Automated Multi-Class Classification of Plant Seedling Species Using Deep Convolutional Neural Networks

方法

Kaggle幼苗数据集，图像预处理与数据增强，自定义四层CNN。

发现

数据增强将验证准确率从78%提升至90%，形态相似类间仍易混淆。

机会点

可探索更强特征提取或细粒度识别方法，解决形态相似幼苗的混淆问题。

及时、准确地识别植物幼苗对精准农业具有重要意义，尤其对于作物早期监测和杂草管理至关重要。人工识别幼苗往往耗时、主观且容易出错，尤其是当植物物种在早期生长阶段表现出相似的视觉特征时。本研究提出了一种面向应用的深度学习框架，基于一个紧凑的四层自定义卷积神经网络（CNN），用于植物幼苗图像的多类分类。研究采用公开可用的Kaggle植物幼苗分类数据集（包含12种幼苗）进行模型开发与评估。为提高模型泛化能力并减少过拟合，训练过程中系统应用了图像预处理和数据增强技术。所提出的CNN实现了90%的总体分类准确率、0.3837的验证损失以及0.89的宏平均F1分数。数据增强的使用将验证准确率从78%提升至90%，证明了其对分类性能的积极影响。通过精确率、召回率、F1分数和混淆矩阵分析进行的逐类评估显示，模型对视觉特征明显的物种（如野芥菜、常见繁缕和甜菜）表现良好，而大多数误分类发生在形态相似的类别之间。本研究的主要贡献在于开发并实证评估了一个简单、可复现且计算高效的基于CNN的植物幼苗分类流程。结果表明，紧凑型CNN结合适当的预处理和增强技术可为自动化植物监测应用提供实用的性能，同时也凸显了需要更先进的特征提取方法来改善视觉相似物种的分类。