|本期目录/Table of Contents|

[1]张林朋,孙爱珍,钱政,等.基于自适应特征融合的水稻氮素营养诊断[J].江苏农业科学,2024,52(4):216-223.
　Zhang Linpeng,et al.Rice nitrogen nutrition diagnosis based on adaptive feature fusion[J].Jiangsu Agricultural Sciences,2024,52(4):216-223.
点击复制

基于自适应特征融合的水稻氮素营养诊断(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第4期
页码:
216-223
栏目:
农业工程与信息技术
出版日期:
2024-02-20

文章信息/Info

Title:
Rice nitrogen nutrition diagnosis based on adaptive feature fusion
作者:
张林朋1; 孙爱珍2; 钱政1; 郭紫微2; 杨红云1
1.江西农业大学软件学院，江西南昌330045； 2.江西农业大学计算机与信息工程学院，江西南昌330045
Author(s):
Zhang Linpeng; et al
关键词:
水稻; 氮素营养诊断; 自适应特征融合; ResNet34-AFF-SE; 识别准确率
Keywords:
-
分类号:
S126；S511.01
DOI:
-
文献标志码:
A
摘要:
为了快速准确地对水稻进行氮素营养诊断，提出一种基于自适应特征融合的水稻氮素营养诊断方法。该方法通过对杂交稻两优培九进行田间试验，设置4组不同的氮肥梯度(施氮量分别为0、210、300、390 kg/hm2)，扫描获取水稻叶片图像并进行数据预处理，构建基于自适应特征融合的水稻氮素营养诊断模型ResNet34-AFF-SE。使用构建的ResNet34-AFF-SE模型对水稻叶片进行氮素营养诊断，结果表明，在水稻生长的幼穗分化期、齐穗期，ResNet34-AFF-SE的识别准确率为97.5%、97.2%，模型大小为87.9 MB。ResNet34-AFF-SE模型在准确率和训练时间上优于AlexNet、VGG16、MobilNet v3-small等网络模型。基于自适应特征融合的水稻氮素营养诊断方法所建立的ResNet34-AFF-SE模型具有较高的识别准确率，可以精准地识别水稻叶片的氮素营养状况，为水稻作物的氮素营养诊断提供了新的思路。
Abstract:
-

参考文献/References:

［1］黄秀，叶昌，燕金香，等. 不同氮吸收效率水稻品种的苗期铵吸收特性及生长差异分析［J］. 中国农业科学，2021，54(7)：1455-1468.
［2］刘立军，王志琴，桑大志，等. 氮肥运筹对水稻产量及稻米品质的影响［J］. 扬州大学学报(农业与生命科学版)，2002，23(3)：46-50.
［3］贺帆，黄见良，崔克辉，等. 实时实地氮肥管理对水稻产量和稻米品质的影响［J］. 中国农业科学，2007，40(1)：123-132.
［4］马立珩，张莹，隋标，等. 江苏省水稻过量施肥的影响因素分析［J］. 扬州大学学报(农业与生命科学版)，2011，32(2)：48-52，80.
［5］罗建军. 基于计算机视觉技术与高光谱技术的水稻氮素营养诊断研究［D］. 南昌：江西农业大学，2021.
［6］黄筑斌，吴隽. 计算机视觉在我国水稻生产中的应用研究概述［J］. 农技服务，2021，38(12)：44-48.
［7］李岚涛，张萌，任涛，等. 应用数字图像技术进行水稻氮素营养诊断［J］. 植物营养与肥料学报，2015，21(1)：259-268.
［8］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.
［9］Wang D S，Cao W J，Zhang F，et al. A review of deep learning in multiscale agricultural sensing［J］. Remote Sensing，2022，14(3)：559.
［10］Wang C H，Ye Y，Tian Y H，et al. Classification of nutrient deficiency in rice based on CNN model with reinforcement learning augmentation［C］//Proceedings of the 2021 international symposium on artificial intelligence and its application on media (ISAIAM).Xi’an，China：IEEE，2021：107-111.
［11］Bishwas R，Yasmin S，Turzo N A. Relative comparison of K-means clustering segmented rice leaves image based nitrogen，phosphorus，and potassium nutrient deficiency classification using convolutional neural network［C］//Proceedings of the 2021 international conference on science & contemporary technologies (ICSCT).Dhaka，Bangladesh：IEEE，2021：1-6.
［12］Xu Z，Guo X，Zhu A F，et al. Using deep convolutional neural networks for image-based diagnosis of nutrient deficiencies in rice［J］. Computational Intelligence and Neuroscience，2020，2020：7307252.
［13］张林朋，杨红云，钱政，等. 基于改进的VGG16网络和迁移学习的水稻氮素营养诊断［J］. 中国农业大学学报，2023，28(6)：219-229.
［14］潘圣刚，黄胜奇，张帆，等. 超高产栽培杂交中籼稻的生长发育特性［J］. 作物学报，2011，37(3)：537-544.
［15］曾勇军，石庆华，潘晓华，等. 施氮量对高产早稻氮素利用特征及产量形成的影响［J］. 作物学报，2008，34(8)：1409-1416.
［16］程慧煌，商庆银，易振波，等. 不同产量水平超级杂交稻产量形成特征及其对施肥量的响应［J］. 中国稻米，2017，23(4)：81-88.
［17］刘立军，王康君，卞金龙，等. 水稻产量对氮肥响应的品种间差异及其与根系形态生理的关系［J］. 作物学报，2014，40(11)：1999-2007.
［18］Kingma D P，Ba J. Adam：a method for stochastic optimization［J/OL］. (2014-12-22)［2023-06-05］. http：//arxiv.org/abs/1412.6980.pdf.
［19］Krizhevsky A，Sutskever I，Hinton G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60(6)：84-90.
［20］Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［J］. Computer Science，2014，52(3)：1-14.
［21］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//Proceedings of the 2016 IEEE conference on computer vision and pattern recognition (CVPR).Las Vegas，NV，USA：IEEE，2016：770-778.
［22］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//Proceedings of the 2019 IEEE/CVF international conference on computer vision (ICCV).Seoul，Korea (South)：IEEE，2019：1314-1324.
［23］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［C］//Proceedings of the 36th international conference on machine learning. Long Beach：ICML，2019：6105-6114.
［24］Pan S J，Yang Q. A survey on transfer learning［J］. IEEE Transactions on Knowledge and Data Engineering，2010，22(10)：1345-1359.
［25］Hu J，Shen L，Sun G. Squeeze-and-excitation networks［C］//Proceeding of the 2018 IEEE/CVF conference on computer vision and pattern recognition.Salt Lake City，UT，USA：IEEE，2018：7132-7141.
［26］韩展誉，吴春艳，许艳秋，等. 不同施氮水平下灌浆期高温对水稻贮藏蛋白积累及其合成代谢影响［J］. 中国农业科学，2021，54(7)：1439-1454.
［27］周琼，杨红云，杨珺，等. 基于BP神经网络和概率神经网络的水稻图像氮素营养诊断［J］. 植物营养与肥料学报，2019，25(1)：134-141.
［28］郭士伟，赵学强，夏士健，等. 超级杂交稻生育后期叶片和根系的衰老营养生理研究［J］. 华北农学报，2014，29(3)：115-121.
［29］徐沁，梁玉莲，王冬越，等. 基于SE-Res2Net与多尺度空谱融合注意力机制的高光谱图像分类［J］. 计算机辅助设计与图形学学报，2021，33(11)：1726-1734.
［30］刘洋，冯全，王书志. 基于轻量级CNN的植物病害识别方法及移动端应用［J］. 农业工程学报，2019，35(17)：194-204.
［31］李明，李迎春，韩雪，等. 大气CO2浓度升高和氮肥互作对玉米花后功能叶碳氮同化物的影响［J］. 中国农业气象，2021，42(9)：715-728.

相似文献/References:

[1]马旭俊,刘春娟,吕世博,等.绿色荧光蛋白基因在水稻遗传转化中的应用[J].江苏农业科学,2013,41(04):35.
[2]李岳峰,居立海,张来运,等.水分胁迫下丛枝菌根对水稻/绿豆间作系统 作物生长和氮磷吸收的影响[J].江苏农业科学,2013,41(04):58.
[3]崔月峰,孙国才,王桂艳,等.不同施氮水平和前氮后移措施对水稻产量 及氮素利用率的影响[J].江苏农业科学,2013,41(04):66.
[4]张其蓉,宋发菊,田进山,等.长江中下游稻区水稻区域试验品种抗稻瘟病鉴定与评价[J].江苏农业科学,2013,41(04):92.
[5]王麒,张小明,卞景阳,等.不同插秧密度对黑龙江省第二积温带水稻产量及产量构成的影响[J].江苏农业科学,2013,41(05):60.
　Wang Qi,et al.Effect of different transplanting density on yield and yield component of rice in second temperature zone of Heilongjiang Province[J].Jiangsu Agricultural Sciences,2013,41(4):60.
[6]张国良,张森林,丁秀文,等.基质厚度和含水量对水稻育秧的影响[J].江苏农业科学,2013,41(05):62.
　Zhang Guoliang,et al.Effects of substrate thickness and water content on growth of rice seedlings[J].Jiangsu Agricultural Sciences,2013,41(4):62.
[7]赵忠宝,朱清海.稻－蟹－鳅生态系统的能值分析[J].江苏农业科学,2013,41(05):349.
　Zhao Zhongbao,et al.Emergy analysis of paddy-crab-loach ecosystem[J].Jiangsu Agricultural Sciences,2013,41(4):349.
[8]杨红福,姚克兵,束兆林,等.甲氧基丙烯酸酯类杀菌剂对水稻恶苗病的田间药效[J].江苏农业科学,2014,42(12):166.
　Yang Hongfu,et al.Field efficacy of strobilurin fungicides against rice bakanae disease[J].Jiangsu Agricultural Sciences,2014,42(4):166.
[9]唐成,陈露,安敏敏,等.稻瘟病诱导水稻幼苗叶片氧化还原系统的特征谱变化[J].江苏农业科学,2014,42(12):141.
　Tang Cheng,et al.Characteristic spectral changes of redox homeostasis system in rice seedling leaves induced by rice blast[J].Jiangsu Agricultural Sciences,2014,42(4):141.
[10]万云龙.优质水稻—春甘蓝轮作高效栽培模式[J].江苏农业科学,2014,42(12):90.
　Wan Yunlong.Efficient cultivation mode of high quality rice-spring cabbage rotation[J].Jiangsu Agricultural Sciences,2014,42(4):90.

备注/Memo

备注/Memo:
收稿日期：2023-06-05
基金项目：国家自然科学基金(编号：62162030、61562039)。
作者简介：张林朋(1997—)，男，江西都昌人，硕士研究生，研究方向为农业信息化与计算机视觉。E-mail：zlp_1216@163.com。
通信作者：杨红云，硕士，教授，硕士生导师，主要从事计算机视觉技术研究工作。E-mail：nc_yhy@163.com。
更新日期/Last Update: 2024-03-20