基于图像分类器的森林地衣现场识别有效性研究：深度学习模型的应用与性能评估

本综述系统评估了传统人工神经网络（ANN）与深度学习模型（如VGG16、VGG19、ResNet50）在地衣图像分类中的性能，提出迁移学习结合多层感知器（MLP）可显著提升复杂图像信息的分类准确率（最高达86.6%），为生物多样性监测提供高效技术方案。

　　

Section snippets

Related work

Chaudhary等人（2012）提出了一种基于简单算法的快速精确叶片面积测量方法，通过破坏性和非破坏性模型进行图像分割与叶片面积测量。在分割过程中，预处理图像被划分为多个分区并转换为数字格式。研究对数码相机拍摄的JPEG图像进行RGB到CIELAB色彩空间的阈值转换。Singh与Misra（2017）开发了植物叶片病害检测系统。

Study site and experimental data collection

本研究使用两个独立的地衣数据集：一个来自印度泰米尔纳德邦Sirumalai保留森林及喀拉拉邦Santhanpara的实地采集样本，另一个源自美国农业部森林服务局（USDA Forest Service）的开放获取地衣图像数据库。

印度境内（特别是喜马拉雅山脉和西高止山脉）及全球范围内对陆地景观中地衣多样性的研究已较为充分，但针对保留森林地衣的研究仍相对有限。

Results

地衣数据源自国家森林系统（NFS）和森林清查与分析计划（FIA）。传统方法处理了来自NFS和FIA数据集的119个地衣样本，涵盖5种地衣体（Thallus）类型和25个科。基于颜色模型的前馈神经网络（Feed-Forward Neural Networks）分类在地衣科的分类中达到76.6%准确率。补充数据提供了完整的图像数据集及其对应类别标签。

Discussion

地衣学家通常依赖显微技术、化学方法与分子分类学工具进行现场地衣识别与分类。然而，结合数字图像处理技术及地衣数字库的信息技术手段，可显著简化分类流程。目前地衣学领域尚未确立最优神经网络模型用于现场识别。多数研究采用手工特征描述符（handcrafted descriptors），而本研究通过迁移学习与多层感知器（MLP）的整合，证明了其在处理复杂图像信息时的卓越有效性。

Experimental validation

地衣作为最具探索价值且结构复杂的生物体，其特性研究高度依赖于准确、快速的物种区分。地衣的复杂结构使其分类过程极具挑战性（Culberson与Kristinsson, 1970）。基于Awasthi（2000）和Upreti等人（2015）的研究，地衣可根据地衣体形态（如叶状、枝状、壳状等）与化学成分为主要区分依据。

Conclusion

地衣图像分类面临巨大挑战：图像颜色、纹理、尺寸差异显著，且背景信息复杂。多数地衣体类型和目级分类的图像样本稀缺。本研究通过两种方法应对该问题：第一种基于颜色特征与人工神经网络（ANN），第二种采用生成式增强工具扩充样本后，利用迁移学习模型（VGG16、VGG19、ResNet50）进行多分类。结果显示ResNet50模型灵敏度（>0.99）与精确度最高，地衣体类型分类准确率达86.6%，目级分类达80%。地衣目Laccanorals中的枝状地衣体类型在所有模型中均表现最佳分类性能。