种质资源收集与评价岗位

姜建福 樊秀彩 张颖 孙磊 刘崇怀

  任何植物的叶子都有其独特的特征，例如形状特征、纹理以及叶片脉序图案，而这些特征的微小变化很难被人捕捉。随着计算机视觉、机器学习和模式识别等人工智能技术的快速发展，决策树、卷积神经网络、支持向量机和k近邻等方法通过提取形态和几何特征，被广泛应用于植物表型识别，深度学习可以在保证高准确率的前提下快速的提取图像的深层特征，提取的特征具有更强的泛化能力，有效地解决人工分类带来的问题。采用计算机作为工具帮助人们完成鉴别工作，可以提高生产效率，减轻科研人员的工作强度，加快科研进展，并自动量化表型指标。因此，基于植物叶片的自动识别已经成为农业领域的重要研究方向之一。本研究以国内外常见的鲜食葡萄品种为试材，采用4种卷积神经网络对叶片进行自动识别，并进一步评价了各个模型的识别效率，为鲜食葡萄品种的分类、保护、利用研究以及其他作物的品种识别提供科学参考。

  1 材料与方法

  叶片图像在中国农业科学院郑州果树研究所的国家葡萄种质资源圃（郑州）（113°67′E, 34°75′N）拍摄。样本叶片在田间自然条件下拍摄采集，采集叶片为成龄叶，叶片完全展开，没有明显的营养缺乏、病原体感染或虫害症状，采样位置为新梢7-9节点。拍摄不同叶片的正面图像，每个品种采集叶片图像400-500张。在本研究中，葡萄数据集包含了68个鲜食葡萄品种。

  采用图像预处理技术，从原始输入图像中自动获得增强的局部化图像特征，提高品种识别性能。采用数据增强技术来扩增数据集，应用了缩放、旋转、固定裁剪等几何变换技术来扩展图像数据集。选择GoogleNe、ResNet-50、ResNet-101以及VGG-16四个卷积神经网络对鲜食葡萄叶片数据集进行训练验证。对于深度学习分类任务常用的评价指标有：精度（A, Accuracy）、损失值（L，LOSS）精确率（P，Precision）、召回率（R，Recall）以及F1score。

  2 结果与分析

  2.1 分类模型选择

  为了对所有的卷积神经网络进行公平比较，鲜食葡萄识别最优模型为ResNet-101，精度达到97.13%，ResNet-50略低，精度也达到了97%以上，VGG-16以及GoogleNet模型精度均未达到95%。分类模型的准确率如表1所示。

  结果表明，ResNet-101模型在68个葡萄品种的验证数据集上精度最高，证明了在实际生长环境中使用深度学习进行葡萄品种识别的可行性。

  2.2 模型参数选择

  以ResNet-101作为分类模型，测试不同训练参数对分类性能的影响。在保持其他参数不变的情况下，设置三个实验T1、T2和T3，学习率分别为0.001、0.005和0.01。表2是不同学习率值下的分类准确率。结果表明，当学习率为0.005时，分类性能达到最佳。

  2.3 Loss及训练精度曲线

  本研究网络训练最优模型的LOSS收敛曲线如图2所示。如图所示，GoogleNet模型初始精度较低，仅有30%左右，迭代0~10次精度快速增长，迭代次数20次后精度逐渐趋于稳定，精度变化范围大，最终精度在91.82%左右波动。GoogleNet模型的初始损失约为2.99，为所有模型最高，曲线变化趋势为前10次快速降低，迭代20次后趋于稳定，最终稳定于0.26。VGG-16模型初始精度为所有模型最低，迭代前10次精度快速升高，10~15次精度产生波动，于迭代次数20次后趋于稳定，最终精度稳定于94.96%。VGG-16模型的初始损失约为2.48，前10次快速降低，10~15次损失值产生波动，15~20次缓慢下降，之后趋于稳定，最终LOSS稳定于0.21。

  由图3可见，ResNet-50模型初始精度达到67%，训练迭代0~5次精度快速增长，从迭代次数10次后精度趋于稳定，精度变化范围小，最终精度在97.05%左右波动。ResNet-50模型的初始损失约为1.22，变化趋势为前10次稳定降低，10次后趋于稳定，最终稳定于0.09。ResNet-101模型初始精度便达到80%，精度变化范围小，增长稳定，最终精度达到了97.99%。ResNet-101模型的初始损失约为0.59，为所有模型最低，变化趋势为前5次快速降低，后趋于稳定，最终稳定于0.06。

  ResNet-101模型在模型精度和损失值两方面表现均显著高于GoogleNet、VGG-16以及ResNet-50模型，初始精度最高，收敛更快且更为稳定，最终精度最高，初始损失最低，损失下降速度快，且最终LOSS较为稳定。

  2.4 识别准确率、召回率及 F1 值分析

  如图4A所示，ResNet-101模型识别的68个品种中，有23个品种的预测精确率为100%，68个品种的平均识别精确率达到了94.90%；ResNet-50有13个品种的预测精确率为100%，，68个品种的平均识别精确率达到了90.38%；VGG-16有11个品种的预测精确率为100%，68个品种的平均识别精确率为85.45%；GoogleNet仅有5个品种预测精确率达到100%， 68个品种的平均识别精确率为78.79%。相比之下，ResNet-101模型的预测精确度明显优于ResNet-50、GoogleNet以及VGG-16模型，各品种之间的识别精确率差距较小，更稳定。

  ResNet-101模型有18个品种的召回率达到100%， 68个品种的平均召回率达到了94.19%；ResNet-50模型有6个品种的召回率达到100%，分别为：金手指、里扎马特、龙眼、茉莉香、秋黑宝、阳光玫瑰，68个品种的平均召回率达到了88.71%；VGG-16有5个品种的召回率达到100%，68个品种的平均召回率为82.83%；GoogleNet仅有克瑞森无核以及阳光玫瑰这2个品种召回率达到100%，68个品种的平均召回率为74.44%（图4B）。相比之下，ResNet-101的模型显著优于ResNet-50、GoogleNet、VGG-16，各品种之间的召回率更稳定。

  ResNet-101模型克瑞森无核、先锋及龙眼三个品种的F1值达到1，平均F1值达到0.94，各品种数据F1值差距较小，模型可信度较高，模型效果更为稳定。VGG-16模型克瑞森无核F1值达到1，平均F1值达到0.82；ResNet-50以及GoogleNet模型未有品种F1值达到1，其平均F1值分别为0.88和0.74（图4C）。

  3 结论

  葡萄品种繁多，资源丰富，叶片数据集可以进一步扩大，以便进行更多的品种识别研究。结合深度学习技术实现鲜食葡萄的自动识别，以无损的方式获取田间葡萄品种信息。未来将会成为无人农业建设的一部分。综合来看，本研究对葡萄品种的识别研究有一定指导意义，为葡萄品种识别提供新思路。