.

Tao Yancheng， Pan Lianghao， Fan Hangqing， et al. Remote sensing monitoring of Spartina alterniflora in coastal intertidal zone of Guangxi ［J］. Guangxi Sciences， 2017， 24（5）： 483-489.

［10］ 李麗凤， 刘文爱， 陶艳成， 等. 广西山口红树林保护区互花米草扩散动态及其驱动力［J］. 生态学报， 2021， 41（17）： 6814-6824.

Li Lifeng， Liu Wenai， Tao Yancheng， et al. Diffusion dynamics and driving forces of Spartina alterniflora in the Guangxi Shankou Mangrove Reserve ［J］. Acta Ecologica Sinica， 2021， 41（17）： 6814-6824.

［11］ Chen M， Ke Y， Bai J， et al. Monitoring early stage invasion of exotic Spartina alterniflora using deep-learning super-resolution techniques based on multisource high-resolution satellite imagery： A case study in the Yellow River Delta， China ［J］. International Journal of Applied Earth Observation and Geoinformation， 2020， 92.

［12］ 原忠虎， 王维， 苏宝玲. 基于改进VGGNet模型的外来入侵植物叶片识别方法［J］. 计算机与现代化， 2021（9）： 7-11.

Yuan Zhonghu， Wang Wei， Su Baoling. Leaf recognition method of invasive alien plants based on improved VGGNet model ［J］. Computer and Modernization， 2021（9）： 7-11.

［13］ 乔曦， 钱万强， 樊伟， 等. 基于深度学习的野外薇甘菊图像识别［C］. 第五届全国入侵生物学大会——入侵生物与生态安全， 2018.

［14］ 安谈洲， 李俐俐， 张瑞杰， 等. 无人机遥感及深度学习在油菜冻害识别中的应用研究［J］. 中国油料作物学报， 2021， 43（3）： 479-486.

An Tanzhou， Li Lili， Zhang Ruijie， et al. Application research of unmanned aerial vehicle remote sensing and deep learning in identification of freezing injury in rapeseed ［J］. Chinese Journal of Oil Crop Sciences， 2021， 43（3）： 479-486.

［15］ Qian W， Huang Y， Liu Q， et al. UAV and a deep convolutional neural network for monitoring invasive alien plants in the wild ［J］. Computers and Electronics in Agriculture， 2020， 174.

［16］ 劉凯， 龚辉， 曹晶晶， 等. 基于多类型无人机数据的红树林遥感分类对比［J］. 热带地理， 2019， 39（4）： 492-501.

Liu Kai， Gong Hui， Cao Jingjing， et al. Comparison of mangrove remote sensing classification based on multi-type UAV data ［J］. Tropical Geography， 2019， 39（4）： 492-501.

［17］ 孙中宇， 荆文龙， 乔曦， 等. 基于无人机遥感的盛花期薇甘菊爆发点识别与监测［J］. 热带地理， 2019， 39（4）： 482-491.

Sun Zhongyu， Jing Wenlong， Qiao Xi， et al. Identification and monitoring of blooming Mikania micrantha outbreak points based on UAV remote sensing ［J］. Tropical Geography， 2019， 39（4）： 482-491.

［18］ Wan H W， Wang Q， Jiang D， et al. Monitoring the invasion of Spartina alterniflora using very high resolution unmanned aerial vehicle imagery in Beihai， Guangxi （China） ［J］. Scientific World Journal， 2014.

［19］ Mullerova J， Bruna J， Bartalos T， et al. Timing is important： Unmanned aircraft vs. satellite imagery in plant invasion monitoring ［J］. Front Plant Sci， 2017， 8： 887.

［20］ Abade A， Ferreira P A， De Barros Vidal F. Plant diseases recognition on images using convolutional neural networks： A systematic review ［J］. Computers and Electronics in Agriculture， 2021， 185.

［21］ 黄亦其， 刘琪， 赵建晔， 等. 基于深度卷积神经网络的红树林物种无人机监测研究［J］. 中国农机化学报， 2020， 41（2）： 141-146， 189.

Huang Yiqi， Liu Qi， Zhao Jianye， et al. Research on unmanned aerial surveillance of mangrove species based on deep convolutional neural network ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（2）： 141-146， 189.

［22］ Krizhevsky A， Sutskever I， Hinton G. ImageNet classification with deep convolutional neural networks ［C］. NIPS， 2012.

［23］ Simonyan K， Zisserman A. Very deep convolutional networks for large-scale image recognition ［J］. Computer Science， 2014.

［24］ Szegedy C， Liu W， Jia Y， et al. Going deeper with convolutions ［J］. CoRR， 2014， abs/1409.4842.

［25］ He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［J］. IEEE， 2016.

［26］ Tan M X， Le Q V. EfficientNet： Rethinking model scaling for convolutional neural networks ［C］. 36th International Conference on Machine Learning （ICML）， 2019.