綿延數(shù)千年的葡萄種植包括數(shù)千個(gè)品種。品種(栽培品種)鑒定傳統(tǒng)上是用安培法進(jìn)行的，需要專(zhuān)家沿著果樹(shù)的生長(zhǎng)周期反復(fù)觀(guān)察。對(duì)于實(shí)時(shí)評(píng)估，分子遺傳學(xué)已經(jīng)成功地完成了，盡管在許多情況下，它們受到缺乏可參考數(shù)據(jù)或成本因素的限制。
代表典型的葉片圖像下六個(gè)葡萄品種的研究。
作者提出了一種利用可見(jiàn)光(400~700 nm)葉片圖像進(jìn)行葡萄品種自動(dòng)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)(CNN)框架，VGG16架構(gòu)由全局平均池層、致密層、批歸一化層和丟失層進(jìn)行了修改。該模型可以區(qū)分不同葡萄品種錯(cuò)綜復(fù)雜的視覺(jué)特征，并根據(jù)這些特征進(jìn)行識(shí)別。為了評(píng)估CNN模型的不確定性和預(yù)測(cè)效率，進(jìn)行了五次交叉驗(yàn)證。
VGG16-based模型的性能和三個(gè)致密層(包括512、512和256個(gè)神經(jīng)元)訓(xùn)練和驗(yàn)證數(shù)據(jù)集每五倍。
改進(jìn)后的深度學(xué)習(xí)模型能夠識(shí)別不同的葡萄品種，平均分類(lèi)正確率在99%以上。該模型提供了一種快速、低成本、高通量的葡萄品種鑒定方法。所獲得的工具的目的不是取代而是補(bǔ)充測(cè)井圖譜和數(shù)量遺傳學(xué)，從而輔助品種鑒定服務(wù)。
來(lái)源：MDPI.Automated Grapevine Cultivar Identification via Leaf Imaging and Deep Convolutional Neural Networks: A Proof-of-Concept Study Employing Primary Iranian Varieties.by Amin Nasiri ,Amin Taheri-Garavand ,Dimitrios Fanourakis ,Yu-Dong Zhang andNikolaos Nikoloudakis
https://www.mdpi.com/2223-7747/10/8/1628
鄂公網(wǎng)安備42018502003245號(hào) 網(wǎng)站地圖
