竹类植物是禾本科竹亚科植物的总称,全球共有竹类约有88属1400多种,竹林面积3700多万公顷,主要分布在亚太、拉美和非洲地区。竹子作为重要的多用途森林资源,在世界各国的地区发展和社会发展中起着举足轻重的作用,其研究也越来越受到世界各地的重视。对竹种种类的识别,不仅是竹类学家研究竹类属性与应用的重要前提,也是人们认识竹类、了解自然的方式。近年来随着深度学习在图像分类领域取得的显著进展,为竹种图像分类识别提供了可能,但由于其拥有大量的参数、高冗余的权重和消耗巨大计算资源等的特点,使其应用到嵌入式平台尚比较困难。为此,本文针对自然光下采集的竹类图像数据,重点解决三个问题—建立深度学习竹种分类模型,对建立的深度学习模型进行剪枝量化,将压缩后的模型移植到手机端,进行离线模式下的竹种分类。论文的主要研究工作如下:(1)研究了基于深度学习的竹种分类模型。为了更好地提取竹种特征,降低无关变量影响分类效果,采用了深度学习算法进行竹种分类,通过卷积神经网络对原始图像进行层次化的抽象处理,分别使用了VGG-16网络结构和Alex Net网络结构进行竹种分类模型的训练。(2)研究了基于“剪枝-训练”方法对竹种分类卷积神经网络进行压缩。在保持神经网络的精度的前提下,对VGG-16网络、Alex Net网络结构进行剪枝,通过动态设置阈值方法,删除冗余的连接,只保留阈值以内的有效权重,减少神经网络所需的存储空间。剪枝同时训练网络结构并提取特征,更好的保持剪枝后的网络结构。实验结果表明基于VGG-16网络结构竹种分类模型和Alex Net网络结构竹种分类模型在剪枝后模型内存占用降低率相同,但是剪枝后测试集准确度都比剪枝前降低,Alex Net的网络结构剪枝后测试集准确率降低较少。(3)研究了基于K-Means++算法的权值共享方法。针对剪枝后的模型,通过KMeans++聚类对神经网络每层的权值进行聚类并量化,训练结果表明,基于Alex Net网络结构的量化模型内存占用比VGG-16网络结构模型内存占用少,基于Alex Net网络结构的竹种分类模型能更好的移植到手机端。(4)研发了基于Android的竹种分类系统。在Android Studio平台上通过Java语言编程,设计开发了竹种分类系统,包括图片上传模块、图片分类模块等。分别将压缩后的竹种分类模型移植到服务器、PC端、手机端进行测试,研究了不同硬件环境下测试竹种分类模型压缩后的效果,实例验证了方法和技术的有效性。本文的研究内容为竹类种质资源快速便捷分类识别提供了技术支持,基于深度学习竹种模型压缩对竹种图像处理研究具有重要意义。