基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水稻氮素營養(yǎng)診斷

羅建軍, 楊紅云, 路艷, 易文龍, 孫愛珍

(1.江西農(nóng)業(yè)大學(xué)計算機(jī)與信息工程學(xué)院， 南昌 330045；2.江西農(nóng)業(yè)大學(xué)軟件學(xué)院， 江西省高等學(xué)校農(nóng)業(yè)信息技術(shù)重點實驗室， 南昌 330045)

氮素是植物生長所需的必要元素之一，缺氮會造成植株葉片面積減小，降低光合作用、葉綠素濃度和生物產(chǎn)量[1]。施氮過量則會在土壤中殘留大量的氮元素，不僅造成氮肥的浪費，而且對環(huán)境造成一定的污染[2]。近年來，由于高產(chǎn)品種的推廣及肥料的大量使用，稻谷產(chǎn)量大幅提升，稻米品質(zhì)卻未顯著改善，肥料利用率也呈下降趨勢[3]。為此，對于施氮量的管理極為重要，對氮素營養(yǎng)快速準(zhǔn)確診斷能夠有效指導(dǎo)合理施氮。利用圖像處理技術(shù)進(jìn)行水稻氮素營養(yǎng)診斷，高效、便捷且無損。對此，多數(shù)研究者采用圖像處理技術(shù)對水稻進(jìn)行氮素營養(yǎng)診斷，研究結(jié)果表明，水稻冠層圖像特征能夠很好地表征其氮素營養(yǎng)狀況。例如，王遠(yuǎn)等[4]研究表明，水稻冠層中的紅光標(biāo)準(zhǔn)化值能夠良好地進(jìn)行葉片SPAD值及全氮含量的測定；李嵐?jié)萚5]通過對水稻多個顏色特征的研究對比發(fā)現(xiàn)，冠層中的紅光標(biāo)準(zhǔn)化值與水稻常規(guī)氮素營養(yǎng)指標(biāo)和產(chǎn)量之間都體現(xiàn)出較好的相關(guān)性；Lee等[6]將相機(jī)中所提取的冠層綠色深度絕對值與地上部生物量、氮素累積量和葉面積指數(shù)進(jìn)行分析研究發(fā)現(xiàn)，均可采用指數(shù)方程進(jìn)行擬合，其均方誤差R2分別達(dá)到0. 83、0. 83和0. 86；YAO等[7]采用活動作物冠層傳感器估算水稻氮素狀況，植被指數(shù)和比值植被指數(shù)2個指標(biāo)能夠解釋水稻地上生物量和植物氮吸收量，且相對誤差是可接受的(<26%)。Yuan等[8]利用圖像處理技術(shù)提取出水稻生長期的紅光標(biāo)準(zhǔn)化值、色調(diào)、綠色深度值等顏色特征，發(fā)現(xiàn)各顏色特征與SPAD值具有良好的線性相關(guān)性。在水稻氮素營養(yǎng)診斷的敏感葉位研究中，祝錦霞等[9]研究發(fā)現(xiàn)，水稻頂部第三完全展開葉葉片對顏色特征參數(shù)較為敏感，并以頂部第三完全展開葉顏色特征數(shù)據(jù)建立水稻氮素水平診斷識別模型。劉江桓[10]應(yīng)用水稻葉片顏色特征參數(shù)進(jìn)行擬合分析，發(fā)現(xiàn)不同生育期水稻頂部第三完全展開葉可體現(xiàn)稻株的氮素含量。孫棋[11]研究發(fā)現(xiàn)，水稻葉片中的頂部第三完全展開葉最能體現(xiàn)其氮素狀況，并應(yīng)用顏色參數(shù)建立回歸分析模型進(jìn)行氮素診斷。以上研究均可表明，水稻頂部第三完全展開葉葉片較其他葉位葉片進(jìn)行水稻氮素營養(yǎng)診斷更為敏感。潘圣剛等[12]研究表明，水稻進(jìn)行氮素高效吸收及快速累積的主要時期是在幼穗分化期、齊穗期及成熟期。與此同時，周瓊等[13]研究表明，幼穗分化期水稻頂部第三完全展開葉葉片特征較齊穗期更具區(qū)分度，易于進(jìn)行氮素營養(yǎng)診斷識別。BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播算法的學(xué)習(xí)過程,對解決非線性分類問題具有較大的優(yōu)勢[14]，并廣泛應(yīng)用于計算機(jī)視覺技術(shù)中[15]。李錦衛(wèi)[16]采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水稻氮素營養(yǎng)識別，整體識別準(zhǔn)確率為75.7%，其高氮水平類別識別效果較差，僅為56.3%；周瓊等[13]通過采用圖像處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水稻氮素營養(yǎng)識別整體識別準(zhǔn)確率達(dá)90%，其第二類施氮水平識別準(zhǔn)確率僅為76%。前人研究的BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練均陷入了局部最小。

本研究采用圖像處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)，研究水稻葉片和葉鞘顏色、幾何形態(tài)等外觀特征參數(shù)與水稻施氮水平之間的關(guān)系，但考慮到BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行非線性分類建模時容易陷入局部最小，因此引入遺傳算法對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行參數(shù)優(yōu)化。同時，在特征數(shù)據(jù)預(yù)處理階段引入離散小波變換和主成分分析，以提高水稻氮素營養(yǎng)診斷識別模型的模型整體性能，建立更為準(zhǔn)確的水稻氮素營養(yǎng)診斷識別模型，為水稻氮素營養(yǎng)診斷識別研究提供一種新的思路與方法，為利用計算機(jī)視覺技術(shù)進(jìn)行氮素營養(yǎng)診斷識別奠定理論基礎(chǔ)。

1 材料與方法

1.1 試驗區(qū)概況及試驗設(shè)計

2017年在江西省南昌市成新農(nóng)場(116°15′E，28°92′N)進(jìn)行水稻試驗。稻田土壤pH 5.30、含有機(jī)質(zhì)24.40 g·kg-1、全氮1.40 g·kg-1、有效磷12.70 mg·kg-1、速效鉀(P2O5) 123.0 mg·kg-1[17]。

以超級雜交稻‘兩優(yōu)培九’(Liangyoupei 9,LYP9)作為供試品種，其最佳施氮量為純氮210～300 kg·hm-2[17]，以其高施氮量 (270 kg·hm-2以上) 為基礎(chǔ)，設(shè)置4個梯度，氮肥(純氮)施用量分別為N0(0 kg·hm-2)、N1(210 kg·hm-2)、N2(300 kg·hm-2)和N3(390 kg·hm-2)，3次重復(fù)試驗。隨機(jī)區(qū)組排列，小區(qū)面積30 m2，各小區(qū)間均作埂并用塑料薄膜包裹在上面，以防小區(qū)間互相影響。氮肥使用尿素(含N 46%)，按基肥:分蘗肥:穗肥4∶2∶4施用；鉀肥使用鈣鎂磷肥(含P2O512%)，按分蘗肥:穗肥7∶3施用；磷肥使用氯化鉀(含K2O 60%)，做基肥一次施用。各區(qū)間磷、鉀肥施用等量，分別為P2O5225 kg·hm-2、K2O 300 kg·hm-2。人工移栽前1 d施用基肥，人工移栽后7 d施用分蘗肥，在葉齡余數(shù)1.5左右時施用穗肥[18]。5月25日播種，6月14日人工移栽。栽插密度為13.3 cm×26.6 cm，其他管理按照一般的高產(chǎn)栽培處理。

1.2 水稻數(shù)字圖像的獲取

在水稻幼穗分化期(2017年7月24日)進(jìn)行葉片及對應(yīng)葉鞘的采集，并選用頂部第三完全展開葉作為試驗樣本。水稻數(shù)字圖像獲取的設(shè)備選用MICROTEK平板掃描儀(MRS9600TFU2L，上海中晶科技有限公司生產(chǎn))，圖像傳感器為CCD，分辨率為600 ppi。采樣后立即掃描，以防止葉片變形、變色，影響試驗效果[19]。由于葉片過長，將每片葉片分為葉中和葉尖2部分，平鋪在同一大小的白色紙張上，同時放置對應(yīng)葉片的葉鞘和一個已知大小的參照物，以便后續(xù)試驗處理。參照物中每個黑色方格實際邊長為2.5 cm，共計8個。各施氮水平分別獲取200組水稻圖像(共800片，水稻圖像中包含葉片以及對應(yīng)葉鞘圖像)作為試驗樣本，每一張水稻圖像視為一組水稻數(shù)據(jù)。

1.3 水稻數(shù)據(jù)獲取

1.3.1特征選擇 在掃描圖像中提取了12項顏色特征和7項幾何形態(tài)特征。顏色特征包括葉片和葉鞘各6種彩色空間分量(R、G、B、H、S、I)，幾何形態(tài)特征包括葉片的長度、寬度、面積、周長、長寬比、面積長度比以及面積周長比。

1.3.2水稻圖像顏色特征提取 水稻圖像以白色紙張作為背景，水稻葉片呈綠色或深綠色，目標(biāo)物體與背景顏色區(qū)分較為明顯，省去圖像分割步驟。本研究采用Matlab工具將RGB圖像轉(zhuǎn)換成HSI圖像，獲取R、G、B、H、S、I 6種分量的圖像，如圖1所示。通過對6種分量的對比發(fā)現(xiàn)，H分量下的水稻葉片和葉鞘與背景有較大差異，而G分量下的參照物與背景有較大差異，因此，對H分量圖像和G分量圖像進(jìn)行二值化，分別提取出水稻葉片、葉鞘與參照物，再采用cat函數(shù)去除圖像中的小面積干擾區(qū)域，如圖2所示。將去除雜質(zhì)后的圖像與原圖進(jìn)行點乘操作，獲取黑色背景的水稻圖像。同時使用regionprops函數(shù)對水稻葉片與葉鞘定位，分割出水稻葉片和水稻葉鞘，黑色背景下的水稻圖像如圖3所示。對黑色背景下水稻圖像進(jìn)行葉片及葉鞘的R、G、B、H、S、I均值計算。

圖1 6種分量分離的對比圖像Fig.1 Comparison image of six components separation

圖2 水稻圖像二值化及去除雜質(zhì)前后對比圖像Fig.2 Binary image of rice image and comparison image before and after impurity removal

圖3 黑色背景下水稻葉片和葉鞘圖像Fig.3 Rice leaf and sheath images under black background

1.3.3水稻葉片幾何形態(tài)特征提取 采用regionprops函數(shù)將葉片二值圖中的葉中和葉尖分別定位出來，并通過minboundrect函數(shù)獲取水稻葉中和葉尖的最小外接矩形。通過統(tǒng)計出的最小外接矩形長寬方向像素點個數(shù)[20]，以獲取葉片的實際長寬，水稻葉中和葉尖最小外接矩陣圖像，如圖4所示。同時，采用bwboundaries函數(shù)對葉片二值圖和參照物二值圖進(jìn)行輪廓提取，輪廓圖像包括葉中、葉尖及參照物輪廓，以獲取葉片實際周長，葉中和葉尖及參照物的輪廓圖像，如圖5所示。

圖4 水稻圖像最小外接矩陣圖像Fig.4 Minimum external matrix image of rice image

圖5 水稻葉片及參照物輪廓圖像Fig.5 Contour image of rice leaf and reference substance

(1)

L=k×(MLpixel+TLpixel)

(2)

W=k×max(MWpixel,TWpixel)

(3)

C=k×(MCpixel+TCpixel-MWpixel-TWpixel)

(4)

S=k×(MSpixel+TSpixel)

(5)

式中,k為比例系數(shù)；CRreal為8個參照物的實際周長；CRpixel為8個參照物輪廓總像素數(shù)；L為葉片實際長度；MLpixel為葉中最小外接矩形長度總像素數(shù)；TLpixel為葉尖最小外接矩形長度總像素數(shù)；W為葉片實際長度；MWpixel為葉中最小外接矩形寬度總像素數(shù)；TWpixel為葉尖最小外接矩形寬度總像素數(shù)；C為葉片實際周長；MCpixel為葉中輪廓總像素數(shù)；TCpixel為葉尖輪廓總像素數(shù)；MWpixel為葉中最小外接矩形寬度總像素數(shù)；TWpixel為葉尖最小外接矩形寬度總像素數(shù)；S為葉片實際面積；MSpixel為葉中輪廓內(nèi)總像素數(shù)；TSpixel為葉尖輪廓內(nèi)總像素數(shù)。

在采用圖像處理方式的同時，隨機(jī)選取20片葉片,進(jìn)行人工測量葉片的長寬，并與圖像處理提取的葉片長寬進(jìn)行對比分析。

1.4 水稻葉片全氮含量的測定

水稻葉片掃描后，各施氮水平的200片葉片中分別隨機(jī)選取100片(共400片)，將葉片樣品放于烘箱中，105 ℃殺青1 h，在80 ℃下進(jìn)行48 h烘干至恒重。烘干后密封于干燥處保存，所有樣本處理完后，將干樣品粉碎、過篩、混勻，采用H2SO4-H2O2進(jìn)行消煮，凱氏定氮法測定葉片全氮含量[23]。

1.5 水稻圖像數(shù)據(jù)預(yù)處理

1.5.1特征數(shù)據(jù)歸一化處理 由于水稻每種特征量綱有所不同，為能夠提高模型運行速率和模型準(zhǔn)確率[24]，試驗采用mapminmax函數(shù)對所有特征數(shù)據(jù)進(jìn)行歸一化處理，歸一化公式如下。

(6)

式中，xmax為原始特征數(shù)據(jù)中的最大值；xmin為原始特征數(shù)據(jù)中的最小值；ymax為歸一化處理后的最大值，取1；ymin為歸一化處理后的最小值，取0。

1.5.2基于離散小波變換的特征數(shù)據(jù)處理 離散小波變換是一種數(shù)學(xué)分析方法，在時序信號處理中應(yīng)用十分廣泛[25]，但在非時序且非平穩(wěn)的水稻特征數(shù)據(jù)中卻并未應(yīng)用。因此，本研究引入離散小波變換，分別對19項特征數(shù)據(jù)的突變數(shù)據(jù)進(jìn)行平滑化，消除數(shù)據(jù)間的波動性，保留數(shù)據(jù)的主要特征，將數(shù)據(jù)的特征性更為凸顯，以建立理想的水稻氮素營養(yǎng)識別模型。試驗采用Matlab小波工具箱的專用函數(shù)進(jìn)行水稻特征數(shù)據(jù)處理。離散小波變換基本步驟如下：①應(yīng)用wavedec函數(shù)將數(shù)據(jù)信號分解為7層，小波基采用coif5；②利用appcoef函數(shù)和detcoef函數(shù)分別獲取到分離后的低頻數(shù)據(jù)信號和高頻數(shù)據(jù)信號，將低頻數(shù)據(jù)信號進(jìn)行保留，并將高頻數(shù)據(jù)信號前3層置零、后4層進(jìn)行軟閾值處理，閾值設(shè)為0.14；③最后采用waverec函數(shù)進(jìn)行數(shù)據(jù)信號重構(gòu)。

1.5.3基于主成分分析的特征數(shù)據(jù)降維處理

主成分分析是采用降維思想，將多個具有相關(guān)性的原始特征轉(zhuǎn)化為少數(shù)幾個不相關(guān)的綜合性特征[26]。本研究共提取19個特征數(shù)據(jù)，為能提高算法的運行效率，能達(dá)到理想試驗效果，對19維數(shù)據(jù)進(jìn)行主成分分析。

1.6 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型建立

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，在模式識別中應(yīng)用十分廣泛[27]。本研究采用BP神經(jīng)網(wǎng)絡(luò)建模，其隱含層傳遞函數(shù)、輸出層傳遞函數(shù)以及訓(xùn)練函數(shù)分別設(shè)置為tansig、purelin和trainlm，學(xué)習(xí)速率、精度、動量因子分別設(shè)置為0.05、0.1和0.9，最大迭代次數(shù)為1 000次，并選擇Levenberg-Marquardt優(yōu)化算法作為模型訓(xùn)練函數(shù)[14]。BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力雖然很強，但容易陷入局部最小。為避免訓(xùn)練陷入局部最小，本研究引入遺傳算法，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值。遺傳算法包含5個基本要素：問題編碼、初始化群體、適應(yīng)度函數(shù)設(shè)計、遺傳操作設(shè)計和控制參數(shù)設(shè)定(主要是指群體大小及使用遺傳操作的概率等)，是遺傳算法的核心內(nèi)容[26]?；谶z傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)基本流程如圖6所示。設(shè)定種群規(guī)模為50，遺傳算法最大迭代次數(shù)設(shè)為50。個體采用二進(jìn)制編碼，交叉概率為0.7，變異概率為0.01，代溝為0.95。

1.7 模型構(gòu)成

4種施氮水平樣本數(shù)據(jù)隨機(jī)選取80%作為訓(xùn)練數(shù)據(jù)集，20%作為測試數(shù)據(jù)集(訓(xùn)練數(shù)據(jù)集640組，各施氮水平160組；測試數(shù)據(jù)集160組，各施氮水平40組)。采用單一BP神經(jīng)網(wǎng)絡(luò)(模型1)、遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(模型2)和應(yīng)用小波分析和主成分分析的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(模型3)進(jìn)行試驗。模型1和模型2都以歸一化特征數(shù)據(jù)作為模型輸入數(shù)據(jù)，模型3選用主成分分析降維后的數(shù)據(jù)作為模型輸入數(shù)據(jù)。3種模型的隱含層節(jié)點數(shù)由經(jīng)驗公式(7)[28]確定。由于本研究所識別氮素營養(yǎng)狀況種類為4種，因此輸出節(jié)點個數(shù)為4，采用二進(jìn)制編碼，模型的輸出向量分為4種，分別以[0,0,0,1]、[0,0,1,0]、[0,1,0,0]、[1,0,0,0] 4種輸出向量代表4種施氮水平N0、N1、N2、N3 。

n2=2n1+n3

(7)

式中，n1為輸入節(jié)點數(shù)；n2為隱含層節(jié)點數(shù)；n3為輸出節(jié)點數(shù)。

圖6 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程Fig.6 Optimizing BP neural network flow by genetic algorithms

2 結(jié)果與分析

2.1 不同施氮水平對水稻葉片全氮含量的影響

各施氮水平葉片的葉片全氮含量平均值如表1所示。在前3種施氮水平下，隨施氮水平的提高，葉片全氮含量呈明顯的增加趨勢，但N3施氮水平下卻有所下降。說明在未過量施氮的情況下，提高水稻的施氮量對葉片全氮含量的吸收具有促進(jìn)作用，但過量的施氮則會使得全氮含量呈下降趨勢。因此，過多的施氮不僅會降低氮肥利用效率，而且在環(huán)境上也會產(chǎn)生負(fù)面影響[29]。

表1 不同施氮水平對水稻葉片全氮含量的影響Table 1 Effects of different nitrogen application levels on total nitrogen content in rice leaf

2.2 數(shù)字圖像提取葉片幾何形態(tài)特征的可行性分析

表2顯示，其中圖像處理提取的葉長誤差在0～0.3 cm之間，最大相對誤差為0.65%，平均相對誤差為0.328%；葉寬誤差在0～0.1 cm之間，最大相對誤差為5.850%，平均相對誤差為3.404%。結(jié)果表明,通過圖像處理進(jìn)行水稻幾何形狀特征的提取是能夠滿足本試驗需求。

2.3 水稻圖像數(shù)據(jù)預(yù)處理分析結(jié)果

2.3.1基于離散小波變換的特征數(shù)據(jù)處理分析結(jié)果 葉片B特征的歸一化數(shù)據(jù)經(jīng)離散小波變換處理前后的對比見圖7。原始特征與處理后特征具有相似的變化趨勢，且處理后的特征比原始特征更加光滑，最大限度地反映了原始數(shù)據(jù)本身的特性，特征向量中的“毛刺”現(xiàn)象基本消失。

2.3.2基于主成分分析的數(shù)據(jù)降維處理分析結(jié)果 統(tǒng)計學(xué)認(rèn)為，一般方差累計貢獻(xiàn)度應(yīng)在80%以上[9]。因此，方差累計貢獻(xiàn)度越高，越能反映原始數(shù)據(jù)的特征性。如圖8所示，前11個主成分累計貢獻(xiàn)度達(dá)到99.999 84%，能夠很好地反映原始數(shù)據(jù)的特征性。本研究選用前11個主成分作為基于遺傳算法優(yōu)化參數(shù)的BP神經(jīng)網(wǎng)絡(luò)的輸入向量。

表2 水稻葉長葉寬的誤差分析Table 2 Error analysis of rice leaf length and width

圖7 顏色特征B的小波降噪對比Fig.7 Wavelet denoising contrast of color feature B

圖8 主成分方差貢獻(xiàn)率Fig.8 Variance contribution rate of principal component

2.4 模型實驗結(jié)果對比

模型1和模型2都以19維歸一化特征數(shù)據(jù)作為模型輸入數(shù)據(jù)，模型3選用主成分分析降維后的11維數(shù)據(jù)作為模型輸入數(shù)據(jù)。3種模型的隱含層節(jié)點數(shù)可通過經(jīng)驗公式(7)確定，分別為48、48、26。應(yīng)用3種模型進(jìn)行水稻氮素營養(yǎng)識別建模，測試集識別效果見表3。其中，模型1的平均識別率最低，為82.500%，且模型1的N1識別率較其他施氮水平明顯要低，僅為55.000%，該模型在N1識別率上陷入了局部最小。模型2中引入遺傳算法后，對N1識別率明顯提高，達(dá)到了80.000%，平均識別率為88.125%。本研究模型(模型3)相對于前2種模型各類的識別率都有所提高，其平均識別率比模型1和模型2分別提高了15.625%、10.000%。模型3中N0和N3的識別率都達(dá)到了100.000%；N1識別率明顯提高，達(dá)95.000%。模型3的診斷結(jié)果分布見圖9，由圖9可知，僅有第41和42組樣本被誤判為了N3水平；第107號樣本被誤判為N1水平。由此說明，本研究模型(模型3)較前2種模型對水稻氮素營養(yǎng)診斷識別效果較為良好。

表3 3種模型的測試集識別效果Table 3 Test set recognition effect of three models

圖9 模型3的氮素營養(yǎng)診斷識別分布Fig.9 Distribution of nitrogen nutrition diagnosis and recognition in Model 3

3 討論

本研究對各施氮水平的水稻葉片全氮含量進(jìn)行分析，應(yīng)證了程慧煌等[17]中的結(jié)論(‘兩優(yōu)培九’最佳施氮量為純N 210～300 kg·hm-2)，N0施氮處理(施氮量低于210 kg·hm-2)為缺氮，N3施氮處理(施氮量超過300 kg·hm-2)為過氮。應(yīng)用本研究試驗?zāi)Ｐ瓦M(jìn)行水稻氮素營養(yǎng)診斷識別，雖能良好地判定其氮素含量的缺失，但水稻試驗最佳施氮量僅為一個范圍。因此，在后續(xù)研究中，將在最佳施氮范圍內(nèi)增設(shè)多個施氮水平進(jìn)行診斷研究。本研究將圖像處理所提取的葉長葉寬與人工測量進(jìn)行對比分析，其葉片長寬平均相對誤差分別為0.328%、3.404%，能夠滿足本試驗的需求。這與楊紅云等[20]的研究誤差稍大一些，可能是由于水稻葉片被分為葉尖和葉中所造成的，也有可能是由于圖像處理過程中沒有消噪處理所造成的。且研究中所選用的水稻圖特征大多為常用顏色和幾何形態(tài)特征。在后續(xù)試驗中，將選用完整葉片、更為良好的圖像處理方式進(jìn)行特征提取，以降低特征提取的誤差及操作的復(fù)雜性，并引入水稻植株的其他特征，如葉莖夾角、紋理特征等與水稻氮素營養(yǎng)之間做相關(guān)性研究。本研究的水稻氮素營養(yǎng)診斷識別模型平均識別準(zhǔn)確率高達(dá)98.125%，僅有N1的2個樣本和N2的1個樣本診斷識別錯誤。說明該研究模型能夠解決BP神經(jīng)網(wǎng)絡(luò)建模容易陷入局部最小的問題，而且能夠良好地進(jìn)行水稻氮素營養(yǎng)診斷識別。大田實驗中，水稻生長狀況與其生長位置有關(guān)，個別樣本無法正確識別主要是采集的水稻樣本生長狀況有所偏差而導(dǎo)致的。

本研究通過獲取水稻掃描圖像提取葉片顏色、幾何形態(tài)和葉鞘顏色特征進(jìn)行水稻氮素營養(yǎng)診斷識別，屬于水稻氮素營養(yǎng)診斷的初步研究，改進(jìn)之處尚多。研究中僅以2017年的‘兩優(yōu)培九’作為供試樣本，所建立的水稻氮素營養(yǎng)識別模型在其他年限和水稻品種中的應(yīng)用性還需要進(jìn)一步研究。研究中僅獲取水稻幼穗分化期頂部第三完全展開葉葉片及對應(yīng)葉鞘，且樣本數(shù)目相對較少，僅有800組。為能夠使得水稻氮素營養(yǎng)診斷識別模型更具有通用性與實用性以及提高樣本的容錯率，在未來的研究中，將獲取更多年份、水稻品種、水稻生長時期及葉位等的水稻圖像特征進(jìn)行研究，并提高模型建立的樣本總量。同時，本研究選用的數(shù)據(jù)是從水稻掃描圖像中所獲取的，雖然基本排除了環(huán)境干擾等的影響，但掃描裝置較為昂貴，操作較為復(fù)雜。若在多樣性的大田環(huán)境下，環(huán)境干擾等因素是無法避免的。因此，在后續(xù)研究中探尋低成本、高便捷的方式獲取水稻圖像。

本研究通過圖像處理技術(shù)和BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行水稻施氮水平診斷識別建模，平均識別準(zhǔn)確率達(dá)98.125%。該模型不僅能夠避免訓(xùn)練陷入局部最小，而且能夠有效地提高模型的整體性能，可用于水稻氮素營養(yǎng)狀況分類識別，能夠滿足農(nóng)學(xué)研究的需求。為計算機(jī)視覺技術(shù)進(jìn)行氮素營養(yǎng)診斷識別研究提供一種新方法，也為進(jìn)一步積極探索水稻氮素營養(yǎng)診斷的定量分析奠定基礎(chǔ)，以指導(dǎo)水稻合理施氮，提高水稻產(chǎn)量。