基于機(jī)器學(xué)習(xí)的馬鈴薯營(yíng)養(yǎng)成分分析研究

楊捷

摘要利用兩級(jí)三層PCA-BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)時(shí)分析馬鈴薯的營(yíng)養(yǎng)成分，診斷可能缺少的營(yíng)養(yǎng)元素，及時(shí)給出有效的防治方法，解決馬鈴薯品質(zhì)下降問題。結(jié)果表明，該方法能夠較準(zhǔn)確地識(shí)別缺少鉀、錳、鐵、硼、鎂和硫元素的馬鈴薯葉片，識(shí)別率達(dá)到96%以上。

關(guān)鍵詞 機(jī)器學(xué)習(xí);馬鈴薯;圖像處理;營(yíng)養(yǎng)成分分析

中圖分類號(hào) S532;TP312

文獻(xiàn)標(biāo)識(shí)碼 A

文章編號(hào) 1007-5739（2019）07-0201-01

馬鈴薯產(chǎn)業(yè)化是寧夏南部山區(qū)擺脫貧困的主要途徑之一。在馬鈴薯的生長(zhǎng)過程中，營(yíng)養(yǎng)元素缺失會(huì)嚴(yán)重影響馬鈴薯的產(chǎn)量和質(zhì)量，當(dāng)缺乏任何一種營(yíng)養(yǎng)元素時(shí)，會(huì)抑制馬鈴薯的生長(zhǎng)發(fā)育從而導(dǎo)致馬鈴薯品質(zhì)下降，更甚的會(huì)造成減產(chǎn)乃至絕收。因此，對(duì)馬鈴薯生長(zhǎng)過程的監(jiān)測(cè)十分重要。實(shí)時(shí)分析馬鈴薯的營(yíng)養(yǎng)成分、診斷可能缺少的營(yíng)養(yǎng)元素、及時(shí)給出有效的防治方法、解決馬鈴薯品質(zhì)下降問題，可有效促進(jìn)農(nóng)民增收。

計(jì)算機(jī)技術(shù)的應(yīng)用推動(dòng)了農(nóng)業(yè)信息化，農(nóng)作物病蟲害識(shí)別不局限于依靠人工診斷來識(shí)別-31?？讖埖?4-0給出了基于機(jī)器視覺馬鈴薯的質(zhì)量和形狀分類方法，肖志云等07-1給出了典型馬鈴薯病害的診斷和鑒定方法，但是對(duì)于馬鈴薯營(yíng)養(yǎng)的診斷流程都仍處于人工診斷階段。

本文利用兩級(jí)三層PCA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，通過已有樣本庫的學(xué)習(xí)，實(shí)現(xiàn)將馬鈴薯葉片圖像輸人到訓(xùn)練后的多層神經(jīng)網(wǎng)絡(luò)輸人端，進(jìn)行計(jì)算，在輸出端得到重構(gòu)的無營(yíng)養(yǎng)缺失的圖像。隨后把重構(gòu)圖像與保存的壓縮圖像進(jìn)行差值運(yùn)算，得到只含營(yíng)養(yǎng)缺失葉片特征的圖像。最后通過對(duì)營(yíng)養(yǎng)缺失圖像的特征提取，分析出缺失營(yíng)養(yǎng)元素的種類。1材料與方法

1.1葉片特征提取

1.1.1缺素葉片特征。馬鈴薯營(yíng)養(yǎng)缺失葉片表現(xiàn)出的特征有很大的區(qū)別：缺鉀的馬鈴薯葉片主要特征表現(xiàn)為葉脈間褪綠，葉尖、葉緣壞死;缺錳的葉片出現(xiàn)斑點(diǎn)狀褐色壞死;缺鐵的馬鈴薯嫩葉片出現(xiàn)失綠、黃白化而葉尖褪綠;缺硼的馬鈴薯葉片有小葉卷曲和燒邊現(xiàn)象;缺鎂的馬鈴薯葉片出現(xiàn)葉簇增厚、葉脈突出、葉尖壞死;缺硫的馬鈴薯新葉普遍黃化不干枯脫落。

1.1.2顏色特征提取。馬鈴薯在生長(zhǎng)階段，營(yíng)養(yǎng)成分缺失主要表現(xiàn)在葉片顏色上。通過觀察馬鈴薯葉片顏色特征，可以判別馬鈴薯是否缺少微量元素。RGB顏色模型基于笛卡爾坐標(biāo)系統(tǒng)，其3種原色R、G、B能表達(dá)豐富的顏色信息，但是對(duì)描述圖像顏色受到較多的限制。HSI顏色模型，用色調(diào)（H）、飽和度（S）和強(qiáng)度（I）描述圖像的顏色信息，H分量可以更清楚地反映馬鈴薯缺素葉片圖像顏色變化。本文提取了馬鈴薯缺素葉片圖像的H、S、V分量的均值、方差、三階矩，共計(jì)9個(gè)顏色特征。

1.1.3紋理特征提取。馬鈴薯缺素葉片圖像的缺紋理特征具有很大的差別，比如缺鎂的馬鈴薯葉片表現(xiàn)為葉簇增厚、葉脈突出、葉尖壞死;缺硫的馬鈴薯表現(xiàn)為新葉普遍黃化。提取馬鈴薯缺素葉片的紋理特征，可以判別缺少微量元素的種類。本文利用灰度共生矩陣提取馬鈴薯葉片圖像的紋理特征。

1.1.4形狀特征提取。本文提取馬鈴薯缺素葉片圖像的面積、周長(zhǎng)、緊湊度、矩形度、延伸率、離散度、區(qū)域密度，共計(jì)7個(gè)特征。

1.2兩級(jí)三層PCA-BP神經(jīng)網(wǎng)絡(luò)分析法

1.2.1PCA主成分分析。特征提取出的馬鈴薯缺素葉片的顏色特征、紋理特征和形狀特征，在營(yíng)養(yǎng)成分分析過程中，表現(xiàn)出相關(guān)性：通過PCA（主成分分析），對(duì)提取出的顏色特征、紋理特征和形狀特征進(jìn)行降維，降低數(shù)據(jù)冗余度，提高馬鈴薯營(yíng)養(yǎng)成分分析的識(shí)別度。

1.2.2訓(xùn)練模型。提取出的馬鈴薯缺素葉片的特征量是多峰線性不可分的，而且馬鈴薯缺少微量元素不同，表現(xiàn)在新葉和中葉上的特征不同，如缺鐵和缺硫的馬鈴薯葉片特征主要集中在新葉上，缺鉀、鎂、硼和錳元素的馬鈴薯葉片特征主要集中在中葉上。因此，本文采用兩級(jí)三層PCA-BP神經(jīng)網(wǎng)絡(luò)（圖1），針對(duì)馬鈴薯的新葉和中葉進(jìn)行分級(jí)判斷。第一級(jí)PCA-BP神經(jīng)網(wǎng)絡(luò)判斷馬鈴薯是否缺素，第二級(jí)PCA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別馬鈴薯缺少微量元素的種類。

PCA-BP神經(jīng)網(wǎng)絡(luò)輸人層為經(jīng)過主成分分析降維的特征值，兩級(jí)神經(jīng)網(wǎng)絡(luò)的識(shí)別作用不同，設(shè)定輸人層節(jié)點(diǎn)個(gè)數(shù)不同。根據(jù)主成分分析貢獻(xiàn)率的大小，選定第一級(jí)PCA-BP神經(jīng)網(wǎng)絡(luò)輸人層為H分量的均值、三階矩相關(guān)性、對(duì)比度和熵5個(gè)節(jié)點(diǎn);第二級(jí)PCA-BP神經(jīng)網(wǎng)絡(luò)，依據(jù)新葉和中葉表現(xiàn)出不同的顏色、紋理和形狀特征，針對(duì)新葉和中葉分別選取出不同的特征分量。隱含層節(jié)點(diǎn)的設(shè)定根據(jù)RobertHechtNielson經(jīng)驗(yàn)計(jì)算公式確定。輸出層表達(dá)馬鈴薯營(yíng)養(yǎng)成分分析的結(jié)果，第一級(jí)PCA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別馬鈴薯是否缺少微量元素，結(jié)果是是或否，輸出層是單節(jié)點(diǎn);第二級(jí)PCA-BP神經(jīng)網(wǎng)絡(luò)分析給出馬鈴薯缺少的微量元素種類，新葉和中葉識(shí)別的元素種類不同，用于識(shí)別缺鐵和硫元素的新葉識(shí)別模型的輸出是2個(gè)節(jié)點(diǎn)，識(shí)別缺鉀鎂、硼和錳元素的中葉識(shí)別模型的輸出層是4個(gè)節(jié)點(diǎn)。

1.3實(shí)驗(yàn)環(huán)境

CPU：Intel（R）_Core（TM）_i5-3210M_CPU_@_2.50GHz。顯卡：NVIDIAGeForceGT630M。系統(tǒng)：Windows8。開發(fā)平臺(tái)：Matlab?2014。

2結(jié)果與分析

分別選馬鈴薯缺少鉀、錳、鐵、硼、鎂和硫元素的50張圖像進(jìn)行分析試驗(yàn)，最大訓(xùn)練步數(shù)為10000，步長(zhǎng)0.01，目標(biāo)誤差為0.01，學(xué)習(xí)速率為0.01，動(dòng)量常數(shù)0.9。

從表1可以看出，本文兩級(jí)三層PCA-BP神經(jīng)網(wǎng)絡(luò)模型分析馬鈴薯營(yíng)養(yǎng)成分，對(duì)于各微量元素識(shí)別的準(zhǔn)確率均在96%以上，較BP神經(jīng)網(wǎng)絡(luò)識(shí)別率相對(duì)較高。在馬鈴薯營(yíng)養(yǎng)成分分析中，避免了人工識(shí)別診斷存在的語言描述特征不確切問題，實(shí)現(xiàn)了馬鈴薯營(yíng)養(yǎng)成分分析的智能識(shí)別7-9。3結(jié)論與討論

本文采用兩級(jí)三層PCA-BP神經(jīng)網(wǎng)絡(luò)模型，在馬鈴薯營(yíng)養(yǎng)成分分析中識(shí)別率比較高，但是受訓(xùn)練樣本大小的約束，識(shí)別存在誤差。在下一步的工作中，增大樣本集、完善訓(xùn)練模型、進(jìn)行并行化設(shè)計(jì)，以進(jìn)一步提高識(shí)別的準(zhǔn)確率和效率。

4參考文獻(xiàn)

[1]陳麗，王蘭英.概率神經(jīng)網(wǎng)絡(luò)在玉米葉部病害識(shí)別中的應(yīng)用[J].農(nóng)機(jī)化研究，2011，33（6）：145-148.

[2]霍迎秋，唐晶磊，尹秀珍，等.基于壓縮感知理論的蘋果病害識(shí)別方法[D].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（10）：227-232.

[3]翟治芬，徐哲，周新群，等基于樸素貝葉斯分類器的棉花盲椿象危害等級(jí)識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（1）：204-211.

[4]孔彥龍，高曉陽，李紅玲，等.基于機(jī)器視覺的馬鈴薯質(zhì)量和形狀分選方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（17）：143-148.

[5]王紅軍等基于機(jī)器視覺圖像特征參數(shù)的馬鈴薯質(zhì)量和形狀分級(jí)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（8）：272-277.

[6]郝敏，麻碩士，郝小冬.基于Zernike矩的馬鈴薯薯形檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，26（2）：347-350.

[7]肖志云，劉洪.馬鈴薯典型病害圖像自適應(yīng)特征融合與快速識(shí)別門農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（12）：26-32.

[8]田海韜，趙軍一種基于機(jī)器視覺的種薯自動(dòng)化切種決策機(jī)制[J].計(jì)算機(jī)仿真，2018（8）：175-178.

[9]馬曉丹，譚峰，許少華基于量子神經(jīng)網(wǎng)絡(luò)的馬鈴薯早疫病診斷模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011（6）：174-183.