基于优化DenseNet201模型的葡萄叶片分类研究及其在精准农业中的应用价值

《PLOS One》：Research on grape leaf classification based on optimized densenet201 model

本研究提出了一种基于优化DenseNet201模型的葡萄叶片分类方法，通过数据增强（旋转范围45°、平移范围0.4）、批量归一化（BatchNormalization）和全局平均池化（GlobalAveragePooling2D）等技术显著提升了分类准确率。实验表明该模型在五类葡萄叶片（Akk/Ala Idrisi/Buzgulu/Dimrit/Nazli）分类任务中优于DenseNet121/169和ResNet50模型，为植物表型分析提供了新思路。

　　

引言

葡萄叶片品种分类一直是植物分类领域的难点问题。传统光谱分析技术在葡萄叶片分类中存在预处理、特征提取和建模过程的缺陷。随着深度学习技术的发展，Koklu团队在稻米品种分类、南瓜种子分类和椰枣遗传品种分类中验证了深度学习方法的优势。在医学图像分析领域，Zhou等人提出的DenseNet及其衍生模型在特征提取和模型优化方面的经验对葡萄叶片分类具有重要参考价值。

近年来，针对葡萄叶片的研究呈现多维度发展趋势。Cantwell团队研究了鲜食葡萄叶片的采后生物学特性，Martín-Tornero利用光纤荧光数据和化学计量学技术实现了葡萄叶片的地理判别，Nzekoue则系统分析了葡萄叶片生物活性化合物的化学特性。这些研究为基于深度学习的葡萄叶片分类研究提供了重要的背景信息。

研究方法

数据集构建

研究采用Prosilica GT2000C相机系统采集了5个葡萄品种（Akk、Ala Idrisi、Buzgulu、Dimrit和Nazli）各100张叶片图像，所有图像背景设置为白色以便于叶片分割。图像采集系统包含专用照明箱，确保光照均匀并有效减少阴影。

数据增强策略

通过旋转、缩放和平移等数据增强技术将原始数据集扩展至2500张图像。具体参数包括：旋转范围45°、宽度平移范围0.4、高度平移范围0.4、剪切范围0.4、缩放范围0.4，并采用水平翻转。所有图像统一调整为224×224像素尺寸，并对缺失背景进行填充操作。

模型优化架构

研究基于DenseNet201预训练模型进行优化，利用其独特的层间密集连接特性实现特征重用和梯度消失问题的缓解。优化后的模型架构包含以下关键改进：

批量归一化层实现对特征的分布稳定，有利于模型训练和泛化。全局平均池化层将特征图转换为特征向量，在保留主要特征信息的同时降低维度。Dropout层以0.4的概率随机丢弃神经元，有效防止过拟合。全连接层神经元数量依次设置为512、256、128和120，采用ReLU激活函数引入非线性。最终分类层使用softmax激活函数输出五分类概率分布。

模型训练采用自定义Adam优化器，学习率设置为0.0001，beta₁和beta₂分别设为0.9和0.999。损失函数使用分类交叉熵，评估指标包括准确率和损失值。训练过程设置100个epoch，采用ReduceLROnPlateau学习率调度器，当准确率停止改善时以0.2的因子降低学习率。

结果与讨论

训练过程分析

训练准确率曲线显示，随着训练轮次增加，训练准确率和验证准确率均呈现上升趋势。在训练初期，准确率增长较快，模型能快速学习数据中的明显特征。训练后期准确率逐渐趋于稳定，训练准确率始终高于验证准确率，但两者差距逐渐缩小，表明模型泛化能力持续增强。

损失函数曲线表明，训练损失和验证损失总体呈下降趋势。训练初期损失值快速下降，后期下降速率逐渐减缓。验证损失在训练初期高于训练损失，随着训练进行逐渐降低，表明模型对新数据的预测能力不断提升。

模型性能比较

与DenseNet121、DenseNet169、ResNet50等模型相比，优化后的DenseNet201模型在训练准确率和验证准确率方面均表现最优。在训练后期，优化模型的平均训练准确率达到0.995，验证准确率也保持较高水平。特别值得注意的是，优化模型在控制过拟合方面表现突出，训练损失与验证损失差距较小。

类别性能分析

通过混淆矩阵可视化分析发现，模型在不同数据集（训练集、验证集和测试集）上的分类误差分布具有一致性。定量评估显示，测试集精确度为0.816，训练集为0.812，验证集为0.768。测试集召回率为0.748，训练集为0.802，验证集为0.776。F1分数方面，训练集达到0.804，测试集和验证集分别为0.756和0.752。

讨论与展望

研究表明，优化后的DenseNet201模型在葡萄叶片分类任务中表现出色，但其在测试集和验证集上的性能略低于训练集，提示存在一定的过拟合风险。未来可通过调整模型结构、增加训练数据多样性或应用正则化方法进一步提升模型泛化能力。该研究为葡萄栽培和农业生产提供了有效的技术支撑，对推动农业智能化发展具有重要意义。

结论

本研究成功将优化DenseNet201模型应用于葡萄叶片分类任务，通过系统优化实现了准确的葡萄叶片分类。实验证明，该模型在多项指标上优于对比模型，为植物表型识别提供了新的技术方案。研究成果对精准农业发展和植物种质资源保护具有重要应用价值。