北方草地植物物种智能识别模型构建及应用

doi:10.11983/CBB24027

植物学报 ›› 2025, Vol. 60 ›› Issue (1): 74-80.DOI: 10.11983/CBB24027 cstr: 32102.14.CBB24027

北方草地植物物种智能识别模型构建及应用

宣晶¹^,²^,^†, 付其迪¹^,^†, 谢淦¹^,²^,^†, 薛凯¹, 雒海瑞¹^,², 魏泽¹, 赵明月¹, 智亮¹, 万华伟³, 高吉喜³, 李敏¹^,²^,^*()

¹中国科学院植物研究所, 大数据与AI生物多样性保护研究中心, 北京 100093
²国家植物园, 北京 100093
³生态环境部卫星环境应用中心, 北京 100094

收稿日期:2024-02-23 接受日期:2024-06-21 出版日期:2025-01-10 发布日期:2024-06-24
通讯作者: * 李敏, 高级工程师, 中国科学院植物研究所大数据与AI生物多样性保护研究中心副主任。致力于物种大数据与人工智能识别应用软件的研发。主持建设了中国植物图像库、iPlant 植物智——中国植物物种信息系统; 研发了“花伴侣”和“花伴侣专业版”等植物智能识别应用产品。拥有软件著作权登记多项。主编《植物星球》和《植物科学数据规范》等图书30余部。相关论文发表在The Innovation、Science Bulletin及Earth System Science Data等期刊。2015年被《中国科学报》评为十大科普人物, 2018年入选“中国科学院关键技术人才”, 2023年获聘中国科学院特聘研究岗位(骨干岗位)。E-mail: iplant@ibcas.ac.cn
作者简介:^†共同第一作者
基金资助:
国家重点研发计划(2021YFB3901102)

An Artificial Intelligence Model for Identifying Grassland Plants in Northern China

Jing Xuan¹^,²^,^†, Qidi Fu¹^,^†, Gan Xie¹^,²^,^†, Kai Xue¹, Hairui Luo¹^,², Ze Wei¹, Mingyue Zhao¹, Liang Zhi¹, Huawei Wan³, Jixi Gao³, Min Li¹^,²^,^*()

¹Big Data and AI Biodiversity Conservation Research Center, Institute of Botany, Chinese Academy of Sciences, Beijing 100093, China
²China National Botanical Garden, Beijing 100093, China
³Satellite Application Center for Ecology and Environment, Ministry of Ecology and Environment, Beijing 100094, China

Received:2024-02-23 Accepted:2024-06-21 Online:2025-01-10 Published:2024-06-24
Contact: * E-mail: iplant@ibcas.ac.cn
About author:^†These authors contributed equally to this paper

1. 附表.pdf(3049KB)

摘要/Abstract

摘要： 近年来, 大量植物图像智能识别相关应用软件被开发出来, 然而这些智能识别软件大多针对全国范围内的常见物种, 无法满足特定区域和特定植被类型的物种识别需求。该研究借助中国植物图像库中的图像数据集, 开发了一个人工智能模型, 用于识别内蒙古呼伦贝尔湿润草原和锡林浩特典型草原的优势和建群植物, 在实际野外测试中种级TOP5识别准确率达94.6%, 为实现特定区域植物物种智能识别提供了一种新方法。

关键词: 草地植物, 人工智能, 图像识别, 呼伦贝尔, 锡林浩特

Abstract: A large number of software applications for plant identification based on plant images have been developed in recent years. However, those applications are mostly used for identifying the common species countrywide, and thus cannot meet the needs of identifying region-specific vegetation types. In this study, we developed an artificial intelligence model for identifying the dominant plants in Hulunbeier and Xilinhot grassland in Inner Mongolia, based on the image datasets in the Plant Photo Bank of China. The Top5 accuracy of this model reaches 94.6% in the actual field identification tests. Our model provides a new method for the intelligent identification of the major plant species in a specific area.

Key words: grassland plants, artificial intelligence, image recognition, Hulunbeier, Xilinhot

宣晶, 付其迪, 谢淦, 薛凯, 雒海瑞, 魏泽, 赵明月, 智亮, 万华伟, 高吉喜, 李敏. 北方草地植物物种智能识别模型构建及应用. 植物学报, 2025, 60(1): 74-80.

Jing Xuan, Qidi Fu, Gan Xie, Kai Xue, Hairui Luo, Ze Wei, Mingyue Zhao, Liang Zhi, Huawei Wan, Jixi Gao, Min Li. An Artificial Intelligence Model for Identifying Grassland Plants in Northern China. Chinese Bulletin of Botany, 2025, 60(1): 74-80.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.chinbullbotany.com/CN/10.11983/CBB24027

https://www.chinbullbotany.com/CN/Y2025/V60/I1/74

图/表 3

图1 人工智能识别训练流程图

Figure 1 Flowchart of artificial intelligence recognition training

图2 216种草地植物识别模型(A)和15K智能识别模型(B)识别野外拍摄草地植物的准确率

Figure 2 The accuracy of 216 species grassland plants intelligent recognition model (A) and 15K intelligent recognition model (B) in identifying grassland plants captured in the field

图3 草地植物智能识别手机应用程序界面

Figure 3 Cell phone application interface for intelligent recognition of grassland plants

参考文献 16

[1]	Cerutti G, Tougne L, Mille J, Vacavant A, Coquin D (2013). Understanding leaves in natural images—a model-based approach for tree species identification. Comput Vis Image Underst 117, 1482-1501.
[2]	Grinblat GL, Uzal LC, Larese MG, Granitto PM (2016). Deep learning for plant identification using vein morphological patterns. Comput Electron Agric 127, 418-424.
[3]	Joly A, Goëau H, Botella C, Glotin H, Bonnet P, Vellinga WP, Planqué R, Müller H (2018). Overview of LifeCLEF 2018: a large-scale evaluation of species identification and recommendation algorithms in the era of AI. In: Bellot P, Trabelsi C, Mothe J, Murtagh F, Nie JY, Soulier L, SanJuan E, Cappellato L, Ferro N, eds. CLEF 2018: Experimental IR Meets Multilinguality, Multimodality, and Interaction. Cham: Springer. pp. 247-266.
[4]	Kumar N, Belhumeur PN, Biswas A, Jacobs DW, Kress WJ, Lopez IC, Soares JVB (2012). Leafsnap: a computer vision system for automatic plant species identification. In:Fitzgibbon A, Lazebnik S, Perona P, Sato Y, Schmid C, eds. Computer Vision-ECCV 2012. Lecture Notes in Computer Science 7573. Berlin, Heidelberg: Springer. pp. 502-516.
[5]	LeCun Y, Bengio Y, Hinton G (2015). Deep learning. Nature 521, 436-444.
[6]	Ledford H (2017). Artificial intelligence identifies plant species for science. Nature doi: 10.1038/nature.2017.22442.
[7]	Liu ZL, Gao K, Tan Y, Dai SL, Song XB (2017). Identification of chrysanthemum cultivars based on unfolding image with LBP texture feature. In: Advances in Ornamental Horticulture of China 2017. Chengdu: Ornamental Horticulture Professional Committee, Chinese Society for Horticultural Science, National Engineering Research Center for Floriculture. pp. 167-173. (in Chinese)
	刘芷兰, 高康, 田野, 戴思兰, 宋雪彬 (2017). 基于展开图像LBP纹理的菊花品种识别. 见: 中国观赏园艺研究进展2017. 成都: 中国园艺学会观赏园艺专业委员会, 国家花卉工程技术研究中心. pp. 167-173.
[8]	Liu ZL, Wang J, Tian Y, Dai SL (2019). Deep learning for image-based large-flowered chrysanthemum cultivar recognition. Plant Methods 15, 146. DOI PMID
[9]	Nguyen TH, Nguyen TL, Sidorov DN, Dreglea AA (2018). Machine learning algorithms application to road defects classification. Intel Decis Technol 12, 59-66.
[10]	Seeland M, Rzanny M, Boho D, Wäldchen J, Mäder P (2019). Image-based classification of plant genus and family for trained and untrained plant species. BMC Bioinformatics 20, 4. DOI PMID
[11]	Szegedy C, Loffe S, Vanhoucke V, Alemi A (2016a). Inception-v4, inception-ResNet and the impact of residual connections on learning. In: Singh S, Markovitch S, eds. AAAI'17: Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence. San Francisco: AAAI Press. pp. 4278-4284.
[12]	Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z (2016b). Rethinking the inception architecture for computer vision. In:Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE. pp. 2818-2826.
[13]	Wang J, Tian YK, Zhang RS, Liu ZL, Tian Y, Dai SL (2022). Multi-information model for large-flowered chrysanthemum cultivar recognition and classification. Front Plant Sci 13, 806711.
[14]	Xu ZH, Liu SY, Zhao Y, Tu WQ, Chang ZF, Zhang ET, Guo J, Zheng D, Geng J, Gu GY, Guo CP, Guo LL, Wang J, Xu CY, Peng C, Yang T, Cui MQ, Sun WC, Zhang JT, Liu HT, Ba CQ, Wang HQ, Jia JC, Wu JZ, Xiao C, Ma KP (2020). Evaluation of the identification ability of eight commonly used plant identification application softwares in China. Biodivers Sci 28, 524-533. (in Chinese)
	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 (2020). 国内8款常用植物识别软件的识别能力评价. 生物多样性 28, 524-533. DOI
[15]	Zhang RS, Tian Y, Zhang JM, Dai SL, Hou XG, Wang J, Guo Q (2021). Metric learning for image-based flower cultivars identification. Plant Methods 17, 65. DOI PMID
[16]	Zhang YH, Feng QS, Liang TG, Gao XH, Huang XD, Sun DW, Wu AD (2023). Introducing a grassland resource survey and intelligent analysis system. Pratacultural Science 40, 2171-2178. (in Chinese)
	张勇辉, 冯琦胜, 梁天刚, 高新华, 黄晓东, 孙德伟, 吴安东 (2023). 草地资源调查与智能分析系统简介. 草业科学 40, 2171-2178.

北方草地植物物种智能识别模型构建及应用

An Artificial Intelligence Model for Identifying Grassland Plants in Northern China

RichHTML

PDF (PC)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价

[1]	陶婷, 张薇, 曾威, 郑聪聪, 高树琴, 张晓博, 蒋祥泰, 李裕如, 常传昊, 邵灵玉, 张玉成. 人工智能驱动下智慧种植发展建设研究[J]. 植物学报, 2026, 61(4): 1-0.
[2]	王美丽鲁方博罗万闯陈尧银永安赵婧蒋霓蒋浩高树琴. 人工智能驱动的作物表型解析：进展与挑战[J]. 植物学报, 2026, 61(4): 0-0.
[3]	方博, 高树琴, 段世名, 马慧敏, 赵洪龙, 蒋浩, 杨艳敏, 龙隆, 贺祖光, 张玉成, 郑聪聪. AI4Root：人工智能驱动的植物根系研究进展[J]. 植物学报, 2026, 61(4): 1-0.
[4]	闫慧莉, 秦雅婷, 周运转, 张怀, 李斌峰, 公保南加, 张生燕, 许文秀, 宋晓彦, 何振艳. 人工智能在离子逆境适生种质创新中的发展与应用[J]. 植物学报, 2026, 61(4): 1-0.
[5]	纪林, 邓宸迅, 王丽凤, 王德港, 王建涛, 于永永, 张军国. 基于Diff-SCC模型的偏态分布野生动物识别方法[J]. 生物多样性, 2026, 34(2): 25256-.
[6]	谢淦, 宣晶, 付其迪, 魏泽, 薛凯, 雒海瑞, 高吉喜, 李敏. 草地植物多样性无人机调查的物种智能识别模型构建[J]. 生物多样性, 2025, 33(4): 24236-.
[7]	卢晓强, 董姗姗, 马月, 徐徐, 邱凤, 臧明月, 万雅琼, 李孪鑫, 于赐刚, 刘燕. 前沿技术在生物多样性研究中的应用现状、挑战与展望[J]. 生物多样性, 2025, 33(4): 24440-.
[8]	武慧, 俞乐, 杜贞容, 赵强, 戚文超, 曹越, 王金洲, 申小莉, 孙尧, 马克平. 基于遥感监测的《昆蒙框架》执行进展快速评估: 路径与展望[J]. 生物多样性, 2025, 33(3): 24526-.
[9]	吴昱萱, 王平, 胡晓生, 丁一, 彭甜恬, 植秋滢, 巴德木其其格, 李文杰, 关潇, 李俊生. 呼伦贝尔草地退化现状评估与植被特征变化[J]. 生物多样性, 2025, 33(2): 24118-.
[10]	孔祥飞, 丁强, 王国全, 黄国华, 田哲豪, 王新谱, 佟一杰, 宋志顺, 张晓宁, 李卫海, 韩辉林, 李文亮, 聂瑞娥, 杨海东, 杨星科, 刘梅柯, 孙永明, 崔亚琴, 杨美霞, 刘宁, 路园园, 李盼盼, 白明. “SITE-100”中国样地昆虫多样性监测研究进展[J]. 生物多样性, 2025, 33(12): 24323-.
[11]	安家宁, 张长春, 王建涛, 裴志永, 白丹丹, 张军国. 融合对抗解耦与特征对齐的野生动物图像开集域适应方法[J]. 生物多样性, 2025, 33(12): 25283-.
[12]	周宣宏, 杨军. AI和LLMs在生物多样性保护研究和实践中的应用与挑战[J]. 生物多样性, 2025, 33(10): 25179-.
[13]	姚博, 陈云, 曹雯婕, 龚相文, 罗永清, 郑成卓, 王旭洋, 王正文, 李玉强. 呼伦贝尔退化沙地植被-土壤碳氮磷互馈关系及微生物驱动机制[J]. 植物生态学报, 2025, 49(1): 59-73.
[14]	巴苏艳, 赵春艳, 刘媛, 方强. 通过虫体花粉识别构建植物‒传粉者网络: 人工模型与AI模型高度一致[J]. 生物多样性, 2024, 32(6): 24088-.
[15]	李柏灿, 张军国, 张长春, 王丽凤, 徐基良, 刘利. 基于TC-YOLO模型的北京珍稀鸟类识别方法[J]. 生物多样性, 2024, 32(5): 24056-.