Лист винограда: Виноградные листья, сочетания, состав, рецепты и интеренсные факты!

Листья винограда: польза, применение, рецепты

Листья винограда содержат множество веществ и особенно полезны для диабетиков

Польза листьев винограда

Листья винограда малокалорийны, но при этом они содержат большое количество полезных веществ: витамины А, В, К, холин, фосфор, кальций, медь, калий, селен. Продукт обладает свойством снижать содержание сахара в крови, поэтому часто его рекомендуют для употребления диабетикам.

Лучший вкус у виноградного листа в период цветения

Порошок из сухих листьев способствует быстрому затягиванию ран, снимает воспаление. Его используют в качестве эффективного антисептического средства.

Для приготовления блюд чаще всего используют молодые листья винограда белых сортов. Оптимальное время для сбора — период цветения. В это время листочки обладают приятным ароматом и вкусом с легкой кислинкой.

Основные блюда c виноградным листом

Рецептов блюд с виноградными листьями много, но их объединяет первый этап приготовления. Листочки проваривают в кипятке, либо просто кладут в закипевшую воду на несколько минут.

Вымачивание листьев винограда в кипятке

Традиционная долма по-кавказки готовится в два этапа, сначала подготавливается начинка, в состав которой входят:

1 кг фарша из говядины;
четвертая часть стакана длинного риса;
сухая кинза;
соль, перец, майоран;
подготовленные листья.

Чтобы приготовить своеобразный соус — мацони, вам понадобится:

2 стакана свежего молока;
150 мл кефира;
2 зубчика чеснока;
пол стакана воды.

Готовим блюдо следующим образом:

В глубокой емкости смешиваем фарш с вымытым рисом добавляем специи, соль и перец по вкусу, наливаем воду.
Расправляем лист винограда на деревянной доске, кладем 1-2 ложки начинки и плотно заворачиваем.
Если листья маленькие, можно использовать для одной долмы два листочка.
Укладываем заготовки плотно в большую кастрюлю, придавливаем ее тарелкой, заливаем водой и ставим на средний огонь на 1-2 часа.
Для соуса разогреваем молоко, заливаем в него кефир, смешиваем и переливаем в стеклянную тару, которую укутываем и ставим в теплое место на 5 часов. Затем добавляем в смесь чеснок с солью и мацони готов для подачи.

Приготовление долмы — заворачиваем начинку в виноградный лист

В подготовленные листья можно заворачивать практически любую начинку — мясной фарш, рис, яйцо, молотый грецкий орех, или тушеные овощи. В России виноградные листья используют вместо капустных для приготовления необычных голубцов, которые начиняют традиционно, но вкус блюда получается совершенно иной.

Долму плотно укладывают в кастрюлю, тушат или запекают. Подается блюдо со сметанным соусом, или свежей сметаной.

Голубцы из виноградных листьев подаются под чесночным соусом

Листья винограда можно использовать при готовке рыбы. Они полностью нивелируют специфический рыбный запах. В сушеном виде листья становятся идеальной приправой практически ко всем блюдам, и придают им особый аромат.

Зачем маринуют листья винограда

Совсем необязательно ждать весну, чтобы полакомится вкусной долмой. Существуют простые рецепты заготовки виноградных листьев на зиму:

собираем листочки, тщательно вымываем под проточной водой;
пропариваем кипятком, просушиваем;
складываем листья по 5 штук и заворачиваем в «конвертик»;
полученные заготовки складываем в стерилизованную банку;
заливаем горячим рассолом (ложка соли на пол литра воды) и закатываем.

Маринованные листья винограда вкуснее, так как пропитываются специями

Такие листья ничуть не уступают по вкусовым качествам свежим. Они отлично подходят для приготовления различных видов долмы и экзотических голубцов. Кроме того, маринованный виноградный лист не требует подготовки (проварки или ошпаривания) — достал из банки, и приступил к приготовлению.

Для насыщенности вкуса виноградного листа можно добавлять стандартные специи, чеснок, перец, зонтики укропа.

Итог

Виноградные листья — доступный природный продукт, который можно использовать для приготовления полезных блюд. А если воспользоваться рецептами консервации, можно наслаждаться настоящей вкусной долмой круглый год.

Морфология листа винограда

Лабораторно-практическое занятие

Морфология листа винограда

Цель занятия: изучить морфологические особенности листьев винограда, усвоить их ампелографические признаки.

Общие сведения: Лист – это боковой вырост на узле побега выполняющий функции фотосинтеза, дыхания, транспирации. Состоит из черешка и пластинки. Пластинка листа является основным органом, вырабатывающим органические вещества в процессе фотосинтеза. С помощью черешка лист прикрепляется к стеблю. По черешку проходят сосудисто-волокнистые пучки, которые при входе в листовую пластинку разветвляются на пять жилок. Совокупность основных и более мелких жилок образуют так называемую нервацию листа.

Пластинка листа обычно рассечена на 3, а чаще на 5 лопастей. Имеется центральная, две верхние и две нижние боковые лопасти. Между лопастями находятся выемки или вырезки: две верхние и две нижние и черешковая. Выемки бывают открытые и закрытые.

Виноградному листу свойственны многочисленные и яркие ампелографические признаки, значительно облегчающие определение сортов. Для установления этих признаков берут листья среднего яруса между 8-12 узлами. Главное значение при описании имеют следующие признаки.

1. Величина листьев определяется по длине главной жилки.

Если длина 10 см, листья считаются мелкими (Траминер), от 10 см до 17 см – средними (Алиготе, Шасла), свыше 17 см – крупными (Чауш).

2. Общая конфигурация листа (форма), которая бывает округлой (Карабурну), почковидной (Сильванер, Вердельо), яйцевидная (Шасла, Италия).

3. Степень рассеченности листа.

В полевых условиях на свежих листьях определяется отгибанием верхней боковой лопасти в направлении дна черешковой выемки. Если при этом отогнутая лопасть покрывает не более 1/3 растояния от вершины её зубчика до основания черешковой выемки, то лист считается малорассеченным, если от 1/3 до 2/3 – среднерассеченным, если же лопасть перекрывает черешковую выемку и может быть согнута два т более раза – сильно рассеченным. На гербарных образцах степень рассечения листьев определяется сопоставлением тех же измерений с помощью линейки.

4. Тип и форма боковых и черешковой вырезок.

Открытые вырезки: в виде входящего угла, гуслевидные, лировидные, с узким устьем и дном различной формы – (округлым, заостренным, плоским), узкосводчатые, широкосводчатые, с дном ограниченным жилками.

Закрытые: без просвета, с просветом яйцевидным, узкоэлиптическим, округлым, с дном заострённым, округлым, плоским, однозубчатым, ограниченым жилками.

5. Изогнутость пластинки листа.

В естественном состоянии на кусте пластинка может быть ровной или изогнутой. Различают листья воронковидные, желобчатые, с отогнутыми краями кверху или книзу, со складчатыми лопастями, с гофрированными сборными краями, прямые, не изогнутые, увядшие, как бы с помятыми лопастями.

6. Поверхность листа бывает:

гладкая, блестящая;

сетчато-морщинистая

мелко и крупно пузырчатая.

7. Опушение листа.

Это признак определяется на нижней стороне 9-12 –го листа. Обращают внимание на степень и его характер. По степени опушения выделяют не опушенные (голые листья), слабо, средне и сильноопушённые. По характеру различают мягкое паутинистое опушение, грубое щетинистое (обычно редкое) и смешанное войлочное.

8. Зубчики по краю листа.

Различают оконечные зубчики – на вершинах лопастей, ими заканчиваются главные жилки, краевые (средней величины) – находятся на концах жилок 2-го порядка, дополнительные – ими заканчиваются разветвления жилок 3-го порядка и последующих. Отмечают одновременно величину и форму зубчиков. Они бывают: треугольные, прямые, треугольные наклонные, пиловидные, с выпуклымии сторонами и острой вершиной, куполовидные, крупные и мелкие.

9. Окраска черешка и главных жилок.

Черешки листьев и жилки у своего основания иногда окрашены в интенсивно красный антоциановый тон, они могут быть розовыми, светло-зелеными, даже желтоватыми, из-за чего хорошо выделяются на тёмно-зеленом фоне пластинки.

Задание 1: Обвести карандашом контур типичного виноградного листа. Обозначить на рисунке: пластинку листа, черешок, центральную и боковые лопасти, черешковую и боковые вырезки, главные жилки и зубчики по краю листа.

2. Отметить наиболее яркие ампелографические признаки 3-х сортов винограда.

Литература:

Ампелография СССР т.1. Москва, 1946.

Болгарев П. Т. Виноградарство. –Симферополь: Крымиздат, 1960.–574 с.

Виноградарство Крыма / А. П. Дикань, В. Ф. Вильчинский, Э. А. Верновский и др.; под. ред. А. П. Диканя. – Симферополь: Бизнес-Информ, 2001-406 с.

Перстнёв Н. Д. Виноградарство. – Кишинёв, 2001. – 603 с.

Добавить комментарий

Мучнистая роса винограда (оидиум) | Болезни растений

Визуальная диагностика проводится невооруженным глазом по характерным симптомам поражения. Листья. На пораженных листьях, преимущественно на верхней стороне, появляется мучнистый грибной налет белого цвета, с возрастом приобретающий сероватый оттенок. Сильно пораженные листья желтеют и некротизируются (но не опадают), что ведет к сокращению площади ассимиляционной поверхности и ослаблению растения.

Побеги. Симптомы поражения — мучнистый налет, темные бесформенные пятна, сливающиеся между собой. Пораженные молодые побеги могут быть полностью покрыты белым мучнистым налетом. В местах сильного поражения ткани побега чернеют и отмирают, что приводит к нарушению роста побега и его неравномерному одревеснению. Такие побеги в наибольшей степени страдают от заморозков. Весной пораженные побеги отстают в росте, их листья выглядят курчавыми.

Соцветия. Пораженные соцветия имеют те же симптомы (мучнистый налет), что приводит к нарушению нормального развития цветков и их опадению.

Ягоды. Симптомы заболевания мучнистой росой зависят от степени созревания ягод в момент их заражения. Наиболее восприимчивы к заражению молодые ягоды, содержание сахара в которых не превышает 8%. Они покрываются налетом и засыхают. Если заражение произошло позже, но до того, как ягода достигла полной величины, она продолжает расти. При этом под воздействием возбудителя происходит нарушение целостности эпидермиса, что вызывает растрескивание ягоды и ее деформацию. В этом случае характерный симптом поражения ягод мучнистой росой — косточки, выступающие наружу. Нередко процесс гниения ягод усиливается под действием возбудителя серой гнили

Botrytis cinerea, а также мягкой гнили (возбудитель Penicillium expansum) или мокрой гнили (возбудитель Penicillium expansum). Другие формы проявления симптомов мучнистой росы на ягодах винограда в период их созревания — темные пятна под кожицей при сохранении ее целостности, опробковение кожицы, которое начинает появляться с окрашиванием ягод, сетчатый рисунок на поверхности кожицы.

Оидиум винограда. Описание, диагностика, фото, лечение болезни

Оидиум паразитирует только на винограде и поражает все хлоррофилоносные органы: ягоды, побеги, листья, гребни. Развитию болезни способствует сухая, жаркая погода. Диагностируется оидиум по внешним признакам, на пораженных листьях, преимущественно на верхней стороне появляется мучнистый налет от белого до серого цвета. Ткани сильно пораженных листьев отмирают, но листья как правило не опадают. Внешние проявления иногда можно спутать с другими болезнями винограда, поэтому всегда стоит учитывать была ли погода благоприятна для развития того или иного гриба, осмотреть другие части растения на наличие симптомов болезни.

На фото показан молодой лист винограда пораженный оидиумом:

Взрослый лист винограда со следами поражения оидиумом:

На ягодах винограда болезнь проявляется по разному, в зависимости от времени заражения. Редко, но иногда оидиумом поражаются соцветия винограда во время цветения, или молодые грозди сразу после цветения. На фото ниже как раз такой случай. Многие путают налет оидиума с пушком милдью, различить их довольно просто по цвету, пушок милдью белый, оидиум всегда дает серый налет.

Молодые ягоды винограда, как правило, полностью покрываются серым налетом гриба, при сильном поражении оидиумом ягоды лопаются, семена показываются наружу. На гребнях гроздей появляется серый налет и черные пятна:

Безуходный куст винограда и урожай уничтоженный оидиумом:

Ягоды винограда могут поражаться почти до самого созревания, но на созревающих ягодах симптомы болезни выглядят обычно иначе, в виде «оидиумной сетки»:

Проще всего диагностировать оидиум по следам на побегах винограда. В ранней стадии поражения они выглядят как светло серые «кляксы», позже переходят в почти черные бесформенные пятна. Важный признак болезни — пятна на побегах при поражении оидиумом гладкие, не выпуклые и не приводят к растрескиванию побега.

Зимует гриб в виде мицелия между чешуйками почек и в виде клейстотециев на опавших листьях и пораженных лозах винограда. Поэтому уборка и сжигание растительных остатков из междурядий не будет лишней.

Борьба с оидиумом винограда (лечение кустов)

Издавна основным средством борьбы с оидиумом, способным убить даже зимующую грибницу, является сера. То есть оидиум в начальных стадиях развития можно попытаться лечить, в отличии от большинства других болезней растений. Испаряясь, сера взаимодействует с тканями гриба и «отбирает» у них ионы водорода, в результате образуется сероводород, а грибок погибает. Таким образом эффективность серы зависит от возможности испарения, то есть от температуры. При температурах ниже +18-20С эффективность серы сильно снижается, так как она практически перестает испаряться.

В давние времена серу применяли для опыливания кустов или готовили ИСО (известково-серный отвар). В настоящее время существуют гораздо более технологичные, мелкодисперсные препараты серы, предназначенные для приготовления суспензий для опрыскивания.

Современные органические фунгициды — триазолы, бензамидазолы, стробилурины и т.д., способны обеспечить длительную профилактику, не смываются осадками и очень удобны в применении. Однако, большинство из них не обладают искореняющим действием. Препараты из разных химических групп используют разные механизмы действия.

Если в предыдущем году виноградник имел следы поражения оидиумом, то первая профилактическая обработка проводится сразу после распускания почек, раньше, чем обычно начинают борьбу с милдью. Последующие опрыскивания производятся в зависимости от погодных условий и срока действия применяемых препаратов. Чаще всего фунгициды комбинируют в баковых смесях для защиты винограда одновременно от комплекса болезней. Конкретные схемы защиты винограда рассмотрены в статье, ссылку на которую вы найдете ниже.

Что делать, если у винограда краснеют листья

Виноград

На чтение 2 мин Просмотров 638 Опубликовано 27.07.2020 Обновлено 27.07.2020

Неопытным садоводом сложно разобраться во всем обилии болезней и вредителей культурных растений. Многие болезни имеют схожие признаки, а некоторые вредители наносят почти одинаковый урон. Кроме того, нехватка определенных веществ также может походить на проявление заболеваний.

Если на здоровом с виду винограде летом вдруг начинают появляться пятна красного цвета, которые быстро расползаются по всей пластине, то это явный знак, что нужно предпринять какие-то меры.

Как понять, почему у винограда краснеют листья:

Растение болеет краснухой. Краснуха винограда может возникнуть вследствие поражения грибком и из-за недостатка в почве калия. Постепенно листва покрывается пятнами, меняет цвет, прожилки становятся толще. Соседние культуры также обычно страдают от этой напасти.
В винограднике поселились паразиты, которые и стали причиной появления краснухи. Посадки может атаковать тля, цикадки и другие насекомые.
Изменчивые погодные условия, то есть резкие перепады температуры, продолжительная засуха или обильные дожди не позволяют растению направить силы на борьбу с недугами и вредителями.

Покраснение листьев у винограда обычно происходит из-за перечисленных факторов в совокупности. Резкие колебания температуры и засуха, а также нехватка питательных веществ снижают иммунную защиту культуры. Это приводит к тому, что появляются вредители, переносящие всевозможные заболевания, в том числе краснуху. Ослабшее растение сразу заражается.

Что делать, если у винограда покраснела листва:

Не допускать пересыхания почвы, поливая в знойные периоды. Достаточно еженедельно выливать под взрослое растение около 5 ведер воды в вечернее время.
Подкормить минеральным комплексом все растения на участке. Важно, чтобы в удобрении содержалась высокая доза калия, так как его недостаток и приводит к данной проблеме. Кроме того, фосфор тоже является одним из основных необходимых культуре элементов. До осени внести подкормку нужно трижды. Особо заметен недостаток калия в конце лета и начале осени, когда нижняя листва начинает покрываться «глянцем», края пластин стягиваются внутрь. А если помять листик в руках, будет отчетливо слышен хруст.
Обработать зеленую массу бордоской жидкостью 2 раза с интервалом в 3 недели. Можно использовать и другие препараты, желательно воздействующие и на насекомых, и на возбудителей болезней.
Не оставлять на участке опавшую листву, которая является рассадником болезней. Ее необходимо сгребать и выносить за пределы участка, сжигать.

Чтобы у винограда не краснели листья, а также не появлялись другие проблемы, следует ежемесячно проводить профилактические обработки от болезней и вредителей.

как подготовить и заготовить, лучшие рецепты, фото

Добавить в избранное

Во многих мировых кухнях начинку заворачивают в листья растений. Для долмы, которая представляет собой подобие голубцов, чаще всего используют виноградную листву. Это блюдо распространено в южных регионах, где кусты винограда традиционно выращиваются на каждом приусадебном участке. Кроме приготовления в свежем виде, листья для долмы совсем несложно сохранить на зиму. Рассмотрим, как это сделать, более подробно.

ПоказатьСкрыть

Как выбрать и подготовить листья винограда для долмы

Для правильной заготовки нужно знать, когда следует собирать и где лучше взять листья винограда. Для долмы предпочтительней использовать белые сорта винограда. Их пластина имеет не такой изрезанный край, как у красных сортов, и поэтому в неё легче завернуть фарш. Собирают листву во время цветения куста, в конце весны или начале лета. Лучше всего подойдут нежные листовые пластины с пятой по седьмую, если начинать отсчёт с верхушки лозы. Средний размер примерно соответствует размеру ладони: так завернуть начинку будет наиболее удобно. Срезают листья перед опрыскиванием винограда химическими препаратами. В течение лета также можно проводить обрезку, следя за тем, чтобы после обработки растения фунгицидами и инсектицидами прошел срок, указанный в инструкции препарата.

Важно! Не используйте в пищу продукцию с кустов, расположенных вдоль автомобильных дорог!

Как и при любых заготовках, важнейшую роль играет качество исходного сырья, поэтому важно понять, какие листья можно использовать для готовки. Они должны быть равномерного зелёного цвета, без пожелтений, пятен и следов поражения вредителями. Перед заготовкой необходимо провести мытьё и сушку, а также срезать черешок.

Как заготовить виноградные листья для долмы на зиму

Существует несколько способов заготовки продукта на зиму, простейшим из которых является заморозка. А вот маринованная оболочка обладает дополнительным оригинальным привкусом. Рассмотрим все возможные способы заготовки виноградных листьев.

Заморозка

Подготовленные листья для заморозки обязательно должны быть полностью сухими. Затем делают так:

Складывают по 10–15 листьев и сворачивают их в плотный рулон.
Рулон заворачивают в пищевую плёнку.
Рулончики укладывают в пластиковую коробку, поскольку после заморозки продукт будет хрупким.

Чтобы приготовить долму, заготовки нужно будет разморозить при комнатной температуре или обдать кипятком.

Важно! Количество листьев в одном рулоне должно соответствовать количеству долмы, которую обычно готовят за один раз.

Хранение в бутылках

Это оригинальный способ сохранения листьев в свежем состоянии на долгое время. Для него нужно подготовить пустые пластиковые бутылки. Дальнейший порядок действий такой:

В каждую бутылку насыпают по чайной ложке соли и соды, добавляют немного воды и тщательно встряхивают, чтобы смесь обволокла всю внутреннюю поверхность. Затем бутылку споласкивают чистой водой и просушивают.
Небольшие стопочки листьев (3–5 шт.) сворачивают в трубочки и очень плотно укладывают в бутылку, аккуратно утрамбовывая их палочкой. Бутылку необходимо полностью набить. Иногда на этом этапе добавляют немного соли.
Бутылку придавливают, чтобы выпустить весь воздух и надёжно закрывают крышкой.

Такую ёмкость хранят в тёмном прохладном месте до 2 лет. Для готовки бутылку нужно разрезать, листья достать и залить холодной водой. Иногда на поверхности может возникнуть желтоватый налёт, который не является признаком порчи.

Знаете ли вы? В некоторых регионах для приготовления долмы используют листья инжира и айвы.

Консервирование

Для консервации необходимо правильно подготовить стеклянные банки и крышки. Стерилизацию посуды можно провести в кастрюле с кипящей водой, в пароварке или мультиварке, в микроволновке или духовке. Каждая банка должна быть обработана горячим паром в течение 20–25 минут. При этом способе черенки можно не срезать, за них будет удобно вытащить заготовку из банки. С подготовленными листьями поступают так:

Листья сворачивают трубочкой и плотно укладывают в банки, которые затем наполняют кипятком на 10 минут. После воду сливают и снова заливают банку кипятком.
На литр воды добавляют по 1 ст. л. соли и сахара. Смесь доводят до кипения, помешивая для растворения соли и сахара.
Воду из банок сливают и наполняют кипящим раствором.
Банку закатывают и постепенно остужают.

Хранить такую заготовку нужно в прохладном и тёмном месте.

Маринование

Тару для маринования обрабатывают так же, как и для консервирования. Далее поступают так:

На дно банки укладывают 4–5 горошин перца, 1–2 бутона сушёной гвоздики, 1–2 лавровых листа.
Поверх специй плотно укладывают свёрнутые листья и заливают таким же раствором, как и для консервации, с добавлением 2 ст. л. 9% уксуса.
Банку закрывают и хранят в прохладном месте до трёх месяцев, а готовить долму из такой заготовки можно уже через несколько дней.

Засолка

Солёная заготовка заключается в помещении продукта в раствор поваренной соли. Чтобы засолить виноградные листья, делают так:

Скатанные рулончики плотно укладывают в чистую тару и заливают кипятком. Через 10 минут воду сливают.
Солевой раствор готовят, исходя из пропорции: 20 г соли на 1 л воды. В слитую воду добавляют нужное количество соли, доводят раствор до кипения и заливают в банку.
Ёмкость плотно закрывают крышкой, остужают и хранят в холодильнике.

Хранение «всухую»

Для этого способа не используют заливку рассолом, однако тару необходимо предварительно простерилизовать. Последовательность дальнейшего приготовления заготовки такова:

На дно банки укладывают по 10–12 листьев, придавливают и слегка присыпают солью.
Следующий слой плотно утрамбовывают и снова присаливают.
Наполненную банку стерилизуют 10–15 минут в духовке или на пару, а затем закрывают крышкой с помощью специального ключа.

Греческие фаршированные виноградные листья с рисом и травами (Долмадакия)

Долмадакия , греческое слово, обозначающее фаршированные виноградные листья, является одним из самых знаковых рецептов греческой кухни, и, несмотря на то, что существует множество разновидностей, постный вариант является наиболее распространенным. В теплое время года старайтесь найти и использовать свежие виноградные листья; они более нежные и ароматные, чем консервированные. Вне сезона опавшие листья являются прекрасной заменой (мы предпочитаем бренд Orlando).

Полное руководство по большим жирным греческим и ближневосточным сигарным закускам

Умеет: Как сделать свои собственные долмы (фаршированные виноградные листья) для идеальных тарелок мезе

Получайте сезонные рецепты, методы и приемы прямо на ваш почтовый ящик — подпишитесь здесь , чтобы получать информационные бюллетени Saveur.И не забудьте , подписывайтесь на нас в Instagram по адресу @SaveurMag .

Что вам понадобится

Листья греческого винограда, фаршированные рисом и зеленью (долмадакия)

Долмадакия, греческое слово, обозначающее долмы, является одним из самых знаковых рецептов греческой кухни, и, несмотря на то, что существует множество разновидностей, постный вариант является наиболее распространенным. В теплое время года старайтесь найти и использовать свежие виноградные листья; они более нежные и ароматные, чем консервированные.Вне сезона опавшие листья являются прекрасной заменой (мы предпочитаем бренд Orlando).

Урожайность: обслуживает 6-8 человек.

Состав

60-70 свежих виноградных листьев или одна банка объемом 16 унций, высушенные виноградные листья, удаленные стебли
³ ⁄ ₄ стаканов оливкового масла первого холодного отжима, разделенного на части, плюс еще для сервировки
1 большая белая луковица, нарезанная кубиками (2 стакана)
4 больших зеленых лука или 8 зеленых луковиц, только зеленые части, тонко нарезанные (1 ½ стакана)
1 ¹ ⁄ ₃ чашек мелко нарезанного свежего укропа (3 унции.)
1 ² ⁄ ₃ стаканов мелко нарезанной плоской петрушки (3 унции)
1 стакан мелко нарезанной свежей мяты (2 унции)
1 ³ ⁄ ₄ стаканов (12 ¼ унций) короткозернистого риса, замоченного в прохладной воде на 10 минут, затем слить)
Кошерная соль и свежемолотый черный перец
2 ст.свежий лимонный сок, плюс несколько дольок лимона для подачи
Простой греческий йогурт для сервировки (по желанию)

Инструкции

Доведите до кипения большую кастрюлю с водой. Заполните большую емкость ² ⁄ ₃ ледяной водой. Добавьте виноградные листья в кипящую воду и варите 2 минуты до размягчения. Удалите листья шумовкой или небольшим ситечком и переложите в ледяную воду.После охлаждения процедите листья и обсушите чистым полотенцем. Отложите в сторону.
Поставьте большую сковороду на средний огонь и добавьте стакана масла. Когда он станет горячим, добавьте белый лук и готовьте, периодически помешивая, пока он не станет мягким, 5 минут. Добавьте зеленый лук, укроп, петрушку и мяту и продолжайте готовить, пока лук не станет полностью мягким и полупрозрачным, еще 3-4 минуты. Добавьте рис и 1 чайную ложку кошерной соли и варите, постоянно помешивая, 2 минуты.Добавьте 1 стакан воды и варите, периодически помешивая, 10 минут. Снимите с огня и приправьте солью и перцем. Отложите, пока полностью не остынет.
Выстелите дно большой кастрюли или голландской духовки тремя слоями виноградных листьев (это предотвратит последующее подгорание долмадакии).
Работая по одному, поместите оставшиеся листья нижней стороной вверх, остриями к себе. Положите большую столовую ложку начинки в центр каждого листа, затем сложите левую и правую стороны над начинкой.Сложите кончик листа поверх начинки, затем плотно сверните, чтобы получилась сигара размером примерно 2 на ¹ ⁄ ₂ дюймов. Положите рулет швом вниз в горшок с подкладкой. Продолжайте с оставшимися листьями и начинкой, плотно уложив их в горшок и продолжая при необходимости на втором слое.
Поставьте кастрюлю на плиту и добавьте 1 ¹ ⁄ ₃ стаканов кипятка, лимонный сок и оставшиеся ½ стакана масла.Доведите до кипения на среднем огне, затем уменьшите огонь до средне-слабого и накройте сковороду; готовьте, пока рис не станет мягким, а листья не станут очень мягкими, около 45 минут.
Снимите кастрюлю и дайте остыть. Подавайте долмадакию комнатной температуры или в охлажденном виде, сбрызнув оливковым маслом и добавив дольки лимона для отжима и греческий йогурт для макания или посыпки.

Фаршированные по-гречески виноградные листья с рисом и травами (долмадакия) Мэтт Тейлор-Гросс

Использование свежих виноградных листьев — узнайте, как собирать виноградные листья для еды

Виноградные листья были турецкой лепешкой на протяжении веков.Использование виноградных листьев в качестве обертки для различных начинок позволило сохранить руки в чистоте и сделать их портативным продуктом питания. Сообщается, что эта практика зародилась во времена Александра Македонского, когда еды было мало, а мясо измельчали и смешивали с другими начинками. Вы можете легко насладиться этим традиционным источником турецкой и средиземноморской кухни. Все, что вам нужно, это несколько советов по сбору виноградных листьев и, возможно, несколько рецептов.

Что делать с виноградными листьями

Если вы или кто-то из ваших знакомых выращивает виноградную лозу экологически чистыми методами, вы можете приготовить один из классических греческих продуктов — долмы.Также известные как долмады, долмы — это фаршированные виноградные листья. Классика — лишь одно из многих применений виноградных листьев. Продолжайте читать, чтобы узнать, чем можно заняться с виноградными листьями в кулинарном путешествии по миру.

Изначально виноградные листья использовались в качестве обертки для различных смешанных начинок. Сегодня они расширились, и их можно найти в соусах, рисовых и зерновых блюдах, приготовленной на пару рыбе и многом другом. Листья, собранные довольно молодыми, становятся нежными и острыми после бланширования и рассола — и обычно используются для приготовления маринованных огурцов из виноградных листьев.Они добавляют нежную нотку многим блюдам интернациональной кухни, даже латиноамериканской и азиатской.

Листья можно добавлять даже в салаты. Эти универсальные листья содержат витамины C, B, K, A, B6, а также железо, ниацин, рибофлавин, клетчатку, марганец, медь, фолиевую кислоту, кальций и многое другое. Они низкокалорийны и являются отличной заменой тем, кто следит за своим весом.

Советы по сбору виноградных листьев

Специалисты рекомендуют собирать листья в конце весны — начале лета.Утро — лучшее время для сбора виноградных листьев. Убедитесь, что лоза, с которой вы собираете урожай, не опрыскивалась. Выберите листья среднего размера, достаточно большие, чтобы их можно было использовать в качестве обертки, но не слишком жесткие. Избегайте листьев с разрывами или дырками, если используете их в качестве обертки.

Листья должны быть блестящими и гладкими. Избегайте жестких или волосатых листьев, так как они будут слишком хрупкими, чтобы их можно было покрыть плесенью. Вымойте все листья и срежьте стебли. Поместите вымытые листья между влажными бумажными полотенцами в пакете или пластиковом контейнере.Вы можете использовать их сразу или заморозить на срок до шести месяцев.

Подготовка виноградных листьев

Как только вы закончите сбор виноградных листьев, пора готовить с ними. Независимо от того, используете ли вы виноградные листья в качестве обертки или в каком-либо другом рецепте, их все равно нужно подготовить. Помимо тщательной мойки, вы можете сделать V-образный вырез и отрезать стебель, который может оказаться жестким.

Многие повара считают, что листья нужно бланшировать в кипящей воде на пару минут или рассолить.Рецепт рассола — четыре части воды на одну часть соли. Теперь вы готовы приготовить долмы, песто из виноградных листьев, плов из риса и чечевицы с измельченными виноградными листьями, лосось на гриле с виноградными листьями, фаршированные листья с горгонзолой и оливками, пирог со шпинатом и виноградными листьями или любой рецепт, который вам больше всего нравится!

границ | Выявление болезней виноградных листьев с использованием усовершенствованных глубоких сверточных нейронных сетей

Введение

Виноградная промышленность является одной из основных фруктовых отраслей в Китае, и общий объем производства винограда достиг 13.083 млн тонн в 2017 году. Однако болезни виноградных листьев препятствовали развитию виноградной отрасли и привели к значительным экономическим потерям. Таким образом, выявлению и диагностике болезней листьев винограда уделяется большое внимание со стороны садоводов и экспертов по борьбе с болезнями и вредителями.

Современные подходы к обнаружению болезней основаны в основном на визуальном распознавании. Однако это не только визуальное распознавание — трудоемкая и трудоемкая задача, но и точность распознавания не удовлетворяет требованиям (Dutot et al., 2013). В результате ошибочный диагноз приведет к злоупотреблению пестицидами, которые разрушат среду роста винограда и ухудшат качество фруктов. Таким образом, различные методы спектроскопии широко применяются для диагностики и мониторинга болезней растений. Однако потребность в громоздких датчиках и точных инструментах приводит к низкой эффективности и высокой стоимости (Mahlein et al., 2013; Lin et al., 2014). С развитием техники компьютерного зрения исследователи предложили некоторые алгоритмы распознавания болезней растений, основанные на методах машинного обучения (Waghmare et al., 2016; Али и др., 2017; Hamuda et al., 2017; Акбарзаде и др., 2018; Гриффель и др., 2018; Шариф и др., 2018; Каур и др., 2019; Хан и др., 2019; Кур и Арора, 2019; Лю и др., 2019; Wang et al., 2019; Чжу и др., 2019; Mohammadpoor et al., 2020). Однако классификационные признаки в этих подходах выбираются на основе человеческого опыта, что ограничивает обобщаемость моделей, а точность этих моделей все еще не удовлетворяет требованиям распознавания. Напротив, сверточная нейронная сеть (CNN) может эффективно избегать сложной предварительной обработки изображений и использовать общие веса для уменьшения потребления памяти.CNN по-прежнему считается одним из оптимальных алгоритмов для задач распознавания образов. Таким образом, использование CNN для выявления ранних болезней растений стало предметом исследований в области информатизации сельского хозяйства. В (Mohanty et al., 2016; Zhang and Wang, 2016; Lu J. et al., 2017; Lu Y. et al., 2017; Khan et al., 2018; Liu et al., 2018; Geetharamani, Pandian) , 2019; Ji et al., 2019; Jiang et al., 2019; Liang et al., 2019; Oppenheim et al., 2019; Pu et al., 2019; Ramcharan et al., 2019; Wagh et al., 2019; Чжан и др., 2019a; Zhang et al., 2019b; ), CNN широко изучаются и применяются для диагностики болезней растений. Согласно этим исследованиям, CNN могут изучать расширенные надежные признаки болезней непосредственно из исходных изображений, вместо того, чтобы выбирать или извлекать признаки вручную, что превосходит традиционные подходы к извлечению признаков.

В этой статье представлен инновационный подход к распознаванию болезней листьев винограда на основе CNN. Этот подход направлен на преодоление двух основных проблем: во-первых, модели CNN требуют большого количества данных для обучения.Однако каждая болезнь листьев винограда проявляется в разный период времени, и время для сбора изображений болезни ограничено. Таким образом, для обучения модели недостаточно изображений больного виноградного листа. Во-вторых, задача классификации мелкозернистых изображений для болезней виноградных листьев является сложной задачей, и модели, обученные с помощью трансферного обучения , с трудом достигают удовлетворительной производительности. Следовательно, разработка оптимальной структуры CNN для распознавания болезней виноградных листьев является сложной задачей.

Инновация статьи заключается в применении улучшенного алгоритма CNN для распознавания болезней виноградных листьев, и основные вклады и нововведения, внесенные в этот документ, резюмируются следующим образом:

● Набор данных о болезнях виноградных листьев создан и является важным фундамент для обобщения модели. Во-первых, чтобы повысить надежность модели, собираются изображения больных листьев винограда со сложным и однородным фоном. Кроме того, чтобы уменьшить явление переобучения модели, исходные изображения пораженных виноградных листьев обрабатываются с помощью технологии увеличения данных для создания достаточного количества обучающих изображений.Кроме того, технология цифровой обработки изображений используется для моделирования изображений болезней виноградных листьев в различных средах, что значительно улучшает характеристики обобщения модели.

● Предложена улучшенная модель CNN для диагностики болезней виноградных листьев. Путем анализа особенностей изображений пораженных листьев винограда предлагается новая модель глубокой сверточной нейронной сети, а именно плотная сверточная нейронная сеть Inception (DICNN). Глубокая разделяемая свертка сначала используется DICNN для построения первых двух сверточных слоев, чтобы уменьшить количество параметров и предотвратить проблему переобучения модели.Затем используется начальная структура для повышения эффективности экстракции многомасштабных пятен болезней. Наконец, стратегия плотного соединения применяется к четырем каскадным структурам Inception для облегчения проблемы исчезающего градиента, поощрения распространения и повторного использования функций.

По результатам экспериментов точность модели DICNN достигает 97,22%, что лучше, чем у других классических моделей. Кроме того, после увеличения данных с использованием набора данных из 107 366 изображений пораженных болезней виноградных листьев точность увеличивается на 14.42%, тем самым демонстрируя более высокую надежность и лучшие характеристики распознавания.

Остальная часть документа организована следующим образом: Связанная работа представляет и резюмирует связанную работу. В Generating the Grape Leaf Disease Data Set , основанном на получении изображений натуральных виноградных листьев, с помощью технологии обработки изображений генерируются обильные изображения виноградных листьев. Модель идентификации болезней виноградных листьев представляет модель DICNN. Результаты экспериментов и обсуждение представляет эксперименты для оценки производительности модели и анализирует результаты экспериментов.В последнем разделе представлены выводы статьи.

Связанные работы

Чтобы уменьшить ущерб от болезней, многие исследователи приложили огромные усилия для выявления болезней растений. Благодаря постоянному развитию алгоритмов машинного обучения они широко используются для выявления вредителей и болезней растений.

В (Hamuda et al., 2017), Hamuda et al. предложил алгоритм автоматического определения посевов. Алгоритм использовался для обнаружения цветной капусты из видеопотоков при естественном освещении при различных погодных условиях, а результаты обнаружения сравнивались с наземными данными, которые были получены с помощью ручного аннотирования .Этот алгоритм реализовал чувствительность 98,91% и точность 99,04%. В (Akbarzadeh et al., 2018) Akbarzadeh et al. предложил подход к классификации растений, основанный на машине опорных векторов. Набор данных состоял из спектральных характеристик отражения кукурузы и серебряной свеклы при 635, 685 и 785 нм со скоростью 7,2 км / ч. Результаты экспериментов показали, что предложенный алгоритм эффективно классифицирует растения с точностью 97%. В (Wang et al., 2019) Zhang et al.предложили подход к распознаванию мучнистой росы огурцов, основанный на визуальных спектрах. Благодаря классификации и распознаванию спектральных характеристик, диапазон видимого света от 450 до 780 нм был выбран в качестве диапазона исследований. Затем алгоритм SVM был использован для построения модели классификации, а функция ядра с радиальным базисом была применена для оптимизации модели. Результаты экспериментов показали, что эта модель реализовала точность 100% и 96,25% для здоровых листьев огурца и листьев мучнистой росы, соответственно, а общая точность составила 98.13%. В (Waghmare et al., 2016) Waghmare et al. предложила методику выявления болезней винограда с помощью анализа текстуры листьев и распознавания образов. Система взяла один лист растения в качестве входных данных, и после удаления фона была проведена сегментация. Затем сегментированное изображение листа было проанализировано через фильтр высоких частот для обнаружения пораженной части листа. Наконец, извлеченный образец текстуры был передан в мультиклассовый SVM. В (Mohammadpoor et al., 2020) Mohammadpoor et al.предложили интеллектуальный метод обнаружения вируса фанлиста винограда. На основе алгоритма нечеткого C-среднего была выделена область пораженных частей каждого листа, а затем она была классифицирована с помощью SVM. Кроме того, для повышения диагностической надежности системы был применен метод перекрестной проверки в K раз с k = 3 и k = 5. Результаты экспериментов показали, что средняя точность системы составляет около 98,6%. Однако алгоритмы машинного обучения требуют громоздкой предварительной обработки изображений и извлечения признаков (Кулин и др., 2017; Zhang et al., 2018). Напротив, CNN может автоматически различать и извлекать отличительные признаки для идентификации изображения.

В последние годы CNN сделали большой прорыв в области компьютерного зрения. Таким образом, использование CNN для выявления болезней растений стало центром исследований в области сельскохозяйственных информационных технологий. В (Khan et al., 2018) Khan et al. изолировали области заражения от фона и использовали VGG и AlexNet для извлечения характеристик областей заражения.Эксперименты проводились на Plant Village и CASC-IFW, и точность классификации составила 98,60%. Результаты экспериментов показали, что предложенная модель превосходит существующие подходы с высокой точностью и высокой точностью распознавания. В (Zhang et al., 2019) Zhang et al. предложил алгоритм выявления болезней огурцов, основанный на AlexNet, а именно GPDCNN. Подход эффективно объединяет контекстную информацию путем объединения уровней глобального пула через расширенную свертку , что может оптимизировать сходимость и повысить скорость распознавания.Модель GPDCNN была обучена на шести распространенных болезнях листьев огурца, и точность распознавания составила 94,65%. В (Liang et al., 2019) Liang et al. предложила систему диагностики рисового взрыва, основанную на CNN. Модель была обучена на наборе данных из 5808 пораженных изображений, которые включали 2906 положительных образцов, и продемонстрировали удовлетворительные характеристики с точки зрения точности распознавания, AUC и ROC. Экспериментальные результаты показали, что предложенная модель может извлекать больше различительных и эффективных высокоуровневых функций, чем традиционные подходы LBPH и Haar-WT.В (Zhang et al., 2019) Zhang et al. обучили трехканальную модель CNN для распознавания болезней листьев томатов и огурцов. В этом подходе использовались три канала RGB отдельно для использования информации о цвете и реализовано автоматическое извлечение болезненных признаков с помощью информации о цвете. На наборе данных о болезнях листьев томатов и огурцов предложенная модель превзошла традиционные подходы с точки зрения точности классификации. В (Wagh et al., 2019) Wagh et al. предложила автоматическую систему идентификации болезней винограда для распознавания пяти болезней, включая мучнистую росу, ложную мучнистую росу, ржавчину, бактериальные пятна и антракноз.Извлечение признаков и обучение модели изображений листьев были выполнены с использованием предварительно определенной архитектуры AlexNet. И результаты экспериментов показали, что модель смогла точно классифицировать болезни винограда. В (Ji et al., 2019) Ji et al. предложена единая архитектура сверточных нейронных сетей, основанная на интегрированном методе. Предлагаемая архитектура CNN, а именно UnitedModel, была разработана для классификации распространенных болезней виноградных листьев. UnitedModel смогла выделить дополнительные отличительные признаки благодаря комбинации нескольких CNN.И результаты экспериментов показали, что UnitedModel продемонстрировала лучшую производительность по различным параметрам оценки и достигла средней точности теста 98,57%.

Согласно этим исследованиям, CNN получили удовлетворительные результаты в распознавании болезней растений. Однако CNN редко используются в области идентификации болезней виноградных листьев. Кроме того, большинство прикладных алгоритмов идентификации изображений основаны на популярных методах обучения передачи данных, и в алгоритмы было внесено несколько улучшений.Таким образом, в данной статье предлагается модель идентификации изображений, основанная на CNN для болезней листьев винограда.

Создание набора данных о болезнях виноградных листьев

Сбор данных

Поскольку нет подходящего набора данных для идентификации заболеваний виноградных листьев, большое количество времени уделяется сбору изображений пораженных виноградных листьев. Всего с помощью цифровой камеры было собрано 7669 изображений виноградных листьев, которые относятся к семи категориям: антракноз, бурая пятнистость, клещи, черная гниль, ложная мучнистая роса, фитофтороз и здоровые листья.Классы антракноза, клещей, ложной мучнистой росы и здоровых листьев собирают в хорошую погоду на экспериментальной станции по посадке винограда Северо-Западного университета A&F, провинция Шэньси, Китай. И эта часть набора данных включает в себя всего 4023 изображения. Класс бурой пятнистости, черной гнили и фитофтороза собирают из общедоступных наборов данных, и эта часть набора данных включает в общей сложности 3646 изображений. Таблица 1 подробно иллюстрирует исходный набор данных о болезнях листьев винограда.

Таблица 1 Исходный набор данных о болезнях листьев винограда.

Семь репрезентативных изображений набора данных показаны на Рисунке 1, где четко видны различия между семью типами изображений. Поверхность здорового виноградного листа зеленая, без пятен. Пятно антракноза почти круглое. Центральная часть пятна белая, а край темно-фиолетовый. Для категории коричневых пятен на поверхности виноградных листьев присутствуют коричневые пятна неправильной формы. Середина каждого пятна темно-коричневая, а края коричневые. Клещи вызывают появление множества белых пятен неправильной формы на обратной стороне листьев, а поверхность листьев покрывается пузырями.Пятна черной гнили почти круглые с темно-коричневой серединой и коричневыми краями. На лицевых сторонах листьев винограда при ложной мучнистой росе постепенно появляются желто-зеленые пятна болезни, а на оборотной стороне листьев появляется белая морозная мучнистая роса. Фитофтороз приводит к появлению темно-коричневых пятен на поверхности виноградных листьев. Различия между этими пятнами болезни способствуют распознаванию различных болезней листьев винограда.

Рисунок 1 Семь распространенных типов изображений виноградных листьев. (A) Антракноз, (B) Коричневая пятнистость, (C) Клещи, (D) Черная гниль, (E) Ложная мучнистая роса, (F) Фитофтороз, (G) Здоровые листья.

Расширение данных

Проблема переобучения на этапе обучения CNN может быть преодолена с помощью увеличения данных. Когда подбирается случайный шум, а не лежащая в основе взаимосвязь, возникает проблема переобучения моделей глубокого обучения (Heisel et al., 2017). С большим количеством изображений после расширения с помощью методов увеличения данных модель может изучить как можно больше нерелевантных шаблонов в процессе обучения, тем самым избегая переобучения и повышая способность противодействия помехам в сложных условиях.

Для выполнения операций увеличения данных используется несколько технологий обработки цифровых изображений. Влияние погодных факторов во время съемки моделируется через интерференцию интенсивности изображения , которая включает интерференцию яркости, контрастности и резкости. Размытие по Гауссу имитирует влияние туманной погоды на получение изображения. Взаимное расположение камеры и пораженных листьев имитируется с помощью преобразований вращения (включая 90 градусов, 180 градусов и 270 градусов) и с помощью операций горизонтальной и вертикальной симметрии.Гауссов шум, интерференция контраста и резкость используются для моделирования влияния факторов оборудования. Кроме того, для расширения исходного набора данных применяется дрожание PCA.

Значения яркости каждого изображения регулируются путем случайного увеличения или уменьшения значений RGB пикселей. Предположим, что V ₀ — это исходное значение RGB, V представляет настроенное значение, а d — коэффициент преобразования яркости. Процесс преобразования значения RGB выражается как:

На основе среднего значения яркости значение контрастности изображения регулируется путем увеличения больших значений RGB и уменьшения меньших значений RGB.Процесс преобразования значений RGB выражается как:

Лапласовский шаблон применяется к изображению для настройки значения резкости. Предположим, что пиксель изображения RGB представлен как c (x, y) = [R (x, y), G (x, y), B (x, y)] T. Формула выглядит следующим образом:

∇2 [c (x, y)] = [∇2R (x, y) ∇2G (x, y) ∇2B (x, y)]

Изображение поворачивается путем поворота каждого пикселя. на такой же угол вокруг центра. Предположим, что P ( x , y ) — произвольная точка на изображении и что ее новая координата после поворота по часовой стрелке на θ ° равна P ₂ (x, h-y).Расчетные координаты двух точек выражаются как:

{X = rcos (α − θ) = xcosθ + yrsinθY = rsin (α − θ) = — xcosθ + yrcosθ

Операция вертикальной симметрии использует горизонтальную среднюю линию изображения. в качестве оси для выполнения симметричного преобразования всех пикселей. Предположим, что h представляет высоту, а P ( x , y ) — произвольную точку на изображении. После обработки вертикальной симметрии координаты новой точки равны P ₂ (x, h – y). Операция горизонтальной симметрии аналогична операции вертикальной симметрии.

С помощью этих методов создания изображений из каждого изображения получается 13 новых изображений. На рисунке 2 представлен пример, иллюстрирующий процесс создания изображения.

Рисунок 2 Увеличение изображения изображения болезни виноградных листьев. (A) Исходное изображение, (B) высокая яркость, (C) низкая яркость; (D) высокая контрастность; (E) низкая контрастность; (F) высокая резкость; (G) низкая резкость; (H) поворот на 90 градусов; (I) поворот на 180 градусов; (J) поворот на 270 градусов; (К) вертикальная симметрия; (L) горизонтальная симметрия; (M) гауссовский шум и (N) PCA Jittering.

После процесса увеличения изображения был получен набор данных изображений пораженных листьев винограда, который включает 15 736 изображений из класса антракноза, 19 362 изображения из класса коричневых пятен, 15 484 изображений из класса клещей, 16 618 изображений из класса класс черной гнили, 12 740 изображений класса ложной мучнистой росы, 15 064 изображения класса фитофтороза и 12 362 изображения класса здоровых листьев. Затем размер всех изображений в наборе данных изменяется до 256 × 256. Наконец, набор данных делится на три части в соотношении 6: 2: 2, которые, соответственно, используются в качестве обучающего набора, набора проверки и набор тестов.Подробная информация о наборе данных представлена в таблице 2.

Таблица 2 Набор данных о болезнях виноградных листьев.

Модель идентификации болезней виноградных листьев

На основе архитектуры и характеристик четырех классических моделей CNN, а именно VGG16 (Симонян и Зиссерман, 2014), GoogLeNet (Szegedy et al., 2015), ResNet (He et al., 2016) и DenseNet (Huang et al., 2017), новая модель на основе CNN, а именно DICNN, предлагается для диагностики семи распространенных классов виноградных листьев.Согласно Таблице 3 и Рисунку 3, модель DICNN состоит из трех частей: первая часть — это «предсетевой модуль», а ее первый глубокий разделяемый сверточный слой фильтруется с помощью 64 ядер размером 3 × 3. Затем 3 × Слой 3 max-pooling добавляется после первого глубокого разделяемого сверточного слоя. Следующий глубоко разделяемый сверточный слой содержит 64 ядра свертки размером 3 × 3, за которым следует слой максимального объединения 3 × 3 и слой пакетной нормализации. Далее идет структура Inception, за которой следует еще один уровень максимального пула.Второй модуль, а именно «начальный модуль с плотным каскадом», состоит из четырех начальных структур с плотными связями. Применение стратегии плотной связи повышает эффективность использования карт функций и способствует объединению многомерных функций между структурами Inception, повышая эффективность диагностики болезней виноградных листьев. Последний модуль состоит из двух уровней максимального пула, начального уровня, уровня глобального среднего пула (GAP) и 7-стороннего уровня Softmax.

Таблица 3 Состав модели DICCN.

Рисунок 3 Структурная схема модели DICNN.

Сверточный слой с глубоким разделением

Ограниченная количеством изображений набора данных о болезнях виноградных листьев, модель большого размера склонна к переобучению в процессе обучения. Следовательно, уменьшение количества параметров способствует улучшению обобщающих характеристик модели. Кроме того, модель с меньшим количеством параметров имеет более высокую скорость обучения и потребляет меньше вычислительных ресурсов.В то время как глубокая разделимая свертка состоит из глубинной свертки и точечной свертки, которая имеет меньше параметров, чем стандартная свертка (Howard et al., 2017). При глубокой разделяемой свертке одиночный фильтр применяется в глубокой свертке к каждому входному каналу. Затем с помощью поточечной свертки применяется сверточная операция 1 × 1 для объединения выходных данных. Такая факторизация существенно уменьшает размер модели и потребление вычислительных ресурсов, при этом точность распознавания модели не снижается.

Cascade Dense Inception Module

Размеры пятен болезни существенно различаются для разных сортов виноградных листьев. Производительность модели при извлечении признаков в различных масштабах оказывает существенное влияние на окончательную точность распознавания. Для извлечения пространственных объектов различных размеров к модели был применен каскадно-плотный начальный модуль, который состоит из четырех начальных структур с плотными связями. Ядра извилин с небольшим размером извлекают мелкозернистые очаги поражения, тогда как ядра извилин большого размера больше фокусируются на особенностях болезненных пятен большого размера.Поэтому была применена структура Inception в GoogLeNet (Szegedy et al., 2015). В начальной структуре сверточные слои разного размера размещаются параллельно на своих ветвях. Каждая параллельная ветвь структуры Inception концентрируется на отдельных функциях. Это не только увеличивает ширину сети, но и повышает производительность многомасштабного извлечения признаков. Кроме того, на основе подхода асимметричной факторизации (Szegedy et al., 2016) применяются асимметричные свертки для повышения производительности извлечения признаков и снижения вычислительных затрат.Начальная структура подробно проиллюстрирована на рисунке 4.

Рисунок 4 Начальная структура.

Обычно операции с плавающей запятой используются для оценки временной сложности модели CNN. Для одного сверточного слоя его временная сложность может быть выражена как:

, где M представляет длину стороны выходной карты признаков, K представляет длину стороны ядра свертки, C _в — количество каналов входных данных. карта характеристик, а C _out — количество каналов выходной карты характеристик.

Структура Inception содержит несколько сверточных слоев, и ее временная сложность может быть выражена суммой времени работы всего сверточного слоя:

Time∼O (∑i = 1DMi2 * Pi * Qi * C (i, in) * C (i, out))

, где D представляет количество сверточных слоев в структуре Inception, P _i представляет длину ядра свертки, Q _i представляет ширину ядра свертки (Q _i не является равно P _и при использовании асимметричной свертки).

Во время потока карт признаков особенности мелких пятен болезней винограда трудно перенести на более глубокие слои модели. Эта потеря функций серьезно влияет на точность распознавания модели. В DenseNet была предложена стратегия плотного подключения для дальнейшего улучшения информационного потока между уровнями. Слой λ получает карты признаков из всех предыдущих слоев, как выражено в уравнении:

x = Hλ ([x0, x1,…, xλ − 1])

, где [ x ₀, x ₁,…, x _λ _-1] обозначает объединение карт из предыдущих слоев.

Как показано на рисунке 5, стратегия плотного подключения применяется к модулю каскадной плотной связи Inception. Следовательно, карты характеристик всех предыдущих слоев в этом модуле применяются в качестве входных данных для этого слоя, а его собственные карты характеристик применяются в качестве входных данных для всех последующих слоев. Применение стратегии плотного соединения имеет решающее значение для повышения производительности модели. Во-первых, градиент, полученный каждым слоем, представляет собой сумму градиентов из предыдущих слоев; следовательно, он снимает проблему исчезающего градиента.Кроме того, это усиливает распространение функций и поощряет повторное использование функций, что может эффективно предотвратить проблему переобучения. Наконец, по сравнению с остаточной стратегией, она существенно снижает параметры и накладные расходы на хранение предлагаемой модели.

Рис. 5 Схематическая диаграмма стратегии плотного подключения.

Стратегия адаптивного подключения

Модель на основе CNN должна быть обучена классификации болезней виноградных листьев. Выбор алгоритма оптимизации существенно влияет на эффективность обучения.

Адаптивная оценка момента (Adam) была применена вместо традиционного алгоритма стохастического градиентного спуска (SGD) в качестве алгоритма оптимизации модели. Адам — эффективный алгоритм для оптимизации стохастических целевых функций первого порядка на основе градиента (Kingma and Ba, 2015). Алгоритм требует мало памяти и прост в реализации; следовательно, он подходит для задач с большими объемами данных или многими параметрами. t + ε)

, где α представляет скорость обучения, β ₁ и β ₂ представляют скорости экспоненциального затухания на данный момент оценок, θ _t — текущий обновленный параметр, θ _t-1 — предыдущий обновленный параметр, f ( θ ) представляет собой стохастическую функцию с параметрами θ , ε — малая константа ( ε = 10 ^-8 в этой статье), m _t — это первый вектор момента, а v _t — второй вектор момента.

Результаты экспериментов и обсуждение

Стратегия адаптивного подключения

Эксперименты проводились на сервере глубокого обучения, который содержал два процессора Tesla P100 (16 ГБ памяти) с системой Ubuntu. Кроме того, фреймворки глубокого обучения TensorFlow и Keras использовались для реализации модели DICNN, которая удобна для разработки сравнительных экспериментов благодаря своим интерфейсам Python (Bahrampour et al., 2015; Abadi et al., 2016a; Abadi et al. ., 2016b; Тан, 2016). Дополнительные параметры конфигурации перечислены в таблице 4.

Таблица 4 Программная и аппаратная среда.

Сравнение точности и скорости сходимости

На основе набора тестов проводится эксперимент для сравнения точности и скорости сходимости модели DICNN с другими классическими подходами, включая нейронную сеть обратного распространения (BP), машину опорных векторов (SVM), VGG-16, GoogLeNet, ResNet-34 и DenseNet-169. Между тем, предлагаемая модель также сравнивается с недавней моделью классификации болезней винограда, включая AlexNet для классификации болезней винограда (AFGDC) (Wagh et al., 2019) и UnitedModel (Ji et al., 2019).

Все классификационные модели были обучены с нуля с 30 эпохами, и была принята та же стратегия обучения. Алгоритм Адама использовался в качестве оптимизатора для обучения модели. А скорость обучения была установлена на 0,01, что может ускорить сходимость модели в процессе обучения. Согласно таблице 5, предложенная модель DICNN имела оптимальную производительность распознавания с точностью 97,22% на тестовой выборке. К тому же точность 94.89% было реализовано DenseNet, что связано с его неоспоримыми преимуществами усиления распространения функций и поощрения повторного использования функций. Остаточная нейронная сеть ResNet-34 показала общую точность 94,89%. Кроме того, GoogLeNet реализовал точность 94,25%, что связано с его возможностями многомерного извлечения функций. VGG-16 получил среднюю точность 88,96%, тогда как модель SVM и нейронная сеть BP показали плохие характеристики распознавания с точностью 67,82% и 57.93% соответственно. UnitedModel, которая была специально разработана для выявления болезней винограда, смогла выделить дополнительные отличительные признаки благодаря комбинации нескольких CNN. И он реализовал точность 96,58%. Другая модель обнаружения болезней винограда, AFGDC, использовала предопределенную архитектуру AlexNet для извлечения признаков и достигла точности 88%. Результаты экспериментов показали, что подходы на основе CNN превосходят классические подходы машинного обучения. Классические подходы машинного обучения к распознаванию болезней виноградных листьев зависят от классификационных характеристик, разработанных экспертами.Напротив, подходы на основе CNN автоматически извлекают лучшие классификационные признаки. Благодаря этим функциям модели на основе CNN обеспечивают отличное распознавание болезней виноградных листьев. Среди всех моделей CNN DICNN имеет лучшую производительность и может точно классифицировать изображения болезней винограда. Кроме того, кривые точности использовались для визуального представления точности и скорости сходимости моделей. Как показано на рисунке 6, модели сошлись после нескольких циклов обучения эпох и в конечном итоге реализовали свои оптимальные идентификационные характеристики.В целом, процессы обучения DenseNet-16, DICNN, GoogLeNet, ResNet-34, UnitedModel, AFGDC и VGG-16 примерно стабильны после 9 эпох, а нейронная сеть BP и модель SVM показали приемлемую конвергенцию после 17 эпох. В нашей работе для предложенной модели DICNN были приняты стратегия плотного подключения и начальные структуры. По сравнению с другими моделями, предложенная модель DICNN реализовала самую быструю скорость сходимости и имела тенденцию к сходимости в шестую эпоху.

Таблица 5 Признание.

Рисунок 6 Сходимость восьми моделей распознавания.

Кроме того, собираются невидимые изображения с различными виноградниками и погодными условиями, которые используются для проверки характеристик обобщения модели. Эти изображения болезней листьев винограда получены на базе виноградных плантаций в замке Юаньши, который находится в городе Иньчуань, провинция Нинся, Китай. Согласно окончательным экспериментальным результатам, модель DICNN имеет точность 96,86% при тестировании с невидимыми изображениями. Хотя точность модели немного ниже, чем раньше, модель все же может точно классифицировать болезни листьев винограда.Таким образом, экспериментальные результаты доказали, что модель имеет отличные характеристики обобщения в различных виноградных хозяйствах и погодных условиях.

Благодаря своей начальной структуре DICNN может извлекать признаки из нескольких шкал на основе характеристик поражений виноградных листьев. Использование глубокой разделяемой свертки эффективно снижает параметры модели CNN, тем самым решая проблему переобучения. Кроме того, благодаря стратегии плотного подключения DICNN, распространение функций улучшается, и поощряется повторное использование функций.Следовательно, предложенный алгоритм дает лучшую производительность, чем популярные методы трансферного обучения.

Эффективность распознавания для каждого сорта

В этом разделе, на основе матрицы неточностей, эффективность распознавания каждой болезни виноградного листа оценивалась по Точности, Получаемой памяти и Оценке F1. Матрица неточностей, как стандартный формат для выражения оценки точности, выражается в виде матрицы с n строками и n столбцами. Каждый столбец матрицы неточностей обозначает количество экземпляров в базовом классе истинности, в то время как каждая строка обозначает количество экземпляров в прогнозируемом классе, чтобы увидеть, не путает ли система два класса.Оценка точности, отзыва и F1 выводится из числа ложноположительных (FP), истинно положительных (TP), ложноотрицательных (FN) и истинно отрицательных (TN) результатов. Эти показатели выводятся следующим образом:

F1 Score = 2 × Precision × RecallPrecision + Recall = 2 × TP2 × TP + FN + FP

В таблице 6 представлена матрица неточностей окончательных результатов теста, а также оценка точности, отзыва и F1 каждого из них. вид виноградных листьев. Пятна болезней листьев схожи по геометрическим характеристикам, что снижает эффективность классификации.Следовательно, классификатор может ошибиться, столкнувшись с мелкозернистой классификацией. Однако предложенная модель глубокого обучения дала удовлетворительный результат. Главной особенностью этого класса клещей является то, что поверхность листьев покрыта пузырями, что значительно отличается от пятен других болезней. Диагностика клещей, подтвержденная матрицей недоразумений, лучше других. Цвет пятен ложной мучнистой росы желто-зеленый, поэтому эти пятна легко отличить от пятен других болезней.Таким образом, сохраняемость ложной мучнистой росы достигает 98,04%. Однако коричневые пятна, антракноз, гниль и черная гниль схожи по своим геометрическим характеристикам, и это сходство приводит к их более низким показателям распознавания. Запоминаемость классов коричневой пятнистости, антракноза, фитофтороза и черной гнили составила 96,54%, 95,84%, 97,05% и 97,29% соответственно. В конечном итоге 96,60% здоровых листьев были идентифицированы правильно.

Таблица 6 Матрица неточностей модели DICNN.

Основываясь на структуре Inception, признаки болезни на исходном изображении могут быть извлечены из нескольких измерений.Таким образом, точность распознавания образов болезни значительно повышается. Опираясь на вышеупомянутые эксперименты, предложенная модель DICNN реализует превосходные характеристики распознавания при выявлении болезней виноградных листьев.

Влияние увеличения данных на производительность идентификации

В этом документе увеличение данных было использовано для предотвращения переобучения. Сначала были отловлены больные листья винограда при различных погодных условиях. Изменяя фон съемки, можно повысить эффективность защиты от помех в сложных условиях предлагаемой модели.Впоследствии методы цифровой обработки изображений были использованы для увеличения исходного набора данных.

В этом разделе был проведен сравнительный эксперимент для оценки влияния увеличения данных на точность классификации. На рисунке 7 показано, что предложенная модель DICNN имела крайне нестабильный процесс обучения при обучении на исходном наборе данных. Модель наконец-то достигла уровня узнаваемости 82,80%. Однако модель, обученная на расширенном наборе данных, достигла точности 97.22%. Результаты экспериментов показали, что модель DICNN изучает более подходящие функции на расширенном наборе данных, что повышает эффективность защиты от помех в различных средах. Кроме того, параметры модели классификации были полностью обучены из-за разнообразия изображений в расширенном наборе данных, в то время как изображения в исходном наборе данных не имели разнообразия, что делало сетевая модель чрезмерно зависимой от подмножества функций. , что приводит к переобучению.Что еще более важно, предварительная обработка изображения смоделировала реальное окружение виноградных листьев, тем самым сделав модель более надежной.

Рисунок 7 Эффект увеличения данных.

Эффект стратегии плотного подключения

В этом эксперименте оценивалось влияние стратегии плотного подключения на производительность распознавания модели на основе CNN. Как показано на рисунке 8, при той же стратегии обучения реализована модель со стратегией плотного соединения 97.Точность распознавания 22%, что на 3,47% выше, чем у модели, в которой не применялась стратегия плотного соединения. Стратегия плотного соединения соединяет структуры Inception в сверточном слое для обеспечения максимальной передачи информации между структурами Inception в сети и напрямую передает градиентные потери на мелкие слои. Таким образом, предлагаемая модель с этой стратегией обеспечивает более эффективную идентификацию болезней листьев винограда.

Рисунок 8 Эффект стратегии плотного подключения.

Эффект глубокого разделяемого сверточного слоя

Глубокая разделяемая свертка используется DICNN для построения первых двух сверточных слоев для уменьшения параметров и предотвращения проблемы переобучения модели. Для того, чтобы оценить влияние двух глубоких разделимых сверточных слоев, была обучена модель с традиционным сверточным слоем. В сравнительном эксперименте количество параметров сверточных слоев и точность распознавания используются в качестве показателей окончательной оценки.Окончательные результаты экспериментов представлены в таблице 7. С одной стороны, параметры первого сверточного слоя были уменьшены с 1792 до 283, а параметры второго сверточного слоя — с 36 928 до 4736, что способствует снижению потребления вычислительные ресурсы и повысить производительность обобщения. С другой стороны, точность модели улучшена на 0,13% по сравнению с моделями, содержащими традиционные сверточные слои.

Таблица 7 Влияние глубокого отделяемого сверточного слоя.

Выбор оптимизации

Выбор алгоритма оптимизации имеет решающее значение для повышения производительности модели. Поэтому алгоритм оптимизации Адама был принят для предложенной модели DICNN. Алгоритм оптимизации Адама и алгоритм оптимизации SGD с той же скоростью обучения 0,01 были применены для обучения модели DICNN для оценки производительности алгоритма.

На рисунке 9 показан процесс обучения модели. Точность модели с алгоритмом оптимизации Адама — 97.22%, а точность модели с алгоритмом оптимизации SGD составляет 94,69%. Алгоритм оптимизации SGD обновил параметры на основе текущей позиции и пакета, что привело к крайне нестабильному направлению обновления. Согласно результатам экспериментов, модель, основанная на алгоритме оптимизации SGD, столкнулась с проблемой «локального минимума» и не смогла достичь оптимального состояния. Оптимизатор Adam использует градиентный спуск с импульсом для выхода из положения локального минимума.Кроме того, алгоритм оптимизации Адама представляет собой схему адаптивной оптимизации, которая регулирует скорость обучения для каждого параметра. Поэтому алгоритм оптимизации Адама был принят для предложенной модели DICNN.

Рисунок 9 Сравнение двух алгоритмов оптимизации.

Процесс визуализации функций

Из-за слабой интерпретирующей способности функции, которые изучаются моделями на основе CNN, трудно представить в удобочитаемой форме. Следовательно, сложно понять огромное количество параметров, многослойную скрытую структуру и другие факторы этих моделей.Однако методы визуализации — отличный способ изучить, как CNN изучают особенности для различения классов. В этом разделе для анализа предложенной модели используются два наиболее часто используемых метода визуализации, а именно визуализация промежуточной активации и визуализация тепловых карт активации классов в изображении.

Визуализация промежуточной активации относится к отображению карт функций, которые выводятся всеми видами слоев свертки и объединения в сети для указанного входа.Это облегчает понимание того, как последовательные слои свертки преобразуют свои входные данные, а также значение каждого фильтра. На рисунке 10 показано исходное изображение из класса антракноза и изображение визуальной активации после второго сверточного слоя модели DICNN. Согласно результатам визуализации, на изображении участок пятна болезни на виноградном листе четко отделен от фона. Предполагается, что модель может идентифицировать болезненные пятна на изображении и может характеризовать болезненные пятна как один из критериев для классификации.Эксперимент визуализации активации для болезней виноградных листьев иллюстрирует превосходные характеристики распознавания модели DICNN и показывает, как предлагаемая модель DICNN изучает особенности для различения области поражения и фона.

Рисунок 10 Визуализация активации.

Визуализация тепловых карт активации класса относится к созданию тепловых карт активации класса по входным изображениям (Selvaraju et al., 2017). Эти методы визуализации также известны как методы визуализации карты активации классов (CAM), которые облегчают понимание того, какие части входного изображения приводят к окончательному классификационному решению сверточной нейронной сети.На рисунке 11 показано исходное изображение и сгенерированные тепловые карты активации класса. Эти визуализированные данные облегчают понимание того, какие части входного изображения приводят к окончательному классификационному решению модели. По результатам визуализации сильно активирована зона пятна болезни: так сеть различает различные болезни листьев винограда. В целом результаты этого эксперимента демонстрируют, что модель уделяет все внимание особенностям пятна болезни и обеспечивает превосходное распознавание болезней листьев винограда.

Рисунок 11 CAM-визуализация. (A) антракноз; (B) Коричневое пятно; (C) Клещи; (D) Черная гниль; (E) Ложная мучнистая роса; (F) Упадок листьев; (G) Здоровые листья.

Выводы

В этой статье предложен подход глубокого обучения для выявления шести распространенных болезней виноградных листьев и здоровых листьев. На основе 7669 собранных изображений виноградных листьев было создано 107 366 изображений посредством увеличения изображений.Путем анализа признаков болезней листьев винограда предлагается усовершенствованная CNN для идентификации болезней листьев винограда. К модели была применена глубокая разделяемая свертка вместо стандартной свертки, чтобы избежать переобучения и уменьшить количество параметров. Принимая во внимание различные размеры пятен болезни виноградных листьев, к модели были применены структуры Inception для улучшения возможности многомасштабного извлечения признаков. Кроме того, была введена стратегия плотного подключения для поощрения повторного использования функций и усиления распространения функций.

Предложенный подход к идентификации болезней виноградных листьев на основе CNN был реализован в платформах TensorFlow и Keras на платформе Tesla P100 GPU. С расширенным набором данных предложенная модель DICNN была обучена классифицировать семь типов виноградных листьев. Согласно результатам экспериментов, предложенный алгоритм реализует точность распознавания 97,22%, что дает лучшую производительность, чем другие популярные методы трансферного обучения. По сравнению со стандартными архитектурами ResNet и GoogLeNet предлагаемая модель DICNN реализует более высокую скорость сходимости в процессе обучения и более высокую точность.Результаты этого исследования показывают, что предложенный алгоритм реализует сквозную классификацию болезней виноградных листьев и предоставляет решение и справочник по применению подходов глубокого обучения в классификации болезней сельскохозяйственных культур.

Заявление о доступности данных

Наборы данных, созданные для этого исследования, доступны по запросу соответствующему автору.

Вклад авторов

Концептуализация, BL, ZD и LT. Методология, BL, ZD и LT.Программное обеспечение, ZD и LT. Проверка, BL, DH, SL и HW. Написание — подготовка оригинального черновика, ZD и LT. Написание — просмотр и редактирование, BL, ZD и LT. Надзор, BL. Получение финансирования, BL, DH, SL и HW. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Это исследование поддержано Национальным фондом естественных наук Китая в рамках гранта № 61602388, Китайским фондом постдокторантуры в рамках гранта № 2017M613216, Фондом фундаментальных исследований для центральных университетов в рамках гранта №2452019064, План фундаментальных исследований в области естественных наук в провинции Шэньси, Китай, грант № 2017JM6059, Фонд постдокторской науки провинции Шэньси, Китай, грант № 2016BSHEDZZ121, Центр совместных инноваций в области технологий умного сельского хозяйства Нинся, грант № 2017DC53, Программой ключевых исследований и разработок Шэньси в рамках гранта № 2019ZDLNY07-06-01, а также Программой обучения инновациям и предпринимательству Северо-Западного университета Китая A&F в рамках гранта №201

2048.

Конфликт интересов

Автор HW работал в компании West Electronic Business.

Остальные авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Автор хотел бы поблагодарить анонимных рецензентов за их ценные предложения по этой рукописи.

Список литературы

Абади, М., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., et al. (2016a). TensorFlow: система для крупномасштабного машинного обучения 12-я конференция USENIX по разработке и внедрению операционных систем 265–283.

Google Scholar

Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Zheng, X. (2016b). TensorFlow: крупномасштабное машинное обучение в гетерогенных распределенных системах. arXiv . 1603.04467v1.

Google Scholar

Акбарзаде, С., Паап, А., Ахдером, С., Апопей, Б., Аламех, К. (2018). Дискриминация растений с помощью машинного классификатора опорных векторов на основе спектрального отражения. Comput. Электрон. Agric. 148, 250–258. doi: 10.1016 / j.compag.2018.03.026