基于機(jī)器學(xué)習(xí)對(duì)不同施肥量處理的番茄識(shí)別與估產(chǎn)

張皓婷　李明　薛海峰　圖拉　李敏　閆鳳　祝鵬

摘要 本試驗(yàn)以番茄為材料，在施用不同量的有機(jī)肥下，對(duì)基于機(jī)器學(xué)習(xí)的番茄果實(shí)識(shí)別和產(chǎn)量估算進(jìn)行了深入研究和綜合評(píng)價(jià)。通過(guò)重復(fù)訓(xùn)練、驗(yàn)證、分析，得出基于Faster R-CNN網(wǎng)絡(luò)模型在番茄果實(shí)識(shí)別模型的準(zhǔn)確率為90.89%，準(zhǔn)確率較高；結(jié)合運(yùn)用圖像識(shí)別測(cè)算得的產(chǎn)量與番茄不同施肥量處理實(shí)際測(cè)產(chǎn)誤差較大，實(shí)際運(yùn)用效果相對(duì)較差；4種不同施肥量設(shè)置對(duì)番茄的結(jié)果數(shù)、識(shí)別數(shù)和產(chǎn)量的影響都高于對(duì)照處理，實(shí)際生產(chǎn)施用有機(jī)肥4 500 kg/hm²效果最好?；贔aster R-CNN網(wǎng)絡(luò)模型的番茄數(shù)據(jù)集的測(cè)試結(jié)果效果較好，識(shí)別準(zhǔn)確率較高，可作為其他指標(biāo)測(cè)定的基礎(chǔ)。

關(guān)鍵詞 機(jī)器學(xué)習(xí)；Faster R-CNN；番茄識(shí)別；產(chǎn)量估算

中圖分類號(hào) TP181；S641.2? ?文獻(xiàn)標(biāo)識(shí)碼 A

文章編號(hào) 1007-7731（2023）10-0136-04

番茄是我國(guó)設(shè)施栽培的主要蔬菜作物之一[1]。為能夠四季供應(yīng)新鮮番茄，番茄以設(shè)施保護(hù)栽培為主以達(dá)到周年供給的目的。目前，活性有機(jī)肥被大面積使用，可提高土壤供肥能力，促進(jìn)有機(jī)質(zhì)分解和團(tuán)粒結(jié)構(gòu)[2]形成，可明顯提高番茄產(chǎn)量。番茄產(chǎn)量測(cè)定是番茄生產(chǎn)中衡量經(jīng)濟(jì)效益的關(guān)鍵指標(biāo)[3]，設(shè)施番茄人工測(cè)量番茄生長(zhǎng)的各項(xiàng)生理指標(biāo)中存在測(cè)量精度、準(zhǔn)確度不高和實(shí)用性差等問(wèn)題。機(jī)器學(xué)習(xí)[4]（Machine Learning，ML）是人工智能的核心，使計(jì)算機(jī)模擬人類的學(xué)習(xí)活動(dòng)，不斷學(xué)習(xí)已有知識(shí)、獲取新知識(shí)，逐步實(shí)現(xiàn)設(shè)施生產(chǎn)系統(tǒng)的改進(jìn)與完善；利用現(xiàn)代最新信息技術(shù)和手段，通過(guò)對(duì)數(shù)據(jù)深度挖掘、融合、分析和人工智能決策，可促進(jìn)基于機(jī)器學(xué)習(xí)與設(shè)施番茄的生產(chǎn)進(jìn)行智能又精確的識(shí)別與估算方面研究；進(jìn)而有效促進(jìn)番茄生產(chǎn)，提高品質(zhì)產(chǎn)量和減少資源浪費(fèi)。利用深度學(xué)習(xí)技術(shù)進(jìn)行番茄產(chǎn)量的預(yù)測(cè)和估算，通過(guò)設(shè)計(jì)番茄果實(shí)特有的顏色、紋理、形狀以及空間方向特征屬性[5]，從背景枝葉中分離出番茄果實(shí)，然后再采用基于區(qū)域和計(jì)數(shù)的方法對(duì)產(chǎn)量進(jìn)行估計(jì)[6]，用基于Faster R-CNN網(wǎng)絡(luò)模型的訓(xùn)練模型識(shí)別出的番茄果數(shù)的計(jì)數(shù)方法來(lái)預(yù)測(cè)番茄的數(shù)量。本試驗(yàn)設(shè)計(jì)基于Faster R-CNN網(wǎng)絡(luò)模型對(duì)番茄果實(shí)的識(shí)別，并提出了基于果實(shí)識(shí)別方法將不同施肥量與產(chǎn)量的關(guān)系構(gòu)建相關(guān)系數(shù)，在盡可能提高準(zhǔn)確率的同時(shí)有效提高測(cè)量效率，以期實(shí)現(xiàn)機(jī)器學(xué)習(xí)對(duì)作物的識(shí)別與產(chǎn)量的預(yù)測(cè)，為豐富和優(yōu)化設(shè)施番茄栽培生產(chǎn)提供一定的參考。

1 材料與方法

1.1 試驗(yàn)材料

品種：草莓番茄。材料：拍攝設(shè)備（vivo手機(jī)）、溫度傳感器、濕度傳感器、光照傳感器、CO2傳感器。試驗(yàn)平臺(tái)：本文所有試驗(yàn)均在Win10系統(tǒng)計(jì)算機(jī)64位操作系統(tǒng)Ubuntu16.04下完成。

1.2 試驗(yàn)方法

試驗(yàn)采用隨機(jī)區(qū)組，番茄幼苗5月6日定植，種植密度為27 700株/hm²，每個(gè)處理小區(qū)面積20 m²，重復(fù)3次；設(shè)置4種不同施肥量處理，依次為施用有機(jī)肥1 500、3 000、4 500、6 000 kg/hm²，各處理依次標(biāo)記為A₁、A₂、A₃和A₄，將未施肥處理設(shè)置為對(duì)照（CK），共計(jì)5個(gè)處理，并在每種處理中加入等量腐殖酸水溶肥（300 L/hm²），其余田間管理措施一致。各項(xiàng)數(shù)據(jù)在番茄生長(zhǎng)期間測(cè)定，每個(gè)處理隨機(jī)測(cè)量10株，并計(jì)算平均值。測(cè)量番茄的小花數(shù)、花序數(shù)、單株結(jié)果數(shù)、單果重、單株產(chǎn)量，在番茄苗期、結(jié)果前期、結(jié)果中期和結(jié)果后期分別進(jìn)行圖像采集。

圖像采集及數(shù)據(jù)集制作方法：先在田間光線良好條件下采集圖片，然后將拍攝的原始圖像進(jìn)行處理、縮小、標(biāo)注，將數(shù)據(jù)整理成為數(shù)據(jù)集；該數(shù)據(jù)集為番茄目標(biāo)檢測(cè)數(shù)據(jù)集，其中共有600張訓(xùn)練樣本圖像和400張測(cè)試樣本圖像，自制的VOC格式的數(shù)據(jù)集中只包含1種帶標(biāo)簽的待測(cè)目標(biāo)，使用 Faster-RCNN 模型進(jìn)行訓(xùn)練，以得出測(cè)定數(shù)據(jù)和相應(yīng)結(jié)果。

2 結(jié)果與分析

2.1 Faster R-CNN模型對(duì)番茄果實(shí)識(shí)別檢測(cè)結(jié)果

本文運(yùn)行的faster R-CNN網(wǎng)絡(luò)模型學(xué)習(xí)率（lr=0.001）設(shè)為0.001，Batch size為64，dropout參數(shù)設(shè)為0.5。通過(guò)Faster R-CNN網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)集的運(yùn)行訓(xùn)練、測(cè)試和驗(yàn)證，得出數(shù)據(jù)。

Faster R-CNN網(wǎng)絡(luò)模型的結(jié)構(gòu)主要是由2個(gè)網(wǎng)絡(luò)組成，損失函數(shù)分為4個(gè)部分，4個(gè)損失相加得出最后的損失，即訓(xùn)練結(jié)果得出損失率0.233 929 117；訓(xùn)練過(guò)程不斷地反向傳播和更新參數(shù)，經(jīng)過(guò)對(duì)數(shù)據(jù)集在Faster R-CNN網(wǎng)絡(luò)模型上多次訓(xùn)練的分類回歸，發(fā)現(xiàn)不同施肥量處理番茄識(shí)別檢測(cè)訓(xùn)練的損失曲線高度一致，且總損失率幾乎相同；由數(shù)據(jù)可知，同一模型訓(xùn)練多次的回歸損失函數(shù)值是近似相同的，且目前訓(xùn)練的損失率相對(duì)較小。Faster R-CNN網(wǎng)絡(luò)模型中進(jìn)行的函數(shù)運(yùn)行、檢測(cè)、計(jì)算得出mAP值。

Faster R-CNN網(wǎng)絡(luò)模型訓(xùn)練完成后測(cè)試集的mAP值為0.908 9；以采集的4種不同施肥量（A₁、A₂、A₃和A₄。）處理及對(duì)照（CK）處理的番茄果實(shí)圖像作為驗(yàn)證，經(jīng)過(guò)變次運(yùn)行得到的mAP值為0.908 68～0.908 95，即可得出測(cè)試集的檢測(cè)準(zhǔn)確率為90.89%。綜上得出，F(xiàn)aster R-CNN網(wǎng)絡(luò)模型在訓(xùn)練樣本時(shí)，損失函數(shù)的下降速度快且變化幅度小，測(cè)試準(zhǔn)確率曲線先下降再上下震蕩然后趨于平緩，F(xiàn)aster R-CNN網(wǎng)絡(luò)模型檢測(cè)番茄果實(shí)的損失率及準(zhǔn)確率曲線波動(dòng)幅度小，且Faster R-CNN網(wǎng)絡(luò)模型測(cè)試準(zhǔn)確率較高；Faster R-CNN網(wǎng)絡(luò)模型在不同施肥量處理的番茄果實(shí)檢測(cè)方面，準(zhǔn)確率為90.89%，檢測(cè)效果較好。

2.2 不同施肥量處理結(jié)果數(shù)間的數(shù)據(jù)比較

經(jīng)過(guò)Faster R-CNN網(wǎng)絡(luò)模型運(yùn)行番茄果實(shí)圖像和識(shí)別檢測(cè)，對(duì)4種不同施肥量處理（A₁、A₂、A₃、A₄）和對(duì)照（CK）處理進(jìn)行識(shí)別數(shù)的比較。

4種不同施肥量處理和對(duì)照處理間的Faster R-CNN網(wǎng)絡(luò)模型識(shí)別結(jié)果數(shù)：A₃的識(shí)別結(jié)果數(shù)最多，A₄次之，其次為A₂和A₁，CK最少。為驗(yàn)證結(jié)果的其可靠性，與實(shí)際測(cè)量的數(shù)據(jù)相比，識(shí)別結(jié)果數(shù)與實(shí)際單次測(cè)量結(jié)果數(shù)基本吻合。對(duì)實(shí)際測(cè)量的不同處理間的數(shù)據(jù)進(jìn)行比較，單次測(cè)定的番茄結(jié)果數(shù)依然是A₃的識(shí)別結(jié)果數(shù)和實(shí)際測(cè)量結(jié)果數(shù)最多，A₄次之，其次為A₂、A₁，CK最少，由此可以得出在實(shí)際生產(chǎn)中施用有機(jī)肥4 500 kg/hm²的效果最好、識(shí)別數(shù)和實(shí)際結(jié)果數(shù)最多，施用有機(jī)肥6 000 kg/hm²的效果次之，不施肥料的效果最差。Faster R-CNN網(wǎng)絡(luò)模型識(shí)別效果較好。

2.3 不同施肥量處理識(shí)別結(jié)果數(shù)與實(shí)際結(jié)果數(shù)驗(yàn)證

2021年6月11日至8月10日，對(duì)不同施肥量處下的番茄采集圖像數(shù)據(jù)，并對(duì)設(shè)施番茄產(chǎn)量檢測(cè)識(shí)別和預(yù)測(cè)進(jìn)行驗(yàn)證。為排除偶然誤差，先利用2021年6月11日至8月10日期間的一部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試3次參數(shù)辨識(shí)，后利用Faster R-CNN網(wǎng)絡(luò)模型對(duì)2021年6月11日至8月10日期間的相應(yīng)數(shù)據(jù)在不同施肥量處理的番茄識(shí)別數(shù)和實(shí)際生產(chǎn)測(cè)量數(shù)據(jù)進(jìn)行預(yù)測(cè)比較，對(duì)單株測(cè)定值取平均，結(jié)果如圖1所示。

由圖1可看出，4種不同施肥量處理的番茄結(jié)果數(shù)均高于對(duì)照處理，經(jīng)過(guò)3次測(cè)定和模型運(yùn)算，A₃的識(shí)別結(jié)果數(shù)和實(shí)際結(jié)果數(shù)最多，其次是A₄、A₂、A₁，CK最少。

2.4 番茄產(chǎn)量估算

使用Faster R-CNN網(wǎng)絡(luò)模型對(duì)番茄果實(shí)圖像樣本進(jìn)行訓(xùn)練，獲取訓(xùn)練過(guò)程準(zhǔn)確率數(shù)據(jù)并對(duì)數(shù)據(jù)集做訓(xùn)練和預(yù)測(cè)。通過(guò)訓(xùn)練過(guò)程檢測(cè)識(shí)別出的番茄果實(shí)數(shù)預(yù)測(cè)結(jié)果數(shù)量，再依據(jù)模型識(shí)別出的數(shù)量、矩形標(biāo)注框的大小和相應(yīng)矩形內(nèi)的果實(shí)，進(jìn)而估算產(chǎn)量。即Faster R-CNN網(wǎng)絡(luò)模型檢測(cè)出圖像中每個(gè)番茄果實(shí)的真實(shí)邊界框體積和正切圓體積構(gòu)建的系數(shù)約0.523。采用單株產(chǎn)量=每穗果數(shù)（Faster R-CNN網(wǎng)絡(luò)模型的單張圖片識(shí)別數(shù)）×每株穗數(shù)×單果重或?qū)嶋H測(cè)量值做驗(yàn)證。

通過(guò)在網(wǎng)絡(luò)模型中的多次訓(xùn)練、測(cè)試和驗(yàn)證，得出番茄的結(jié)果數(shù)據(jù)，將檢測(cè)出的番茄果實(shí)數(shù)與構(gòu)建系數(shù)相乘，得出預(yù)測(cè)產(chǎn)量，并與實(shí)際生產(chǎn)測(cè)得的產(chǎn)量數(shù)據(jù)進(jìn)行比較。

依據(jù)Faster R-CNN網(wǎng)絡(luò)模型檢測(cè)出的番茄結(jié)果數(shù)據(jù)計(jì)算得出預(yù)測(cè)產(chǎn)量1、2，與實(shí)際生產(chǎn)測(cè)得的產(chǎn)量數(shù)據(jù)進(jìn)行比較。由圖2可以看出，預(yù)測(cè)1和預(yù)測(cè)2與實(shí)際測(cè)量相比，分別低于實(shí)際測(cè)量33.30%和25.00%。由于目前是初次使用這種方式對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)和估算，在圖片拍攝距離、角度、方向上還尚未標(biāo)準(zhǔn)化，標(biāo)記部分重疊及果實(shí)之間相互遮擋均可能對(duì)估測(cè)值有較大的影響。雖然使用基于Faster R-CNN網(wǎng)絡(luò)模型果實(shí)識(shí)別方法與產(chǎn)量構(gòu)建的估測(cè)系數(shù)能預(yù)測(cè)番茄產(chǎn)量，但實(shí)際測(cè)量值更接近按單株產(chǎn)量計(jì)算得出的產(chǎn)量，故未對(duì)不同施肥量處理的預(yù)測(cè)進(jìn)行比較?；贔aster R-CNN網(wǎng)絡(luò)模型果實(shí)識(shí)別方法與產(chǎn)量構(gòu)建的估測(cè)系數(shù)預(yù)測(cè)不同施肥量處理的番茄產(chǎn)量在后續(xù)試驗(yàn)中有待進(jìn)一步提高。

3 討論

孫素云等[7]收集了蘋(píng)果樹(shù)葉病害圖像，對(duì)原始樣本先進(jìn)行直方圖均衡化、濾波，再利用閾值分割算法分割圖像獲得病害區(qū)域，繼而獲取該區(qū)域的顏色和紋理特征，最后用SVM建立模型獲得分類的準(zhǔn)確率為92.68%。本試驗(yàn)運(yùn)用的Faster R-CNN網(wǎng)絡(luò)模型在不同施肥量處理的番茄果實(shí)檢測(cè)方面，準(zhǔn)確率為90.89%，有待繼續(xù)改進(jìn)；與實(shí)際測(cè)量值對(duì)比也需進(jìn)一步提高。鄧賡[8]基于機(jī)器視覺(jué)提出了一種串—粒融合的兩階段葡萄產(chǎn)量預(yù)測(cè)框架，先利用目標(biāo)檢測(cè)器進(jìn)行葡萄串定位，在經(jīng)改進(jìn)的網(wǎng)絡(luò)模型進(jìn)行葡萄計(jì)數(shù)，并將這2個(gè)階段互相融合起來(lái)，實(shí)現(xiàn)葡萄產(chǎn)量預(yù)測(cè)，提高了產(chǎn)量預(yù)測(cè)的準(zhǔn)確性。張立彬等[9]利用改進(jìn)的退火粒子群算法構(gòu)建了一種機(jī)理模型和參數(shù)辨識(shí)相結(jié)合的溫室番茄產(chǎn)量預(yù)測(cè)模型，該優(yōu)化模型預(yù)測(cè)的總產(chǎn)量與實(shí)際測(cè)量總產(chǎn)量的相對(duì)誤差為2.20%，總產(chǎn)量的預(yù)測(cè)精度高達(dá)97.80%。本試驗(yàn)結(jié)果表明，基于機(jī)器學(xué)習(xí)中Faster R-CNN網(wǎng)絡(luò)的番茄識(shí)別2次預(yù)測(cè)方式和實(shí)際測(cè)量值相比，預(yù)測(cè)值顯著低于實(shí)際測(cè)量的產(chǎn)量值，分別比實(shí)際測(cè)量低33.30%和25.00%。學(xué)者們認(rèn)為利用機(jī)器學(xué)習(xí)技術(shù)在產(chǎn)量預(yù)測(cè)方面，機(jī)器學(xué)習(xí)結(jié)合遙感技術(shù)和粒子群算法進(jìn)行的預(yù)測(cè)更接近實(shí)際產(chǎn)量，也存在環(huán)境不穩(wěn)定影響產(chǎn)生一定的誤差。本試驗(yàn)中，由于標(biāo)記部分重疊和果實(shí)之間相互遮擋，以及在圖片拍攝方面也可能存在距離、角度、方向上不標(biāo)準(zhǔn)，這些因素均可能對(duì)估測(cè)值造成一定的影響，所以基于Faster R-CNN網(wǎng)絡(luò)模型果實(shí)識(shí)別方法與產(chǎn)量構(gòu)建的估測(cè)系數(shù)預(yù)測(cè)番茄產(chǎn)量在后續(xù)試驗(yàn)Faster R-CNN網(wǎng)絡(luò)模型中有待進(jìn)一步的優(yōu)化。

4 結(jié)論

本次試驗(yàn)利用機(jī)器學(xué)習(xí)下的Faster R-CNN網(wǎng)絡(luò)模型對(duì)番茄種植過(guò)程中4種不同施肥量處理A₁、A₂、A₃、A₄和對(duì)照（CK）處理圖像數(shù)據(jù)樣本進(jìn)行番茄果實(shí)目標(biāo)檢測(cè)，準(zhǔn)確率為90.89%；識(shí)別結(jié)果數(shù)與實(shí)際測(cè)量結(jié)果數(shù)比較得出，A₃的識(shí)別結(jié)果數(shù)和實(shí)際測(cè)量結(jié)果數(shù)最多，A₄次之，其次為A₂和A₁，未施用有機(jī)肥CK最少；預(yù)測(cè)結(jié)果數(shù)與實(shí)際測(cè)量的結(jié)果數(shù)基本吻合。在基于模型構(gòu)建的果實(shí)識(shí)別與產(chǎn)量的相關(guān)系數(shù)的預(yù)測(cè)方法中，第一次預(yù)測(cè)、第二次預(yù)測(cè)和實(shí)際測(cè)量值相比，預(yù)測(cè)值顯著低于實(shí)際測(cè)量的產(chǎn)量值。

機(jī)器學(xué)習(xí)算法在識(shí)別中表現(xiàn)精度較高，最近幾年，由于人工智能的不斷發(fā)展與完善，采用機(jī)器學(xué)習(xí)的方法進(jìn)行作物的識(shí)別和產(chǎn)量的預(yù)測(cè)有了新的進(jìn)展，機(jī)器學(xué)習(xí)的預(yù)測(cè)精度也在不斷提升。利用機(jī)器學(xué)習(xí)下的Faster R-CNN網(wǎng)絡(luò)模型進(jìn)行目標(biāo)檢測(cè)可為農(nóng)業(yè)領(lǐng)域其他方面提供指標(biāo)測(cè)定基礎(chǔ)。目前基于模型構(gòu)建的果實(shí)識(shí)別與產(chǎn)量的相關(guān)系數(shù)的預(yù)測(cè)方法中，在圖片拍攝方面可能存在距離、角度、方向上的不標(biāo)準(zhǔn)，以及標(biāo)記部分重疊和果實(shí)之間相互遮擋均可能對(duì)估測(cè)值造成一定的影響，所以在后續(xù)的試驗(yàn)中還需進(jìn)一步的研究和優(yōu)化。

參考文獻(xiàn)

[1] 陳杏禹.蔬菜栽培[M].北京：高等教育出版社， 2015.

[2] 楊志臣，呂貽忠，張鳳榮，等. 秸稈還田和腐熟有機(jī)肥對(duì)水稻土培肥效果對(duì)比分析[J].農(nóng)業(yè)工程學(xué)報(bào)，2008（3）：214-218.

[3] 王振華，陳瀟潔，呂德生，等.水肥耦合對(duì)加氣滴灌加工番茄產(chǎn)量及品質(zhì)的影響[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（19）：66-75.

[4] 陳凱，朱鈺.機(jī)器學(xué)習(xí)及其相關(guān)算法綜述[J].統(tǒng)計(jì)與信息論壇，2007（5）：105-112.

[5] 張燕，田國(guó)英，楊英茹，等.基于SVM的設(shè)施番茄早疫病在線識(shí)別方法研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（S1）：125-133，206.

[6] 鄭太雄，江明哲，馮明馳.基于視覺(jué)的采摘機(jī)器人目標(biāo)識(shí)別與定位方法研究綜述[J].儀器儀表學(xué)報(bào)，2021，42（9）：28-51.

[7] 孫素云.基于圖像處理和支持向量機(jī)的蘋(píng)果樹(shù)葉部病害的分類研究[D]. 西安：西安科技大學(xué)，2017.

[8] 鄧賡.基于機(jī)器視覺(jué)的葡萄產(chǎn)量預(yù)估模型關(guān)鍵技術(shù)研究[D]. 成都：四川大學(xué)，2022.

[9] 張立彬，應(yīng)建陽(yáng)，陳教料.基于IPSO-SA算法的溫室番茄產(chǎn)量預(yù)測(cè)方法[J].浙江工業(yè)大學(xué)學(xué)報(bào)，2019，47（5）：527-533.

（責(zé)編：何 艷）