基于深度学习的花卉识别

1、数据集

春天来了，我在公园的小道漫步，看着公园遍野的花朵，看起来真让人心旷神怡，一周工作带来的疲惫感顿时一扫而光。难得一个糙汉子有闲情逸致俯身欣赏这些花朵儿，然而令人尴尬的是，我一朵都也不认识。那时我在想，如果有一个花卉识别软件，可以用手机拍一下就知道这是一种什么花朵儿，那就再好不过了。我不知道市场上是否有这样一种软件，但是作为一个从事深度学习的工程师，我马上知道了怎么做，最关键的不是怎么做，而是数据采集。住所附近就是大型公园，一年司机繁花似锦，得益于此，我可以在闲暇时间里采集到大量的花卉数据。本数据集由本人亲自使用手机进行拍摄采集，原始数据集包含了18万张图片，图片的尺寸为1024x1024，为了方便储存和传输，把原图缩小为224x224。采集数据是一个漫长的过程，因此数据集的发布采用分批发布的形式，也就是每采集够16种花卉，就发布一次数据集。每种花卉的图片数量约为2000张，每次发布的数据集的图片数量约为32000张，每次发布的数据集包含的花卉种类都不一样。目前花卉的种类只有32种，分为两批发布，不过随着时间的推移，采集到的花卉越来越多。这里就把数据集分享出来，供各位人工智能算法研究者使用。以下是花卉数据集的简要介绍和下载地址。
（1）花卉数据集01（数据集+训练代码下载地址）
花卉数据集01，采集自2022年，一共16种花卉，数据集大小为32000张，图片大小为224x224的彩色图像。数据集包含的花卉名称为：一年蓬，三叶草，三角梅，两色金鸡菊，全叶马兰，全缘金光菊，剑叶金鸡菊，婆婆纳，油菜花，滨菊，石龙芮，绣球小冠花，蒲公英，蓝蓟，诸葛菜，鬼针草。数据集的缩略图如下：

(2)花卉数据集02（数据集+训练源码下载地址）
花卉数据集02，采集与2023年，一共16种花卉，每种花卉约2000张，总共32000，图片大小为224x224。数据集包含的花卉有：千屈菜，射干，旋覆花，曼陀罗，桔梗，棣棠，狗尾草，狼尾草，石竹，秋英，粉黛乱子草，红花酢浆草，芒草，蒲苇，马鞭草，黄金菊。数据集缩略图如下：

2、图片分类模型

为了研究不同图片分类模型对于花朵的分类效果，这里分别使用目前主流的23种图片分类模型进行训练，这些模型是resnet18、resnet34、resnet50、resnet101、resnet152、vgg11、vgg13、vgg16、vgg19、mobilenet_v1、mobilenet_v2、mobilenet_v3_large、mobilenet_v3_small、inception_v1、inception_v2、inception_v3、squeezenet、mnist_net、alex_net、lenet、TSL16、ZF_Net。训练代码基于tensorflow 2.3架构，集成以上23种模型，可进行傻瓜式训练。源码下载链接。

3、图片分类模型评估

分别训练了23种模型，图片输入的尺寸为224x224x3。将约64000张图片划分为训练集和测试集，其中测试集占10%，一共6400张，训练集90%，一共57600张。训练充分后，对各种模型进行评估，评估的结果如下表1所示。

表1 模型评估

从表一展示的结果来看，面对32种类别的分类任务，mobilenet系列和inception系列，分类的准确度表现优秀，而且谢谢模型的具有较小的参数量和计算量，比较适合移动端和嵌入式部署。

4、总结

花卉数据集共包括64000张图片，囊括了32种花卉的类别，其中10%为测试集，90%为训练集。图片的大小为224x224，通道数为3。一共使用了23种模型进行训练，通过评估，mobilenet_v1、mobilenet_v3_large、mobilenet_v3_small、inception_v2、inception_v3、AlexNet、ZF_Net几个模型，具有计算量小，分类准确度高的优点，适合移动端和嵌入式的部署。