基于卷积神经网络的Phuti Karpas植物叶片识别及其在濒危物种复兴中的应用研究

本研究针对濒危植物Phuti Karpas的精准识别难题，采用AlexNet、Inception、VGG16、MobileNetV2及定制基线模型等CNN架构，构建包含2354张叶片图像的数据集，实现98.9%平均准确率。开发Android应用实现实时识别，为植物分类学与文化遗产保护提供创新工具，推动深度学习在农业与生态领域的应用。

　　

在植物分类学领域，Phuti Karpas曾被认为是灭绝的珍贵棉花品种，其历史可追溯至公元前900年的美索不达米亚地区。这种植物生产的"Muslin"棉布曾是孟加拉的文化象征，但过去200年间因物种消失而绝迹。近年来，通过DNA测序技术从英国博物馆保存的干燥叶片中重新鉴定出该物种，但其野外识别仍面临巨大挑战——传统人工鉴定方法效率低下，且植物叶片易受光照、姿态和季节变化干扰。

为解决这一难题，研究人员开展了一项开创性研究，通过卷积神经网络(CNN)构建自动化识别系统。研究团队收集了2354张叶片图像（含Phuti Karpas和非Phuti Karpas共14类植物），采用AlexNet、InceptionV1、VGG16、MobileNetV2及定制轻量模型进行对比分析。结果显示，AlexNet以99.15%的平均准确率表现最优，而专为移动端设计的基线模型在保持98.9%准确率的同时，模型体积仅13.1MB，推理速度比AlexNet快50倍。最终部署的Android应用实现了田间实时识别，为农学家和保育人员提供了高效工具。该成果发表于《Array》，不仅填补了Phuti Karpas数字识别的技术空白，更为濒危植物保护提供了可复制的深度学习范式。

关键技术方法包括：1) 构建双类别数据集（Phuti/Non-Phuti Karpas）；2) 采用10折交叉验证评估模型性能；3) 使用SGD优化器与0.001学习率训练CNN；4) 通过早停策略（监控验证损失，耐心值20）防止过拟合；5) 开发基于TensorFlow Lite的移动端部署方案。

研究结果
1. 模型性能对比
AlexNet在10折验证中展现出最优稳定性，平均准确率(99.15%)、精确度(99.14%)和召回率(99.16%)均领先。MobileNetV2虽参数最少(2.26M)，但训练过程波动显著，反映小样本数据对深度架构的挑战。

2. 计算效率分析
基线模型在CPU环境单批次处理仅需26ms，较VGG16(2000ms)提升76倍，证实轻量化设计对移动设备的必要性。值得注意的是，所有模型在GPU加速下推理时间均<3ms，凸显硬件适配的重要性。

3. 移动端部署验证
搭载基线模型的Android应用在Xiaomi Mi A1设备上实现秒级识别，准确率保持98%以上，验证了方案的实际可行性。

结论与意义
该研究首次系统评估了CNN在Phuti Karpas识别中的效能，揭示出：1) 中等复杂度模型(AlexNet)在有限数据下表现最优；2) 轻量化设计(MobileNetV2/基线模型)可平衡精度与效率；3) 移动端部署能有效支持野外保育工作。

从科学价值看，研究建立的标准化流程（数据采集→模型优化→移动集成）为其他濒危植物数字化保护提供模板。在社会层面，这项技术将加速Phuti Karpas的种群恢复，助力"Muslin"纺织工艺复兴。未来工作可扩展至多器官识别、病害检测等场景，并探索迁移学习在跨物种应用中的潜力。