葡萄是一种重要的农产品，葡萄浆果的计数对于葡萄种植和农业管理具有重要意义。传统的计数方法通常需要大量的人力和时间，而且容易受到主观因素的影响。因此，研究人员倾向于使用计算机视觉和图像处理技术来解决这个问题。半监督学习方法可以更好地利用有标签和无标签的图像数据，降低了数据标注的成本。本研究旨在开发一种半监督学习方法，用于从野外葡萄图像中精确计数葡萄果实。

2023年11月，Plant Phenomics在线发表了武汉工程大学计算机科学与工程学院、人工智能学院题为Semi-supervised Counting of Grape Berries in the Field Based on Density Mutual Exclusion 的研究论文。研究提出了一种基于密度互斥的田间葡萄浆果半监督计数方法（CDMENet）该算法以VGG 16为主干网络，提取图像特征，并引入了基于密度互斥作为为辅助工具，利用葡萄果实在密度层次上得空间分布模式，实现了对葡萄果实得分类识别，该方法充分利用了未标记的数据，并设计了一种密度差损失器，通过放大不同密度水平之间的特征差异，增强了特征的表示能力。

为了提高计数准确性并降低数据标注成本，研究采用了半监督学习方法。首先，研究使用Embrapa Wine Grape Instance Segmentation Dataset，其中包含300张野外葡萄图像，每个图像中的葡萄浆果都经过手动标记，以创建地面真实标签（图1）。这些图像包括五种不同的葡萄品种，每张图像中的浆果数量在200到1500之间不等。

图1 葡萄品种和田间葡萄浆果数据集中手动标记图像的示例

随后，研究提出了CDMENet（密度相互排斥网络），这是研究的计数框架。CDMENet由三个主要部分组成：特征提取器、密度回归器和辅助任务。特征提取器使用了VGG16网络，用于从输入图像中提取深度特征（图2）。密度回归器负责预测葡萄浆果的密度图，而辅助任务则通过多个密度级别预测器提供了对象分布信息，以优化特征学习过程。研究使用密度相互排斥来确保各像素仅归属于一个密度级别。

图2 基于密度互斥的田间葡萄浆果半监督计数框架

此外，在方法效率部分，研究将CDMENet与其他全监督和半监督计数方法进行比较，并使用多种指标如MAE、RMSE和R2来评估性能。性能评估结果如表1所示。

深入的消融实验（Ablation study）表明CDMENet在减少标注成本方面具有巨大潜力。通过对模型进行详细的组成部分和设计选择的分析，研究者发现，在不同的标注数据量和标签信息条件下，CDMENet都能保持出色的性能，尤其是在相对较少的标注图像的情况下。这表明CDMENet充分利用了未标注图像，通过引入基于密度互斥的辅助任务和密度差异损失，成功地减少了对标注图像的依赖，从而降低了标注成本。这一发现为在实际应用中更经济高效地解决葡萄浆果计数问题提供了重要的理论和实证支持。

论文链接：

https://doi.org/10.34133/plantphenomics.0115

——推荐阅读——

Instance Segmentation and Berry Counting of Table Grape before Thinning Based on AS-SwinT

https://spj.science.org/doi/10.34133/plantphenomics.0085

Plant Phenomics | 基于AS-SwinT疏果前单串葡萄果粒的实例分割与计数

Prediction of the Maturity of Greenhouse Grapes Based on Imaging Technology

https://doi.org/10.34133/2022/9753427

Plant Phenomics | 基于表型图像信息与反向神经网络预测温室葡萄成熟度