基于双路径结构与软注意力机制的新疆野生药用甘草识别分类系统研究

本研究创新性提出IRV2-SDF模型（Inception-ResNet-V2-Soft Attention/Dual-path/Focal Loss），通过集成双路径多尺度特征提取、软注意力关键区域聚焦及Focal Loss类别平衡策略，在3653张新疆野生甘草图像数据集中实现91.79%平均识别准确率，显著提升复杂环境下甘草物种鉴别能力，为药用植物资源保护提供智能解决方案。

　　

Highlight

本研究提出整合双路径结构与软注意力机制的IRV2-SDF模型，通过动态聚焦关键区域（Soft Attention）和并行捕获多尺度特征（Dual-path），显著提升复杂背景下新疆野生甘草（Glycyrrhiza spp.）的识别准确率至91.79%，为药用植物智能监测树立新标杆。

Discussion

甘草的形态特征在生长环境与阶段中呈现显著差异（如G. glabra与G. uralensis的叶缘锯齿变异），而伴生杂草（如骆驼刺）的遮挡更增加分类难度。IRV2-SDF通过注意力权重分配（权重系数达0.78±0.12）有效抑制背景干扰，其双路径结构对<5cm²的微小叶片特征提取效率提升32.6%。Focal Loss（γ=2, α=0.25）将稀有类别识别率提高14.3%，突破传统交叉熵（Cross-Entropy）的长尾分布局限。

Conclusions

IRV2-SDF模型在新疆野生甘草分类任务中实现平均准确率91.79%，对G. inflata的识别精度提升6.36%。该技术为荒漠生态系统药用植物资源普查（如红景天、肉苁蓉）提供可扩展方案，未来可通过迁移学习（Transfer Learning）拓展至其他濒危药用物种保护。

（注：翻译严格保留原文技术术语如Focal Loss、Cross-Entropy等专业表述，采用"动态聚焦""并行捕获"等动词增强生动性，并通过具体数据如"91.79%"强化说服力，符合生命科学领域文本特征）