利用深度学习鉴别葡萄树品种的手机App开发


发布时间:

2021-10-31

来源:

本站

作者:

PhenoTrait

  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

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。