基于深度学习的自动化无花果（Ficus carica L.）品种分类方法，利用果实和叶片图像进行识别

《Journal of Food Measurement and Characterization》：Automated Fig (Ficus carica L.) variety classification based on deep learning using fruit and leaf images

　　

摘要

准确识别无花果品种对于果园管理、植物遗传资源的保护、质量控制以及整个农业食品供应链中的商业可追溯性至关重要。基于形态学、生物化学和分子分析的传统识别方法往往受到主观性、破坏性操作、高成本和较差可扩展性的限制。因此，当应用于实时系统或大规模数据集时，这些方法的使用受到极大限制。近年来，计算机视觉和深度学习方法在农业图像分析领域取得了显著成果。然而，将这些方法用于无花果品种分类的研究仍然相对较少，尤其是在涉及外观相似品种的实际应用环境中。本研究提出了一种多视图深度学习框架，用于无花果品种分类，该框架利用了在果实和植物层面捕获的互补视觉信息。研究考虑了多种视觉表征方式，包括无花果的外部外观、内部（切割）视图、果孔区域和叶片形态，以全面描述每个品种的特征。经过预处理后，通过迁移学习使用预训练的卷积神经网络从每个视图独立提取深度特征，然后通过特征级融合将这些特征整合起来，形成一个统一且具有区分能力的表示。最终得到的融合特征向量通过支持向量机（SVM）进行分类，以提高对类间相似性和类内变异性的鲁棒性。在来自阿尔及利亚北部的本地收集的多视图无花果数据集上进行了大量实验，以评估所提出框架的有效性。结果表明，多视图融合方法优于单视图配置，提高了准确性和泛化能力。这种方法在智能农业、自动化分选和农业食品行业的决策支持工具方面具有巨大潜力。