用于自动识别的深度学习算法需要大量精确标记的图像，才能产生可靠的分类结果。本文，作者探索何种视角及其组合包含更多的特征信息，从而使识别精度更高。

数据采集概述：101个物种均从5个角度拍摄，每个物种重复100次。

完整的观察草本和非草本植物的示例

作者开发了一个图像捕捉方案来观察开花植物。每一个观察都包含了从预先定义的角度(全植物、花的正面和侧面视图、叶的顶部和背面视图)观察同一个体的五个原位图像。作者收集了一个完全平衡的数据集，其中包括101个物种的100个观察结果，重点关注同种和视觉上相似的物种群，包括12个禾本科物种。我们使用该数据集训练卷积神经网络，并通过分数级融合来确定每个视角及其组合的预测精度。当跨物种平均时，前1名的准确度范围在77%(整个植物)和97%(所有视角的融合)之间。花正面视图达到最高精度（88％）。融合花的正面，花侧面和叶顶视图在采集结果和准确性方面产生最合理的折衷（96％）。实现最高准确度的视角取决于物种。

a.准确度作为组合视角数量的函数。每个数据点代表b中所示的一个组合。b.对每个透视图和所有可能的组合的平均精确度。

整个数据集的分类精度，以及草本和非草本植物分类精度。图例中数据集旁边的数字表示所使用的训练图像的数量

结果表明，草本植物的图像数据库将受益于多器官观察，至少包括花正面和侧面视图及叶顶视图。

关键词：多器官植物分类、卷积神经网络、深度学习、植物图像、机器视觉

来源：Plant Methods.Flowers, leaves or both? How to obtain suitable images for automated plant identification.Michael Rzanny, Patrick Mäder, Alice Deggelmann, Minqian Chen and Jana Wäldchen.https://doi.org/10.1186/s13007-019-0462-4