[1]何相良,戴建国,侯文庆,等.基于深度卷积神经网络的棉花叶片缺氮诊断[J].江苏农业科学,2022,50(22):180-191.
　He Xiangliang,et al.Diagnosis of nitrogen deficiency in cotton leaves based on deep convolutional neural network[J].Jiangsu Agricultural Sciences,2022,50(22):180-191.
点击复制

基于深度卷积神经网络的棉花叶片缺氮诊断()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第50卷
期数:
2022年第22期
页码:
180-191
栏目:
农业工程与信息技术
出版日期:
2022-11-20

文章信息/Info

Title:
Diagnosis of nitrogen deficiency in cotton leaves based on deep convolutional neural network
作者:
何相良1; 2; 戴建国1; 2; 侯文庆1; 2; 蒋楠1; 2; 左昌鑫1; 2
1.石河子大学信息科学与技术学院，新疆石河子 832000； 2.兵团空间信息工程技术研究中心，新疆石河子 832000
Author(s):
He Xiangliang; et al
关键词:
深度卷积神经网络; 含氮量; 深度可分离卷积; 恒等映射; 图像处理
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
为研究深度学习算法在棉花叶片缺氮水平诊断上的适用性，以智能手机作为图像采集工具，利用图像处理和深度学习技术建立基于棉花叶片图像的缺氮水平分级模型，为智能化诊断棉花叶片缺氮水平的研究提供可行方案。本研究在阴天、晴天2种环境下获取了5种氮素水平的棉花叶片图像，在此基础上选取AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、ResNet-v2以及Inception-v3等卷积网络模型进行比较研究，并提出一种基于恒等映射和深度可分离卷积改进的ResNeXt模型来提升棉花叶片缺氮水平检测的效果。结果表明，与AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、Inception-v3、ResNet-v2等模型相比，本研究提出的Improved-ResNeXt模型在对棉花叶片图像的缺氮水平分级时取得了最佳效果，该模型的识别准确率、平均精确率、Kappa系数分别达到了97%、97%、0.96。使用本研究提出的Improved-ResNeXt模型可以有效地解决棉花叶片的缺氮水平诊断问题，且对阴天、晴天2种光照条件下的棉花叶片数据有良好的适用性，同时可以为相关作物营养胁迫检测的研究提供借鉴和参考。
Abstract:
-

参考文献/References:

［1］张珏，田海清，李哲，等. 基于数码相机图像的甜菜冠层氮素营养监测［J］. 农业工程学报，2018，34(1)：157-163.
［2］夏莎莎，张聪，李佳珍，等. 基于手机相机获取冬小麦冠层数字图像的氮素诊断与推荐施肥研究［J］. 中国生态农业学报，2018，26(4)：538-546.
［3］贾彪，马富裕. 不同氮素处理棉花冠层图像颜色特征分析［J］. 江苏农业科学，2016，44(9)：344-351.
［4］魏雪，贾彪，兰宇，等. 智能手机图像参数与玉米氮素营养状况关联解析［J］. 生态学杂志，2021，40(8)：2656-2664.
［5］杨福芹，李天驰，冯海宽，等. 基于无人机数码影像的冬小麦氮素营养诊断研究［J］. 福建农业学报，2021，36(3)：369-378.
［6］魏全全，李飞，张萌，等. 基于数字图像技术的马铃薯氮素营养估测及验证［J］. 生态学杂志，2021，40(9)：3017-3024.
［7］陈佳悦，姚霞，黄芬，等. 基于图像处理的冬小麦氮素监测模型［J］. 农业工程学报，2016，32(4)：163-170.
［8］杨红云，罗建军，孙爱珍，等. 基于图像特征的水稻叶片全氮含量估测模型研究［J］. 浙江农业学报，2020，32(12)：2232-2243.
［9］黄芬，高帅，姚霞，等. 基于机器学习和多颜色空间的冬小麦叶片氮含量估算方法研究［J］. 南京农业大学学报，2020，43(2)：364-371.
［10］王杰，徐锡杰，解斐斐. 基于PSO算法的BP神经网络对植被叶片氮素含量的预测［J］. 北京测绘，2018，32(11)：1289-1292.
［11］李小正，谢瑞芝，王克如，等. 利用神经网络提取棉花叶片数字图像氮素含量的初步研究［J］. 作物学报，2007，33(10)：1662-1666.
［12］王金星，刘雪梅，刘双喜，等. 基于组合色彩特征的苹果树叶片各生长期氮含量预测［J］. 农业机械学报，2021，52(10)：272-281，376.
［13］罗建军，杨红云，路艳，等. 基于遗传算法优化的BP神经网络进行水稻氮素营养诊断［J］. 中国农业科技导报，2020，22(8)：83-92.
［14］杨娟娟，高晓阳，邵世禄，等. 基于卷积神经网络的葡萄叶片氮含量识别方法［J］. 测控技术，2020，39(2)：121-125.
［15］熊俊涛，戴森鑫，区炯洪，等. 基于深度学习的大豆生长期叶片缺素症状检测方法［J］. 农业机械学报，2020，51(1)：195-202.
［16］陈敏，郑曙峰，刘小玲，等. 基于数码图像识别的棉花氮营养诊断研究［J］. 农学学报，2017，7(7)：77-83.
［17］罗新宁，陈冰，张巨松，等. 棉花氮素和SPAD值叶位分布规律研究［J］. 棉花学报，2009，21(5)：427-430.
［18］李兰蕊. 棉花常见缺素症的症状识别与补救措施［J］. 现代农村科技，2012(13)：24-25.
［19］He K M，Zhang X Y，Ren S Q，et al. Identity mappings in deep residual networks［C］//Leibe B，Matas J，Sebe N，et al. Computer Vision-ECCV 2016. Amsteralam. 2016：630-645.
［20］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，NV，USA，2016：770-778.
［21］Howard A G，Zhu M L，Chen B，et al. MobileNets：efficient convolutional neural networks for mobile vision applications［EB/OL］. (2017-06-01)［2021-11-12］.https：//arxiv.org/abs/1704.04861.
［22］Simonyan K，Zisserman A.Very deep convolutional networks for large-scale image recognition［EB/OL］. (2014-05-02)［2021-11-12］.https：//arxiv.org/abs/1409.1556.
［23］Szegedy C，Vanhoucke V，Ioffe S，et al. Rethinking the inception architecture for computer vision［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas，NV，USA，2016：2818-2826.
［24］Szegedy C，Liu W，Jia Y，et al. Going deeper with convolutions［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015：1-9.
［25］Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60(6)：84-90.
［26］Xie S N，Girshick R，Dollár P，et al. Aggregated residual transformations for deep neural networks［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu，HI，USA，2017：5987-5995.
［27］Janwale A P，Lomte S S. Automatic estimation of nitrogen content in cotton (Gossypium hirsutum L.) plant by using image processing techniques：a review［J］. International Journal of Computer Applications，2015，120(20)：21-24.
［28］Chen Z L，Wang X F，Wang H J.Preliminary research on total nitrogen content prediction of sandalwood using the error-in-variable models based on digital image processing［J］. PLoS One，2018，13(8)：e0202649.

相似文献/References:

[1]杨文杰,詹俊义,袁溢,等.氨基酸络合钼肥对大豆幼苗生长发育的影响[J].江苏农业科学,2015,43(12):98.
　Yang Wenjie,et al.Effect of amino acid complexing molybdenum fertilizer on growth of soybean seedlings[J].Jiangsu Agricultural Sciences,2015,43(22):98.

备注/Memo

备注/Memo:
收稿日期：2021-12-02
基金项目：国家重点研发计划(编号：2017YFB0504203)；新疆生产建设兵团科技攻关计划(编号：2017DB005)。
作者简介：何相良(1995—)，男，四川南充人，硕士研究生，研究方向为农业遥感、深度学习。E-mail：17713637856@163.com。
通信作者：戴建国，博士，教授，研究方向为农业信息化、农业遥感。E-mail：daijianguo2002@sina.com。
更新日期/Last Update: 2022-11-20