我国草地面积辽阔,约占国土面积的40%,是世界上草地资源数量最多的国家之一。其中,牧草作为草地资源的重要组成部分,含有多种微量元素以及维生素,是饲养家畜的首选饲料,并作为一种可再生的自然资源,具有一年可以收割多次的特点。对牧草进行快速、准确的分类识别有助于实现草地牧草资源数字化与自动化管理,推动畜牧业以及相关行业的发展。目前,牧草的分类识别主要依靠专家人工识别,耗时费力且结果具有主观性。因此,为了提高牧草分类精度、效率以及草地牧草数字资源信息获取的自动化程度,本论文展开了基于卷积神经网络的牧草种子图像分类识别与牧草景观图像分类识别的相关研究,主要研究内容和结论如下:(1)采集并建立牧草种子图像与牧草景观图像数据集。目前国内外未有完整且公开的牧草图像数据集,实验室自建图像数据库是使用单反数码相机以及手机摄像头人工采集获取的。采集10类禾本科牧草种子图像,包括老芒麦、圆柱披碱草、垂穗披碱草、光穗冰草、蒙古冰草、沙生冰草、大芒鹅观草、多变鹅观草、纤毛鹅观草、鹅观草。采集环境为均匀光源下的固定地点,并统一采用黑色背景。图像的预处理过程包括对原始图像进行几何归一化处理,去除冗余信息并分割实验感兴趣区域。为了保证卷积神经网络训练参数的充足,对种子图像数据通过放射变换与映射变换等方法进行了扩充后建立了牧草种子图像数据集。牧草景观图像库包含5类常见牧草,如无芒雀麦、光穗冰草、蒙古冰草、老芒麦、豆科苜蓿。分别通过不同型号的手机和单反相机,在不同天气情况和牧草不同生长时期进行了拍摄,增加了数据的多样性,为验证模型的鲁棒性提供了依据,并且对实现牧草不同生长状态中的识别具有重要的研究意义。(2)提出基于卷积神经网络的禾本科牧草种子的两种分类识别方法。方法一:通过自建立多层卷积神经网络模型,提取牧草种子图像深度特征,并通过Softmax分类器进行训练与识别,最终识别率可达91.67%。该方法对比其他传统识别方法,如KNN、朴素贝叶斯、SVM等,以LBP纹理特征为分类依据的情况下,识别率平均高出7%-44%,并且模型具有很好的鲁棒性,在训练和测试过程中拟合效果良好。方法二:将VGGNet中的VGG-16模型改进为用于牧草种子图像分类识别的VHS模型。通过特征向量融合并精调参数的迁移学习方法,在不同数据集和参数设置基准下进行模型的训练和测试,得到36组识别结果,最终准确率最高可达94.14%。该模型在相对最佳参数设置下,能够快速达到最优解并且拟合效果良好。(3)提出基于卷积神经网络和铰链正则化损失函数的牧草景观图像的分类识别方法。原有的CNN模型使用的是交叉熵损失函数和Softmax分类器,模型在该方法下,无法适应高学习率,容易出现严重参数溢出现象并导致训练异常终止。为了提高模型训练速度,同时在高学习率下保证模型对数据集的良好鲁棒性和分类准确率,本文首先提出了铰链正则化损失函数,然后在多分类策略下组建多重SVM分类器,并参考了 VGGNet卷积神经网络特征提取层的结构,建立了 VHN牧草景观图像分类模型。最终VHN模型在迁移学习方法和高学习率(最大3)下的分类准确率达到95%,有效提高了模型训练速率,并对牧草景观图像数据集具有良好鲁棒性。同时在相同学习率下,该方法训练速率均高于交叉熵损失函数。