传统的葡萄树品种鉴别方法需要人工采集叶片样本，然后对叶片进行物理、生理、生化和分子测量等一系列分析处理。这种方法不但耗时耗力、具有破坏性，而且还需要经验丰富的表型分析人员进行操作，对专业要求较高。鉴于此，为了方便鉴别葡萄树品种，本研究开发了一款可安装在Android系统的手机App，能够用于实时鉴别葡萄树品种，可帮助种植者们快速获取葡萄树的品种信息。

　　本研究使用康佳EOS 70D相机在地面拍摄葡萄树的田间影像，用于构建影像分析数据集。影像分别拍摄于宁夏不同的葡萄园内，共包含21个不同的葡萄树品种(图1)，每个品种均包含210张以上影像。首先，对拍摄的影像进行反色处理，即在每个波段内，分别用灰度极大值减去对应的像元灰度值。然后，将影像全部调整为相同尺寸，以便输入到CNN算法中进行训练。考虑到深度学习算法对样本量的要求较大，本研究还利用数据增强(Data augmentation)技术增加了样本数量，即分别使用缩放、转置、旋转和翻转等几何变换方法对拍摄的影像进行处理。在每个品种中，分别随机选取200张影像进行反色处理和数据增强，最后得到的训练数据集共包含33 600张影像，其中每个品种均为1600张。然后，每个品种随机选出1120张影像用于模型训练，480张影像用于模型验证。此外，每个品种还需额外选出未参加模型训练和验证的10张影像用于评价App的鉴别精度。

　　本研究中，分别使用了AlexNet, Vgg-16, ResNet101, ResNet18, DenseNet和GoogLeNet.等6种网络训练模型，实验结果显示，GoogLeNet的精度最高，21个葡萄树品种的平均鉴别精度可以达到97.4%，其中9个品种的鉴别精度可以达到100%(图2)，因此研究选用GoogLeNet构建分类模型。在此基础上，进一步优化模型参数，训练得到葡萄树品种鉴别模型。然后，将训练好的模型上传到云服务器，并利用云服务器缓存手机拍摄的影像，进而反馈影像识别结果。本研究开发的葡萄树品种鉴别App(VitisView)如图3所示。测试结果表明，VitisView具有较好的稳定性和鲁棒性，能够实时鉴别出葡萄树品种。

　　此外，本研究还发现，对影像进行反色处理可以增强影像特征，而利用数据增强技术则可以增加样本量，两者均有助于提高葡萄树品种的鉴别精度。

　　图1 21个不同品种的葡萄树影像示例

　　图2 使用不同网络结构鉴别21个葡萄树品种的召回率

　　图3 本研究开发的葡萄树品种鉴别App (VitisView)

　　来源：Liu Y, Shen L, Su J Y, et al. Development of a mobile application for identification of grapevine (Vitis vinifera L.) cultivars via deep learning[J]. International Journal of Agricultural and Biological Engineering, 2021, 14(5): 172–179.

　　编辑：段博