使用深度学习和优化的CNN架构,加强了药用植物的分类

科学领域:

• 植物学 植物学
• 计算机科学 计算机科学
• 生物多样性保护 生物多样性保护

背景情况:

• 药用植物对全球生物多样性和健康至关重要.
• 药用植物的准确分类对于保存和利用至关重要.
• 传统的分类方法与植物复杂性和有限的注释数据集作斗争.

研究的目的:

• 开发一个深度学习框架,用于准确分类药用植物图像.
• 解决复杂植物特征分类传统方法的局限性.
• 提高药用植物识别的效率和准确性.

主要方法:

• 利用基于卷积神经网络 (CNN) 的深度学习框架.
• 采用了带有剩余和倒置剩余块的CNN架构.
• 应用数据增强技术来增强数据集.
• 集成的二进制黑猩猩优化和串行功能融合用于功能选择.

主要成果:

• 拟议的深度学习框架显著优于传统的分类方法.
• 在分类药用植物图像方面取得了高准确性.
• 证明了所选择的CNN架构和功能选择方法的有效性.

结论:

• 深度学习模型显示了自动化和改进药用植物识别的巨大潜力.
• 该框架为准确分类药用植物提供了可靠的解决方案.
• 建议将其扩展到其他植物物种的识别.