基于卷积神经网络与特征融合的轻量化树种识别模型MobileSENet构建及应用研究

针对传统人工树种识别效率低、深度学习模型计算量大难以移动端部署的问题，研究人员通过融合混合注意力scSE模块和ELU激活函数改进MobileNetV2，构建MobileSENet模型。利用自建Sztree数据集（含华南12树种近感RGB图像），实现单特征（树皮/叶片/整体）识别准确率91.8%-93.3%，多特征级联融合后提升至95.6%，为林业智能监测提供高效解决方案。

　　

在郁郁葱葱的森林中，准确识别树种如同解开自然的密码——它关乎生物多样性研究、濒危物种保护乃至全球碳汇评估。然而传统林业调查依赖专家目视鉴别，效率低下且主观性强；而基于深度学习的识别方法又陷入两难：复杂的卷积神经网络（CNN）虽精度高，却因参数量庞大难以在手机等移动终端落地；轻量化模型又常牺牲准确性。更棘手的是，现有研究多聚焦单一特征（如仅叶片或树皮），忽略了树木作为立体生命体的多维度信息表达。

这一背景下，华南农业研究团队在《Computers and Electronics in Agriculture》发表突破性成果。他们巧妙改造了轻量级网络MobileNetV2：引入能同时捕捉空间与通道关系的混合注意力scSE模块（spatial and channel Squeeze-and-Excitation），配合消除梯度消失的ELU（Exponential Linear Unit）激活函数，构建出MobileSENet模型。为突破数据瓶颈，团队自建Sztree数据集——包含华南地区12种典型乔木（涵盖针叶林、阔叶林及栽培植被）的叶片、树皮及整体形态近感RGB图像。实验证明，该模型参数量仅为ResNet50的1/3，计算量仅1/4，却实现单特征识别准确率91.8%（树皮）、93.2%（叶片）、93.3%（整体），而通过特征级联融合策略更将准确率推升至95.6%。

关键技术方法
研究采用三阶段技术路线：1）数据采集阶段，通过便携设备获取12树种多平面特征图像构建Sztree数据集；2）模型构建阶段，在MobileNetV2骨干网络中嵌入scSE注意力模块，替换ReLU为ELU激活函数；3）特征融合阶段，采用级联方式整合叶片、树皮及整体形态特征。所有实验均按6:2:2划分训练集、验证集和测试集。

研究结果

数据收集
Sztree数据集覆盖华南植被图谱中三大类群，包含马尾松等典型树种。采集时严格控制光照条件与拍摄角度，确保图像质量一致性。

结果
消融实验显示，单独添加scSE或ELU可使准确率提升1.5-2.1个百分点，而完整MobileSENet较原版MobileNetV2提升达4.3%。横向对比中，MobileSENet在参数量（4.2M vs 23.5M）和FLOPs（0.6B vs 3.8B）显著优于ResNet50，识别速度满足实时性需求。

讨论与结论
该研究首次实现多平面特征协同的轻量化树种识别：1）scSE模块通过空间-通道双注意力机制，使模型聚焦关键特征区域（如叶脉纹理）；2）ELU激活函数缓解梯度消失，提升深层特征表达能力；3）特征级联策略证明树木不同器官的互补性——树皮纹理对松科植物鉴别贡献率达37%，而叶片形态对樟树识别至关重要。值得注意的是，该技术属于近感遥感范畴（识别范围在人类视野内），与卫星遥感形成空间尺度互补。

这项成果为林业普查、生态监测提供了"手机+AI"的创新范式。未来若结合迁移学习技术，有望将模型扩展至全球更多树种。正如研究者所言："当每一部智能手机都能成为树木的‘身份证阅读器’，森林保护将进入全民参与的新时代。"