近期，工学院课题组在油茶种实品种识别和成熟度检测领域中取得系列进展。为探索油茶的成熟变化规律，确定最佳采收时机提高出油率，课题组通过自然生长环境下种实的可见光图像，将卷积神经网络技术和无监督聚类技术应用于油茶的品种识别和成熟度检测，为机械化智能化采收提供技术支持。
针对油茶品种之间表型特征差异小，机器视觉技术难以区分的问题，搭建双线性注意力网络的油茶细粒度识别模型（如图1所示），充分提取油茶果实不同品种的关键特征，准确识别江西油茶主栽品种。相关成果以“Bilinear Attention Network for Image-Based Fine-Grained Recognition of Oil Tea (Camellia oleifera Abel.) Cultivars”为题发表于期刊《agronomy》（中科院二区，2022年影响因子为3.949），工学院2021级博士研究生朱学岩为第一作者，工学院副教授陈锋军为通讯作者，北京林业大学为第一完成单位。
图1 油茶品种识别模型
针对油茶种实成熟度没有划分标准的现实问题，课题组提出一种基于无监督图像聚类的方法，根据聚类结果制定油茶种实成熟度划分标准；通过邓肯多重比较检验方法检验含油率等成熟指标的差异，验证标准的可靠性；利用DeepCluster模型检测油茶种实的成熟度，具体如图2所示。相关成果以“Maturity Grading and Identification of Camellia oleifera Fruit Based on Unsupervised Image Clustering”为题发表于期刊《foods》（中科院二区，2022年影响因子为 5.561），工学院2021级博士研究生朱学岩为第一作者，工学院副教授陈锋军为通讯作者，北京林业大学为第一完成单位。
图2 油茶种实成熟度检测过程
以上研究工作得到国家重点研发计划（2019YFD1002401）的资助。
论文链接：https://www.mdpi.com/2073-4395/12/8/1846
