• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷

      2024-01-01 00:00:00張林朋孫愛珍錢政郭紫微楊紅云
      江蘇農(nóng)業(yè)科學(xué) 2024年4期
      關(guān)鍵詞:水稻

      摘要:為了快速準(zhǔn)確地對水稻進(jìn)行氮素營養(yǎng)診斷,提出一種基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷方法。該方法通過對雜交稻兩優(yōu)培九進(jìn)行田間試驗,設(shè)置4組不同的氮肥梯度(施氮量分別為0、210、300、390 kg/hm2),掃描獲取水稻葉片圖像并進(jìn)行數(shù)據(jù)預(yù)處理,構(gòu)建基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷模型ResNet34-AFF-SE。使用構(gòu)建的ResNet34-AFF-SE模型對水稻葉片進(jìn)行氮素營養(yǎng)診斷,結(jié)果表明,在水稻生長的幼穗分化期、齊穗期,ResNet34-AFF-SE的識別準(zhǔn)確率為97.5%、97.2%,模型大小為87.9 MB。ResNet34-AFF-SE模型在準(zhǔn)確率和訓(xùn)練時間上優(yōu)于AlexNet、VGG16、MobilNet v3-small等網(wǎng)絡(luò)模型。基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷方法所建立的ResNet34-AFF-SE模型具有較高的識別準(zhǔn)確率,可以精準(zhǔn)地識別水稻葉片的氮素營養(yǎng)狀況,為水稻作物的氮素營養(yǎng)診斷提供了新的思路。

      關(guān)鍵詞:水稻;氮素營養(yǎng)診斷;自適應(yīng)特征融合;ResNet34-AFF-SE;識別準(zhǔn)確率

      中圖分類號:S126;S511.01 ""文獻(xiàn)標(biāo)志碼:A

      文章編號:1002-1302(2024)04-0216-07

      收稿日期:2023-06-05

      基金項目:國家自然科學(xué)基金(編號:62162030、61562039)。

      作者簡介:張林朋(1997—),男,江西都昌人,碩士研究生,研究方向為農(nóng)業(yè)信息化與計算機(jī)視覺。E-mail:zlp_1216@163.com。

      通信作者:楊紅云,碩士,教授,碩士生導(dǎo)師,主要從事計算機(jī)視覺技術(shù)研究工作。E-mail:nc_yhy@163.com。

      在水稻的田間栽培管理中,氮肥對產(chǎn)量的貢獻(xiàn)率約占50%[1]。過量施用氮肥不僅會影響水稻的生長發(fā)育,還會導(dǎo)致氮肥的浪費,并對環(huán)境造成污染[2]。因此,精準(zhǔn)施用氮肥對于水稻的正常生長發(fā)育、植株群體結(jié)構(gòu)優(yōu)化、產(chǎn)量提高具有重要意義[3]。實現(xiàn)氮素營養(yǎng)的快速準(zhǔn)確診斷,可以為水稻的精準(zhǔn)施肥提供依據(jù),實現(xiàn)優(yōu)化施肥,減少氮肥的浪費,提高氮素利用率,從而為水稻的高產(chǎn)提供支持[4]。

      目前,采用計算機(jī)視覺技術(shù)與其他圖像處理技術(shù)相結(jié)合的方法可以無損地進(jìn)行氮素營養(yǎng)診斷,已成為應(yīng)用于作物營養(yǎng)診斷的重要方法之一[5-6]。例如,李嵐?jié)仁褂脭?shù)碼相機(jī)對水稻進(jìn)行氮素營養(yǎng)診斷,發(fā)現(xiàn)冠層色彩參數(shù)紅光標(biāo)準(zhǔn)化值(NRI)與水稻氮素營養(yǎng)指標(biāo)、產(chǎn)量之間具有較好的相關(guān)性[7];羅建軍等利用圖像處理技術(shù)獲取水稻圖像中的顏色和幾何形態(tài)特征,并應(yīng)用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行水稻氮素營養(yǎng)診斷,測試集上的平均準(zhǔn)確率達(dá)到99.000%[8]。雖然使用計算機(jī)視覺技術(shù)能夠較為準(zhǔn)確和及時地診斷出水稻的氮素營養(yǎng)缺乏狀況,并據(jù)此提出氮肥的增施方案,但這種方法需要進(jìn)行特征的設(shè)計、提取和優(yōu)化,操作繁雜,對實現(xiàn)自動提取特征和特征融合的氮素營養(yǎng)診斷的相關(guān)研究較少。因此,未來的研究需要探索更加智能化和自主學(xué)習(xí)的氮素營養(yǎng)診斷方法,以提高氮素營養(yǎng)診斷的準(zhǔn)確性和實用性,從而為水稻的高產(chǎn)提供更為有效的技術(shù)支持。

      深度學(xué)習(xí)技術(shù)在識別農(nóng)作物病蟲害、雜草、營養(yǎng)診斷等方面得到了廣泛應(yīng)用[9]。以水稻氮素營養(yǎng)診斷為例,Wang等使用強(qiáng)化學(xué)習(xí)增強(qiáng)的 Densenet-121深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)模型對缺乏氮、磷和鉀的水稻葉片進(jìn)行訓(xùn)練,在測試集上準(zhǔn)確率達(dá)到了97%[10];Bishwas等采用K均值聚類算法和卷積神經(jīng)網(wǎng)絡(luò)對缺氮、缺磷、缺鉀的水稻葉片進(jìn)行識別和分類,測試集的準(zhǔn)確率能達(dá)到90%[11];Xu等通過微調(diào)4種最先進(jìn)的DCNN對水稻全營養(yǎng)和10類營養(yǎng)缺乏數(shù)據(jù)集進(jìn)行訓(xùn)練,結(jié)果表明所有的DCNN測試準(zhǔn)確率均在90%以上[12];張林朋等通過微調(diào)遷移學(xué)習(xí)的VGG16網(wǎng)絡(luò)模型對4類氮素營養(yǎng)葉片進(jìn)行訓(xùn)練,在測試集上取得了97%以上的準(zhǔn)確率[13]。此外,潘圣剛等的研究表明,水稻的幼穗分化期和齊穗期是氮素吸收及快速積累的關(guān)鍵時期[14]。然而,上述前人研究的結(jié)果只是針對多個種類營養(yǎng)元素的水稻葉片進(jìn)行診斷,未考慮單一營養(yǎng)元素施用量,以及不同生長時期對水稻生長的影響。因此,未來的研究需要進(jìn)一步探索單一營養(yǎng)元素的診斷方法,同時結(jié)合不同生長時期對水稻生長的影響,以實現(xiàn)更加準(zhǔn)確和實用的水稻氮素營養(yǎng)診斷技術(shù)。

      本研究通過在不同施氮梯度的水稻田間試驗中收集水稻葉片圖像數(shù)據(jù),提出了一種基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷方法,并構(gòu)建了相應(yīng)的水稻氮素營養(yǎng)診斷模型。該方法可以通過深度學(xué)習(xí)技術(shù)自動提取水稻葉片圖像的特征,并將不同特征進(jìn)行自適應(yīng)融合,進(jìn)而實現(xiàn)對水稻氮素營養(yǎng)狀態(tài)的準(zhǔn)確診斷,以期為水稻植株氮素營養(yǎng)診斷建模提供理論依據(jù)和技術(shù)參考。

      1 材料與方法

      1.1 試驗區(qū)概況及試驗設(shè)計

      本研究于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。通過測定稻田間土壤的基本理化性質(zhì),得出pH值為5.30,有機(jī)質(zhì)含量為24.4 g/kg,有效磷含量為0.0127 g/kg,全氮含量為1.40 g/kg,速效鉀含量為0.123 g/kg。試驗品種為兩優(yōu)培九(Liangyoupei 9,LYP9)超級雜交稻,其最佳施氮量為純氮210~300 kg/hm2 [15]。本研究設(shè)置了N1、N2、N3、N4共4組不同的氮肥梯度,其施氮狀況分別為0、210、300、390 kg/hm2。水稻種植于小區(qū)中,每個小區(qū)長5 m,寬6 m,總面積為30 m2,筑土埂并用塑料薄膜隔開小區(qū),重復(fù)3次,單灌單排。氮肥按m基肥 ∶m分蘗肥 ∶m穗肥 = 2 ∶1 ∶2施用,鉀肥按m分蘗肥 ∶m穗肥 = 7 ∶3施用,磷肥一次性作基肥施用。施肥過程中磷、鉀肥用量相同,即P2O5用量為 225" kg/hm2,K2O用量為 300" kg/hm2。肥料種類為尿素(含N46%)、氯化鉀K2O(含K2O 60%)和鈣鎂磷肥(含P2O5 12%)[15]。人工移植前1 d施用基肥,人工移植后 7 d 施用分蘗肥,在葉齡余數(shù)為1.5左右施用穗肥[16]。試驗于2017年5月25日播種,同年6月14日移栽,栽插密度:行距×株距為 26.6 cm×13.3 cm,其他操作按常規(guī)的高產(chǎn)栽培要求進(jìn)行[17]。

      1.2 水稻葉片圖像獲取

      本試驗使用MICROTEK掃描儀(型號MRS-9600TFU2L,上海中晶科技有限公司生產(chǎn),分辨率為600 dpi)于水稻幼穗分化期(2017年7月24日)和齊穗期(2017年8月24日)掃描獲取水稻圖像。每次掃描獲取960張圖像,其中包括4種不同氮素營養(yǎng)水平的水稻葉片各240張(頂一、二、三葉各80張),共計1 920張2 515像素×3 997像素的水稻圖像。每張水稻圖像都被視為1組水稻數(shù)據(jù)。由于掃描儀掃描長度有限,為了便于掃描水稻葉片圖像,每張葉片被分為葉中和葉尖2個部分,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。

      1.3 葉片圖像預(yù)處理

      本研究對獲取的水稻葉片圖像進(jìn)行了預(yù)處理,以便于進(jìn)行水稻氮素營養(yǎng)的診斷。在掃描圖像的過程中,一些水稻葉片可能會出現(xiàn)折疊、蜷縮等現(xiàn)象,因此需要將這些不符合要求的葉片圖像去除。由表1擴(kuò)充前數(shù)據(jù)可知,本試驗實際獲取到的葉片圖像數(shù)據(jù)量為1 832張,其中902張為幼穗分化期的圖像,930張為齊穗期的圖像。部分幼穗分化期的水稻葉片圖像見圖1。

      由于本試驗獲取的水稻圖像數(shù)據(jù)較少,構(gòu)建的水稻葉片氮素營養(yǎng)診斷模型可能會出現(xiàn)模型泛化性不足等問題。為了解決這個問題,需要使用數(shù)據(jù)擴(kuò)充方法來增加數(shù)據(jù)量,緩解模型的過擬合問題,提高泛化性。本研究采用了常用的數(shù)據(jù)增強(qiáng)方式,如旋轉(zhuǎn)(rotation)任意角度、翻轉(zhuǎn)(flip)變換任意角度、平移(shift)變換、尺度(scale)變換、增加噪聲(noise)以及調(diào)節(jié)明亮度(brightness)等方式,進(jìn)行數(shù)據(jù)擴(kuò)充。將采集的水稻幼穗分化期和齊穗期的水稻葉片每一類的原有數(shù)據(jù)圖像擴(kuò)充為原來的10倍,構(gòu)建水稻氮素營養(yǎng)數(shù)據(jù)集,詳情見表1擴(kuò)充后數(shù)據(jù)。由于預(yù)處理后圖像的尺寸不一,本研究統(tǒng)一將水稻葉片圖像調(diào)整為224像素×224像素,且圖像格式均為jpg格式。將構(gòu)建的水稻葉片圖像數(shù)據(jù)集,按照訓(xùn)練集 ∶測試集=8 ∶2的比例,隨機(jī)劃分為訓(xùn)練集和測試集,即80%的圖像數(shù)據(jù)用于訓(xùn)練,20%的圖像數(shù)據(jù)用于模型的測試。

      1.4 試驗環(huán)境及參數(shù)的設(shè)置

      本試驗?zāi)P偷挠?xùn)練與測試均是在Windows10 64 位操作系統(tǒng)下實現(xiàn)的。試驗的硬件環(huán)境為:12核 Intel Xeon Platinum 8255C CPU@2.50 GHz,內(nèi)存16 GB;GPU使用的是NVIDIA RTX 3060,顯存為12 GB。軟件環(huán)境是 CUDA 11.3、PyTorch1.11.0和Python 3.8.0。

      設(shè)置模型的超參數(shù),設(shè)置批次(batch size)為64,將訓(xùn)練輪數(shù)(epoch)設(shè)置為100。使用Adam優(yōu)化算法[18],學(xué)習(xí)率設(shè)置為1×10-4。

      1.5 相關(guān)網(wǎng)絡(luò)模型

      AlexNet是一種深度卷積神經(jīng)網(wǎng)絡(luò),由Krizhevsky等在2012年提出,被廣泛認(rèn)為是深度學(xué)習(xí)的重要突破之一[19]。AlexNet包含8個卷積層和3個全連接層,其創(chuàng)新之處在于使用了一些目前被廣泛使用的深度學(xué)習(xí)技術(shù),如ReLU激活函數(shù)、Dropout正則化、數(shù)據(jù)增強(qiáng)等。此外,AlexNet還采用了GPU加速,使得訓(xùn)練時間大大縮短。

      VGG16是由Simonyan和Zisserman在2014年提出的深度卷積神經(jīng)網(wǎng)絡(luò)[20]。它是一個經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò),包含16個卷積層和3個全連接層。VGG16的主要貢獻(xiàn)在于展示了增加網(wǎng)絡(luò)深度可以提高模型性能。此外,VGG16還采用了批量歸一化和Dropout等技術(shù)來降低過擬合風(fēng)險。

      ResNet34是由微軟研究院在2015年提出的深度卷積神經(jīng)網(wǎng)絡(luò),采用殘差連接來解決深度神經(jīng)網(wǎng)絡(luò)中的梯度消失和梯度爆炸問題[21]。該模型包含34層,其中32層是卷積層,另外2層是全連接層。ResNet34的殘差連接在卷積層之間添加了跨層的連接,使得信息可以直接從前面的層傳遞到后面的層,從而減輕了梯度消失和梯度爆炸問題。ResNet34還應(yīng)用了批量歸一化和ReLU激活函數(shù)等技術(shù),進(jìn)一步提高了模型的性能。

      MobileNet是Google于2017年提出的一種輕量級深度卷積神經(jīng)網(wǎng)絡(luò),其設(shè)計目的是在保持高準(zhǔn)確性的同時,大幅度減少模型參數(shù)和計算量[22]。MobileNet使用深度可分離卷積代替?zhèn)鹘y(tǒng)的卷積操作,從而減少計算量和模型大小。深度可分離卷積將傳統(tǒng)卷積的空間卷積和通道卷積分解為2個操作,使得模型更加輕量化。MobileNet還采用了線性瓶頸結(jié)構(gòu)和全局平均池化等技術(shù)來進(jìn)一步減少模型的參數(shù)和計算量。

      EfficientNet是Google于2019年提出的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu),其設(shè)計思想是使用復(fù)合系數(shù)來擴(kuò)展網(wǎng)絡(luò)的深度、寬度和圖像分辨率,以實現(xiàn)高效準(zhǔn)確的模型[23]。此外,EfficientNet采用了深度可分離卷積和通道注意力機(jī)制等技術(shù),將標(biāo)準(zhǔn)的卷積操作分解為深度卷積和逐點卷積,從而減少了計算量和參數(shù)數(shù)量,并學(xué)習(xí)每個通道的重要性,進(jìn)一步減少了模型的計算量,具有更高的計算效率和更小的模型大小,適用于移動設(shè)備和邊緣計算等資源受限的場景。

      1.6 遷移學(xué)習(xí)

      本研究采用了遷移學(xué)習(xí)方法策略[24],將在ImageNet大型數(shù)據(jù)集上遷移學(xué)習(xí)的ResNet34殘差網(wǎng)絡(luò)[21]的權(quán)重參數(shù)應(yīng)用于本研究所構(gòu)建的網(wǎng)絡(luò)模型,并作為特征提取模塊,用于水稻氮素營養(yǎng)診斷數(shù)據(jù)集上的水稻葉片特征提取。這種方法有效降低了訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型所需的時間成本、數(shù)據(jù)量和算力需求。在本試驗結(jié)合遷移學(xué)習(xí)和自適應(yīng)特征融合策略,構(gòu)建了水稻氮素營養(yǎng)診斷模型,與從零開始訓(xùn)練相比,遷移學(xué)習(xí)有助于加速網(wǎng)絡(luò)訓(xùn)練過程,使模型更快收斂,并顯著提高模型的分類性能。

      1.7 SE注意力模塊

      SE注意力模塊是在通道維度增加注意力機(jī)制[25],如圖2所示。關(guān)鍵操作為Squeeze和Excitation。其算法流程為:給定1個輸入特征圖X1,通過Ftr運算生成特征圖X,經(jīng)過全局平均池化生成1×1×C的特征向量,通過2層全連接層,全連接層使用ReLU激活函數(shù)。Excitation操作通過Sigmoid激活函數(shù)計算每個特征通道的權(quán)值。最后通過Fscale將輸出的通道權(quán)重與原輸入特征圖相乘運算,使得神經(jīng)網(wǎng)絡(luò)更關(guān)注于某些特征通道,抑制無關(guān)特征通道。SE模塊具有即插即用的便利性,本研究擬在特征提取過程中,在ResNet34每一個塊中

      引入該模塊,記為MSE,以增強(qiáng)特征的提取能力。

      1.8 自適應(yīng)特征融合

      選擇現(xiàn)階段比較流行的ResNet34網(wǎng)絡(luò)[21]作為特征提取模塊,獲取不同Block塊的特征圖。不同Block塊的輸出特征圖擁有不同的語義信息。頂部特征圖具有豐富的語義信息,但其分辨率較低;較低的特征圖具有較低的語義信息,但分辨率較高。為了更好地融合不同特征圖,使用自適應(yīng)特征融合(adaptive feature fusion,AFF)方法,進(jìn)行自適應(yīng)特征融合,其公式如下:

      Fσ=α1×F1+α2×F2+α3×F3+α4×F4。(1)

      其中,αj=ewj∑ewi(i=1,2,3,4;j=1,2,3,4)為歸一化權(quán)值,wj為初始化指數(shù)權(quán)值,wi為特征權(quán)值,F(xiàn)1~F4為經(jīng)注意力機(jī)制參與運算輸出的每一個模塊(Block)的特征圖。該方法使得模型更好地根據(jù)數(shù)據(jù)集的特征,自主地以特定的權(quán)值來融合該層的特征。圖3為本試驗所構(gòu)建的自適應(yīng)特征融合網(wǎng)絡(luò)簡圖。

      2 結(jié)果與分析

      2.1 自適應(yīng)特征融合消融試驗

      使用水稻葉片圖像數(shù)據(jù)集,構(gòu)建模型方案如下:

      (1)未使用遷移學(xué)習(xí)的ResNet34網(wǎng)絡(luò)模型,記為ResNet34-N。

      (2)使用遷移學(xué)習(xí)的ResNet34網(wǎng)絡(luò)模型,記為ResNet34-TF。

      (3)在方案(2)所構(gòu)建的網(wǎng)絡(luò)模型中使用自適應(yīng)特征融合的ResNet34網(wǎng)絡(luò)模型,記為 ResNet34-AFF。

      (4)在方案(3)中網(wǎng)絡(luò)的特征提取部分引入MSE注意力模塊,其模型記為ResNet34-AFF-SE。

      使用上述方案,試驗結(jié)果如表2所示。

      由表2可知,使用遷移學(xué)習(xí)可以提高模型的準(zhǔn)確率。同時,使用自適應(yīng)特征融合能夠提升模型約1.1百分點的準(zhǔn)確率,增加的訓(xùn)練時間僅約為 306 s。另外,使用SE注意力模塊可以在使用自適應(yīng)特征融合后的模型識別準(zhǔn)確率之上,提高0.8百分點的準(zhǔn)確率。在不考慮模型大小的影響下,引入遷移學(xué)習(xí)和自適應(yīng)特征融合方法可以有效地提高模型的準(zhǔn)確率。根據(jù)圖4可知,使用遷移學(xué)習(xí)和自適應(yīng)特征融合所構(gòu)建的ResNet34-AFF-SE模型在訓(xùn)練早期未出現(xiàn)損失值(loss值)突變,loss曲線更加平穩(wěn)收斂。在同一模型下,幼穗分化期的準(zhǔn)確率略高于齊穗期(表2),這可能是雜交稻生長后期易出現(xiàn)的“早衰”現(xiàn)象。

      2.2 ResNet34-AFF-SE與其他網(wǎng)絡(luò)模型效果的對比

      為了更好地驗證本研究所構(gòu)建的ResNet34-AFF-SE網(wǎng)絡(luò)模型的有效性,與AlexNet[19]、VGG16[20]、MobileNet v3-small[22]和EfficientNet_b0[23]網(wǎng)絡(luò)進(jìn)行對比,其結(jié)果見表3。

      由表3可知,不同的網(wǎng)絡(luò)模型在識別準(zhǔn)確率、訓(xùn)練時間和模型大小等方面存在較大的差異。本研究構(gòu)建的ResNet34-AFF-SE模型在水稻氮素營養(yǎng)診斷的識別準(zhǔn)確率方面均優(yōu)于AlexNet、VGG16、MobileNet v3-small和EfficientNet_b0網(wǎng)絡(luò)模型,在模型訓(xùn)練時間和模型大小方面均優(yōu)于AlexNet、VGG16網(wǎng)絡(luò)模型。值得注意的是,雖然EfficientNet_b0網(wǎng)絡(luò)所使用的深度可分離卷積具有較好的特征提取效果(訓(xùn)練時間最短),且其模型所占內(nèi)存較為合適,但在準(zhǔn)確率上仍弱于ResNet34-AFF-SE網(wǎng)絡(luò)。因此,本研究所構(gòu)建的ResNet34-AFF-SE模型可以為水稻氮素營養(yǎng)診斷提供較為準(zhǔn)確和高效的解決方案,而EfficientNet_b0網(wǎng)絡(luò)則可以為后續(xù)的應(yīng)用開發(fā)提供參考依據(jù)。

      2.3 幼穗分化期和齊穗期測試集上的對比

      在幼穗分化期和齊穗期時,使用上述的ResNet34-AFF-SE網(wǎng)絡(luò)模型,將2組不同生長期的圖像數(shù)據(jù)分別在該模型上訓(xùn)練100輪,其在測試集上的效果如表4所示。

      由表4可知,水稻在生長的幼穗分化期、氮素營養(yǎng)為N3時,該模型的識別精確率最高;4類氮素營養(yǎng)的識別精確率均高于96%。而在齊穗期,氮素營養(yǎng)為N1和N4時的識別精確率高于氮素營養(yǎng)為N2和N3的精確率;4類氮素營養(yǎng)的識別精確率由高到低依次為N4、N1、N2和N3。該模型不僅適用于水稻幼穗分化期的氮素營養(yǎng)診斷,同樣適用于水稻齊穗期的氮素營養(yǎng)診斷。在水稻幼穗分化期和齊穗期的測試集上評估該模型,得到的混淆矩陣見圖5。

      經(jīng)圖5的分析可知,

      在幼穗分化期時有18張N3圖片誤識別為N2;齊穗期時有29張N2的圖片誤識別為N3,13張N3的圖片誤識別為N2,這可能是由于N2和N3是最佳施氮量的閾值,難以通過葉片直接進(jìn)行區(qū)分所致;同時,在幼穗分化期和齊穗期亦存在N1和N4之間的誤判,這可能是由于后期田間管理不規(guī)范或數(shù)據(jù)預(yù)處理時未對圖像進(jìn)行噪聲處理等因素所致。由圖5還可以看出,本研究所構(gòu)建的ResNet34-AFF-SE網(wǎng)絡(luò)模型對水稻作物

      的氮素營養(yǎng)診斷具有較好的識別準(zhǔn)確率。在幼穗分化期,該模型在測試集上對氮素營養(yǎng)的識別準(zhǔn)確率從高到低依次為N2、N1、N4、N3;在齊穗期,該模型在測試集上對氮素營養(yǎng)的識別準(zhǔn)確率從高到低依次為N1、N4、N3、N2。因此,ResNet34-AFF-SE網(wǎng)絡(luò)模型可以為水稻作物的氮素營養(yǎng)診斷提供新的參考。

      3 討論與結(jié)論

      近年來,水稻產(chǎn)量大幅提升,但品質(zhì)未見明顯改善且肥料利用率下降[26]。因此,如何合理施用肥料對水稻生長非常重要。一些現(xiàn)有的水稻營養(yǎng)診斷研究只針對某個具體日期或時間段進(jìn)行,缺乏對不同生長期的全面研究。這種方法可能不能準(zhǔn)確地評估水稻在不同生長階段的營養(yǎng)狀況,限制了對水稻營養(yǎng)狀態(tài)的有效管理。因此,水稻營養(yǎng)診斷研究應(yīng)該考慮到不同生長期的差異,并綜合分析各個生長期的數(shù)據(jù),以更全面、準(zhǔn)確地了解水稻的營養(yǎng)狀況,為水稻高產(chǎn)提供更有效的理論支持。本研究使用基于自適應(yīng)特征融合的方法對水稻氮素營養(yǎng)進(jìn)行診斷,在齊穗期時得出N1、N4的氮素營養(yǎng)識別精確率高于N2、N3。這一研究結(jié)果與周瓊等的研究結(jié)論[27]相符,表明該研究方法的可行性,從而對實現(xiàn)水稻的高產(chǎn)具有重要意義,為實現(xiàn)水稻高產(chǎn)提供了重要的理論基礎(chǔ),對于推進(jìn)農(nóng)業(yè)生產(chǎn)的可持續(xù)發(fā)展也具有重要意義。然而,在幼穗分化期和齊穗期,氮素營養(yǎng)為N1和N4、N2和N3時,彼此分類錯誤的概率較大,這可能是由于田間稻田土壤肥力不均勻、田間管理不規(guī)范和數(shù)據(jù)預(yù)處理時未對圖像進(jìn)行消噪處理等因素的影響。此外,幼穗分化期的識別準(zhǔn)確率略高于齊穗期,可能是由于超級雜交稻生育后期易出現(xiàn)早衰現(xiàn)象,葉片的含氮量快速衰減,難以通過葉片直接進(jìn)行區(qū)分[28]。這項研究的結(jié)果為水稻的精確施肥提供了理論依據(jù),有助于實現(xiàn)水稻的高產(chǎn)。

      在水稻生長的幼穗分化期和齊穗期,使用自適應(yīng)特征融合可以提高模型在訓(xùn)練集上的識別準(zhǔn)確率約1.1百分點,而在此基礎(chǔ)上使用SE注意力機(jī)制可以進(jìn)一步提高約0.8百分點的準(zhǔn)確率[29]。相比于AlexNet、VGG16和EfficientNet_b0模型,本研究所構(gòu)建的ResNet34-AFF-SE模型在準(zhǔn)確率方面確實表現(xiàn)優(yōu)秀,并且在訓(xùn)練時間和模型大小方面也相對較好,表明ResNet34特征提取模型具備良好的特征提取能力。雖然EfficientNet_b0網(wǎng)絡(luò)在使用深度可分離卷積提取特征方面表現(xiàn)出良好的效果[30],且模型大小適中,但在準(zhǔn)確率上仍然弱于ResNet34-AFF-SE網(wǎng)絡(luò)。因此,該模型可以為后續(xù)的開發(fā)應(yīng)用提供參考??傮w而言,該方案構(gòu)建的ResNet34-AFF-SE模型在水稻氮素營養(yǎng)診斷方面具有較好的識別準(zhǔn)確率,為相關(guān)領(lǐng)域的應(yīng)用提供了新的思路和參考。

      本研究所構(gòu)建的水稻氮素營養(yǎng)診斷模型能夠較好地判定水稻葉片氮素含量的缺失狀況,但僅能提供水稻最佳施氮量的一個范圍。因此,后續(xù)的研究中需要增加多個不同施氮梯度,以進(jìn)行更加精準(zhǔn)的診斷研究。本研究僅在水稻的幼穗分化期和齊穗期試驗了1種水稻品種,因此,需要考慮其他品種、不同生長關(guān)鍵期、多個不同梯度的施肥方案以及使用數(shù)碼相機(jī)、手機(jī)拍照等非掃描方式獲取圖像等因素的影響。水稻氮素營養(yǎng)診斷的核心目的是建立適合的追施肥體系,并據(jù)此進(jìn)行推薦施肥。因此,如何更好地進(jìn)行氮素營養(yǎng)診斷,使其更加科學(xué)合理地指導(dǎo)肥料使用和農(nóng)業(yè)生產(chǎn)[31],還需要進(jìn)一步的研究與探索。通過進(jìn)一步的研究和實踐,可以不斷優(yōu)化水稻氮素營養(yǎng)診斷模型,提高其準(zhǔn)確性和實用性,從而為水稻高產(chǎn)提供更為有效的技術(shù)支持,促進(jìn)農(nóng)業(yè)的可持續(xù)發(fā)展。未來,基于深度學(xué)習(xí)技術(shù)的水稻氮素營養(yǎng)診斷方法將會得到更深入的研究和應(yīng)用,為水稻高產(chǎn)生產(chǎn)提供更加有效的技術(shù)支持。同時,還需要考慮如何將該方法應(yīng)用于實際生產(chǎn)中,以便更好地滿足農(nóng)業(yè)生產(chǎn)的需求。

      本研究基于自適應(yīng)特征融合的水稻氮素營養(yǎng)診斷方法,構(gòu)建ResNet34-AFF-SE網(wǎng)絡(luò)模型,用于水稻氮素營養(yǎng)診斷,得到以下結(jié)論:(1)ResNet34-AFF-SE網(wǎng)絡(luò)模型在水稻氮素營養(yǎng)診斷方面表現(xiàn)出較高的準(zhǔn)確率,彌補(bǔ)了傳統(tǒng)機(jī)器學(xué)習(xí)人工提取特征的不足,為水稻等作物的營養(yǎng)診斷提供了理論基礎(chǔ)。(2)使用遷移學(xué)習(xí)可以加快模型的收斂速度,提高模型的準(zhǔn)確率,并節(jié)約計算資源。遷移學(xué)習(xí)的模型已經(jīng)在大規(guī)模數(shù)據(jù)集上進(jìn)行了訓(xùn)練,可以學(xué)習(xí)到豐富的特征信息,具備較好的遷移能力。微調(diào)遷移學(xué)習(xí)模型,可以避免大量時間和計算資源從零開始訓(xùn)練,降低過擬合的風(fēng)險,提高模型的泛化能力。(3)在水稻生長的幼穗分化期和齊穗期,該模型的識別準(zhǔn)確率分別為97.5%和97.2%,表明該方法是有效和可行的,可用于水稻的氮素營養(yǎng)診斷。

      參考文獻(xiàn):

      [1]黃 秀,葉 昌,燕金香,等. 不同氮吸收效率水稻品種的苗期銨吸收特性及生長差異分析[J]. 中國農(nóng)業(yè)科學(xué),2021,54(7):1455-1468.

      [2]劉立軍,王志琴,桑大志,等. 氮肥運籌對水稻產(chǎn)量及稻米品質(zhì)的影響[J]. 揚州大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版),2002,23(3):46-50.

      [3]賀 帆,黃見良,崔克輝,等. 實時實地氮肥管理對水稻產(chǎn)量和稻米品質(zhì)的影響[J]. 中國農(nóng)業(yè)科學(xué),2007,40(1):123-132.

      [4]馬立珩,張 瑩,隋 標(biāo),等. 江蘇省水稻過量施肥的影響因素分析[J]. 揚州大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版),2011,32(2):48-52,80.

      [5]羅建軍. 基于計算機(jī)視覺技術(shù)與高光譜技術(shù)的水稻氮素營養(yǎng)診斷研究[D]. 南昌:江西農(nóng)業(yè)大學(xué),2021.

      [6]黃筑斌,吳 雋. 計算機(jī)視覺在我國水稻生產(chǎn)中的應(yīng)用研究概述[J]. 農(nóng)技服務(wù),2021,38(12):44-48.

      [7]李嵐?jié)?,?萌,任 濤,等. 應(yīng)用數(shù)字圖像技術(shù)進(jìn)行水稻氮素營養(yǎng)診斷[J]. 植物營養(yǎng)與肥料學(xué)報,2015,21(1):259-268.

      [8]羅建軍,楊紅云,路 艷,等. 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[J]. 中國農(nóng)業(yè)科技導(dǎo)報,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 amp; 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]張林朋,楊紅云,錢 政,等. 基于改進(jìn)的VGG16網(wǎng)絡(luò)和遷移學(xué)習(xí)的水稻氮素營養(yǎng)診斷[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報,2023,28(6):219-229.

      [14]潘圣剛,黃勝奇,張 帆,等. 超高產(chǎn)栽培雜交中秈稻的生長發(fā)育特性[J]. 作物學(xué)報,2011,37(3):537-544.

      [15]曾勇軍,石慶華,潘曉華,等. 施氮量對高產(chǎn)早稻氮素利用特征及產(chǎn)量形成的影響[J]. 作物學(xué)報,2008,34(8):1409-1416.

      [16]程慧煌,商慶銀,易振波,等. 不同產(chǎn)量水平超級雜交稻產(chǎn)量形成特征及其對施肥量的響應(yīng)[J]. 中國稻米,2017,23(4):81-88.

      [17]劉立軍,王康君,卞金龍,等. 水稻產(chǎn)量對氮肥響應(yīng)的品種間差異及其與根系形態(tài)生理的關(guān)系[J]. 作物學(xué)報,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]韓展譽,吳春艷,許艷秋,等. 不同施氮水平下灌漿期高溫對水稻貯藏蛋白積累及其合成代謝影響[J]. 中國農(nóng)業(yè)科學(xué),2021,54(7):1439-1454.

      [27]周 瓊,楊紅云,楊 珺,等. 基于BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)的水稻圖像氮素營養(yǎng)診斷[J]. 植物營養(yǎng)與肥料學(xué)報,2019,25(1):134-141.

      [28]郭士偉,趙學(xué)強(qiáng),夏士健,等. 超級雜交稻生育后期葉片和根系的衰老營養(yǎng)生理研究[J]. 華北農(nóng)學(xué)報,2014,29(3):115-121.

      [29]徐 沁,梁玉蓮,王冬越,等. 基于SE-Res2Net與多尺度空譜融合注意力機(jī)制的高光譜圖像分類[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報,2021,33(11):1726-1734.

      [30]劉 洋,馮 全,王書志. 基于輕量級CNN的植物病害識別方法及移動端應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報,2019,35(17):194-204.

      [31]李 明,李迎春,韓 雪,等. 大氣CO2濃度升高和氮肥互作對玉米花后功能葉碳氮同化物的影響[J]. 中國農(nóng)業(yè)氣象,2021,42(9):715-728.

      猜你喜歡
      水稻
      水稻和菊花
      幼兒100(2023年39期)2023-10-23 11:36:32
      什么是海水稻
      機(jī)插秧育苗專用肥——機(jī)插水稻育苗基質(zhì)
      有了這種合成酶 水稻可以耐鹽了
      水稻種植60天就能收獲啦
      軍事文摘(2021年22期)2021-11-26 00:43:51
      油菜可以像水稻一樣實現(xiàn)機(jī)插
      中國“水稻之父”的別樣人生
      金橋(2021年7期)2021-07-22 01:55:38
      海水稻產(chǎn)量測評平均產(chǎn)量逐年遞增
      一季水稻
      文苑(2020年6期)2020-06-22 08:41:52
      水稻花
      文苑(2019年22期)2019-12-07 05:29:00
      招远市| 丹江口市| 郎溪县| 昌都县| 黔东| 临夏县| 乌拉特中旗| 专栏| 邢台市| 枝江市| 绍兴市| 湖北省| 康保县| 临猗县| 金山区| 东海县| 永泰县| 吴江市| 彰武县| 锡林郭勒盟| 东乡县| 无锡市| 长海县| 兴城市| 清水河县| 汽车| 萨迦县| 双流县| 中牟县| 和政县| 柳州市| 铜梁县| 虎林市| 府谷县| 保康县| 桂阳县| 铜陵市| 库尔勒市| 扶风县| 大丰市| 彝良县|