基于深度學(xué)習(xí)的鮮食葡萄葉片品種識別研究

中圖分類號：S663.1 文獻標(biāo)志碼：A 文章編號：1009-9980（2025）08-1883-1

Abstract： 【Objective】With the continuous development of grape varieties， problems such as variety confusion and inaccurate identification would occur in the actual production and scientific research work，and accurate identification of grape varieties has become more and more difficult It is urgent to explore a nondestructive， efficient and environment-friendly identification method.This work amied to providereference for the protection，utilization，and classification research of table grape varieties. 【Methods】 In this study， the leaf images were taken in the National Grape Germplasm Nursery （Zhengzhou） of Zhengzhou Fruit Tree Institute， Chinese Academy of Agricultural Sciences.The images of mature leaves of the 68 common table grapes were taken under natural condition in the field.The leaves were fully expanded without obvious symptoms of nutrition deficiency， pathogen infection and insect damage.The sampling position was at the 7th-9th nedes of the new shoots.The front images of different leaves were taken， and a dataset of 29 713 fresh grape leaves was constructed. In the realm of automatic recognition，four distinct convolutional neural network models were deployed： GoogleNet， ResNet-50， ResNet-101，and VGG-16. 【Results】 Through fair comparison of allconvolutional neural networks， under optimal parameters，ResNet-101 performed best in the identification of table grapes， with an accuracy of 97.13% ， ResNet-50 was slightly lower， with an accuracy of 97.06% ， and VGG-16 and GoogleNet models had an accuracy of less than 95% . When ResNet-101 was used as the classification model， the optimized parameters were the learning rate of 0.005， the minimum batch of 32，and the numberof iterations was 5O.Under this parameter，the clasification performance was the best，and the classification accuracy was as high as 97.99% . The model accuracy and LOSS value of ResNet-101 model was significantly higher than those of other models.The initial accuracy was the highest，the convergence was faster and more stable， the final accuracy was the highest， the initial LOSS was the lowest，the LOSS decreased faster，and the final LOSS was relatively stable.Among the 68 varieties identified by the ResNet-101 model， the prediction accuracy of the 23 varieties was 100% ， and the average recognition accuracy of the 68 varieties reached 94.90% ; The prediction accuracy of the ResNet-50 for the 13 varieties was 100% ， and the average recognition accuracy of the 68 varieties reached 90.38% The prediction accuracy of the VGG-16 for the 11 varieties was 100% ， and the average recognition accuracy of the 68 varieties was 85.45% ; The prediction accuracy of the GoogleNet model was 100% for only 5 varieties，and the average recognition accuracy of the 68 varieties was 78.79% . In contrast， the prediction accuracy of the ResNet-10l model was significantly higher than that of the ResNet-50， GoogleNet and VGG-16 models，and the difference in recognition accuracy between varieties was smaller and more stable.In ResNet-101 model， the Recallrate of the 18 varieties reached 100% ，and the average Recall rate of the 68 varieties reached 94.19% ; In the ResNet-50 model， the Recall rate of the 6 varieties reached 100% ，and the average Recall rate of the 68 varieties reached 88.71% ; The average Recall rate of the 68 varieties ofVGG-16 was 82.83% ； TheGoogleNethad only twovarieties，Crimson Seedless and sunshine rose， with a Recall rate of 100% ， and the average Recall rate of the 68 varieties was 74.44% . In contrast， the ResNet-101 model was significantly better than the ResNet-50 GoogleNet， VGG-16.The Recallrate among the varieties was more stable.The F1 value of creson seedless，Xianfeng and longan varieties in the ResNet-1Ol model reached 1，and the average F1 value reached 0.94. The difference of the F1 value among the varieties was small，the reliability of the model was high， and the model effect was more stable.The F1 value of VGG-16 model for Crimson Seedless reached 1，and the average F1 value reached 0.82; No F1 value of the ResNet-50 and GoogleNet models reached 1， and their average F1 values were 0.88 and 0.74，respectively. The Grad-CAM algorithm was used to output the weighted gradient heat map in the final accretion layer， and the network model was visualized. Theresults showed that the four convolutional neural networks could accurately identify the main characteristics of the leaves，and the leaf texture，vein and edge of the leaves had the greatest impact on variety recognition.【Conclusion】 The ResNet-101 model had the highest overal recognition accuracy， the lowest LOSS value， the higher average recognition accuracy and Recal rate of varieties， and could get a better model with fewer iterations， which would take less time. The Grad-CAM algorithm was used to evaluate the classification effect of four convolutional neural networks，and allof them could accurately identify the main features of the leaves. The rapid and accurate recognition of the table grapes was realized. Therefore，the deep learning network model could complete the automatic real-time recognition of the table grapes.

Keywords：Table grape;Deep learning;Variety identification;Leaves

中國是世界上最大的鮮食葡萄生產(chǎn)國之一[，產(chǎn)量約占全球的 50%^[2] 。中國大多數(shù)地區(qū)均有鮮食葡萄規(guī)模栽培，鮮食葡萄以其強大的適應(yīng)性、廣泛的種植范圍和高產(chǎn)量，已經(jīng)成為一種高效的經(jīng)濟作物。近年來，它不僅成為農(nóng)民增收的重要來源，也是地方經(jīng)濟發(fā)展和消費市場上不可或缺的特色水果。鮮食葡萄產(chǎn)業(yè)的繁榮，對鞏固和擴大脫貧成果以及推動鄉(xiāng)村振興戰(zhàn)略具有不可替代的作用。優(yōu)良品種在中國葡萄產(chǎn)業(yè)中發(fā)揮著越來越重要的作用[4]。但隨著葡萄品種持續(xù)更新，其面臨的問題也日益突出。全世界已有的葡萄品種有上萬種，在實際生產(chǎn)、科研工作中會出現(xiàn)品種混淆、識別不準(zhǔn)確等問題，準(zhǔn)確識別葡萄品種變得愈發(fā)困難。葡萄品種的準(zhǔn)確識別對資源統(tǒng)計、新品種鑒定及遺傳資源的保護具有極其重要的意義。當(dāng)前，迫切需要開發(fā)一種無損、高效且環(huán)境友好的鑒定技術(shù)，以快速篩選出特定的葡萄類型。

不同作物品種的葉片均具有獨特的紋理特征、形狀、顏色等，因此可以根據(jù)這些特征來進行品種的識別，但有些品種間葉片的區(qū)別十分細(xì)微，通過肉眼人工很難識別分辨。隨著計算機、人工智能等技術(shù)的迅速發(fā)展，機器識別在農(nóng)作物領(lǐng)域的應(yīng)用潛力日益增大。決策樹[、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機[]和 k 近鄰[等方法均可以用于植物品種識別[3]。深度學(xué)習(xí)可以在保證高準(zhǔn)確率的前提下快速提取圖像的深層特征，提取的特征具有更強的泛化能力，有效地解決人工分類帶來的問題。利用計算機作為輔助工具，可以提升鑒別工作的效率，降低科研工作者的勞動強度，加速科研工作的進程，并且實現(xiàn)表型指標(biāo)的自動化量化[14]。

神經(jīng)網(wǎng)絡(luò)在智能識別領(lǐng)域的使用已經(jīng)十分廣泛。在番茄中，尹義志等使用小波變換與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式來預(yù)測產(chǎn)量，構(gòu)建產(chǎn)量預(yù)測模型，其中WNN模型預(yù)測結(jié)果與實際產(chǎn)量的誤差僅為1.02% ；寧景苑等以紅富士為研究對象，構(gòu)建SNV-BP-RS蘋果損傷檢測模型，該模型準(zhǔn)確率為91.48% ，用時僅需 0.291s ，這種檢測方法大大降低了光譜檢測系統(tǒng)對檢測波段的需求；在蘋果中，采集蘋果表皮的損傷圖像，使用經(jīng)過遷移學(xué)習(xí)的MobileNet-v2模型對蘋果表皮損傷的驗證精度達92.23%^[17] ；在荔枝的病蟲害識別上，謝家興等通過對ShuffleNetV2模型進行改進并通過使用ECA等方法對網(wǎng)絡(luò)層數(shù)等進行了優(yōu)化，該模型對5種荔枝病蟲害的識別準(zhǔn)確率達到了 99.04%

在品種識別方面，Bi等結(jié)合深度學(xué)習(xí)與機器視覺識別玉米種子，構(gòu)建玉米種子圖像的多尺度融合特征，MFSwin模型在測試集上的平均準(zhǔn)確率、召回率和 F1 值分別為 96.53%，96.46% 和 96.47% 。Wang等[2采用距離融合和分類器融合兩種方法對大豆植株葉片圖像模式的深度學(xué)習(xí)特征進行融合，該方法的分類正確率達到了 83.55% 0

本研究選取鮮食葡萄葉片作為研究對象，使用4種不同的卷積神經(jīng)網(wǎng)絡(luò)模型來執(zhí)行品種的識別任務(wù)。通過對識別精度的比較，筆者選定了精度最高的模型進行深入的測試與優(yōu)化，進而確定了該模型在自動識別過程中的最佳參數(shù)配置。此優(yōu)化后的模型展現(xiàn)出了對葡萄品種進行快速且準(zhǔn)確識別的能力。這一成果不僅為加速葡萄品種的鑒定流程、提升農(nóng)業(yè)管理效率奠定了堅實的基礎(chǔ)，同時也為其他農(nóng)作物品種識別領(lǐng)域的研究提供了有益的參考和借鑒。

1材料和方法

1.1葡萄圖像數(shù)據(jù)集采集

在國家葡萄種質(zhì)資源圃（鄭州，東經(jīng) 113^°67^′ 北緯 34^°75^′ ）進行葉片圖像的拍攝工作。樹齡15～20a（年），自根苗，栽培方式采用南北向單干雙臂樹形結(jié)構(gòu)，行距為 2.5m ，株距為 1.0m ，架設(shè)高度為 1.8m 圃地的維護管理水平處于中等。

1.2 圖像采集及預(yù)處理

在自然田間環(huán)境下，拍攝成熟且完全展開的無營養(yǎng)缺乏及明顯病蟲害的葉片圖像，每個品種拍攝500張（JPG格式），像素為 3456×4608 。本研究中葡萄數(shù)據(jù)集包含68個鮮食葡萄品種（表1，圖1）。對采集到的圖像進行預(yù)處理，對原始圖像中的局部特征進行提取且將分辨率統(tǒng)一調(diào)整為 224×224 像素。此外，對圖片進行旋轉(zhuǎn)、縮放以及等比例裁剪的處理。這些處理方法用來對深度學(xué)習(xí)模型進行高度訓(xùn)練，且具有高適用性和較高的計算效率。

1.3 卷積神經(jīng)網(wǎng)絡(luò)模型

前人已經(jīng)開發(fā)了各種手動特征提取方法，包括SIFT（尺度不變特征變換）[2]、SURF（加速魯棒特征）[2等。SIFT算法以在圖像轉(zhuǎn)換中對旋轉(zhuǎn)、噪聲、縮放、照明等的不變性而聞名。盡管SIFT和SURF算法的性能相對較好，但由于計算效率低下，并不適合實時應(yīng)用程序。因此本研究采用可以自動提取圖像特征的卷積神經(jīng)網(wǎng)絡(luò)（CNN）[23]，CNN與傳統(tǒng)圖像識別技術(shù)有所不同，這種方法通過直接將二維圖像輸入網(wǎng)絡(luò)，自動完成關(guān)鍵特征的識別和提取，避免了傳統(tǒng)方法中復(fù)雜的預(yù)處理、人工特征提取和數(shù)據(jù)重建步驟。本研究以鮮食葡萄葉片數(shù)據(jù)集為材料，選擇了GoogleNet[24]、ResNet-50^[25] ResNet-101[2以及VGG- 16^[27]4 個卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練驗證。GoogleNet28采用Inception-v1模塊，包含9個深度序列的模塊化結(jié)構(gòu)，因復(fù)雜性較高更適合大規(guī)模數(shù)據(jù)集。其卷積核可捕捉不同尺寸目標(biāo)物體，池化層與卷積層并行操作以保障效率與通道擴展。VGG- 16^[29] 以小型堆疊卷積濾波器為基礎(chǔ)，使用 3×3 卷積核和 2×2 池化核，網(wǎng)絡(luò)深度增加時參數(shù)增長緩慢，多數(shù)參數(shù)集中在最后3個全連接層。3個 3×3 卷積層感受野與 7×7 卷積層相近但參數(shù)量減半，深度提升有助于增強分類效果和正則化。He等[3通過引入skip連接和殘差塊結(jié)構(gòu)解決了ResNet深度網(wǎng)絡(luò)訓(xùn)練難題，殘差學(xué)習(xí)簡化映射過程并緩解梯度消失問題。基于此結(jié)構(gòu)衍生出ResNet-18、ResNet-50、ResNet-101等更深層網(wǎng)絡(luò)，推動了深度學(xué)習(xí)模型的發(fā)展。

表 1 試驗選取的鮮食葡萄品種信息Table1Tablegrapevariety information

表1 （續(xù)） Table1 （Continued）

1.4評價模型性能指標(biāo)

通過下式對深度學(xué)習(xí)分類任務(wù)進行性能評估。

式中， A（ 精度，Accuracy） ??L （損失值，LOSS） ??P （精確率，Precision） ??R （召回率，Recall） F1（F1 Score，調(diào)和精確率與召回率的綜合指標(biāo)）。 TP （TruePositive）：預(yù)測與真值均為正； FP （FalsePositive）：預(yù)測正而真值負(fù)；TN（TreNegative）：預(yù)測與真值均為負(fù);FN（FalseNega-tive）：預(yù)測負(fù)真值正。 M ：類別總數(shù);yic：樣本i的真實品種為c取1，否則取0;pic：樣本i為品種c的概率。

圖168個鮮食葡萄品種葉片樣圖以及圖像數(shù)量

Fig.1Leafsamplesand imagenumberof 68 table grapevarieties

1.5 基于Grad-CAM的可視化分析

卷積神經(jīng)網(wǎng)絡(luò)利用Grad-CAM（即梯度加權(quán)類別激活映射）技術(shù)來分析和可視化葡萄葉片樣本在學(xué)習(xí)過程中的特征提取情況，可以直觀地理解網(wǎng)絡(luò)是如何根據(jù)葉片特征來區(qū)分不同葡萄品種的[3，通過熱圖清晰地展示模型在做出分類決策時所依賴的圖像區(qū)域，從而增強模型的可解釋性。類激活圖可視化（CAM，classactivationmap）技術(shù)在可視化CNN中的特征激活方面非常表現(xiàn)優(yōu)異，但局限于它的結(jié)構(gòu)依賴性，如要求網(wǎng)絡(luò)模型中必須包含池化層，多目標(biāo)定位不準(zhǔn)確，難以區(qū)分和定位每個目標(biāo)。相比之下，Grad-CAM技術(shù)更適用于那些沒有池化層的網(wǎng)絡(luò)結(jié)構(gòu)，因此應(yīng)用范圍更為廣泛。

1.6試驗平臺

試驗環(huán)境：采用64位Windows10操作系統(tǒng)作為試驗平臺，TensorFlow2.8.0深度學(xué)習(xí)框架，NVID-IAGeForceRTX3090GPU以及Python編程語言。

2 結(jié)果與分析

2.1分類模型選擇

首先對4種分類模型的精度進行比較，當(dāng)?shù)螖?shù)、學(xué)習(xí)率、最小批次均相同時，ResNet-101精度最高達到了 97.13% ，ResNet-50次之，盡管這4種模型中GoogleNet精度最低，但也達到了 91.82% （表2）。這4種模型的識別精度均超過 90% 。

表2四種分類模型的準(zhǔn)確率

2.2模型參數(shù)選擇

2.2.1最佳學(xué)習(xí)率選擇在2.1的測試中，ResNet-101表現(xiàn)出卓越的識別精度，因此對該模型進行模型參數(shù)的優(yōu)化，以期獲得更優(yōu)的識別精度。對3個參數(shù)中的學(xué)習(xí)率進行修改設(shè)定，分別設(shè)置為0.01、0.005、0.001，當(dāng)學(xué)習(xí)率設(shè)為0.005時精度最高，為97.99% （表3）。

2.2.2最佳最小批次選擇在之前的實驗中確定了ResNet-101模型以及0.005的學(xué)習(xí)率，在這次的訓(xùn)練中筆者設(shè)置了不同的最小批次以調(diào)整訓(xùn)練效率。最小批次過大過小都會影響模型的訓(xùn)練結(jié)果，因此設(shè)置16、32、64、128四個不同參數(shù)進行試驗。結(jié)果如表4所示，當(dāng)最小批次為32時識別精度達到最大，E4最小批次為16時識別精度略小于E5，為 97.77% 0

表3不同學(xué)習(xí)率下ResNet-101的性能Table3 The performance ofResNet-101 at different learningrates

表4不同最小批次ResNet-101的性能

Table 4 The performance ofResNet-101 withdifferent mini-batchsizes

2.2.3最佳迭代次數(shù)選擇將學(xué)習(xí)率、最小批次都設(shè)置為最優(yōu)，進行迭代次數(shù)的選擇，設(shè)置3個不同的迭代次數(shù)，分別為30、50、70進行訓(xùn)練。結(jié)果表明（表5）在ResNet-101模型訓(xùn)練中當(dāng)?shù)螖?shù)為50時，模型的識別精度最高。此時迭代次數(shù)增加或者降低都會導(dǎo)致識別精度的下降。

表5不同迭代次數(shù)下ResNet-101的性能Table5TheperformanceofResNet-1o1underdifferentepochs

2.3Loss及訓(xùn)練精度曲線

圖2展示了本研究中網(wǎng)絡(luò)訓(xùn)練最優(yōu)模型的LOSS收斂曲線。觀察結(jié)果如下：GoogleNet模型初始損失度最高，約為3.0，隨著迭代次數(shù)增加損失值降低，當(dāng)?shù)螖?shù)達到10時開始趨于穩(wěn)定，迭代20次后最終保持穩(wěn)定在0.25左右。該模型的初始精度較低，約為 30% ，隨迭代次數(shù)的增加精度迅速升高，在迭代20次后達到最大 93% 并保持穩(wěn)定。VGG-16的初始損失值大概是2.48，在前10次的迭代中迅速減少，在10到15次的迭代過程中出現(xiàn)波動，而在15到20次的迭代中，其減少幅度逐漸變小，最后保持在0.21的水平。VGG-16模型的初始精度與GoogleNet相差無幾，均較低，但在10至15次迭代期間出現(xiàn)波動，20次迭代后精度穩(wěn)定在 94.96% 。

圖2訓(xùn)練Loss變化曲線 Fig.2Training Loss change curve

圖3展示了ResNet-50和ResNet-101模型的訓(xùn)練收斂情況。ResNet-50模型初始精度為 67% ，在前5次迭代中迅速提升，第10次迭代后精度穩(wěn)定在97.05% 左右，波動較小。其初始損失為1.22，前10次迭代中穩(wěn)定下降，之后穩(wěn)定于 0.09 。ResNet-101模型初始精度更高，達到 80% ，精度變化幅度小，增長穩(wěn)定，最終精度為 97.99% 。其初始損失為0.59，為所有模型中最低，前5次迭代中快速下降，之后穩(wěn)定于0.06。ResNet-101模型在模型精度和損失值兩方面的表現(xiàn)均顯著高于GoogleNet、VGG-16以及ResNet-50模型，初始精度最高，收斂更快且更為穩(wěn)定，最終精度最高，初始損失值最低，下降速度最快，且最終LOSS保持在更穩(wěn)定的狀態(tài)。

圖3分類精度變化曲線

Fig.3 Classification accuracy change curve

2.4識別準(zhǔn)確率、召回率及 _F1 值分析

如圖4-A所示，在供試的68個品種中，使用ResNet-101模型可對23個品種達到 100% 的預(yù)測準(zhǔn)確率，分別為：大青葡萄、東方之星、緋紅、高千穗、紅艷無核、戶太八號、巨峰、巨玫瑰、克瑞森無核、龍眼、洛葡早生、紫甜無核、瓶兒、秋紅寶、醉金香、莎巴珍珠、鄭艷無核、夏黑、先鋒、新郁、意大利、早黑寶、著色香，供試品種的平均預(yù)測準(zhǔn)確率達到了 94.90% ：使用ResNet-50模型可對13個品種達到 100% 的預(yù)測準(zhǔn)確率，分別為：高千穗、和田紅、紅艷無核、滬培2號、巨峰、巨玫瑰、紫甜無核、妮娜皇后、莎巴珍珠、鄭艷無核、新郁、月光無核、早黑寶，供試品種的平均預(yù)測準(zhǔn)確率達到了 90.38% ；使用VGG-16模型可對11個品種達到 100% 的預(yù)測準(zhǔn)確率，分別為：布朗無核、紅富士、滬培2號、巨峰、克瑞森無核、洛葡早生、茉莉香、妮娜皇后、醉金香、鄭艷無核、先鋒，供試品種的平均預(yù)測準(zhǔn)確率達到了 85.45% ;GoogleNet模型僅對巨峰、巨玫瑰、洛葡早生、鄭艷無核、先鋒這5個品種預(yù)測精確率達到 100% ，供試品種的平均預(yù)測準(zhǔn)確率達到了 78.79% 。綜合比較下，ResNet-101模型的預(yù)測精確度最優(yōu)，識別的準(zhǔn)確率最高，不同品種之間的識別精確率更相近且穩(wěn)定。

ResNet-101模型有18個品種的召回率達到100% ，分別為：奧林匹亞、布朗無核、黑脆無核、黑色陽光、紅色陽光、金手指、京可晶、克瑞森無核、里扎馬特、龍眼、美人指、茉莉香、葡之夢、維多利亞、夏黑、陽光玫瑰、月光無核、鄭引0820，68個品種的平均召回率達到了 94.19% ;ResNet-50模型有6個品種的召回率達到 100% ，分別為：金手指、里扎馬特、龍眼、茉莉香、秋黑寶、陽光玫瑰，68個品種的平均召回率達到了 88.71% ;VGG-16有黑脆無核、京可晶、克瑞森無核、瑞都科美、無核翠寶，這5個品種的召回率達到 100% ，68個品種的平均召回率為 82.83% GoogleNet僅有克瑞森無核和陽光玫瑰2個品種召回率達到 100% ，68個品種的平均召回率為 74.44% （圖4-B）。4個模型中，ResNet-101的模型召回率最佳，各品種之間的召回率也更穩(wěn)定。

ResNet-101模型中克瑞森無核、先鋒及龍眼3個品種的 F1 值達到1，平均 F1 值達到0.94，各品種間 F1 值差距較小，且模型效果最穩(wěn)定，可信性高。VGG-16模型克瑞森無核 F1 值達到1，平均 F1 值達到0.82；ResNet-50以及GoogleNet模型未有品種 F1 值達到1，其平均F1值分別為0.88和0.74（圖4-C）。

2.5 Grad-CAM可視化分析

使用Grad-CAM算法對網(wǎng)絡(luò)模型進行可視化，輸出了最終卷積層權(quán)重的梯度熱圖。如圖5所示，分別為愛神玫瑰（A）、和田紅（B）、巨峰（C）、夏黑（D）、陽光玫瑰（E）緋紅（F）、布朗無核（G）、奧林匹亞（H）8個鮮食葡萄品種。熱圖中顏色越深的區(qū)域表示這些特征在品種分類中所起的作用越大。葉片的紋理、葉脈形狀和葉緣類型，對葡萄葉片的品種鑒定有很大的影響。此外，4個模型中ResNet-101和ResNet-50在葡萄葉片識別上覆蓋范圍最廣，準(zhǔn)確性最高，能夠有效識別出同品種葉片以及葉片表面的特征。

2.6 綜合評價

總體而言，在品種識別過程中ResNet-101精度達到了 97.99% ，且模型精度和損失值兩方面表現(xiàn)均顯著高于GoogleNet、VGG-16以及ResNet-50模型，使用ResNet-101模型可對23個品種達到 100% 的預(yù)測準(zhǔn)確率，對18個品種的召回率達到 100% ，平均 F1 值達到0.94。Grad-CAM可視化分析中，ResNet-101和ResNet-50的表現(xiàn)最優(yōu)，準(zhǔn)確性最高，能夠有效識別葉片表面的特征從而達到精確識別品種的效果。ResNet-101模型在68個葡萄葉片品種識別的各個指標(biāo)中的表現(xiàn)均為最優(yōu)，作為品種識別的首選模型。

3討論

通過識別不同的葡萄品種有助于鑒定評價現(xiàn)有的葡萄優(yōu)良種質(zhì)資源，對確立引種價值以及保護重要種質(zhì)資源都有重要意義。通過品種識別，可以優(yōu)化種植結(jié)構(gòu)，推廣優(yōu)良品種，提高葡萄的產(chǎn)量和品質(zhì)，進一步推動葡萄業(yè)的發(fā)展。目前，人工鑒別和分子分析是鑒定葡萄品種的主要方法。但傳統(tǒng)的人工鑒定葡萄多依賴鑒定人員的經(jīng)驗判斷，因此對鑒定人員的要求較高，并且也存在主觀性較強、費時、費力等缺點。分子分析在成本和時間方面要求也很高。深度學(xué)習(xí)由于具有準(zhǔn)確性、客觀性等優(yōu)點，因此將其作為進行葡萄品種識別的重要方法。

A.68個品種在不同網(wǎng)絡(luò)模型中的F1值;B.68個品種在不同網(wǎng)絡(luò)模型中的召回率;C.68個品種在不同網(wǎng)絡(luò)模型中的準(zhǔn)確率。A.Fvaluesofiels;llls;Cpretiesindifferentnetworkmodels.

圖5不同模型下Grad-CAM分類效果圖

Fig.5Grad-CAMclassification effectdiagramrenderingsunder different models

葉片是能夠快速直觀地區(qū)分不同種質(zhì)資源的性狀[2]。梁長梅等[33]通過MobileNet-large模型進行葡萄葉片的品種識別，識別準(zhǔn)確率高達 90.56% ，平均準(zhǔn)確率為 97.50% 。Terzi等4開發(fā)了一個新的CNN模型，用于自動分類葡萄品種，該模型在葉子分類上達到了 94.10% 的準(zhǔn)確率。本研究通過應(yīng)用4種深度學(xué)習(xí)框架VGG-16、GoogleNet、ResNet-50和ResNet-101，分析了不同CNN架構(gòu)對圖像識別分類的能力。研究發(fā)現(xiàn)，ResNet-101和ResNet-50在識別準(zhǔn)確率和召回率方面表現(xiàn)突出，且在較低迭代次數(shù)下即可獲得優(yōu)異的模型性能。相較于另外兩個卷積神經(jīng)網(wǎng)絡(luò)模型，識別效果更好且耗時更短。

Fernandes等[35融合光譜學(xué)與機器學(xué)習(xí)技術(shù)，開發(fā)了支持向量機和卷積神經(jīng)網(wǎng)絡(luò)模型，用于從63個品種中精確鑒定特定葡萄品種。分別從63個品種中分離出特定葡萄品種，卷積神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率高達 93.82% 。Franczyk等[利用KSM、Restnet和ExtRestnet葡萄識別模型正確識別葡萄品種的準(zhǔn)確率達到 99% 。本研究在分類準(zhǔn)確率上實現(xiàn)了顯著提升，并且筆者的樣本均來源于自然條件下的田間環(huán)境，這一做法使得分類結(jié)果與實際應(yīng)用場景更為契合，從而大幅增強了研究結(jié)果的實用價值與可靠性。

由于葡萄葉片圖像采集并未在實驗室中的理想環(huán)境下進行，因此拍攝的葡萄葉片圖像中，常會出現(xiàn)葉片未能完整呈現(xiàn)或由于光照不均勻而產(chǎn)生陰影等問題，這些問題作為潛在的干擾因素，可能會對葡萄品種的識別精度帶來不利影響[。針對這一問題，陳新等[38通過在番茄花果中使用卷積神經(jīng)網(wǎng)絡(luò)SSD算法中引入MobileNetV3模塊，一定程度上解決了不佳的環(huán)境問題，相比原始SSD算法平均識別率提高了 7.9% ，識別率和識別速度明顯提高。Liu等[39]基于葡萄近紅外高光譜成像技術(shù)，采用支持向量機、隨機森林和AdaBoost三種機器學(xué)習(xí)算法構(gòu)建了品種鑒別模型，該研究中紅葡萄與白葡萄分類模型在驗證集上的準(zhǔn)確率分別達到 90% 和 81% 。本研究可以獲得更好的分類結(jié)果，且在自然環(huán)境中采集的樣本更接近于現(xiàn)實生活中的識別樣本。后續(xù)研究可以在卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中引入注意力機制和多尺度特征融合模塊，以提升特征提取能力，并優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計，在保持精度的同時降低模型復(fù)雜度。為了應(yīng)對實際應(yīng)用中種植環(huán)境的多樣性，圖像采集應(yīng)在多種環(huán)境條件下進行，包括不同的天氣、時期等，如夜間、早晨、雨天和干旱等。此外，為了提高深度學(xué)習(xí)模型的通用性，后續(xù)研究應(yīng)選用不同拍攝設(shè)備采集不同種植區(qū)域、樹齡階段、栽培模式下的多種群、多品種的葡萄葉片圖像，增強數(shù)據(jù)集對不同實際場景的代表性，提升模型的泛化能力，以適應(yīng)不同的環(huán)境條件和圖像采集設(shè)備所帶來的挑戰(zhàn)。

在本項研究中，構(gòu)建了一個包含29713張鮮食葡萄葉片圖像的數(shù)據(jù)庫。為了提升數(shù)據(jù)集的質(zhì)量，對原始圖像進行了局部特征提取和增強，并通過裁剪和旋轉(zhuǎn)等技術(shù)手段對圖像進行了預(yù)處理。在此基礎(chǔ)上，應(yīng)用了4種不同的模型算法來識別試驗中涉及的68種鮮食葡萄品種的葉片。通過不斷調(diào)整和優(yōu)化模型參數(shù)，發(fā)現(xiàn)所采用的卷積神經(jīng)網(wǎng)絡(luò)在品種識別的準(zhǔn)確性上表現(xiàn)出色。特別是ResNet-101模型，以 97.99% 的準(zhǔn)確率在處理速度和模型復(fù)雜性上均顯示出了優(yōu)越性。此外，還利用Grad-CAM算法對4種模型的分類效果進行了評估，結(jié)果表明這些模型都能有效地識別出葉片的關(guān)鍵特征，包括對植物葉片識別至關(guān)重要的紋理、葉脈和邊緣等。本研究的重點在于提取葡萄的形狀和紋理等特征，為品種的準(zhǔn)確識別奠定了基礎(chǔ)。展望未來，計劃探索更多特征參數(shù)的提取方法，比如結(jié)合葡萄的其他器官特征，以期提供更精確和全面的品種鑒定參考。鑒于葡萄品種的多樣性，收集更多品種的圖像，以擴充葉片數(shù)據(jù)集，深化對品種識別的研究。總體來看，這項研究不僅為葡萄品種識別提供了新的視角和方法，也為其他研究者開辟了新的研究方向和思考路徑。

4結(jié)論

4個深度學(xué)習(xí)網(wǎng)絡(luò)中表現(xiàn)最優(yōu)的為ResNet-101模型。當(dāng)所有參數(shù)都被調(diào)整至最優(yōu)狀態(tài)時，其精確度可以達到 97.99% ，平均預(yù)測準(zhǔn)確率為 94.90% ，平均召回率為 94.19% 。通過應(yīng)用Grad-CAM技術(shù)對4種不同的卷積神經(jīng)網(wǎng)絡(luò)的分類性能進行了可視化分析，這些網(wǎng)絡(luò)均能有效識別出葉片圖像中的關(guān)鍵特征。

參考文獻References：

[1] FENGJY，YUANBY，LIX，TIAND，MUWS.Evaluationon risksof sustainable supplychain based on optimized BP neural networks in fresh grape industry[J].Computers and Electronics in Agriculture，2021，183：105988.

[2] 鄭國富，朱念.中國鮮葡萄出口貿(mào)易發(fā)展的時空特征與前景展 望[J].中國果樹，2023（9）：128-131. ZHENG Guofu，ZHU Nian. Spatiotemporal characteristics and prospects of China’s fresh grape export trade development[J]. China Fruits，2023（9）： 128-131.

[3] 胡心意，戴芬，趙學(xué)平，徐明飛，王新全，王強，褚田芬.鮮食葡 萄全產(chǎn)業(yè)鏈標(biāo)準(zhǔn)化探索與實踐[J].農(nóng)產(chǎn)品質(zhì)量與安全，2023 （6）： 10-13. HU Xinyi，DAI Fen，ZHAO Xueping，XU Mingfei，WANG Xinquan，WANG Qiang，CHU Tianfen. Exploration and practice on standardization of the whole industry chain of table grape[J]. Quality and Safety of Agro-Products，2023（6）：10-13.

[4]姜建福，孫海生，劉崇懷，樊秀彩，張穎.2000 年以來中國葡萄 育種研究進展[J].中外葡萄與葡萄酒，2010（3）：60-65. JIANG Jianfu，SUN Haisheng，LIU Chonghuai，F(xiàn)ANXiucai， ZHANG Ying. Research progress of grape breeding in China since 200o[J]. Sino-Overseas Grapevine amp; Wine，2010（3）：60- 65.

[5] 房玉林，王錄俊，劉三軍，孟江飛，張克坤，張鵬，王雪飛，張宗 勤.陜西葡萄產(chǎn)業(yè)現(xiàn)狀及發(fā)展建議[J].中外葡萄與葡萄酒， 2022（5）：1-5. FANGYulin，WANG Lujun，LIU Sanjun，MENG Jiangfei， ZHANG Kekun，ZHANG Peng，WANG Xuefei，ZHANG Zongqin. Current situation and development proposals of grape industry in Shaanxi[J]. Sino-Overseas Grapevine amp; Wine，2022 （5）：1-5.

[6]LI L，HU W Z，LUJ，ZHANG C S.Leaf vein segmentation with self-supervision[J]. Computersand Electronics in Agriculture， 2022，203：107352.

[7] 潘博文，魏冰心，蘇寶峰，鞠延侖，劉崇懷，樊秀彩，張穎，孫磊， 姜建福，房玉林.基于深度學(xué)習(xí)的葡萄砧木葉片識別研究[J]. 植物遺傳資源學(xué)報，2024，25（4）：668-677. PAN Bowen，WEI Bingxin，SU Baofeng，JU Yanlun，LIU Chonghuai，F(xiàn)AN Xiucai， ZHANG Ying，SUN Lei， JIANG Jianfu， FANG Yulin. Research on grape rootstock leaf recognition based on deep learning[J]. Journal of Plant Genetic Resources， 2024，25（4）：668-677.

[8] 許敬誠，呂新，林皎，張澤，姚秋雙，范向龍，洪延宏.基于葉片 紋理特征的棉花蚜害診斷模型研究[J].棉花學(xué)報，2020，32 （2）： 133-142. XU Jingcheng，LU Xin，LIN Jiao， ZHANG Ze，YAO Qiushuang，F(xiàn)AN Xianglong，HONG Yanhong.The diagnostic model of coton aphids based on leaf textural features[J]. Cotton Science，2020，32（2）：133-142.

[9]ASLAM T，QADRI S，QADRI S F，NAWAZ S A，RAZZAQ A， ZARRENSS，AHMADM，REHMANMU，HUSSAINA， HUSSAIN I，JABEEN J，ALTAF A. Machine learning approach for classification of Mangifera indica leaves using digital image analysis[J].International Journal of Food Properties，2022，25 （1）：1987-1999.

[10]RUST S，STOINSKI B. Enhancing tree species identification in Ioresuy anu urban iorests unrougn Ignt uetecuon anu raging point cloud structural features and machine learning[J]. Forests， 2024，15（1）：188.

[11]HU T，CHEN YN，LID，LONG C F，WEN Z D，HU R，CHEN G H. Rice variety identification based on the leaf hyperspectral feature via LPP-SVM[J]. International Jourmalof Patern Recognition and Artificial Intelligence，2022，36（15）：2350001.

[12]JIN SL，ZHANG FF，ZHENG Y，ZHOU L，ZUO X G， ZHANGZY，ZHAOWY，ZHANGWD，PANXP.CSKNN： Cost-sensitive K-Nearest Neighbor using hyperspectral imaging for identification of wheat varieties[J]. Computers and Electrical Engineering，2023，111：108896.

[13]PATRiCIO DI，RIEDER R. Computer vision and artificial intelligence in precision agriculture for grain crops：A systematic review[J]. Computers and Electronics in Agriculture，2018，153： 69-81.

[14]LI Z B，GUO RH，LI M，CHENYR，LI G Y.A review of computer vision technologies for plant phenotyping[J]. Computers and Electronics in Agriculture，2020，176：105672.

[15]尹義志，王永剛，張楠楠，劉宇航.基于小波神經(jīng)網(wǎng)絡(luò)的溫室番 茄產(chǎn)量預(yù)測[J].中國瓜菜，2020，33（8）：53-59. YIN Yizhi， WANG Yonggang， ZHANG Nannan， LIU Yuhang. Study on tomato yield prediction in greenhouse based on wavelet neural network[J]. China Cucurbits and Vegetables，2020，33 （8）：53-59.

[16]寧景苑，葉海芬，孫雨玘，熊思怡，梅正昊，蔣晨豪，黃科濤，張 蘇婕，朱哲琛，李昱權(quán)，惠國華，易曉梅，郜園園，吳鵬.一種基 于弛豫動態(tài)光譜技術(shù)的蘋果損傷檢測方法研究[J].傳感技術(shù) 學(xué)報，2022，35（8）：1150-1156. NING Jingyuan，YE Haifen，SUN Yuqi，XIONG Siyi，MEI Zhenghao， JIANG Chenhao，HUANG Ketao，ZHANG Sujie， ZHU Zhechen，LI Yuquan， HUI Guohua， YI Xiaomei，GAO Yuanyuan，WU Peng.Study of apple slight damage detecting method based on dynamic relaxation spectrum[J]. Chinese Journal of Sensors and Actuators，2022，35（8）：1150-1156.

[17]付夏暉，王菊霞，崔清亮，張燕青，王毅凡，陰妍.基于輕量化卷 積神經(jīng)網(wǎng)絡(luò)的蘋果表皮損傷分級研究[J].果樹學(xué)報，2023，40 （10）：2263-2274. FU Xiahui， WANG Juxia， CUI Qingliang，ZHANG Yanqing， WANG Yifan， YIN Yan. Research on apple epidermal damage grading based on lightweight convolutional neural network[J]. Journal ofFruit Science，2023，40（10）：2263-2274.

[18]謝家興，陳斌瀚，彭家駿，何培華，景庭威，孫道宗，高鵬，王衛(wèi) 星，鄭代德，李君.基于改進 ShuffleNetV2 的荔枝葉片病蟲害 圖像識別[J].果樹學(xué)報，2023，40（5）：1024-1035. XIEJiaxing，CHEN Binhan，PENG Jiajun，HE Peihua，JING Tingwei，SUN DaoZong，GAO Peng，WANG Weixing，ZHENG Daide，LI Jun. Image recognition of leaf pestsand diseases based on improved ShuffleNet V2 in litchi[J]. Journal of Fruit Science，2023，40（5）：1024-1035.

[19]BI CG，HU N，ZOU YQ，ZHANG S，XU S Z，YU HL. Development of deep learning methodology for maize seed variety recognition based on improved swin transformer[J].Agronomy， 2022，12（8）：1843.

[20] WANG B，LI H，YOU JW，CHEN X，YUAN X H，F(xiàn)ENG X Z. Fusing deep learning features of triplet leaf image patterns to boost soybean cultivar identification[J]. Computers and Electronics in Agriculture，2022，197：106914.

[21]LOWE DG. Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60 （2）：91-110.

[22]BAY H，ESS A，TUYTELAARS T，VAN GOOL L. Speeded-up robust features （SURF）[J]. Computer Vision and Image Understanding，2008，110（3）：346-359.

[23]周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機學(xué) 報，2017，40（6）：1229-1251. ZHOU Feiyan，JIN Linpeng，DONG Jun. Review of convolutional neural network[J].Chinese Journal of Computers，2017， 40（6）： 1229-1251.

[24]薛勇，王立揚，張瑜，沈群.基于GoogLeNet 深度遷移學(xué)習(xí)的 蘋果缺陷檢測方法[J].農(nóng)業(yè)機械學(xué)報，2020，51（7）：30-35. XUE Yong，WANG Liyang，ZHANG Yu，SHEN Qun. Defect detection method of apples based on GoogLeNet deep transfer learning[J].Transactions of the Chinese Society for Agricultural Machinery，2020，51（7）：30-35.

[25]HUANG HY，YOU Z J，CAI HY，XUJF，LIN DX. Fast detection method for prostate cancer cells based on anintegrated ResNet50 and YoloV5 framework[J].Computer Methodsand ProgramsinBiomedicine，2022，226：107184.

[26]KHAN R N M，HUSSAIN L，ALLUHAIDAN A S，MAJID A， LONE K J， VERDIYEV R，AL-WESABI F N，DUONG T Q. COVID-19 lung infection detection using deep learning with transfer learning and ResNet1O1 features extraction and selection[J].Waves inRandom and ComplexMedia，2022，18：1-24.

[27]CHEN Y，HUANG Y Q，ZHANG Z Z，WANG Z，LIUB，LIU C H，HUANG C，DONG S Y，PU X J，WAN F H，QIAO X，QIAN W Q. Plant image recognition with deep learning： A review[J]. Computers and Electronics in Agriculture，2023，212：108072.

[28]林景棟，吳欣怡，柴毅，尹宏鵬.卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化綜述[J]. 自動化學(xué)報，2020，46（1）：24-37. LIN Jingdong，WU Xinyi，CHAI Yi， YIN Hongpeng. Structure optimization of convolutional neural networks：A survey[J]. Acta Automatica Sinica，2020，46（1）：24-37.

[29] SIMONYAN K， ZISSERMAN A. Very dee convolutional networks for large-scale image recognition[J]. Computer Science， 2014. DOI：10.48550/arXiv.1409.1556.

[30]HE KM，ZHANG X Y，REN SQ，SUN J. Deep residual learning for image recognition[C]//016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. June 27- 30， 2016，LasVegas，NV，USA.IEEE，2016：770-778.

[31]SELVARAJU R R，COGSWELL M，DAS A， VEDANTAM R， PARIKH D，BATRA D. Grad-CAM： Visual explanations from deepnetworksvia gradient-based localization[J]. International Journal ofComputerVision，2020，128（2）：336-359.

[32]王碧君，章秋平，劉威生，劉碩，劉寧，張玉萍，張玉君，徐銘， 馬小雪，劉家成，趙海娟.圖像識別技術(shù)在杏品種資源葉片 形態(tài)評估與多樣性研究中的應(yīng)用[J/OL].植物遺傳資源學(xué) 報，2024：1-21（2024-11-26）.https：/doi.org/10.13430/j.cnkijpgr.20240616001. WANG Bijun，ZHANG Qiuping，LIU Weisheng，LIU Shuo， LIU Ning，ZHANG Yuping，ZHANG Yujun，XU Ming，MA Xiaoxue，LIU Jiacheng，ZHAO Haijuan. Application of image recognition technology in the assessment of leaf morphology and diversity of apricot germplasm[J/OL]. Journal of Plant Genetic Resources，2024：1-21（2024-11-26）.https：//doi.org/10.13430/j. cnkijpgr.20240616001.

[33]梁長梅，劉正乾，李艷文，楊華.基于MobileNetV3-large 模型 的葡萄品種識別[J].山西農(nóng)業(yè)科學(xué)，2023，51（7）：824-831. LIANG Changmei，LIU Zhengqian，LI Yanwen，YANG Hua. Varietyidentificationof grape basedon MobileNetV3-large model[J]. Journal of Shanxi Agricultural Sciences，2023，51（7）： 824-831.

[34]TERZI I，OZGUVEN M M， YAGCI A. Automatic detection of grape varieties with the newly proposed CNN model using ampelographic characteristics[J]. Scientia Horticulturae，2024，334： 113340.

[35]FERNANDES A M，UTKIN AB，EIRAS-DIAS J，CUNHA J， SILVESTRE J，MELO-PINTO P. Grapevine variety identification using“Big Data”collected with miniaturized spectrometer combined with support vector machines and convolutional neuralnetworks[J].Computers and Electronics inAgriculture，2019， 163：104855.

[36]FRANCZYK B，HERNES M，KOZIERKIEWICZ A， KOZINA A， PIETRANIK M，ROEMER I， SCHIECK M. Deep learming forgrape variety recognition[J].Procedia Computer Science， 2020，176：1211-1220.

[37]BARHATE D，PATHAK S，DUBEY A K. Hyperparameter-tuned batch-updated stochastic gradient descent： Plant species identification by using hybrid deep learning[J].Ecological Informatics， 2023，75：102094.

[38] 陳新，伍萍輝，祖紹穎，徐丹，張云鶴，董靜.基于改進 SSD 輕 量化神經(jīng)網(wǎng)絡(luò)的番茄疏花疏果農(nóng)事識別方法[J].中國瓜菜， 2021，34（9）：38-44. CHEN Xin，WU Pinghui，ZU Shaoying，XU Dan，ZHANG Yunhe，DONG Jing.Study on identification method of thinning flowerand fruit of tomato based on improved SSD lightweight neural network[J].China Cucurbits and Vegetables，2021，34（9）：38-44.

[39]LIU X， ZHANG E Y. Identification of wine grape varieties based on near-infrared hyperspectral imaging[J].Applied Engineering inAgriculture.2019.35（6）：959-967.