基于深度学习的香花油茶果识别

尹显明 彭邵锋 程俊媛 陈梦秋 张日清 莫登奎 韦维 严恩萍

摘 要：【目的】开发基于图像的香花油茶品种识别技术，快速、准确识别香花油茶无性系品种。【方法】选择自然光照条件下生长的20 个香花油茶无性系品种的油茶果作为研究对象，利用红米K30 Pro、华为P40、华为nova7、iPhone 12、魅族16s 多种品牌型号的智能手机对自然状态下油茶果的脐面、侧面进行图像采集，去除低质量图像，通过数据增强方法增加图像数量，采用深度学习网络GoogLeNet-V3 对20 个品种的香花油茶果图像进行识别。同时对使用多个设备采集图像的品种，进行不同设备型号及数量、相同设备数量但不同比例等情况可能造成的影响进行探讨。【结果】构建了图像数量为16 832 张的香花油茶果品种数据集。使用GoogLeNet-V3模型能满足基于油茶果图像的香花油茶品种识别要求，其中识别准确率、召回率、宏观F1 值和微观F1 值分别为89.13%、89.31%、89.22% 和94.29%。對多设备的研究结果表明数据量的增加能有效提高模型精度，且在保证单设备采集数据量的条件下，使用多种设备采集数据构建的模型具有更高的鲁棒性。以GoogLeNet-V3 模型为基础构建的移动端识别APP，具有PC 端同等精度，可用于香花油茶果品种的识别。【结论】使用深度学习网络GoogLeNet-V3 模型能够实现香花油茶果的品种识别。

关键词：香花油茶；品种识别；深度学习；油茶果

中图分类号：S6-39 文献标志码：A 文章编号：1003—8981（2023）03—0070—12

油茶Camellia spp. 是山茶科Theaceae 山茶属Camellia 油用物种的总称[1]。是世界四大木本油料树种之一。其综合利用价值较高，在医疗、保健、生物农药、生物饲料、杀菌消毒以及化学工业等方面应用广泛[2-3]。油茶树具有保持水土、涵养水源、净化空气、调节气候等多种生态功能，兼备经济效益和生态效益[4]。香花油茶C. osmantha 是马锦林等[5] 于2012 年在广西南宁发现的山茶属新种，具有早熟、产量高、耐涝[6]、耐旱[7] 等特点。香花油茶较晚被发现，无性系育种时间短，通过审定的品种较少，但有大量表型较好、有申报良种潜质的无性系品种正在培育中。由于不同无性系表型差异较小，难以区分，给香花油茶无性系的推广带来困难，因此研究快速、准确识别香花油茶无性系品种的方法具有重要的意义。

随着人工智能技术的不断发展，将深度学习应用于图像识别场景成为农林业领域的重要研究方向。早期的研究主要采用基于统计模型的机器学习方法来开展[8]。例如：邓立苗等[9] 提取23 个玉米品种的叶片形态、颜色及纹理特征，使用支持向量机模型进行识别研究，得到87% 以上的整体识别率；翟果等[10] 选取20 个观赏菊品种提取颜色、纹理及形状特征，使用KNN 算法分类器进行识别研究，达到92.17% 的平均识别率；Avshalom等[11] 基于3D 建模及SSR 分析对7 个葡萄品种进行识别研究，结果表明使用这种方法进行品种识别是可行的。由于卷积神经网络能自动提取图片特征进行识别并分类，且分类准确率高，近年来研究者开始使用卷积神经网络进行品种识别研究。例如：陈文根等[12] 基于深度卷积网络对9 种小麦进行品种识别研究，采用Softmax 分类器进行品种分类，达到97.78%的平均识别准确率；王立国等[13]基于高光谱提取6 个品种玉米种子主要的八维光谱信息，使用卷积神经网络进行识别研究，像素识别精度达到97% 以上，结合多数投票策略的识别精度可达到100%；李浩[14] 基于Caffe 使用卷积神经网络对15 个品种的茶叶进行识别研究，使用的卷积神经网络模型分别为8 层深度的传统浅层CNN 和改进后22 层深度的深层CNN，发现改进网络的识别率显著提升，平均识别准确率由80%提升至90% 以上；石洪康等[15] 基于卷积神经网络MobileNet[16] 对10 个家蚕品种的幼虫图像进行识别研究，得到96% 的准确率，并用迁移学习方法对另外5 个家蚕品种的幼虫图像进行模型训练，发现迁移学习有助于提高模型品种识别的稳定性；Pereira 等[17] 使用以AlexNet[18] 为基础的迁移神经网络对自然环境中的6 个葡萄品种进行识别研究，得到77.30% 的测试准确率，证明在自然环境下使用卷积神经网络进行识别具有一定的可行性；曾庆扬等[19] 收集了湖南、江西、浙江、广西4 个地区的油茶产量数据及气象数据后，采用主成分分析法提取影响较大的主成分，使用BP 神经网络构建油茶产量预测模型，得到的模型平均相对误差低于3%，并以此为基础预测了2025 年4 个地区的油茶单位面积产量；陈伟文等[20] 通过改进原始的AlexNet，减轻模型的过拟合现象，在番茄种苗叶片病害的识别上获得了95.8% 的准确率，说明调整模型结构能有效提升模型的识别效果。

综上所述，卷积神经网络已被广泛应用于农林业，基于神经网络对物种品种进行分类已有一定的研究基础，然而基于果实的深度学习品种分类方法的研究报道较少。香花油茶的品种选育大多是基于种内杂交获得后代进行的，不同的香花油茶品种之间存在一定的性状差异，油茶的果形、果脐形状、果脐开裂数等均存在差异，且表现稳定，这是研究通过油茶果识别香花油茶品种的基础。为了快速、准确识别香花油茶无性系品种，从而减少香花油茶造林时品种比例配置不当，或香花油茶林中不同品种种植位置不同导致的培育方法不适等问题，本研究中基于深度学习方法使用油茶果对香花油茶品种进行分类研究。

1 材料与方法

1.1 图像获取及预处理

数据集的大小、图像的清晰程度决定神经网络模型的识别效果，为提升模型的适用范围，使用智能手机实地采集香花油茶果图像。为增加模型的时效性，选择表现较优、预备申报良种的无性系种及已审定为良种的香花油茶无性系品种（共20 个）作为研究对象。采集时间为2021 年9—10 月，此时香花油茶果在外观上已成熟，形态、颜色等特征稳定。

用于图像采集的智能手机型号包括红米K30Pro、华为P40、华为nova7、iPhone 12、魅族16s 等。为了减少自然环境下采集图像可能存在的光照差异、不同大小油茶果聚焦距离不同等因素的影响，确定了统一的油茶果图像采集方法：选择健康、表面无遮挡的香花油茶果，使用智能手机以接近垂直的角度对油茶果的脐面、侧面分别拍摄图像，在拍摄过程中由较远处缓慢地推进智能手机，使摄像头自动聚焦于油茶果，与不同大小的油茶果保持相对稳定的距离，将尽量多的果实特征加入到数据集中，包含油茶果的颜色、形状等多种特征。采集图像的长宽比例为1∶1，每品种采集约200 张图像。对采集的图像进行挑选、裁剪等处理，去除低质量图像。

考虑到使用不同设备采集图像可能会影响模型效果，为确定其影响，对于不同无性系使用不同型号的智能手机进行采集。在20 个香花油茶无性系中选取7 个品种（崇左1401、崇左1402、田阳1412、田阳1413、雅江1611、雅江1613、雅江1614），同时使用红米K30 Pro、华为P40、华为nova7、魅族16s 等4 种设备进行采集。

1.2 数据集准备

将预处理后的香花油茶果脐面、侧面图像调整为299 像素×299 像素，使用旋转、翻转等方法扩增数据集，按数量比6∶2∶2 将每品种图像划分为训练集、验证集和测试集。读取图片后，使用TensorFlow[21] 官方提供的函数将图片的数据转换为字符串，与宽、高及类别信息一起转化为二进制格式，存入TFRecords 格式文件，将数据制作成3 通道的TFRecords 格式数据集。

对于崇左1401、崇左1402、田阳1412、田阳1413、雅江1611、雅江1613、雅江1614 等7 个品种，根据采集设备分别使用GoogLeNet 进行识别，将来自同一设备的数据按数量比6∶2∶2 划分訓练集、验证集和测试集，并根据使用不同设备的情况进行组合，用于分析使用不同设备型号及数量采集图像对模型效果的影响。

1.3 模型训练

使用GoogLeNet 模型对训练集、验证集进行训练，并自动保存训练精度最高的模型及固定训练频率的模型，使用测试集检验训练模型的可行性，调整数据集和模型参数，直到模型准确率满足品种识别的要求。

测试平台：操作系统为64 位Windows 10 操作系统， 深度学习框架为TensorFlow，GPU 为NVIDIA Tesla P4，计算机语言为Python。参数设置：迭代数量设置为480 000 次，初始学习率设置为0.001，每批次迭代训练图像数量为16，每迭代100 次测试训练集的准确率，每迭代200 次测试验证集的准确率，每迭代3 000 次保存1 次模型，且保存最优验证集准确率的模型。在研究不同设备对采集图像的影响时，迭代数量设置为18 000 次，其他参数与上述一致。

模型训练流程如图1 所示，将油茶果图像输入GoogLeNet-V3 神经网络模型（简称“GoogLeNet-V3模型”），模型提取图像特征后传入连续多个Inception 模块进行特征学习，最后进行平均池化并输出分类结果。训练中模型会自动学习油茶果图像的颜色、形状、大小等多层次特征信息。

1.4 模型效果评价

使用深度学习分类中基于混淆矩阵的常用评价指标准确率（P）、召回率（R）、F1 值等对模型效果进行评价[22]。其中，F1 值是用来对准确率和召回率进行综合评价的指标。

P=nt/（nt+nf）×100%；R=nt/（nt+nf′）×100%；F1=[2×P×R/（P+R）]×100%。

式中：nt 代表实际品种为目标品种，预测品种为目标品种的样本数量；nf 代表实际品种不为目标品种，预测品种为目标品种的样本数量；nf′ 代表实际品种为目标品种，预测品种不为目标品种的样本数量。

对分类模型进行整体评估时，使用2 种常用的整体F1 计算方法，分别是宏观F1 和微观F1[23]。

其中，宏观F1 是各类样本F1 值的平均值，即平均F1 值，该F1 值不受不平衡数据影响，但易受识别性高的品种影响；微观F1 则是对所有样本的召回率与准确率单独计算求得的F1 值，易受不平衡的数据影响，适合数据较平衡的数据集。

P′=[（nt 1+nt 2+…+nti）/（nt 1+nt 2+…+nti+nf 1+nf 2+…+nfi）]×100%；

R′=[（nt 1+nt 2+…+nti）/（nt 1+nt 2+…+nti+nf 1′+nf 2′+…+nfi′）]×100%；

 F1′=[2×P′×R′/（P′+R′）]×100%；

F1″=（F1 1+F1 2+…+F1i）/i。

式中：P′ 表示微观准确率；R′ 表示微观召回率；F1' 表示微观F1 值；F1″ 表示宏观F1 值；nt 1、nt 2、…、nti 分别表示第i 个类别实际品种为目标品种，预测品种为目标品种的样本数量；nf 1、nf 2、…、nfi分别表示第i 个类别实际品种不为目标品种，预测品种为目标品种的样本数量；nf 1′、nf 2′、…、nfi′分别表示第i 个类别实际品种为目标品种，预测品种不为目标品种的样本数量。

2 结果与分析

2.1 油茶果品种的数据集

经预处理后最终获得3 969 张图像，各品种图像数量及采集设备见表1，表中无性系的品种名为暂定名。

预处理后的香花油茶果脐面、侧面图像如图2 ～ 3 所示，将其调整为299 像素×299 像素，使用旋转、翻转等方法扩增数据集，共获得15 876张图像，按数量比6∶2∶2 将每品种图像划分为训练集、验证集和测试集，数量分别为9 519、3 182 和3 175 张（表1）。

2.2 模型的训练损失与测试精度

基于GoogLeNet-V3 模型識别香花油茶品种训练损失与验证集测试精度的变化如图4 所示。由图4 中训练损失变化情况可看出，GoogLeNet-V3模型的初始损失约为3.86，变化趋势为迭代前20 000 次时快速下降，迭代20 000 ～ 120 000 次时缓速下降且较不稳定，迭代120 000 ～ 480 000次时缓慢下降且较为稳定，训练结束时约为0.5。这说明GoogLeNet-V3 模型的训练损失相对较低，训练损失下降速度快，且最终训练损失较为稳定。

由测试精度的变化情况可知，在迭代0 ～30 000 次时，GoogLeNet-V3 模型的测试精度迅速升高；在迭代30 000 ～ 80 000 次时，精度增长放缓；在迭代80 000 ～ 480 000 次时，精度缓慢增长，浮动较大，最终精度在90% 上下波动。这说明GoogLeNet-V3 模型收敛较快且较为稳定，最终准确率达到90%。

2.3 模型识别效果的评价

2.3.1 混淆矩阵

基于GoogLeNet-V3 模型的香花油茶果分类模型混淆矩阵如图5 所示，同一列的数值为不同类别图像被预测为该类别的数量，同一行的数值实际为该类别的图像被预测为不同类别图像的数量。由图5 可知，GoogLeNet-V3 模型对各品种的识别较为准确，对于各品种均能达到较好的识别效果。其中有12 张崇左1401 的图像被错误预测为崇左1402，有10 张老虎岭1508 的图像被错误预测为老虎岭1502，推测性状较为接近的品种容易被混淆。

2.3.2 识别准确率和召回率

根据图5 中的数据可以计算得到基于GoogLeNet-V3 模型识别香花油茶品种的准确率和召回率， 结果如图6 所示。由图6 可知，GoogLeNet-V3 模型对各品种的识别准确率高，除对田阳1413 的识别准确率仅为76.74% 外，对其他品种的识别准确率均达到80% 以上，对品种G-8的识别准确率达到98.84%，平均识别准确率达到89.13%。GoogLeNet-V3 模型对各品种的识别召回率高，均达到80% 以上，最低的老虎岭1502 的识别召回率达到81.61%，对品种F-10、G-8 的识别召回率分别达到95.2% 和94.97%，平均识别召回率达到89.31%。GoogLeNet-V3 模型对各品种的识别召回率之间的差距较小，与识别准确率相比更为稳定。

2.3.3F1 值

模型的宏观F1 值和微观F1 值分别为89.22%和94.29%，两者差别较大，说明各品种数据差异较大，但两者均高于89%，说明模型准确率、召回率可信度高，模型具有一定的识别效果，能满足进行香花油茶果品种分类的需要。

2.4 智能设备对采集效果的影响

使用不同型号和数量的设备采集图像的模型识别效果见表2，其中识别准确率（All）和识别召回率（All）是对4 个设备共同测试集的合并测试集进行模型预测得到的识别准确率和召回率。由表2 可知，单独使用华为nova7、华为P40 采集图像的识别准确率、召回率均高于单独使用红米K30 Pro 及魅族16s，说明使用不同设备所采集图像存在一定差异，但使用4 种设备所采集图像的识别准确率、召回率均超过85%，说明使用不同设备采集的图像均能用于品种分类研究。将使用多种设备采集的图像混合，对各组合的识别准确率、召回率均降低，说明使用混合设备采集图像会对品种识别造成一定的影响，但除对使用红米K30 Pro 和魅族16s 组合所采集图像的识别准确率低于85% 外，对使用其他组合所采集图像的识别准确率、召回率均高于85%，说明使用多台设备混合采集带来的影响在可接受范围内。在以使用4 种设备共同采集的数据作为测试集时，以使用单个设备采集的数据作为训练集，得到的模型识别准确率、召回率均大幅下降，随着训练集设备数量的增多，识别准确率、召回率有显著提高，说明使用多种设备采集的数据组成的数据集的鲁棒性较高，能够降低使用不同设备拍摄对模型识别的影响。

使用4 种设备不同比例数据的模型识别效果见表3。由表3 可知：当每种设备采集的数据均仅占拍摄数据的25% 时，总数据量与单个设备采集的数据量相当，但模型的训练效果大幅降低；当每种设备采集的数据均仅占50% 时，模型的训练效果比仅占25% 时有一定提升，但仍偏低；当每种设备采集的数据均达到75% 时，模型的训练效果与所有数据一起训练时差别不大。说明混合使用多种设备采集图像时，采集的数据量会对模型训练的结果带来较大影响，采集的数据量越多，模型训练的结果越好。

2.5 基于模型的移动端APP

为了便于随时使用深度学习模型对香花油茶无性系品种进行识别，基于Android Studio 开发平台[24]，设计并构建可用于香花油茶无性系果实图像识别的移动端APP。

香花油茶无性系识别APP 主要包括图像拍摄、相册图像选取、品种识别和结果输出4 个模块。在选好所使用的模型后，软件调用相机进行图像拍摄，或调用系统相册选取图像，经过缩放处理将图像调整为299 像素×299 像素，之后调用Tensorflow 接口进行识别，最后输出最高概率代表的无性系品种及概率。图像拍摄模块主要通过调用系统相机来实现，拍摄过程中相机会自动进行聚焦，因此保持移动设备的稳定非常重要。

相册图像选取模块的主要功能是调用系统权限获取相册或文件数据，将得到的相册图像数据经过OpenCV 处理后传入模型进行识别。品种识别模块是移动端APP 最重要的模块，首先需要提供方法调用模型，其次，将经过OpenCV 处理的图像传入后，使用模型进行识别，最后，依据模型的类别情况使用类别文件，从而输出正确的识别结果。在模型识别过程中，Android 程序通过inferenceInterface.feed（） 接口将模型输入节点、名称、图像大小等固定，确定模型状态为推理，将必要的输入内容提供完毕后，使用inferenceInterface.run（） 来运行推理模型，得到模型预测结果，最后使用inferenceInterface.fetch（） 对模型的输出进行处理，获得各类别预测概率，再结合类别文件，找出最大概率类别并输出。结果输出模块为展示模块，主要功能是将模型运行得到的结果展示到APP 主界面中，通过弹出新窗口展示拍摄获得的图像或点选相册使用的图像、识别结果及概率，其中当模型概率低于80% 时，会提示识别的目标类别可能不在本模型使用的香花油茶无性系数据库中。由于模型直接使用PC 端训练的模型，因此可实现与PC 端模型一致的识别准确率。

香花油茶无性系果实品种识别APP 主界面如图7 所示。其中，左上角的闪电图标为闪光灯按钮，点按后出现相关可选项，分别为关闭、自动、打开、常亮，调整后会变成对应闪光灯状态，右上角的使用说明图标为APP 使用说明文档按钮，中间的非黑色区域为摄像机预览，左下角的中空圆形图标为相册图像选取按钮，在选取相册图像后会切换为相册图像预览，下方的白色圆形为图像拍摄按钮，点按后会调用相机模块进行图像拍摄，右下角带有翻转线条的圆形图标为前置、后置相机调整按钮，点按后会从后置相机切换到前置相机或从前置相机切换到后置相机。

香花油茶无性系果实品种识别APP 的识别结果展示界面如图8 所示。该界面会展示识别图像缩放图、模型预测的最可能结果及相应概率，点击左侧继续按钮可以进行下一轮识别，点击右侧退出按钮会关闭APP。

3 结论与讨论

本研究中对将深度学习应用于香花油茶品种识别的可行性进行了探究，采用GoogLeNet-V3 模型对20 个香花油茶品种的果实进行识别，同时进行精度验证。结果表明：GoogLeNet-V3 模型的宏观F1 值和微观F1 值分别达到89.22% 和94.29%，能满足识别油茶品种的要求；GoogLeNet-V3 模型的识别准确率、召回率分别为89.13%、89.31%，识别效果较好；在保证单设备数据采集量的条件下，使用更多设备采集数据能较多提高模型的鲁棒性；基于香花油茶无性系果实品种识别模型构建的移动端识别APP 能取得较高的识别准确率。总体来说，使用该模型能对香花油茶果品种进行识别。

3.1 果实特征识别的影响因素

光照、环境、遮挡等因素均会对果实图像的识别造成影响[25]。本研究中对在自然环境下采集的香花油茶果图像进行品种识别研究，面临着复杂的背景干扰问题，因此选取顺光或阴凉处进行拍摄，以减少光照影响。采用不同智能手机对香花油茶果进行数据采集时，所采集油茶果图像的分辨率、拍摄距离、拍摄角度均存在一定差异，这些差异可能对识别结果产生一定影响，因此研究了使用不同智能手机采集图像对识别效果带来的影响。后续的研究中将使用统一的设备采集各品种的图像，避免使用不同设备采集数据带来的影响。

3.2 果实品种识别的精度

香花油茶品种表型差异小，难以依靠肉眼进行区分，传统识别方法多是依据专家的经验。深度学习方法与人工识别方法相比，具有快速、准确、客观等特点。现有的果实特征识别模型多样，本研究中采用应用广泛的经典模型对香花油茶果进行识别，验证深度学习用于香花油茶品种识别的可行性。基于卷积神经网络的经典图像分类模型有Lenet、AlexNet、VGG、GoogLeNet、ResNet等。通过网络结构的优化，GoogLeNet、ResNet 模型从不同的角度提升了网络层较深时模型的性能，模型适用性较广。使用GoogLeNet、ResNet 模型均能有效识别油茶品种，但GoogLeNet 的识别效果更优，较ResNet 更适用于油茶品种识别[26]。

GoogLeNet[27] 是Google 在2014 年提出的分类网络，通过使用Inception 模块、批归一化方法[28]和辅助分类器，在不改变网络深度和宽度的情况下，减少网络参数，达到提高模型性能的效果。Inception 模块通过使用多尺寸卷积核提取特征并叠加的方法将不同尺度的特征进行融合，在较少参数情况下获得较好的模型拟合效果；InceptionV1 模块通过多个不同大小的卷积核分别提取上层的特征，添加1×1 的卷积核，并将提取的特征叠加传入下层，比传统的单一卷积核有更好的效果，同时减少网络的参数量；在Inception V3[29] 的部分Inception 模块使用2 个3×3 卷积核替代5×5 卷积核，减少了网络的参数量，同时增加了非线性能力，且部分3×3 卷积核被替换为1×3 与3×1组成的非对称卷积核，在进一步减少参数量的同时等效3×3 卷积核功能。批归一化是指将一批数据的输入值减去这批数据的均值再分别除以这批数据的标准差，经处理后能够减少训练过程中内部节点分布的变化，减少网络内部协变量移位，进而加速深度神经网络的训练。为防止网络传播过程中的梯度丢失，GoogLeNet 网络训练增加辅助分类器，帮助传播梯度，同时提供额外正则化，在训练早期辅助分類器并未提高收敛性，因此可以去除较低的辅助分支。因此，本研究中采用GoogLeNet-V3 深度学习框架对香花油茶果进行品种识别研究，通过在自然环境下采集油茶果图像，实现对油茶果图像品种的快速和准确识别。

对模型分类结果进行对比后发现，GoogLeNet-V3 模型的识别准确率及召回率较高，且较低训练数量条件下即可获得较优模型，说明存在减少模型深度而较少降低模型性能的可能性。添加注意力模块[30-31]，调整卷积层、Inception 层结构[32-35]等方法均有助于提升神经网络的识别效果，因此后续将尝试通过添加注意力模块、调整模型结构等方法，减少模型深度，以提高模型的识别速度。

3.3 香花油茶果品种识别移动端APP 的特点

香花油茶果品种识别移动端APP 的优点：针对性强，可识别至无性系品种级别。该移动端APP以香花油茶无性系果实品种识别模型为基础，可准确识别20 种香花油茶的无性系品种，经測试，识别准确率与PC 端模型效果无异。而市面上的“形色”“花伴侣”“花伴侣Pro”“晓草”“识花”等植物识别APP 多为识别至物种级别。香花油茶果品种识别移动端APP 的不足：数据库较小，仅包含20 个香花油茶无性系品种。目前的香花油茶无性系图像数据库较小，仅使用本研究中采集的数据不能保证所有香花油茶无性系的顺利识别，需要采集更多无性系及与香花油茶相似度较高的其他油茶物种的图像增加数据库的容量，以保证香花油茶无性系品种的顺利推广。而市面上的植物图像识别APP 多与官方合作，数据库大，包含的物种多，能满足多数用户的日常需求。

参考文献：

[1] 王金凤， 谭新建， 吴喜昌， 等. 我国油茶产业发展现状与对策建议[J]. 世界林业研究，2020，33（6）：80-85.

WANG J F， TAN X J， WU X C， et al. Development status andsuggestions ofCamellia industry in China[J]. World ForestryResearch，2020，33（6）：80-85.

[2] 李志钢， 马力， 陈永忠， 等. 我国油茶籽的综合利用现状概述[J]. 绿色科技，2018（6）：191-194.

LI Z G， MA L， CHEN Y Z， et al. Study on the comprehensiveutilization of oil-teaCamellia seed[J]. Journal of Green Scienceand Technology，2018（6）：191-194.

[3] 吴潇. 我国油茶产业发展影响因素及趋势预测研究[D]. 北京：中国林业科学研究院，2017.

WU X. Study on influencing factors and trend prediction ofcamellia industry development in China[D]. Beijing： ChineseAcademy of Forestry，2017.

[4] 彭邵锋， 陆佳， 陈永忠， 等. 油茶品种资源现状与良种筛选技术[J]. 经济林研究，2012，30（4）：174-179.

PENG S F， LU J， CHEN Y Z， et al. Current status of varietyresources and selection of improved varieties inCamelliaoleifera[J]. Non-wood Forest Research，2012，30（4）：174-179.

[5] 马锦林， 叶航， 叶创兴. 香花油茶： 山茶属短柱茶组一新种[J]. 广西植物，2012，32（6）：753-755.

MA J L， YE H， YE C X. A new species ofCamellia sect[J].Paracamellia Guihaia，2012，32（6）：753-755.

[6] 刘凯， 周招娣， 王东雪， 等. 5 个油茶物种的耐涝性[J]. 广西林业科学，2013，42（4）：329-332.

LIU K， ZHOU Z D， WANG D X， et al. Flooding tolerance offiveCamellia species[J]. Guangxi Forestry Science，2013，42（4）：329-332.

[7] 周招娣， 张日清， 马锦林， 等. 6 个油茶物种苗期抗旱性的初步研究[J]. 经济林研究，2014，32（2）：53-57.

ZHOU Z D， ZHANG R Q， MA J L， et al. Study on droughtresistance in sixCamellia species at seedling stage[J]. Non-woodForest Research，2014，32（2）：53-57.

[8] 余凯， 贾磊， 陈雨强， 等. 深度学习的昨天、今天和明天[J].计算机研究与发展，2013，50（9）：1799-1804.

YU K， JIA L， CHEN Y Q， et al. Deep learning： yesterday， today，and tomorrow[J]. Journal of Computer Research and Development，2013，50（9）：1799-1804.

[9] 邓立苗， 马文杰. 基于支持向量机的玉米叶片品种识别[J].江苏农业科学，2014，42（6）：372-374.

DENG L M， MA W J. Corn leaf variety recognition basedon support vector machine[J]. Jiangsu Agricultural Sciences，2014，42（6）：372-374.

[10] 翟果， 李志敏， 路文超， 等. 基于图像处理技术的观赏菊品种识别方法研究[J]. 中国农机化学报，2016，37（2）：105-110，115.

ZHAI G， LI Z M， LU W C， et al. Study on varietiesidentification of ornamental chrysanthemum based on imageprocessing[J]. Journal of Chinese Agricultural Mechanization，2016，37（2）：105-110，115.

[11] AVSHALOM K， OSHRIT R， MICHAL D， et al. Development ofa 3D seed morphological tool for grapevine variety identification，and its comparison with SSR analysis[J]. Scientific Reports，2018，8（1）：6545.

[12] 陳文根， 李秀娟， 吴兰. 基于深度卷积网络的小麦品种识别研究[J]. 粮食储藏，2018，47（2）：1-4，13.CHEN W G， LI X J， WU L. Research on wheat varietyidentification based on deep convolution network[J]. GrainStorage，2018，47（2）：1-4，13.

[13] 王立国， 王丽凤. 结合高光谱像素级信息和CNN 的玉米种子品种识别模型[J]. 遥感学报，2021，25（11）：2234-2244.

WANG L G， WANG L F. Variety identification model for maizeseeds using hyperspectral pixel-level information combinedwith convolutional neural network[J]. National Remote SensingBulletin，2021，25（11）：2234-2244.

[14] 李浩. 基于深度学习的鲜茶品种识别研究[D]. 合肥： 安徽农业大学，2020.

LI H. Research on fresh tea type recognition based on deeplearning[D]. Hefei： Anhui Agricultural University，2020.

[15] 石洪康， 田涯涯， 杨创， 等. 基于卷积神经网络的家蚕幼虫品种智能识别研究[J]. 西南大学学报（ 自然科学版），2020，42（12）：34-45.

SHI H K， TIAN Y Y， YANG C， et al. Research on intelligentrecognition of silkworm larvae races based on convolutionalneural networks[J]. Journal of Southwest University （NaturalScience Edition）， 2020，42（12）：34-45.

[16] HOWARD A G， ZHU M L， CHEN B， et al. MobileNets：efficient convolutional neural networks for mobilevision applications[J/OL]. Computer Vision and PatternRecognition，2017[2022-05-20]. https：//doi.org/10.48550/arXiv.1704.04861.

[17] PEREIRA C S， MORAIS R， REIS M J C S. Deep learningtechniques for grape plant species identification in naturalimages[J]. Sensors，2019，19（22）：4850.

[18] KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNetclassification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[19] 曾庆扬， 丁楚衡， 谷战英， 等. 基于BP 神经网络的油茶产量预测模型构建[J]. 经济林研究，2022，40（3）：87-95.

ZENG Q Y， DING C H， GU Z Y， et al. BuildingCamelliaoleifera yield prediction model based on BP neural network[J].Non-wood Forest Research，2022，40（3）：87-95.

[20] 陈伟文， 邝祝芳， 王忠伟. 基于卷积神经网络的种苗病害识别方法[J]. 中南林业科技大学学报，2022，42（7）：35-43.

CHEN W W， KUANG Z F， WANG Z W. Method of seeddisease recognition based on convolutional neural network[J].Journal of Central South University of Forestry & Technology，2022，42（7）：35-43.

[21] ABADI M， BARHAM P， CHEN J M， et al. TensorFlow： asystem for large-scale machine learning[C]// Proceedings ofthe 12th USENIX conference on operating systems design andimplementation. Savannah， GA， USA： USENIX Association，2016：265-283.

[22] 杨杏丽. 分类学习算法的性能度量指标综述[J]. 计算机科学，2021，48（8）：209-219.

YANG X L. Survey for performance measure index ofclassification learning algorithm[J]. Computer Science，2021，48（8）：209-219.

[23] SOKOLOVA M， LAPALME G. A systematic analysis ofperformance measures for classification tasks[J]. InformationProcessing & Management，2009，45：427-437.

[24] 尹孟征. 基于Android 的APP 开发平台综述[J]. 通信电源技术，2016，33（4）：154-155，213.

YIN M Z. Summary of APP development platform based onAndroid[J]. Telecom Power Technology，2016，33（4）：154-155，213.

[25] 张习之. 基于卷积神经网络的自然光照下油茶果识别技术研究[D]. 长沙： 中南林业科技大学，2019.

ZHANG X Z. The research on image recognition technologyofCamellia in the natural light based on convolutional neuralnetwork[D]. Changsha： Central South University of Forestry &Technology，2019.

[26] 尹显明， 棘玉， 张日清， 等. 深度学习在基于叶片的油茶品种识别中的研究[J/OL]. 南京林业大学学报（ 自然科学版），2023[2023-04-24]. http：//kns.cnki.net/kcms/detail/32.1161.S.20230316.1000.006.html.

YIN X M， JI Y， ZHANG R Q， et al. Research on recognitionofCamellia oleifera leaf varieties based on deep learning[J].Journal of Nanjing Forestry University （Natural SciencesEdition），2023[2023-04-24]. http：//kns.cnki.net/kcms/detail/32.1161.S.20230316.1000.006.html.

[27] SZEGEDY C， LIU W， JIA Y Q， et al. Going deeper withconvolutions[C]//Proceedings of the IEEE conference oncomputer vision and pattern recognition. Boston： IEEE，2015：1-9.

[28] IOFFE S， SZEGEDY C. Batch normalization： acceleratingdeep network training by reducing internal covariate shift[C]//Proceedings of International Conference on Machine Learning.Lille： IEEE，2015：448-456.

[29] SZEGEDY C， VANHOUCKE V， IOFFE S， et al. Rethinking theinception architecture for computer vision[C]//Proceedings of theIEEE conference on computer vision and pattern recognition. LasVegas： IEEE，2016：2818-2826.

[30] 崔曉晖， 陈民， 陈志泊， 等. 基于注意力机制的林木物候期识别方法[J]. 中南林业科技大学学报，2021，41（7）：11-19.

CUI X H， CHEN M， CHEN Z B， et al. Forest phenologyrecognition method based on attention mechanism[J]. Journalof Central South University of Forestry & Technology，2021，41（7）：11-19.

[31] 刘敬爱， 王宇红. 基于改进GoogLeNet 卷积神经网络的冰箱食材检测算法研究[C]// 第41 届中国控制会议论文集. 合肥：中国自动化学会控制理论专业委员会，2022：7846-7851.

LIU J A， WANG Y H. Research on refrigerator food detectionalgorithm based on improved GoogLeNet convolutionalneural network[C]//Proceedings of the 41st Chinese ControlConference. Hefei： Technical Committee on Control Theory ofChinese Association of Automation，2022：7846-7851.

[32] 宋晨勇， 白皓然， 孙伟浩， 等. 基于GoogLeNet 改进模型的苹果叶病诊断系统设计[J]. 中国农机化学报，2021，42（7）：148-155.

SONG C Y， BAI H R， SUN W H， et al. Design of apple leafdisease diagnosis system based on GoogLeNet improvedmodel[J]. Journal of Chinese Agricultural Mechanization，2021，42（7）：148-155.

[33] 曹林杰， 任德均， 任秋霖， 等. 基于改进GoogLeNet 的玻璃安瓿瓶微孔检测[J]. 四川大学学报（ 自然科学版），2022，59（5）：052002.

CAO L J， REN D J， REN Q L， et al. Microhole detection of glassampoule based on improved GoogLeNet[J]. Journal of SichuanUniversity （Natural Science Edition），2022，59（5）：052002.

[34] 潘卫军， 冷元飞， 吴天祎， 等. 基于改进GoogLeNet 的飞机尾流快速识别[J]. 兵器装备工程学报，2022，43（7）：38-44.

PAN W J， LENG Y F， WU T Y， et al. Rapid identification ofaircraft wake based on improved GoogLeNet[J]. Journal ofOrdnance Equipment Engineering，2022，43（7）：38-44.

[35] 李少佳， 胡美振， 陳辉东， 等. 基于轻量化GoogLeNet 模型的轨道扣件缺陷状态识别[J]. 北京联合大学学报，2023，37（1）：6-12.

LI S J， HU M Z， CHEN H D， et al. Rail fastener defect statusidentification based on lightweight GoogLeNet model[J]. Journalof Beijing Union University，2023，37（1）：6-12.

[ 本文编校：闻 丽]