我国作为世界林业大国,拥有的植物资源极为丰富,为了对其更好地研究,植物分类方法的研究至关重要。植物物种识别对鉴定新物种、维持生态系统平衡以及发展生产力具有非常重要的作用。采用深度学习的方法对植物图像分类,需要通过大规模样本训练,不需要人工设计从而自动学习到特征,减小了工作量,提高了植物分类的工作效率。论文针对植物视频图像序列,采用深度学习方法,对植物样本自动提取特征(形状、纹理和颜色等),训练出植物物种分类神经网络模型;然后通过模型提取包含植物特征的视频关键帧,从而达到对含有多个植物信息的视频进行识别并抽取植物物种图像信息。首先,使用随机剪裁、镜面翻转和亮度随机变化等图像增强方法构建丰富数据集,并将数据去均值与规范化后作为神经网络的输入,防止网络过度学习随机噪声,提高模型鲁棒性,充分发挥深度学习的优势。然后,使用MobileNet进行迁移学习,全局均值池化层代替全连接层,并新加入一层512维的全连接层,提高网络表达能力,缩短学习进程,增加模型的可用性,这点对移动端的实时分类很重要。最后,将算法模型移植到移动端,设计一个快速有效的植物物种识别系统,并测试了植物分类识别的准确率。论文在模型训练添加样本时随机对样本进行图像增强,提高了模型的学习效率,并使用损失函数加权的方法解决了植物样本中难易分类的不平衡问题。通过400个国内常见植物的视频对本方法进行了测试,识别准确率达到96.2%,证明了算法的有效性。本系统为植物爱好者及研究人员提供了快速有效的植物识别工具,为青少年提供能够提高植物物种识别技能的教育工具,加强保护植物的意识,具有很好的实用价值。