• ISSN 1008-505X
  • CN 11-3996/S

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

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

周琼 杨红云 杨珺 孙玉婷 孙爱珍 杨文姬

引用本文:
Citation:

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

    作者简介: 周琼 E-mail: zhou_qiongqiong@163.com;
    通讯作者: 杨红云, E-mail:nc_yhy@163.com

Feasibility study of BP neural network and probabilistic neural network for nitrogen nutrition diagnosis of rice images

    Corresponding author: YANG Hong-yun, E-mail:nc_yhy@163.com ;
  • 摘要: 【目的】 实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。 【方法】 本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮 (N) 水平:0、210、300、390 kg/hm2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。 【结果】 1) 幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP 神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。 【结论】 幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。
  • 图 1  通道图像对比图

    Figure 1.  Contrastive chart of channel images

    图 2  去除杂质图

    Figure 2.  Chart of removing interferences

    图 3  黑色背景图

    Figure 3.  Black background chart

    图 4  最小外接矩形图

    Figure 4.  Chart of the smallest external rectangle

    图 5  BP神经网络图

    Figure 5.  Chart of the BP neural network

    图 6  BP神经网络下氮素营养诊断识别准确率

    Figure 6.  Recognition accuracy of nitrogen nutrition diagnosis based on the BP neural network

    图 7  概率神经网络下氮素营养诊断识别准确率

    Figure 7.  Recognition accuracy of nitrogen nutrition diagnosis based on the PNN

    表 1  不同spread取值下PNN模型对氮素营养诊断识别准确率

    Table 1.  Recognition accuracy of nitrogen diagnosis by the PNN model under different spread values

    SPREAD取值
    SPREAD value
    幼穗分化期
    Young panicle stage
    齐穗期
    Full heading stage
    0.01 31% 25%
    0.03 77% 56%
    0.06 78% 58%
    0.08 78% 58%
    0.10 78% 58%
    0.12 79% 58%
    0.14 79% 58%
    0.16 80% 57%
    0.18 82% 57%
    0.21 81% 57%
    0.23 81% 56%
    下载: 导出CSV

    表 2  顶部叶片氮素营养诊断整体识别准确率

    Table 2.  Overall recognition accuracy of nitrogen nutrition diagnosis using the three leaves from the top

    模型
    Model
    幼穗分化期Young panicle stage 齐穗期Full heading stage
    顶1叶 1st leaf 顶2叶 2nd leaf 顶3叶 3rd leaf 顶1叶 1st leaf 顶2叶 2nd leaf 顶3叶 3rd leaf
    BP神经网络BPNN 86% 88% 90% 67% 67% 68%
    概率神经网络PNN 76% 82% 82% 63% 61% 57%
    下载: 导出CSV

    表 3  四类幼穗分化期顶3叶氮素营养诊断识别准确率

    Table 3.  Identification accuracy of nitrogen diagnosis of the four sorts using the third leaf at the young panicle stage

    模型
    Model
    第1类
    First
    第2类
    Second
    第3类
    Third
    第4类
    Fourth
    BP神经网络BPNN 100% 76% 88% 96%
    概率神经网络PNN 88% 68% 76% 96%
    下载: 导出CSV
  • [1] 朱德峰, 张玉屏, 陈惠哲, 等. 中国水稻高产栽培技术创新与实践[J]. 中国农业科学, 2015, 48(17): 3404–3414 doi: 10.3864/j.issn.0578-1752.2015.17.008
    Zhu D F, Zhang Y P, Chen H Z, et al. Innovation and practice of high-yield rice cultivation technology in China[J]. Scientia Agricultura Sinica, 2015, 48(17): 3404–3414 doi: 10.3864/j.issn.0578-1752.2015.17.008
    [2] 徐艳玲. 氮肥对水稻生长的影响[J]. 现代农业科技, 2014, 21(19): 27–28 doi: 10.3969/j.issn.1007-5739.2014.19.014
    Xu Y L. Effect of nitrogen fertilizer on rice growth[J]. Modern Agricultural Science and Technology, 2014, 21(19): 27–28 doi: 10.3969/j.issn.1007-5739.2014.19.014
    [3] 李明, 张长利, 房俊龙. 基于图像处理技术的小麦叶面积指数的提取[J]. 农业工程学报, 2010, 26(1): 205–209 doi: 10.3969/j.issn.1002-6819.2010.01.036
    Li M, Zhang C L, Fang J L. Extraction of leaf area index of wheat based on image processing technique[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(1): 205–209 doi: 10.3969/j.issn.1002-6819.2010.01.036
    [4] 王树文, 张长利. 基于图像处理技术的黄瓜叶片病害识别诊断系统研究[J]. 东北农业大学学报, 2012, (5): 69–73
    Wang S W, Zhang C L. Study on identification of cucumber leaf disease based on image processing[J]. Journal of Northeast Agricultural University, 2012, (5): 69–73
    [5] 张楠楠, 刘伟, 王伟, 等. 玉米霉变及黄曲霉毒素的图像处理检测方法[J]. 中国粮油学报, 2014, 29(2): 82–88
    Zhang N N, Liu W, Wang W, et al. Image processing method of corn kernels mildew infection and Aflatoxin levels[J]. Journal of the Chinese Cereals and Oils Association, 2014, 29(2): 82–88
    [6] 吴露露, 郑志雄, 齐龙, 等. 基于图像处理的田间水稻叶瘟病斑检测方法[J]. 农机化研究, 2014, (9): 32–35 doi: 10.3969/j.issn.1003-188X.2014.09.007
    Wu L L, Zheng Z X, Qi L, et al. Detection method of rice leaf blast based on image processing[J]. Journal of Agricultural Mechanization Research, 2014, (9): 32–35 doi: 10.3969/j.issn.1003-188X.2014.09.007
    [7] 李金文. 基于水稻叶片生理生态学特征的氮营养诊断[D]. 杭州: 浙江大学博士学位论文, 2010.
    Li J W. The diagnosis of rice N status based on leaf physioecological characteristics[D]. Hangzhou: PhD Dissertation of Zhejiang University, 2010.
    [8] 孙棋. 基于数字图像处理技术的水稻氮素营养诊断研究[D]. 杭州: 浙江大学硕士学位论文, 2008.
    Sun Q. Rice nitrogen nutrition diagnosis based on digital image processing technique[D]. Hangzhou: MS Thesis of Zhejiang University, 2008.
    [9] 祝锦霞, 邓劲松, 石媛媛, 等. 基于水稻扫描叶片图像特征的氮素营养诊断研究[J]. 光谱学与光谱分析, 2009, 29(8): 2171–2175 doi: 10.3964/j.issn.1000-0593(2009)08-2171-05
    Zhu J X, Deng J S, Shi Y Y, et al. Diagnosis of rice nitrogen status based on characteristics of scanning leaf[J]. Spectroscopy and Spectral Analysis, 2009, 29(8): 2171–2175 doi: 10.3964/j.issn.1000-0593(2009)08-2171-05
    [10] 祝锦霞, 陈祝炉, 石媛媛, 等. 基于无人机和地面数字影像的水稻氮素营养诊断研究[J]. 浙江大学学报(农业与生命科学版), 2010, 36(1): 78–83
    Zhu J X, Chen Z L, Shi Y Y, et al. Diagnosis of rice nitrogen status based on spectral characteristics of leaf and canopy[J]. Journal of Zhejiang University (Agriculture and Life Science Edition), 2010, 36(1): 78–83
    [11] 王远, 王德建, 张刚. 基于数码相机的水稻氮素营养诊断[J]. 中国农学通报, 2012, 28(24): 111–117 doi: 10.3969/j.issn.1000-6850.2012.24.021
    Wang Y, Wang D J, Zhang G. Nitrogen status diagnosis of rice based on a digital camera[J]. Chinese Agricultural Science Bulletin, 2012, 28(24): 111–117 doi: 10.3969/j.issn.1000-6850.2012.24.021
    [12] 刘江桓. 基于机器视觉技术的水稻营养快速诊断研究[D]. 南昌: 江西农业大学硕士学位论文, 2011.
    Liu J H. Research of paddy rice nutrition rapid diagnosis based on computer vision technology[D]. Nanchang: MS Thesis of Jiangxi Agricultural University, 2011.
    [13] 顾清, 邓劲松, 陆超, 等. 基于光谱和形状特征的水稻扫描叶片氮素营养诊断[J]. 农业机械学报, 2012, 43(8): 170–174 doi: 10.6041/j.issn.1000-1298.2012.08.031
    Gu Q, Deng J S, Lu C, et al. Diagnosis of rice nitrogen nutrition based on spectral and shape characteristics of scanning leaves[J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(8): 170–174 doi: 10.6041/j.issn.1000-1298.2012.08.031
    [14] 石媛媛. 基于数字图像的水稻氮磷钾营养诊断与建模研究[D]. 杭州: 浙江大学博士学位论文, 2011.
    Shi Y Y. Rice nutrition diagnosis and modeling based on digital image[D]. Hangzhou: PhD Dissertation of Zhejiang University, 2011.
    [15] 李万梅. 作物缺素症状简介[J]. 青海农技推广, 2012, (2): 45–46
    Li W M. Crop deficiency symptoms[J]. Qinghai Agro-technology Extension, 2012, (2): 45–46
    [16] 周凌翱. 改进BP神经网络在模式识别中的应用及研究[D]. 南京: 南京理工大学硕士学位论文, 2010.
    Zhou L A. Application and research of improved BP Neural Network in pattern recognition[D]. Nanjing: MS Thesis of Nanjing University of Science and Technology, 2010.
    [17] 陈利苏. 基于机器视觉技术的水稻氮磷钾营养识别和诊断[D]. 杭州: 浙江大学博士学位论文, 2014.
    Chen L S. Rice nutrition identification and diagnosis based on machine vision technology[D]. Hangzhou: PhD Dissertation of Zhejiang University, 2014.
    [18] 冯知凡. 基于图像处理及BP神经网络的车牌识别技术的研究[D]. 武汉: 武汉科技大学硕士学位论文, 2011.
    Feng Z F. Research of license plate recognition technology based on image processing and BP neural network[D]. Wuhan: MS Thesis of Wuhan University of Science and Technology, 2011.
    [19] 赵梅香. 基于粒子群和BP神经网络的PMV预测模型在智能办公建筑中应用研究[D]. 广州: 华南理工大学硕士学位论文, 2012.
    Zhao M X. PMV prediction model based on PSO and BP neural network using in the intelligent office buildings[D]. Guangzhou: MS Thesis of South China University of Technology, 2012.
    [20] 李志生, 张国强, 刘建龙, 等. 基于BP神经网络的制冷机组故障检测与诊断[J]. 流体机械, 2006, 34(9): 75–79 doi: 10.3969/j.issn.1005-0329.2006.09.022
    Li Z S, Zhang G Q, Liu J L, et al. Chillers fault detection and diagnosis based on BP artificial neural network[J]. Fluid Machinery, 2006, 34(9): 75–79 doi: 10.3969/j.issn.1005-0329.2006.09.022
    [21] 彭莹琼, 廖牧鑫, 张永红, 等. 基于BP神经网络模型的果实蝇自动分类系统[J]. 江西农业大学学报, 2016, 38(6): 1205–1210
    Peng Y Q, Liao M X, Zhang Y H, et al. A study on the automatic classification system for fruit flies based on BP neural net-work model[J]. Acta Agriculturae Universitatis Jiangxiensis, 2016, 38(6): 1205–1210
    [22] 刘彩红. BP神经网络学习算法的研究[D]. 重庆: 重庆师范大学硕士学位论文, 2008.
    Liu C H. The study of algorithm of BP neural network[D]. Chongqing: MS Thesis of Chongqing Normal University, 2008.
    [23] 胡嘉良, 高玉超, 余继峰, 等. 基于PCA-BP神经网络的非常规储层岩性识别研究[J]. 山东科技大学学报(自然科学版), 2016, 35(5): 9–16 doi: 10.3969/j.issn.1672-3767.2016.05.002
    Hu J L, Gao Y C, Yu J F, et al. Lithology identification of unconventional reservoirs based on PCA-BP Neural Network[J]. Journal of Shangdong University of Science and Technology (Natural Science Edition), 2016, 35(5): 9–16 doi: 10.3969/j.issn.1672-3767.2016.05.002
    [24] 蔡曲林. 基于概率神经网络的模式识别[D]. 北京: 国防科学技术大学硕士学位论文, 2005.
    Cai Q L. Probilistic neural network for pattern recognitions[D]. Beijing: MS Thesis of National University of Defense Technology, 2005.
    [25] 李颖, 薛利红, 潘复燕, 等. 氮磷互作对水稻冠层光谱的影响及其PNN识别[J]. 中国农业科学, 2014, 47(14): 2742–2750 doi: 10.3864/j.issn.0578-1752.2014.14.005
    Li Y, Xue L H, Pan F Y, et al. Effects of interaction of N and P on rice canopy spectral reflectance and its PNN identification[J]. Scientia Agricultura Sinica, 2014, 47(14): 2742–2750 doi: 10.3864/j.issn.0578-1752.2014.14.005
    [26] 齐龙. 基于多光谱视觉的稻瘟病检测技术研究[D]. 长春: 吉林大学博士学位论文, 2009.
    Qi L. Research on rice blast detection techniques based on multispectral vision[D]. Changchun: PhD Dissertation of Jilin University, 2009.
    [27] 李波, 刘占宇, 黄敬峰, 等. 基于PCA和PNN的水稻病虫害高光谱识别[J]. 农业工程学报, 2009, 25(9): 143–147 doi: 10.3969/j.issn.1002-6819.2009.09.026
    Li B, Liu Z Y, Huang J F, et al. Hyper spectral identification of rice diseases and pests based on principal component analysis and probabilistic neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(9): 143–147 doi: 10.3969/j.issn.1002-6819.2009.09.026
    [28] 孙俊, 路心资, 张晓东, 等. 基于高光谱图像的红豆品种GA-PNN神经网络鉴别[J]. 农业机械学报, 2016, 47(6): 215–221
    Sun J, Lu X Z, Zhang X D, et al. Identification of red bean variety with probabilistic GA-PNN based on hyper spectral imaging[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(6): 215–221
    [29] 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
    Pan S G, Huang S Q, Zhang F, et al. Growth and development characteristics of super-high-yielding mid-season indica hybrid rice[J]. Acta Agronomica Sinica, 2011, 37(3): 537–544
    [30] 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 doi: 10.3969/j.issn.1006-8082.2017.04.016
    Cheng H H, Shang Q Y, Yi Z B, et al. Effects of fertilizer application rate on yield and population quality of super hybrid rice at different yield levels[J]. China Rice, 2017, 23(4): 81–88 doi: 10.3969/j.issn.1006-8082.2017.04.016
    [31] 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
    Liu L J, Wang K J, Bian J L, et al. Differences in yield response to nitrogen fertilizer among rice cultivars and their relationship with root morphology and physiology[J]. Acta Agronomica Sinica, 2014, 40(11): 1999–2007
    [32] 杨红云, 孙爱珍, 何火娇. 水稻叶片几何参数图像视觉测量方法研究[J]. 湖北农业科学, 2015, (17): 4317–4320
    Yang H Y, Sun A Z, He H J. Study on geometry parameter of rice leaf measuring method using image vision technology[J]. Hubei Agricultural Sciences, 2015, (17): 4317–4320
    [33] 黄发松, 孙宗修, 胡培松, 等. 食用稻米品质形成研究的现状与展望[J]. 中国水稻科学, 1998, 12(3): 172–176 doi: 10.3321/j.issn:1001-7216.1998.03.012
    Huang F S, Sun Z X, Hu P S, et al. Present situations and prospects for the research on rice grain quality forming[J]. Chinese Journal of Rice Science, 1998, 12(3): 172–176 doi: 10.3321/j.issn:1001-7216.1998.03.012
    [34] 王伟妮, 鲁剑巍, 何予卿, 等. 氮、磷、钾肥对水稻产量、品质及养分吸收利用的影响[J]. 中国水稻科学, 2011, 25(6): 645–653 doi: 10.3969/j.issn.1001-7216.2011.06.012
    Wang W N, Lu J W, He Y Q, et al. Effects of N, P, K fertilizer application on grain yield, quality, nutrient uptake and utilization of rice[J]. Chinese Journal of Rice Science, 2011, 25(6): 645–653 doi: 10.3969/j.issn.1001-7216.2011.06.012
    [35] 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
    Guo S W, Zhao X Q, Xia S J, et al. The leaf and root nourishment physiology research for the super-hybrid rice after heading[J]. Acta Agriculturae Boreali-Sinica, 2014, 29(3): 115–121
  • [1] 李岚涛张萌任涛李小坤丛日环吴礼树鲁剑巍 . 应用数字图像技术进行水稻氮素营养诊断. 植物营养与肥料学报, 2015, 23(1): 259-268. doi: 10.11674/zwyf.2015.0129
    [2] 李朝东崔国贤谢宁丁莎莎陈兵兵白玉超 . 应用数字图像技术诊断苎麻氮素营养的研究简报. 植物营养与肥料学报, 2011, 19(3): 767-772. doi: 10.11674/zwyf.2011.0441
    [3] 赵满兴周建斌翟丙年杨绒李生秀 . 旱地不同冬小麦品种氮素营养的叶绿素诊断. 植物营养与肥料学报, 2005, 13(4): 462-466. doi: 10.11674/zwyf.2005.0406
    [4] 吕茹洁商庆银陈乐曾勇军胡水秀杨秀霞 . 基于临界氮浓度的水稻氮素营养诊断研究. 植物营养与肥料学报, 2018, 24(5): 1396-1405. doi: 10.11674/zwyf.17294
    [5] 刘侯俊李雪平韩晓日高晓宁 . 镉处理根表铁膜对水稻吸收镉锰铜锌的影响. 植物营养与肥料学报, 2013, 21(6): 1356-1365. doi: 10.11674/zwyf.2013.0609
    [6] 段英华张亚丽沈其荣陈红云张勇 . 增硝营养对不同基因型水稻苗期氮素吸收同化的影响. 植物营养与肥料学报, 2005, 13(2): 160-165. doi: 10.11674/zwyf.2005.0204
    [7] 王人民张永鑫杨肖娥何慈信 . 水稻锌高效营养特性的遗传分析. 植物营养与肥料学报, 2003, 11(2): 196-202. doi: 10.11674/zwyf.2003.0212
    [8] 徐富贤熊洪谢戎张林朱永川郭晓艺杨大金周兴兵刘茂 . 水稻氮素利用效率的研究进展及其动向. 植物营养与肥料学报, 2009, 17(5): 1215-1225. doi: 10.11674/zwyf.2009.0533
    [9] 薛欣欣李岚涛鲁剑巍李小坤任涛丛日环周鹂 . 利用功能叶片钾含量作为水稻钾营养诊断指标的可行性研究. 植物营养与肥料学报, 2015, 23(2): 492-499. doi: 10.11674/zwyf.2015.0225
    [10] 库文珍彭克勤张雪芹童建华周浩萧浪涛 . 低钾胁迫对水稻苗期矿质营养吸收和植物激素含量的影响 . 植物营养与肥料学报, 2009, 17(1): 69-75. doi: 10.11674/zwyf.2009.0110
    [11] 杨建峰贺立源左雪冬刘艳飞吴照辉章爱群赵会娥刘伟严昶门玉英 . 不同pH低磷土壤上水稻磷营养特性研究. 植物营养与肥料学报, 2009, 17(1): 62-68. doi: 10.11674/zwyf.2009.0109
    [12] 邹应斌贺帆黄见良熊远福 . 包膜复合肥对水稻生长及营养特性的影响. 植物营养与肥料学报, 2005, 13(1): 57-63. doi: 10.11674/zwyf.2005.0110
    [13] 王东升张亚丽陈石段英华沈其荣 . 不同氮效率水稻品种增硝营养下根系生长的响应特征. 植物营养与肥料学报, 2007, 15(4): 585-590. doi: 10.11674/zwyf.2007.0408
    [14] 莫良玉吴良欢陶勤南 . 高温胁迫下水稻氨基酸态氮与铵态氮营养效应研究. 植物营养与肥料学报, 2002, 10(2): 157-161. doi: 10.11674/zwyf.2002.0205
    [15] 朱维琴吴良欢陶勤南 . 水稻有机营养研究中完全及局部无菌培养方法探讨. 植物营养与肥料学报, 2004, 12(5): 516-521. doi: 10.11674/zwyf.2004.0513
    [16] 林芬芳陈祝炉邓劲松王珂 . 傅立叶变换中红外光谱估测水稻叶片氮素含量的研究 . 植物营养与肥料学报, 2009, 17(4): 750-755. doi: 10.11674/zwyf.2009.0403
    [17] 孙园园孙永健吴合洲马均* . 水分胁迫对水稻幼苗氮素同化酶及光合特性的影响. 植物营养与肥料学报, 2009, 17(5): 1016-1022. doi: 10.11674/zwyf.2009.0505
    [18] 沈阿林刘春增张付申陈永安昆忠男 . 不同水分管理对水稻生长与氮素利用的影响. 植物营养与肥料学报, 1997, 5(2): 111-116. doi: 10.11674/zwyf.1997.0203
    [19] 方萍陶勤南吴平 . 水稻吸氮能力与氮素利用率的QTLs及其基因效应分析. 植物营养与肥料学报, 2001, 9(2): 159-165. doi: 10.11674/zwyf.2001.0207
    [20] 梁天锋徐世宏刘开强王殿君梁和董登峰韦善清周佳民胡钧铭江立庚 . 栽培方式对水稻氮素吸收利用与分配特性影响的研究. 植物营养与肥料学报, 2010, 18(1): 20-26. doi: 10.11674/zwyf.2010.0104
  • 加载中
图(7)表(3)
计量
  • 文章访问数:  167
  • HTML全文浏览量:  88
  • PDF下载量:  27
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-01-19
  • 刊出日期:  2019-01-01

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

    作者简介:周琼 E-mail: zhou_qiongqiong@163.com
    通讯作者: 杨红云, nc_yhy@163.com
  • 1. 江西农业大学计算机与信息工程学院, 江西南昌 330045
  • 2. 江西农业大学软件学院, 江西南昌 330045
  • 3. 江西省高等学校农业信息技术重点实验室, 江西南昌 330045

摘要:  目的 实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。 方法 本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮 (N) 水平:0、210、300、390 kg/hm2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。 结果 1) 幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP 神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。 结论 幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。

English Abstract

  • 水稻栽培管理中,氮肥对粮食作物产量的贡献率占50%左右[1]。精确施氮方式可以使水稻在生长过程中减少无效分蘖,提高有效成穗率,优化群体结构,改善田间植株生长状况,同时减轻病虫害的发生率,进而促进水稻终产量的形成[2]。近年来图像处理技术被广泛运用于农业领域。李明等[3]采用图像处理中的改进动态阈值分割法提取图像中的小麦叶面积并计算其叶面积指数,与真实面积值的绝对差值均小于0.1,效果佳;王树文等[4]采用图像处理获取黄瓜叶部病斑区域并运用BP神经网络进行病害分类,平均识别精度达95.31%;张楠楠等[5]采用图像处理对霉变玉米颗粒进行检测,其正确检测率达87.5%以上;吴露露等[6]应用图像处理提取水稻稻瘟病病斑,其识别率达90.26%,效果较好。水稻营养状况在叶片色彩、形态上均有所显示[714]。水稻缺氮时,植株生长较缓慢,株体矮小,老叶褪绿同时叶尖出现焦黄[15]。水稻受氮胁迫时整株褪淡,叶柄茎杆呈淡黄或者橙黄色,严重缺乏时,叶鞘基部甚至变白[16]。孙棋[8]发现,拔节期水稻叶片中的顶3叶最能体现其氮素状况,并应用颜色参数建立回归分析模型进行氮素诊断。祝锦霞等[910]利用水稻拔节期顶3叶颜色特征数据及水稻冠层数据,建立了水稻氮素水平识别回归模型。王远等[11]应用水稻叶片颜色特征参数进行回归分析,发现采用孕穗期水稻叶片进行氮素诊断效果最佳。刘江桓[12]应用水稻叶片颜色特征参数进行拟合分析,发现不同生育期水稻顶3叶可体现稻株的氮素含量。顾清等[13]应用支持向量机,对水稻顶部第3完全展开叶片的黄化比例、叶尖G值、叶片面积三个特征值进行氮素营养诊断,该特征组合对缺氮和正常氮素营养水平的识别准确率均较高,对过量氮素营养水平的识别准确率较低。以上研究结果均表明,水稻顶部三个叶片是进行水稻氮素营养诊断的敏感部位。BP神经网络 (error back propagation neural network, BPNN) 是一种误差反向传播算法的学习过程,被广泛运用于模式识别、图像处理、智能控制、故障检测等领域[1723]。概率神经网络 (probabilistic neural network, PNN) 是由高斯函数为基函数来形成联合概率密度分布的估计方法和贝叶斯决策理论而建立的一种神经网络,常用于解决模式识别分类问题,应用广泛[2428]。同时文献[29]发现超高产水稻在幼穗分化期、齐穗期对氮吸收利用高且积累速度快。目前关于水稻幼穗分化期、齐穗期的氮素营养诊断尚未见报道。

    本研究采用图像处理技术分别于幼穗分化期、齐穗期获取顶部三个水稻叶片的19项颜色和形态特征,应用BP神经网络和概率神经网络建立水稻氮素营养诊断模型。探寻能够有效识别大田试验水稻氮素营养状况的水稻叶位、生育期及最佳识别参数,为利用计算机视觉技术快速准确诊断作物生长营养状况奠定理论和应用基础。

    • 试验于2017年在江西省南昌市成新农场 (116°15’E,28°92’N) 进行,土壤基本理化性质为:pH值5.30、全氮1.40 g/kg、有机质24.4 g/kg、有效磷12.7 mg/kg、速效钾123 mg/kg [30]

    • 以超级杂交稻两优培九为试验材料,以其高施氮量 (270 kg/hm2以上) 为基础[31],设4个施氮水平,分别为N 0、210、300和390 kg/hm2。小区随机区组排列,小区面积30 m2,小区间筑土埂隔开,并用塑料薄膜覆盖埂体,单灌单排,重复3次。氮肥按基肥∶分蘖肥∶穗肥4∶2∶4施用。钾肥按分蘖肥∶穗肥7∶3施用,磷肥一次性做基肥施用。施肥区磷、钾肥用量相等,即P2O5 225 kg/hm2、K2O 300 kg/hm2。供试肥料分别为尿素 (含N 46%)、钙镁磷肥 (含P2O5 12%) 和氯化钾 (含K2O 60%)。5月25日播种,6月14日移栽。栽插密度为13.3 cm × 26.6 cm,人工移栽,其他按常规高产栽培要求进行。

    • 本研究中所用水稻图像通过MICROTEK扫描仪 (型号MRS-9600TFU2L,分辨率600 ppi) 于水稻幼穗分化期 (2017年7月24日)、齐穗期 (2017年8月23日) 分两次扫描获取,每次扫描获取960张,共计1920张2515 × 3997像素水稻图像。其中每个时期水稻顶一叶、顶二叶、顶三叶图像均为320张 (叶片图像中包含对应叶鞘图像),每一张水稻图像视为一组水稻数据。

    • 水稻叶片表观特征参数包括周长、面积、叶长、叶宽、面积周长比、面积长度比、偏心率。颜色特征参数包括每个叶片和叶鞘的六个彩色空间分量 (R、G、B、H、S、I)。

    • 图像处理采用MATLAB R2014a编程实现。将扫描仪获取的RGB彩色图像转换为HSV图像,通过对R、G、B、H、S、V六个彩色空间分量通道图像进行对比,如图1所示。发现H通道下水稻叶片与背景区分度最大,故采用H通道图像作为目标图像。对H通道图像采用“阈值法”转化为二值图像,其中阈值设置为0.3,为方便后续处理将图像进行色彩反转,然后分别采用imfill函数和bwareaopen函数去除水稻叶片及图像背景中的小面积干扰区域,如图2所示。

      图  1  通道图像对比图

      Figure 1.  Contrastive chart of channel images

      图  2  去除杂质图

      Figure 2.  Chart of removing interferences

      对于水稻颜色特征,应用cat函数将去除干扰物后图像与原图像进行点乘操作获取黑色背景的水稻图像。采用bwlabel函数进行连通域标记,应用regionprops函数确定叶鞘及叶片对应位置,将水稻图像分割为水稻叶片图像及水稻叶鞘图像,如图3所示。同时将图像转换为HSI颜色空间图像,然后分别对水稻叶片图像和水稻叶鞘图像进行R、G、B、H、S、I均值计算。

      图  3  黑色背景图

      Figure 3.  Black background chart

      对于水稻形态特征,采用8个方形参照物 (实际边长为2.5 cm) 作为水稻叶片形态特征参数的计算参照,分别对水稻叶片图像和参照物图像进行最小外接矩形划定,如图4所示。其中水稻叶片长度、最大宽度、周长、面积参数分别根据下列公式 (1)、(2)、(3)、(4) 计算求得。

      图  4  最小外接矩形图

      Figure 4.  Chart of the smallest external rectangle

      水稻叶片长度 = (叶片1最小外接矩形长度所占像素数 + 叶片2最小外接矩形长度所占像素数) × 8个方形参照物实际总周长/8个方形参照物总长度所占像素数 (1)

      水稻叶片最大宽度 = MAX (叶片1最小外接矩形宽度所占像素数 + 叶片2最小外接矩形宽度所占像素数) × 8个方形参照物实际总周长/8个方形参照物总周长所占像素数 (2)

      水稻叶片周长 = (叶片1边缘所占像素数之和 + 叶片2边缘所占像素数之和 − 叶片1最小外接矩形宽度所占像素数 − 叶片2最小外接矩形宽度所占像素数) × 8个方形参照物实际总周长/8个方形参照物总周长所占像素数 (3)

      水稻叶片面积 = (叶片1所占像素数 + 叶片2所占像素数) × 8个方形参照物实际总面积/8个方形参照物总面积所占像素数 (4)

    • 本研究中分别应用BP神经网络和概率神经网络建立水稻氮素营养诊断模型,进行水稻氮素营养诊断识别,上文中19项水稻特征数据作为模型输入参数,将0、210、300和390 kg/hm2 4个氮素营养水平分别依次替代为Y1、Y2、Y3和Y4,并作为模型的输出参数。根据水稻氮素营养水平不同将输出参数分为四类:[1,0,0,0]、[0,1,0,0]、[0,0,1,0]、[0,0,0,1],分别表示4个氮素营养水平Y1、Y2、Y3和Y4。对幼穗分化期、齐穗期顶1叶、顶2叶、顶3叶的氮素营养进行诊断识别比较试验。模型数据共计1920组,每时期均为960组,其中每个叶位为320组,每个叶位下每类氮素营养水平为80组,随机选取其中55组作为模型训练集,剩余25组作为模型测试集。本研究利用MATLAB R2014a建立水稻氮素营养诊断模型。

    • 为了消除水稻特征指标数据之间的量纲影响,对数据进行标准化处理,以解决数据指标之间的可比性。本试验采用mapminmax函数对本试验数据统一进行归一化。Mapminmax函数所采用的映射如下所示:

      式中: $ x_{\min}$ $x_{\max} $ 为特征数据集x的最小值和最大值; $ y_{\min}$ $y_{\max} $ 为映射的范围参数。本试验中 $y_{\min}=-1 $ $y_{\max}=1 $

    • 本试验中BP神经网络的输入层节点数为19,输出层节点数为4,训练迭代次数为1000次。BP神经网络中的隐含层节点的个数与问题的要求、输入及输出单元的数目等有密切的关系,同时影响网络的非线性映射能力,隐含层节点过多会造成学习时间过长,而过少则造成网络的容错性能差[2425]。经试验比较后,本试验采用双隐含层BP神经网络,结构图如图5所示。其中双层隐含层节点数分别为16、5,隐含层节点转移函数均采用purelin函数,学习训练函数采用trainlm函数。

      图  5  BP神经网络图

      Figure 5.  Chart of the BP neural network

    • PNN模型中,径向基函数的扩展系数spread的选取直接影响到网络的分类性能。不同spread取值下PNN模型对不同时期顶三叶叶片氮素营养诊断的整体分类识别准确率如表1所示,可发现在幼穗分化期及齐穗期,初期随着spread值的不断增大,预测精度上升显著,然后逐渐缓慢下降,顶三叶叶片的整体预测精度呈现先上升后下降的趋势。统筹考虑模型的普适性和准确性,取0.18作为PNN模型的spread值。

      SPREAD取值
      SPREAD value
      幼穗分化期
      Young panicle stage
      齐穗期
      Full heading stage
      0.01 31% 25%
      0.03 77% 56%
      0.06 78% 58%
      0.08 78% 58%
      0.10 78% 58%
      0.12 79% 58%
      0.14 79% 58%
      0.16 80% 57%
      0.18 82% 57%
      0.21 81% 57%
      0.23 81% 56%

      表 1  不同spread取值下PNN模型对氮素营养诊断识别准确率

      Table 1.  Recognition accuracy of nitrogen diagnosis by the PNN model under different spread values

    • 为评判分析本试验中图像处理对于水稻叶片长度、最大宽度形态特征精准度,扫描过程中随机选取60片叶片进行人工测量,与图像处理获取的数据进行对比。图像处理获取的水稻长度的误差在0~0.9 cm之间,最大宽度误差在0~0.2 cm之间,效果较好,能够满足试验需求。

    • 应用BP神经网络和概率神经网络对上文获取的19项水稻特征数据分别进行水稻氮素营养诊断识别,其结果如表2所示。幼穗分化期水稻整体识别准确率均高于齐穗期水稻。对于BP神经网络建立的水稻氮素营养诊断模型,幼穗分化期与齐穗期水稻的整体识别准确率由高至低均是顶3叶、顶2叶、顶1叶,较于齐穗期水稻,幼穗分化期水稻顶1叶至顶3叶的整体识别准确率分别高出19、21、22个百分点;而对于概率神经网络建立的水稻氮素营养诊断模型,幼穗分化期水稻的整体识别准确率由高至低分别是顶2叶与顶3叶、顶1叶,齐穗期水稻的整体识别准确率由高至低分别是顶1叶、顶2叶、顶3叶,较于齐穗期水稻,幼穗分化期水稻顶1叶至顶3叶的整体识别准确率分别高出13、21、25个百分点。幼穗分化期顶3叶的整体识别准确率最高,BP神经网络与概率神经网络氮素营养诊断模型的准确率分别为90%、82%。

      模型
      Model
      幼穗分化期Young panicle stage 齐穗期Full heading stage
      顶1叶 1st leaf 顶2叶 2nd leaf 顶3叶 3rd leaf 顶1叶 1st leaf 顶2叶 2nd leaf 顶3叶 3rd leaf
      BP神经网络BPNN 86% 88% 90% 67% 67% 68%
      概率神经网络PNN 76% 82% 82% 63% 61% 57%

      表 2  顶部叶片氮素营养诊断整体识别准确率

      Table 2.  Overall recognition accuracy of nitrogen nutrition diagnosis using the three leaves from the top

      应用BP神经网络和概率神经网络分别对幼穗分化期顶3叶数据建立模型进行水稻氮素营养诊断,诊断识别结果如表3所示。应用BP神经网络建立的氮素营养诊断模型中,第一类识别准确率最高,达100%,其次是第四类,96%,第三类识别准确率达88%,第二类识别效果最差,为76%;四种氮素水平依次替代为试验类别标签中的1、2、3、4,纵坐标为氮素水平类别标签,横坐标为测试样本顺序编号,其中幼穗分化期顶3叶的实际识别分类与预测识别分类图如图6所示,可发现第一类被全部识别正确,第二类中有一个被误判为第一类,同时易误判为第三类,第三类中有一个被误判为第四类,有两个被误判为第二类,第四类有一个被误判为第三类。应用概率神经网络对幼穗分化期顶3叶建立的氮素营养诊断模型中,第四类识别准确率最高,达96%,其次是第一类、第三类,第二类识别效果最差,为68%。其中实际分类与预测分类图如图7所示,纵坐标为氮素水平类别标签,横坐标为测试样本顺序编号,可发现第一类中有三个误判为第二类;第二类极易误判为第三类,其中一个被误判为第四类;第三类中有四个被误判为第二类,两个被误判为第四类;第四类中仅有一个被误判为第三类。

      模型
      Model
      第1类
      First
      第2类
      Second
      第3类
      Third
      第4类
      Fourth
      BP神经网络BPNN 100% 76% 88% 96%
      概率神经网络PNN 88% 68% 76% 96%

      表 3  四类幼穗分化期顶3叶氮素营养诊断识别准确率

      Table 3.  Identification accuracy of nitrogen diagnosis of the four sorts using the third leaf at the young panicle stage

      图  6  BP神经网络下氮素营养诊断识别准确率

      Figure 6.  Recognition accuracy of nitrogen nutrition diagnosis based on the BP neural network

      图  7  概率神经网络下氮素营养诊断识别准确率

      Figure 7.  Recognition accuracy of nitrogen nutrition diagnosis based on the PNN

      应用BP神经网络对幼穗分化期顶3叶的不同特征组合数据建立模型进行水稻氮素营养诊断,不同数量叶片和叶鞘特征组合下采用BPNN法进行氮素营养诊断整体识别:19项叶片和叶鞘特征识别准确率90%;13项叶片颜色和形态特征识别准确率85%;6项叶片颜色特征识别准确率77%;6项叶鞘颜色特征识别准确率69%;7项叶片形态特征识别准确率44%。可发现采用19项叶片和叶鞘特征参数作为模型输入时准确率最高,达90%,其次为13项叶片颜色和形态特征参数,同时,6项叶片颜色特征作为模型输入的准确率要高于6项叶鞘颜色特征,而7项叶片形态特征参数准确率最低,仅44%。说明对于氮素营养诊断,叶片颜色特征最为重要,颜色特征重要性要高于形态特征,并且叶鞘颜色特征能够提升其准确率。

    • 本课题组前期研究中应用图像处理获取水稻叶片几何参数,与实际数值相比,叶片面积计算误差小于5%,长宽误差小于0.67%[32],说明图像处理应用于水稻叶片几何参数获取是可行的。同时水稻产量和品质受品种遗传特性和环境条件的综合影响[33]。在诸多环境因子中,肥料是重要影响因素之一,其中氮素是水稻正常生长的必需营养元素。近年来由于高产品种推广及肥料大量使用,稻谷产量大幅提升,稻米品质却未显著改善,肥料利用率也呈下降趋势[34]。因此,对于施氮量的管理极为重要,对氮素营养进行快速准确诊断识别能够有效指导施氮。部分前人研究只涉及单一日期或是某一时间段内水稻营养元素分类识别,未涉及某几个具体的水稻生育期。本研究中分别对水稻幼穗分化期、齐穗期两个时期内的顶1叶、顶2叶、顶3叶进行氮素营养诊断识别,发现幼穗分化期顶3叶在四个氮素营养水平下特征区分度最大,最易于进行诊断识别,这与拔节期水稻叶片中的顶3叶最能体现其氮素营养状况相似。同时关于幼穗分化期准确率均高于齐穗期水稻,可能是由于超级杂交稻生育后期易出现早衰现象,叶片氮含量快速衰减,不易于进行区分识别[35]。本研究中应用BP神经网络对两个时期的水稻进行氮素营养诊断识别,识别准确率从高至低均是顶3叶、顶2叶、顶1叶,这与陈利苏对氮素营养诊断识别的结果一致[8]。顾清等进行水稻氮素营养诊断,其中第四类难以识别[15],本研究中应用BP神经网络对幼穗分化期顶3叶数据进行氮素营养诊断识别研究,第一类与第四类可得到很好识别,但其中第二类易误识别为第三类,说明第二类与第三类之间特征相似程度较大不易于区分。

      本研究中单独采用叶片特征或是叶鞘特征参数作为模型输入参数,其识别准确率均下降,采用包含叶色及叶形的19项特征作为氮素营养诊断模型输入参数,维数偏多,但获取速度快、易于获取。本研究应用BP神经网络和概率神经网络对水稻特征数据进行水稻氮素营养诊断识别,由表2可发现幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断,BP神经网络诊断识别效果更佳。

      本研究仅进行了一年一个水稻品种试验,在接下来的研究中,还需增加供试品种,建立不同年限不同时期的水稻植株特征数据库,对模型输入参数进行参数降维和参数优化,同时对非破坏性水稻参数的测量获取进行相关研究,以便建立更具通用性与实用性的水稻氮素营养诊断识别模型,并利用水稻植株的其他参数,如植株冠层面积等与水稻氮素营养水平之间做相关研究,为农学研究和高产栽培提供可靠依据。

    • 1) 应用图像处理方法可快速无损地获取水稻特征数据,与人工测定相比,其计算获取的水稻叶片长度误差为0~0.9 cm,叶片最大宽度误差仅为0~0.2 cm,可完全替代人工测量。

      2) 幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。

      3) 识别效果BP神经网络分类好于概率神经网络方法,其整体识别准确率达90%。

      4) 19项特征参数中,叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。

参考文献 (35)

目录

    /

    返回文章
    返回