编辑推荐：
在花卉物种识别难题上，研究人员开展基于 Sobel 滤波器和受限玻尔兹曼机（RBM）的 SRB-VGG19 模型研究。结果显示，该模型分类准确率高达 98.65%，且能抵御数据中毒攻击，为花卉识别及数字农业深度学习模型安全提供有效方案。
在植物的缤纷世界里，花卉的种类繁多且各具特色。但要准确识别不同的花卉，却并非易事。一方面，花卉物种间存在极大的变异性，许多花卉在外观上极为相似，这给识别工作带来了巨大挑战。另一方面，传统的识别方法，如通过互联网搜索、查阅花卉参考书籍等，效率低下且准确性难以保证。当前的自动计算机视觉系统在花卉识别方面也存在不足，依赖手动设计的方法适应性差，在复杂环境下表现不佳。此外，随着深度学习技术在数字农业中的应用日益广泛，恶意用户对深度学习模型的攻击风险也在增加，数据中毒攻击可能导致模型预测错误，严重影响数字农业的发展。因此，开发一种高效且能抵御攻击的花卉物种识别方法迫在眉睫。
为了解决这些问题，来自印度帕尼马拉工程学院（Panimalar Engineering College）、阿曼科技应用大学（University of Technology and Applied Sciences）、印度喀拉拉数字科学创新与技术大学（Kerala University of Digital Sciences, Innovation and Technology）、阿富汗卡尔丹大学（Kardan University）以及印度可爱专业大学（Lovely Professional University）的研究人员展开了深入研究。他们提出了一种名为 Sobel Restricted Boltzmann VGG19（SRB-VGG19）的模型，该研究成果发表在《Scientific Reports》上。
研究人员在这项研究中运用了多种关键技术方法。首先，利用 Sobel 滤波器对花卉图像进行处理，通过计算图像中每个像素的强度梯度，提取出图像的边缘特征，形成 Sobel 滤波图像。接着，将 Sobel 滤波图像输入受限玻尔兹曼机（RBM）神经网络，通过无监督学习生成 RBM Component Vectorized Flower 图像（RBMCV）。然后，从多种现有卷积神经网络（CNN）模型中筛选出分类效果较好的 VGG19 和 DenseNet 模型，并对其进行微调，设计出 SRB-VGG19 FCL 和 SRB-VGG19 Dense 模型。最后，为了应对数据中毒攻击，采用快速梯度符号法（FGSM）在模型中添加对抗噪声层（ANL），构建了 SRB-VGG19 Dense ANL 模型。
下面来看具体的研究结果：
- 数据集准备与特征提取：研究人员从公开的花卉识别 KAGGLE 数据集中收集了 4250 张花卉图像，涵盖雏菊、蒲公英、向日葵、郁金香和玫瑰 5 个类别，每个类别 850 张。利用 Sobel 滤波器和 RBM 神经网络对图像进行处理，生成 RBMCV 图像，这些图像仅包含花卉的关键边缘特征，为后续的分类提供了有效数据。
- 最佳 CNN 模型的选择：将训练图像与多种现有 CNN 模型进行拟合，包括 DenseNet、AlexNet、LeNet、VGG19、ResNet、Inception 和 Xception 等。实验结果表明，VGG19 和 DenseNet 对花卉物种的分类准确率超过 80%，因此选择这两个模型进行微调，以设计 SRB-VGG19 FCL 和 SRB-VGG19 Dense 模型。
- SRB-VGG19 模型的设计与性能分析：
- SRB-VGG19 FCL 模型：该模型首先通过 Sobel 滤波器和 RBM 将输入图像转换为 RBMCV 图像，然后经过五个卷积块处理生成 RBMCV 花卉特征图。接着，利用由三个密集层组成的全连接层（FCL）对重要特征图进行处理，生成优化的 RBMCV 特征图。最后，通过 SoftMax 层进行分类，该模型在花卉物种分类上的准确率达到了 95.53%。
- SRB-VGG19 Dense 模型：同样先将输入图像转换为 RBMCV 图像，经过五个卷积块处理后，再通过两个密集块对 RBMCV 花卉特征图进行处理，生成优化的 RBMCV 特征图。该模型添加的四层密集块由四个卷积块串联组成，有效克服了梯度消失问题，最终分类准确率高达 98.65%，优于其他现有模型。
- FGSM 攻击下的模型性能与安全对策：为了测试模型对数据中毒攻击的抵御能力，研究人员使用 FGSM 方法生成对抗噪声样本，并将其输入到 SRB-VGG19 Dense ANL 模型中。通过改变 FGSM 噪声样本的梯度和扰动幅度，分析模型的防御准确率。结果显示，在不同梯度和扰动幅度下，模型的准确率虽有波动，但仍保持在较高水平，证明该模型对 FGSM 攻击具有一定的抵御能力。
在研究结论与讨论部分，研究人员成功实现了通过分析花卉图像的关键特征和边缘来对花卉物种进行分类。研究的主要贡献包括利用 Sobel 滤波器和 RBM 神经网络进行有效的数据预处理，优化密集块并添加到 SRB-VGG19 Dense 模型中，对 VGG19 和 DenseNet 进行微调设计出 SRB-VGG19 模型，以及通过设计 SRB-VGG19 Dense ANL 模型来应对数据中毒 FGSM 攻击。与当前的深度学习模型相比，SRB-VGG19 Dense 模型在花卉物种分类上表现出更高的准确率，达到 98.65%。同时，SRB-VGG19 Dense ANL 模型在面对 FGSM 攻击时，性能下降程度较小，具有较好的鲁棒性。然而，研究也面临一些挑战，如在数据预处理过程中选择最优 CNN 模型以提高模型准确性，以及调整 ANL 层以适应高梯度、误差函数和优化器等问题。未来的研究可以进一步验证系统性能，探索更多类型的数据中毒攻击，为数字农业中花卉物种识别和深度学习模型的安全应用提供更有力的支持。
总的来说，这项研究为花卉物种识别提供了一种新的有效方法，不仅提高了识别准确率，还增强了模型对攻击的抵御能力，对推动数字农业发展具有重要意义。
