国内8款常用植物识别软件的识别能力评价
1, 刘诗尧1, 赵莹1, 涂文琴1, 常诏峰1, 张恩涛1, 郭靖1, 郑迪1, 耿鋆1, 顾高营1, 郭淳鹏1, 郭璐璐1, 王静1, 徐春阳1, 彭钏1, 杨腾1, 崔梦琪1, 孙伟成1, 张剑坛1, 刘皓天1, 巴超群1, 王鹤琪1, 贾竞超1, 武金洲1, 肖翠2, 马克平 ,2,*
Evaluation of the identification ability of eight commonly used plant identification application softwares in China
Zhanhui Xu1, Shiyao Liu1, Ying Zhao1, Wenqin Tu1, Zhaofeng Chang1, Entao Zhang1, Jing Guo1, Di Zheng1, Jun Geng1, Gaoying Gu1, Chunpeng Guo1, Lulu Guo1, Jing Wang1, Chunyang Xu1, Chuan Peng1, Teng Yang1, Mengqi Cui1, Weicheng Sun1, Jiantan Zhang1, Haotian Liu1, Chaoqun Ba1, Heqi Wang1, Jingchao Jia1, Jinzhou Wu1, Cui Xiao2, Keping Ma ,2,*
Abstract
Smart phone and artificial intelligence technology development has led to various plant recognition softwares on mobile applications. These applications have gradually entered all aspects of public life, popular science activities, and scientific research activities. Presently, there are many plant recognition apps in China, which have varying development purposes and application scopes. Among these differences include variation in software concerns, database sources, algorithms, and hardware which could implicate large discrepancies between apps, making it important to analyze and evaluate the accuracy, scope of application and potential use of each software. In this paper, eight apps were selected to identify 400 accurately identified plant photos, 100 photos being chosen from arid and semi-arid zones, temperate zones, tropical zones, and subtropical zones, respectively. In total, these photos belong to 122 families, 164 genera and 340 species, covering five growth forms of trees, shrubs, herbs, herbaceous vines and woody vines, as well as 23 national protected plant species. Accurate identification of species, genera and families was scored 4, 2 and 1 points, respectively. The software recognition ability was sorted according to total scores, and the results are as follows: HuaBangZhu, Baidu-Shitu, HuaBanLv, XingSe, Huahui-Shibie, Zhiwu-Shibie, Faxian-Shihua, Flower Recognition.
Keywords：Plant recognition software;HuaBangZhu;Baidu-Shitu;HuaBanLv;XingSe;Huahui-Shibie;Zhiwu-Shibie;Faxian-Shihua;Flower recognition
引用本文
许展慧, 刘诗尧, 赵莹, 涂文琴, 常诏峰, 张恩涛, 郭靖, 郑迪, 耿鋆, 顾高营, 郭淳鹏, 郭璐璐, 王静, 徐春阳, 彭钏, 杨腾, 崔梦琪, 孙伟成, 张剑坛, 刘皓天, 巴超群, 王鹤琪, 贾竞超, 武金洲, 肖翠, 马克平.
Zhanhui Xu, Shiyao Liu, Ying Zhao, Wenqin Tu, Zhaofeng Chang, Entao Zhang, Jing Guo, Di Zheng, Jun Geng, Gaoying Gu, Chunpeng Guo, Lulu Guo, Jing Wang, Chunyang Xu, Chuan Peng, Teng Yang, Mengqi Cui, Weicheng Sun, Jiantan Zhang, Haotian Liu, Chaoqun Ba, Heqi Wang, Jingchao Jia, Jinzhou Wu, Cui Xiao, Keping Ma. Evaluation of the identification ability of eight commonly used plant identification application softwares in China. Biodiversity Science, 2020, 28(4): 524-533 doi:10.17520/biods.2019272
利用计算机技术进行植物种类识别是最近30年的事情。国外的研究机构已经有过一些相关的分析和研究, 国内利用计算机技术进行植物种类识别起步比较晚, 在20世纪90年代中期才开始进行相关的研究, 并开始尝试将这方面的技术应用在农业生产领域①（①张岩 (2017) 植物花朵识别系统的设计与实现. 硕士学位论文, 华中科技大学, 武汉.）。
在开发植物识别软件的初期, 识别对象主要是植物叶片, 多为基于关系结构匹配、统计学和机器学习的识别方法(张宁和刘文萍, 2011)。植物叶片具有的扁平叶面结构在拍照处理、特征提取和技术建模上具有优势, 但缺点是叶片的性状不稳定, 易受环境影响, 且不同物种因为适应环境可能会出现相似的性状。相比之下, 花是植物更为稳定的性状, 因此以花朵为依据进行植物的分类识别更加可靠, 也是植物识别app的发展趋势。随着深度学习(deep learning)理论的发展, 卷积神经网络(convolutional neural networks)逐渐推广应用, 早期出现的过拟合问题在一定程度上得到解决。随着机器学习方法应用更加广泛, 植物识别器官也扩展到花、果实和种子等(张宁和刘文萍, 2011)。
早期的植物识别软件主要安装在PC端, 有不便携带、费用高、难以普及等局限。在手机端植物识别软件出现之前, 有些高校开发出了一些局部地区植物识别软件, 如浙江农林大学“校园植物通”结合校园地图记录了校园内2,500多种植物, 可先识别植物的位置, 再分析植物的特征, 从数据库中提取植物的信息(张健捷等, 2017)。但这只能满足查询、记录的功能, 利用定位信息从数据库中提取结果, 严格来说算不上真正意义的识别。北京林业大学的学生团队利用误差反向传播(back propagation, BP)神经网络技术开发了植物叶片识别系统——百叶通客户端, 取得了较好的效果, 但其识别的植物种类依然很有限(钟刚亮等, 2015)。张玉琢和李柏依(2016)设计了云计算与移动终端结合的植物远程快速识别系统, 即通过上传植物图像至云服务器, 将其与叶片标准库中的图像进行比对以识别植物, 取得了一定的成果。王礼等(2018)基于iOS操作系统设计了一款利用叶片识别观赏植物的应用程序, 并选取了浙江农林大学校园内的8种常见观赏植物进行测评, 发现平均识别率为92%, 平均用时2.6 s。
在技术成熟之后, 国外开发了一批相对优秀但关注点各不相同的手机应用软件。Pl@ntNet是2009年以来由Agropolis Foundation支持的植物生物多样性研究和教育计划。该计划开发的植物识别功能完全免费公开, 同时支持Web端和手机端(https:// identify.plantnet.org/)。其中手机端app名为PlantNet Plant Identification, 可识别大约20,000种有花植物和蕨类植物(http://play.google.com/store/apps/details? id=org.plantnet&hl/)。Leafsnap是第一个使用自动视觉识别植物的移动应用程序, 可离线使用。它由哥伦比亚大学、马里兰大学和史密森学会于2011年合作开发, 该软件可利用花朵、果实、叶柄、种子和树皮的照片来识别树木(http://leafsnap.com/ about/)。该系统用计算机视觉组件分割叶的形态、提取多尺度上代表叶轮廓曲率的特征, 以此对植物加以识别(Kumar et al, 2012)。Leafsnap分英国版本和美国版本, 能识别英国的156种树种, 美国东北部的185种树种, 关于英国、美国的物种信息较全面, 包括生长型、栖息地类型、开花时间和分布等(http:// leafsnap.com/dataset/; https://www.nhm.ac.uk/take-part/ identify-nature/leafsnap-uk-app.html)。PlantSnap软件于2012年面世, 识别类型涵盖花卉、树木、蘑菇、多肉植物, 目前该软件数据库中有625,000多种, 并将持续把更多物种添加到训练算法中(https:// www.plantsnap.com/)。2015年, LikeThat Garden发布, 除植物外, 该app还可识别蝴蝶。识别完成后, 可跳转维基百科, 提供更详尽的物种信息, 同时还有带定位分享结果的功能(https://appadvice.com/app/ likethat-garden-flower-identification/)。
在我国, 植物识别app的发展离不开互联网创业公司“互联网+”创新思维, 与国家在中国科学院 “一三五”规划中提出的建设“90个国家花卉种质资源库”、中国科学院植物研究所部署的“数字植物与物种快速鉴定”等项目也密切相关①（①林心怡 (2017) 我国植物辨识科普发展研究. 硕士学位论文, 西北农林科技大学, 杨凌.）。2010年12月13日, 百度识图测试版上线, 这是百度公司推出的一项搜索相似图片的服务。用户可以上传本地图片或输入图片的url地址来进行搜索, 随后百度公司把百度识图与百度图片搜索集成。百度识图不仅具有相同/相似图像搜索、全网人脸搜索等功能, 也能够辨别植物。对于识别的植物, 直接跳转百度百科, 可获得更详尽的描述。这也是最初使用百度网站识别植物的方法。截至目前, 百度识图只是百度App上的一个子功能, 没有独立的手机移动端应用, 但其仍具有相当大的潜力。2015年8月, 形色上线。形色App由杭州睿琪软件有限公司与中国自然标本馆(CFH)合作开发, 其他合作单位还有中国科学院植物研究所和中国科学院上海辰山植物园等(李珉葶, 2017)。除了鉴别花卉, 形色还为用户搭建了一个功能更丰富的社交平台。形色App的识别结果包括植物种属、花语、植物价值、植物养护等, 同时还有景点推荐、热点话题和鉴定求助等功能(王加希, 2019)。2016年9月, 微软识花上线, 其关注点主要集中在花卉识别。它由微软亚洲研究院和中国科学院植物研究所携手研发, 应用深度学习技术, 基于中国科学院植物研究所的260万张花的鉴定照片对机器识别模型进行训练。特别的是, 它是一款离线应用, 可在无法连接互联网的场所使用。2016年10月, 鲁朗软件有限公司与中国科学院植物研究所合作, 利用数百万张植物彩色照片开发的植物识别app花伴侣上线, 这是一款基于大数据和深度学习算法的产品, 拥有数量庞大的学习训练图片和可靠的分类学信息(王桢和何建勇, 2017), 以中国植物图像库海量植物分类图片为基础, 可识别5,000种常见植物(李敏, 2018)。花帮主是一款定位为“养花者的大本营”的软件, 与花伴侣为同一团队所运行, 包含养花问题解答、园艺知识和相关资讯播报等功能, 亦有着较高的识别率, 并且对温带地区的野外植物具有识别优势。
随着智能手机的快速普及, 基于深度学习的新一代植物识别算法不断完善, 促成多个植物识别app面世。深度学习技术在植物识别中的应用过程中, 训练算法所用的图片质量与算法本身的优劣同样重要, 而高像素、大内存的智能手机满足了这一要求。总体而言, 促成当前植物识别软件快速发展的条件有4个: (1)海量且准确鉴定的植物图片; (2)先进的人工智能算法; (3)良好的存储和运算能力以及网络传输能力; (4)高性能智能手机的快速普及。智能手机及其应用程序可以替代许多传统的手持式传感器、计算器和数据存储设备。
但各个app的服务定位及功能各有侧重, 识别能力也有所差异。本文选取了8款国内目前较热门的植物识别app, 希望对它们的识别能力进行基本的分析与评价。
1 数据来源与方法
1.1 数据来源
将中国植被区划的8个区域中植物区系相对相似的区域归并, 选择温带区(包括寒温带针叶林区、温带针阔混交林区和暖温带落叶阔叶林区)、亚热带区(亚热带常绿阔叶林区)、热带区(热带雨林、季雨林区)和干旱半干旱区(温带草原区和温带荒漠区) 4个区。然后, 在中国自然标本馆网站(http://www.cfh.ac.cn/)分别从每个区选择100张图片作为基本数据集, 用以比较不同软件的植物识别能力。为了便于更多人可进行重复测试, 已将鉴定准确的400张照片上传至NSII服务器(http://www.nsii.org.cn/2017/testPhoto.php/)。这些照片共计有植物122科164属340种, 以野生种为主, 少量栽培植物。在400张照片中, 有乔木98张, 灌木99张, 草本180张, 木质藤本13张, 草质藤本10张。根据国家重点保护野生植物名录, 这400张照片中包含国家一、二级保护植物图片23张。
1.2 研究方法
测试时间为2019年3月。识别测试的基本单元为照片, 无空白对照, 无重复, 仅记录每张图片首次识别的结果。移动端识别分为本地识别和远程识别, 在此采用本地识别的方法。首先选出测试所用的软件: 从国内的应用商店优化(App Store Optimization)网站以“植物识别”为搜索关键词, 比较了七麦数据(https://www.qimai.cn/)、蝉大师(https://www. chandashi.com/)以及德普优化(https://www.deepaso. com/) 3个应用商店优化网站的结果后, 选取了与关键词相关性较强、下载量较大、评分相对较高的7款软件, 加上具有百度识图功能的百度App, 总计8款软件, 即花伴侣、形色、花帮主、百度识图、微软识花、植物识别、花卉识别、发现识花。第二步, 整理待识别植物的物种名及科名和属名的中文名与拉丁名。第三步, 将4个区的共400张图片存入手机相册。最后, 用选取的8款软件分别对图片进行识别, 控制测试环境(网络环境、手机内存足够)的统一, 记录识别结果的中文名、拉丁名、科名和属名。每个识别软件都会给出中文种名, 但由于植物的中文种名很多存在同物异名现象, 因此对不一致的中文种名需要核实其拉丁名。对于识别结果中没有拉丁名的植物, 以中国植物志网站(http://frps.iplant.cn/)上检索出的拉丁名为准。
大部分识别软件的识别结果并不具唯一性, 会有多个备选结果, 对于这样的情况, 选择其中可能性最高的作为识别的结果。将结果整理成表格, 按照计分标准记录各软件对每种植物的识别得分。
1.3 分析方法
以照片为测试的基本单元, 按照生物分类阶元识别的难易程度赋予不同的分值: 识别结果精确到种, 计4分, 精确到属, 计2分, 精确到科, 计1分, 识别错误则计0分。种是最重要的分类阶元, 还可与现实存在的物种一一对应, 故正确识别到种得分最高
在获得8款软件对每一张照片的识别结果后, 记录具体分值, 将每个软件的具体分值相加, 进行如下排序: 总得分排序、不同气候研究区的识别结果得分排序、对不同生长型的识别结果排序。对于各软件针对不同生长型以及国家一、二级重点保护植物识别到科、属、种的结果用比例来表示(因为样本中5种生长型的数量不同), 再进行比较和排序。
2 结果
2.1 总得分排序
从总体的识别结果来看, 花帮主得分最高, 其次是百度识图、花伴侣、形色, 这4款app的得分较高且比较接近, 与其余4款相比有较明显的差异(图1)。在排名较后的4款app中, 花卉识别与植物识别的得分较接近, 而与发现识花和微软识花有比较明显的差异。
图1
图1 国内8款常用植物识别软件总得分排序
Fig. 1 Total score ranking of eight commonly used plant identification application softwares in China
2.2 对不同气候区图片的识别结果
对于干旱半干旱区、温带、亚热带、热带这4个不同的气候区, 除了亚热带区外, 均是花帮主的得分最高(图2)。而百度识图在亚热带区表现最佳, 且在其他地区得分也较高。8个app在干旱半干旱区的得分均低于其他3个区。在识别准确率最高的4款软件中, 花帮主表现最佳, 但在亚热带区, 其识别准确率却排在百度识图、花伴侣、形色之后。百度识图在4个区的表现都较稳定。花伴侣与形色也在4个区都有较高的识别率, 且在亚热带区表现较好, 在其他区的表现次于花帮主和百度识图。
图2
图2 国内8款常用植物识别软件在气候区的得分排序
Fig. 2 Score ranking by climate zone of eight commonly used plant identification application softwares in China
就单个软件来说, 花帮主在4个区的得分都较高, 其中识别效果最佳的是在温带区; 百度识图在4个区的得分也较高, 且更为均衡, 其中识别效果最佳的是在亚热带区; 花伴侣的得分仅次于花帮主和百度识图, 在温带区、亚热带区表现均较好; 形色的整体得分较高, 在热带和亚热带区表现最好; 微软识花、植物识别、花卉识别、发现识花这4款app表现最好的区分别是: 温带以及干旱半干旱区、温带区、热带区(图2)。
2.3 对于不同生长型的识别结果
对不同生长型的识别结果进行比较发现, 花伴侣、形色、花帮主、百度识图对乔木、灌木、草本、木质藤本、草质藤本5种生长型的识别得分更高, 且4款app间的分差别不大, 总体而言以花帮主略占优势, 形色稍逊于其他3款。微软识花、植物识别、花卉识别、发现识花虽得分不如上述4款app, 但也有一定的识别效果, 其中, 植物识别、花卉识别的识别效果要好于微软识花和发现识花(图3)。
图3
图3 国内8款常用植物识别软件对于不同生长型的识别结果得分
Fig. 3 Score of identification result of eight commonly used plant identification application softwares in China for different growth forms
对于乔木的识别, 花伴侣、形色、花帮主、百度识图4款app正确识别(即识别到种)的比例在50%左右, 以花帮主的53%为最高。微软识花、植物识别、花卉识别、发现识花的比例较低, 有比例为0%的情况出现。比较乔木识别到属、科的比例, 8款app的差距减小, 微软识花、植物识别、花卉识别、发现识花这4款app仍具备一定的识别效果, 其中植物识别、花卉识别的比例较高。其他生长型的识别情况与乔木的大致相同: 灌木正确识别(即识别到种)比例最高的为花帮主(54%); 草本为花伴侣(43%); 木质藤本为百度识图(54%); 草质藤本为百度识图(70%)(图4a)。其中, 在对草质藤本的识别中, 形色表现也较好: 识别到种的比例为60%, 而识别到属和科的比例均为100% (图4b、c)。从图中分析, 在本测试中, 表现较好且较稳定的app为花帮主和百度识图。
图4
图4 国内8款常用植物识别软件对于不同生长型识别到种(a)、属(b)、科(c)的比例
Fig. 4 Identification results of eight commonly used plant identification application softwares in China for different growth forms (a) Ratio of species identified; (b) Ratio of genus identified; (c) Ratio of family identified.
2.4 对国家级保护植物的识别结果
从识别比例来分析, 花帮主对于国家一、二级保护植物的正确识别(识别到种)比例得分最高, 花伴侣、形色次之。对于识别到科的比例, 百度识图最高, 为83%, 花伴侣、形色、花帮主的比例相等。花卉识别、植物识别、发现识花、微软识花4款app的正确比例相对较低。其中, 微软识花的3项数据均为0, 即科属种全部识别错误(图5)。
图5
图5 国内8款常用植物识别软件对国家级保护植物(共23张图片)的识别结果
Fig. 5 Identification results of eight commonly used plant identification application softwares in China for national protected plants (23 pictures in total)
3 讨论
3.1 识别结果分析
本文所测试的8款app均为目前在教育、科研以及科普方面应用较广、用户下载量较大的软件, 每款app都具有丰富的图片资源和算法支持。对识别软件来说, 植物分类图像库是最为核心和重要的资源, 图像库中图片的数量和质量十分关键, 同时算法和硬件也是重要因素之一。除此之外, 测试环境也可以决定识别的结果, 手机品牌、系统、性能、内存、照片背景颜色、相机分辨率、光线、拍摄角度等等都会导致或大或小的差异(袁银等, 2018)。本测试仅控制了手机性能、手机内存、网络环境、拍摄角度、图片质量等因素, 故只能部分地反映各个app的识别能力。
在本测试中, 花帮主、百度识图、花伴侣、百度识图这4款app识别结果的准确率较高, 但对于不同气候区、不同生活型的植物, 识别结果略有差异, 总体来说, 花帮主表现最好。值得注意的是, 智能识别是一个自我学习和自我修正的系统, 准确率提升依赖于数据的丰富性, 也就是说用户量越大, 数据积累越丰富, 模型更新得越快, 系统的识别能力也会随之提高。花帮主、百度识图、花伴侣和形色研发较早, 占据了较大的市场份额, 用户范围也相对较广。此外, 相对而言, 百度识图拥有比其他识别软件更庞大的图像数据资源, 其数据资源来自整个互联网, 没有倾向性。
从4个气候区的得分情况来看, 干旱半干旱区最低。根据王礼等(2018)的观点, 植物识别app的识别系统往往依托庞大的植物数据库, 采用人工智能识别技术, 但其植物识别过程较粗放、不精细, 可能是因为过于庞大的数据库反而容易产生误差, 导致识别结果不够准确。
值得注意的是, 花帮主软件本身的关注点在于园艺花卉, 但在本次测试中其识别准确率却高于由同一团队开发的关注点为华北野花的花伴侣, 其中原因有待探究。此外, 微软识花是唯一一款可以离线使用的软件, 但在本次测试中准确率是8款中最低的。
3.2 植物识别app的局限性
值得指出的是, 虽然植物识别app的使用使鉴别植物变得更简单, 降低了植物分类学知识积累的门槛, 但它们只是识别植物的一种辅助手段, 一方面是因为植物识别app的准确率尚待提高, 另一方面是它们始终不能取代植物学家。因为识别软件的算法与传统的分类学、形态学的原理始终不同, 所以对于学者来说, 扎实掌握分类学的知识和原则是准确判断植物种类的关键。对于学生和爱好者而言, 如果没有系统扎实的分类学基础, 当植物识别app给出易混淆的识别结果的时候, 容易被误导, 也难以纠错。
4 展望
4.1 识别软件可应用的领域
植物识别app可在高校植物学、树木学、生态学等一些课程教学、科研项目训练中推广。对许多农林院校来说, 校园内信息不全的挂牌、简单的记录或查询系统已经不能满足系统学习植物分类学的需要, 此时植物识别软件可派上用场。植物识别app有灵活、便携、直观、反馈快速等优点, 可作为老师课堂教学内容的补充。在第十届应用信息学远程学习国际科学会议上, Vesely (2014)等展示了将新型的基于互联网的系统应用于植物学教学的成果。经过持续22周的观察, 总结了园艺专业大学生植物识别能力的提升情况, 研究者发现, 创建一个可持续的基于互联网的学生教育平台是可行的。在野外实习时, 植物识别app也可帮助学生快速且较准确地识别植物。植物识别app还为学生利用碎片化时间学习植物的相关知识提供了条件, 也可激发同学们的学习兴趣, 拓宽视野。根据测评结果, 在教学活动中, 优先推荐花帮主、百度识花、花伴侣以及形色。
植物系统分类学是其他生命科学分支的基础, 对于研究物种的适应、进化、生理、地理分布和保护等均具有重要意义。植物识别软件可以帮助科研工作者快速识别植物, 即便有时识别精度不够, 但仍然是一个为科研工作者减轻负担、提高效率的方法。在森林资源清查中, 生物多样性普查是非常重要的一个方面。广东有3,000多个地块, 过去工作人员只能通过拍摄图片请专家识别, 而植物识别软件的应用大大提高了工作效率(王桢和何建勇, 2017)。广东森林资源调查规划院在2017年的森林资源连续清查工作中使用了花伴侣。同时, 植物大数据平台能够为生态监测、物种多样性调查、珍稀濒危植物保护、区域物种分布、野生植物资源调查和利用等提供数据支撑。从上述不同气候区、不同生活型以及对国家一、二级保护植物的识别结果来看, 优先推荐花帮主和百度识花。
公众科学(citizen science)是指全部或部分由业余(或非专业)爱好者进行的科学研究。它是一种以协同合作方式进行的科学活动, 具有开放、协作、公共的特点。中国的公众科学方兴未艾, 而智能手机的普及拓宽了其发展道路。
植物识别软件可作为知识传播和辅助科学研究的重要工具。近年来, 我国公众科学素质呈现不断上升的趋势, 从互联网上获取科技信息的公众数量越来越多, 通过互联网传播科学信息也逐渐成为向民众普及科学知识以及教育的重要手段①（①姬洪瑜 (2015) 基于iPad平台的植物科普应用软件的设计与实现. 硕士学位论文, 北京林业大学, 北京.）。植物识别软件的科普及社交版块为用户快速入门提供了可能。它能让用户熟悉身边的植物, 对自然产生兴趣。尤其是针对珍稀濒危植物的识别, 可帮助用户形成物种保护的意识。
数据的收集和分类是公众科学的重要内容。目前在生物学、生态学研究中, 有大量有关鸟类、蝴蝶、天文学、珊瑚礁的数据来自公众科学(张健等, 2013)。与此同时, 公众科学和社交网络工具的出现促成了自然观察网络平台的诞生, 如e-bird (https:// ebird.org/home), inaturalist (https://www.inaturalist.org/), tela botanica (https://www.tela-botanica.org/), 这些公众科学网站已十分成熟并有自主开发的app。再如xeno canto (https://www.xeno-canto.org/)和ispot (https: //www.ispotnature.org/)这两个网站则拥有成熟的植物识别网络社区, 甚至提供在线公开课(Joly et al, 2016)。植物物种信息可以作为一个新的方向, 植物识别软件有望成为相关领域的高质量数据的主要来源, 为决策者和科学家提供帮助, 大量节省时间、成本。同时, 公众科学还能增加普通民众对科学的参与感, 使其不再高不可攀。基于总体的识别结果, 优先推荐花帮主、百度识图、花伴侣和形色。
在2017年北京智慧园林论坛上, 吴安东在题为《大数据+AI图像识别技术在园林行业应用探索》的演讲中提出, 像花伴侣这样的植物识别软件, 除了对普通市民起到科普工具的作用外, 对于公园风景区以及农林业的一线工作人员都能产生价值。
对于园林工作者来说, 通过植物识别软件了解植物的开花时间、习性、分布区等信息, 可帮助他们选择适合的园林绿化、园林造景植物。对于园林的游览者来说, 了解当季的花卉、植物的名称、寓意、物候信息可提升园林游赏体验。普通民众不仅可以知晓植物的物候, 还可以拍摄和上传照片/视频, 帮助管理者掌握第一手信息(王桢, 2017)。从测试结果和软件本身的属性来看, 优先推荐科普功能较齐全的形色和花帮主。
4.2 识别软件发展趋势及优化途径
可以预见, 植物识别软件将有更多作为, 其功能将不断完善并广泛应用于各个领域。各个识别软件应着眼于扩大图像库的数据量、优化算法、拓展功能、优化用户体验, 吸引更多用户。如百度的“AI植物园计划”已经与5所国内知名植物园达成合作意向, 并落地“百度探花郎”产品, 兼顾拍照识花、全景科普以及智能导览三大功能。国外的iNaturalist开发出不同语言的网络版本, 广泛搜集生物图片及其地理分布信息, 已成为生物多样性信息学研究的有力工具。
植物识别软件功能还可以更具针对性, 增强应用性。如开发适合不同地区(如保护地)和专门用途(如植物标本鉴定、花粉/孢粉鉴定)的植物识别软件; 与野外植物考察结合, 实现识别与记录同步(如中国科学院昆明植物所研究开发的Biotracks); 与其他生物类群识别整合, 开发综合的生物识别软件(如中国科学院动物研究所的“生物记”)。在农业上, 可开发出识别常见病虫害的功能, 帮助农民解决难题; 在物种保护领域, 可着眼于对珍稀、濒危和重要资源植物的识别; 在生物安全领域, 可用软件识别有害生物, 如外来入侵种等。随着植物识别软件功能变得更全面、识别变得更智能, 我们可以便捷地了解身边的一草一木, 并为保护环境、发展产业和丰富生活做出贡献。
附录 Supplementary Material
附录1 国内8款常用植物识别软件的主要特点比较
Appendix 1 Comparison of the main characteristics of eight commonly used plant identification application softwares in China under evaluation
附录2 测评所用的400张植物图片
Appendix 2 400 pictures used for evaluation
附录3 测评所用的照片对应的植物名录
Appendix 3 A list of plants corresponding to the photographs used for the evaluation
附录4 国内8款常用植物识别软件的识别结果统计表
参考文献
[1]
Cao XY, Sun WM, Zhu YX, Qian X, Li XY, Ye N (2018)
Plant image recognition based on family priority strategy
Journal of Computer Application, 38(11), 195-199. (in Chinese with English abstract)[本文引用: 1]
[曹香滢, 孙卫民, 朱悠翔, 钱鑫, 李晓宇, 业宁 (2018)
基于科优先策略的植物图像识别
计算机应用, 38(11), 195-199.][本文引用: 1]
[2]
Joly A, Bonnet P, Goeau H, Barbe J, Selmi S, Champ J, Kowalski SD, Affouard A, Carre J, Molino JF, Boujemaa N, Barthelemy D (2016)
A look inside the Pl@ntNet experience
Multimedia Systems, 22, 751-766.[本文引用: 1]
[3]
Kumar N, Belhumeur PN, Biswas A, Jacobs DW, Kress WJ, Lopez I, Soares JVB (2012) Leafsnap: A computer vision system for automatic plant species identification. In: European Conference on Computer Vision (eds Fitzgibbon A, Lazebnik S, Perona P, Sato Y, Schmid C), pp. 502-516. Springer-Verlag, Berlin.
[本文引用: 1]
[4]
Li M (2018)
“flower partners”: A new medium of knowledge service in the era of artificial intelligence
Publishing Reference, (8), 23-24. (in Chinese)[本文引用: 1]
[李敏 (2018)
“花伴侣”: 人工智能时代知识服务的新媒介
出版参考, (8), 23-24.][本文引用: 1]
[5]
Li MT, Zhang JT, Lei YH (2017)
Influence analysis of Chinese plant science popularization app based on user demand—A case study of “HuabanLv” App
Science and Technology Communication, 9(22), 211-213. (in Chinese)[本文引用: 1]
[李珉葶, 张健涛, 雷耀华 (2017)
基于用户需求的国内植物类科普app影响力分析——以花伴侣App为例
科技传播, 9(22), 211-213.][本文引用: 1]
[6]
Vesely O, Vild O, Stastny J (2014) A novel approach for the increase in student’s learning motivation. In: DIVAI 2014: The 10th International Scientific Conference on Distance Learning in Applied Informatics, pp. 529-536. Wolters Kluwer, Sturovo.
[本文引用: 1]
[7]
Wang JX (2019)
Research on the communication effect of “huajian” article on shape-color App based on “5W” communication mode. Audio-Visual
142(2), 131-132. (in Chinese).[本文引用: 1]
[王加希 (2019)
基于“5W”传播模式对形色App“花间”文章传播效果的探究
视听, 142(2), 131-132.][本文引用: 1]
[8]
Wang L, Hong ZB, Fang LM, Chen X, Wu C (2018)
Plant leaf recognition technology based on image analysis
Journal of Zhejiang A & F University, 35, 900-907. (in Chinese with English abstract)[本文引用: 2]
[王礼, 洪祖兵, 方陆明, 陈珣, 吴超 (2018)
基于iOS系统的观赏植物识别
浙江农林大学学报, 35, 900-907.][本文引用: 2]
[9]
Wang Z, He JY (2017)
“HuaBanLv”: Put the encyclopedia of plants into pocket
Greening and Life, (10), 30-33. (in Chinese)[本文引用: 3]
[王桢, 何建勇 (2017)
花伴侣: 把“植物大百科”装进小口袋
绿化与生活, (10), 30-33. ][本文引用: 3]
[10]
Yuan Y, Huang ZQ, Ding SF, Liu YJ, Feng ZJ (2018)
Research on sampling method of plants based on big data analysis
Modern Agricultural Science and Technology, (3), 149-151. (in Chinese with English abstract)[本文引用: 1]
[袁银, 黄稚清, 丁释丰, 刘永金, 冯志坚 (2018)
基于大数据分析的植物标本取样方法研究
现代农业科技, (3), 149-151.][本文引用: 1]
[11]
Zhang J, Chen SB, Chen B, Du YJ, Huang XL, Pan XB, Zhang Q (2013)
Citizen science: Integrating scientific research, ecological conservation and public participation
Biodiversity Science, 21, 738-749. (in Chinese with English abstract)DOI:10.3724/SP.J.1003.2013.12113 URL [本文引用: 1]
Citizen science, also known as “public participation in scientific research”, is defined as scientific activities in which non-professional scientists participate as volunteers in data collection, analysis and dissemination within a scientific project. With the advent of the information age, citizen science projects, especially in ecological conservation and environmental monitoring, are rapidly expanding our knowledge of the world around us, and contributing to management and policy decisions. Citizen science projects can be classified into five types of models: contractual, contributory, collaborative, co-created and collegial projects. In China, public participation in science related activities has had a long history, but current contributions in citizen science are limited because of relatively low public participation, and the weaknesses in data quality control, data management and analysis. Recently, citizen science has been applied to bird watching and plant monitoring, with some positive and negative experiences. To better increase citizen science activities and enhance such contributions to academic research, improvements are urgently required in financial support, the development of project platforms, the application of new technology, and international collaboration. We believe that the enhancement of citizen science will greatly promote the development of ecological conservation, environmental monitoring and related research fields. To help with this we have established a platform for China citizen science projects (http://www.gongzhongkexue.org) to promote communication and cooperation among scientists, governments, other organizations and the public.
[张健, 陈圣宾, 陈彬, 杜彦君, 黄晓磊, 潘绪斌, 张强 (2013)
公众科学: 整合科学研究、生态保护和公众参与
生物多样性, 21, 738-749.]DOI:10.3724/SP.J.1003.2013.12113 URL [本文引用: 1]
Citizen science, also known as “public participation in scientific research”, is defined as scientific activities in which non-professional scientists participate as volunteers in data collection, analysis and dissemination within a scientific project. With the advent of the information age, citizen science projects, especially in ecological conservation and environmental monitoring, are rapidly expanding our knowledge of the world around us, and contributing to management and policy decisions. Citizen science projects can be classified into five types of models: contractual, contributory, collaborative, co-created and collegial projects. In China, public participation in science related activities has had a long history, but current contributions in citizen science are limited because of relatively low public participation, and the weaknesses in data quality control, data management and analysis. Recently, citizen science has been applied to bird watching and plant monitoring, with some positive and negative experiences. To better increase citizen science activities and enhance such contributions to academic research, improvements are urgently required in financial support, the development of project platforms, the application of new technology, and international collaboration. We believe that the enhancement of citizen science will greatly promote the development of ecological conservation, environmental monitoring and related research fields. To help with this we have established a platform for China citizen science projects (http://www.gongzhongkexue.org) to promote communication and cooperation among scientists, governments, other organizations and the public.
[12]
Zhang JJ, Guo JH, Wang ZZ, Wang PB, Wu XS (2017)
“Campus Plants”, Design and development of the plant-recognize software—Take Donghu campus of Zhejiang Agricultural and Forestry University as an example
South Agricultural Machinery, 48(5), 80-81. (in Chinese)[本文引用: 1]
[张健捷, 郭建辉, 王志真, 王拼搏, 吴小双 (2017)
“校园植物通”定位识别软件设计与研发——以浙江农林大学东湖校区为例
南方农机, 48(5), 80-81.][本文引用: 1]
[13]
Zhang N, Liu WP (2011)
Plant leaf recognition technology based on image analysis
Application Research of Computers, 28, 4001-4007. (in Chinese with English abstract)[本文引用: 2]
[张宁, 刘文萍 (2011)
基于图像分析的植物叶片识别技术综述
计算机应用研究, 28, 4001-4007.][本文引用: 2]
[14]
Zhang YZ, Li BY (2016)
Remote rapid recognition method for plants
Journal of Computer Applications, 36(S2), 206-209. (in Chinese with English abstract)[本文引用: 1]
[张玉琢, 李柏依 (2016)
植物远程快速识别的方法
计算机应用, 36(S2), 206-209.][本文引用: 1]
[15]
Zhong GL, Wang Q, Li MR, Lu Y (2015)
Know-It-All—A recognition system of leaves
Internet of Things Technologies, 5(12), 6-7. (in Chinese)[本文引用: 1]
[钟刚亮, 王强, 李梦如, 卢遥 (2015)
百叶通——植物叶片识别系统
物联网技术, 5(12), 6-7.][本文引用: 1]
相关知识
国内8款常用植物识别软件的识别能力评价
中科院植物所专家测评国内8款常用植物识别软件
8款·国内植物识别APP，看看哪家更准确？
形色植物识别软件
识别花草的软件哪个最准确 好用的识别植物app软件大全
识别花草的软件叫什么 可以识别植物app推荐
花草识别软件下载,花草识别软件下载官方版 v1.1.2
识别花卉用什么软件，这三个工具识别花卉植物扫一扫就行
花卉识别软件哪个最好?花卉识别软件免费下载
花伴侣植物识别软件官方下载
网址: 国内8款常用植物识别软件的识别能力评价 https://m.huajiangbk.com/newsview123703.html
| 上一篇: 常见药用花卉（二） |
下一篇: 花医生app |
