利用图神经网络为自动化葡萄藤修剪生成逼真的修剪方案

《Expert Systems with Applications》：Generating realistic pruning solutions for automated grape vine pruning using graph neural networks

葡萄藤修剪自动化模型改进及实验验证。研究提出PruningGraph图神经网络模型，通过评分机制替代传统分类，结合真实 vine architecture 数据与专家 pruning solutions 训练。采用数据增强策略生成合成 poor solutions，训练时使用 binary cross-entropy 损失优化。实验表明模型在2021真实数据集上平均得分89.6%，仅3例低于75%阈值。生成模型通过迭代优化，在多数案例中产生与专家一致或相似的 pruning solutions，但部分案例存在与健康判断、空间布局相关的争议性选择。未来计划通过VR技术收集更丰富的 pruning quality labels。

　　在葡萄酒葡萄种植领域，传统的修剪工作是一项需要高度技能和经验的任务。修剪的目的是从当年的新生长中选择一定数量的枝条（通常是2或4根）作为新的承载枝条，以支撑下一年的生长。所有其他枝条和老枝条都会被剪除。由于这一过程既耗时又需要专业知识，因此任何能够部分实现自动化的技术都可能带来显著的经济效益。然而，现有的技术大多集中在较为简单的“刺枝修剪”（spur pruning）上，而“枝条修剪”（cane pruning）则因其复杂性而尚未被完全自动化。本文的研究旨在探索如何利用图神经网络（GNN）技术，开发一种能够自动识别并生成修剪方案的模型，并通过使用真实的修剪数据来改进模型的性能和实用性。

### 研究背景与目标

在之前的研究中，我们已经展示了GNN可以被训练以生成修剪方案，这些方案可以引导机器人进行自动枝条修剪。然而，该研究虽然验证了技术的可行性，但也揭示了许多尚未解决的问题。例如，模型在真实藤蔓结构上的表现如何？是否能够与经验丰富的修剪者所制定的方案相媲美？此外，之前的研究依赖于合成数据进行训练，这可能导致模型无法准确反映实际修剪场景的复杂性。

因此，本研究的重点在于解决这些局限性。我们首先采用了更接近真实情况的藤蔓结构数据，而不是合成数据。这些数据来源于对真实藤蔓的测量，并由经验丰富的修剪者提供。我们还改变了训练方法，不再依赖简单的规则进行分类，而是使用修剪者提供的实际修剪方案作为训练的基准。通过这种方式，我们希望构建一个更可靠、更接近现实的模型，从而能够更有效地指导自动化修剪机器人。

### VineGraph模型与改进方向

在之前的VineGraph模型中，我们尝试将藤蔓结构表示为图，并利用GNN来对每个枝条进行分类，以判断其是否应被剪除、保留作为更新的刺枝，或者作为新的承载枝条。然而，这种方法存在一个关键问题：即使在分类过程中考虑了相邻枝条之间的关系，一旦分类完成，这些关系并不会影响其他枝条的分类结果。这种独立的分类方式容易导致冲突的选择，因此需要在后期对结果进行处理，以确保符合修剪方案的要求。

为了解决这一问题，我们引入了新的模型——PruningGraph模型。与VineGraph不同，PruningGraph不再专注于对每个枝条进行分类，而是通过分析整个藤蔓的结构，对修剪方案进行评分。这样做的好处在于，模型可以更全面地考虑枝条之间的相互作用，并且避免了在分类过程中产生的冲突。通过这种方式，模型能够更准确地识别出“好的”修剪方案，即使这些方案与专家修剪者的选择不完全一致。

此外，我们还发现，之前的模型过于依赖精确的标签，即只有完全符合专家修剪方案的方案才会被标记为“正确”。然而，实际上，修剪方案的评估是一个连续的过程，而不是简单的“好”或“坏”。因此，我们提出了一个更加灵活的评分机制，通过生成多种可能的修剪方案，并对它们进行评分，从而选出最优的方案。这种方法不仅能够提高模型的泛化能力，还能够减少对专家标签的依赖。

### 数据采集与处理

为了训练更准确的模型，我们采用了来自真实藤蔓的数据。这些数据包括对藤蔓的详细测量，以及修剪者对每个枝条的修剪决策。我们首先使用绳子和卷尺对藤蔓的枝条进行测量，记录下每个枝条的水平距离、垂直距离、直径、长度、节点数量、健康状况和方向等特征。这些特征被用于构建一个结构化的数据集，其中每个枝条都对应一个特征向量。

为了确保数据的一致性，我们使用了统一的测量方法，并通过颜色标签的方式记录修剪者的决策。例如，每根被选中的枝条都会被贴上特定颜色的标签，以表示其被保留为承载枝条或更新的刺枝。这些标签与枝条的测量数据一起，构成了我们的训练数据集。通过这种方式，我们不仅获得了高质量的修剪数据，还确保了模型能够学习到真实修剪场景中的关键特征。

在数据处理过程中，我们还引入了数据增强技术。由于专家修剪方案只能提供“好的”标签，我们通过人为修改这些方案，生成了一些“较差”的修剪方案作为训练数据的一部分。这些修改包括替换被保留的枝条为被剪除的枝条，或者改变某些关键特征（如枝条长度或健康状况），以生成不同质量的修剪方案。这种数据增强方法有助于模型更好地理解修剪方案的质量变化，并避免过度依赖单一类型的标签。

### PruningGraph模型的构建与训练

PruningGraph模型的构建基于GNN的结构，尤其是图注意力网络（GAT）。我们使用了GAT层来提取藤蔓结构中的关键信息，并通过简单的全连接层对修剪方案进行评分。与VineGraph模型不同，PruningGraph模型的输出是一个单一的评分值，而不是每个枝条的分类结果。这种评分机制使得模型能够更灵活地处理不同类型的修剪方案，并且避免了分类过程中可能产生的冲突。

在训练过程中，我们使用了来自2022年的修剪数据集，并将其与2021年的数据集进行对比。通过这种方式，我们能够验证模型的泛化能力。我们还对模型的超参数进行了优化，以提高其在不同数据集上的表现。最终，我们选择使用Adam优化器，并设定了适当的学习率和衰减率，以确保模型在训练过程中能够稳定收敛。

在测试阶段，我们将PruningGraph模型应用于2021年的数据集，并观察其对修剪方案的评分结果。结果显示，模型在大多数情况下都能准确地识别出“好的”修剪方案，并且在某些情况下甚至能够生成与专家方案相似的修剪结果。然而，我们也发现了一些模型在评分过程中可能出现的偏差，例如某些枝条的选择可能与专家的预期不一致。这些问题需要在未来的模型优化中进一步解决。

### 修剪方案的生成方法

为了生成新的修剪方案，我们采用了一种基于评分的生成方法。首先，我们生成一组符合修剪方案的随机修剪方案，然后使用PruningGraph模型对这些方案进行评分。评分最高的方案会被选为初始输入，并通过梯度上升算法进行优化，以进一步提高其评分。这种方法不仅能够生成高质量的修剪方案，还能确保生成的方案符合修剪方案的要求。

然而，这种方法也存在一些挑战。例如，生成的随机方案可能不符合修剪方案的某些限制条件，因此需要在生成过程中进行适当的调整。此外，模型在优化过程中可能会出现局部最优解，导致生成的修剪方案质量不高。为了解决这一问题，我们引入了更多的数据增强策略，并通过调整模型的结构来提高其鲁棒性。

### 模型的局限性与未来研究方向

尽管PruningGraph模型在评分和生成修剪方案方面表现良好，但仍存在一些局限性。首先，我们的数据集仍然缺乏“较差”的修剪方案，这使得模型在训练过程中难以学习到不同质量的修剪方案之间的差异。为了克服这一问题，我们需要引入更多的数据增强方法，或者寻找其他方式来获取“较差”的修剪方案。

其次，我们的模型目前仅适用于特定的修剪方案（如两枝修剪系统）。然而，实际的修剪过程中，修剪者可能会根据具体情况选择不同的修剪方案。因此，未来的研究需要考虑如何使模型能够适应不同的修剪方案，并在不同的藤蔓结构下保持一致性。

最后，我们还计划探索更先进的生成模型，如生成对抗网络（GAN），以生成更多样化的修剪方案。这些模型可以通过学习专家修剪方案的特征，生成更符合实际需求的修剪方案，并进一步提高模型的性能。

### 结论

本研究通过改进数据集和模型结构，显著提高了自动化修剪技术的可行性。我们从合成数据转向真实藤蔓数据，并通过使用专家修剪方案作为训练基准，使得模型能够更准确地反映实际修剪场景的复杂性。此外，我们还开发了PruningGraph模型，该模型通过评分机制，能够更全面地评估修剪方案的质量，并生成符合修剪方案要求的修剪结果。

尽管模型在某些方面仍然存在局限性，例如对“较差”修剪方案的识别能力不足，以及对不同修剪方案的适应性有限，但这些挑战为我们提供了进一步研究的方向。未来的工作将集中在如何更有效地获取和处理不同质量的修剪方案，以及如何使模型能够适应更广泛的修剪需求。通过这些改进，我们希望能够开发出一个更加通用、可靠的自动化修剪系统，为葡萄酒葡萄种植行业带来更高的效率和质量。