綿延數(shù)千年的葡萄種植包括數(shù)千個品種。品種(栽培品種)鑒定傳統(tǒng)上是用安培法進行的，需要專家沿著果樹的生長周期反復觀察。對于實時評估，分子遺傳學已經成功地完成了，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葡萄品種的研究。
作者提出了一種利用可見光(400~700 nm)葉片圖像進行葡萄品種自動識別的卷積神經網絡(CNN)框架，VGG16架構由全局平均池層、致密層、批歸一化層和丟失層進行了修改。該模型可以區(qū)分不同葡萄品種錯綜復雜的視覺特征，并根據(jù)這些特征進行識別。為了評估CNN模型的不確定性和預測效率，進行了五次交叉驗證。
VGG16-based模型的性能和三個致密層(包括512、512和256個神經元)訓練和驗證數(shù)據(jù)集每五倍。
改進后的深度學習模型能夠識別不同的葡萄品種，平均分類正確率在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充測井圖譜和數(shù)量遺傳學，從而輔助品種鑒定服務。
來源：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
鄂公網安備42018502003245號 網站地圖
