基于卷积神经网络的水稻氮素营养诊断

为了快速、准确诊断和识别水稻氮素胁迫程度,对水稻进行大田栽培试验。以超级水稻‘两优培九’为试验对象,设置0、210、300和390 kg·hm^-2共4个施氮水平处理,通过扫描采集幼穗分化期和齐穗期水稻顶1、顶2、顶3叶图像,在卷积神经网络(convolutional neural network,CNN)ResNet34的每个残差块中加入SE block(squeeze-and-excitation block)模块,并将在图像数据集ImageNet(ImageNet large scale visual recognition challenge)上训练得到的权重参数迁移到水稻氮素营养诊断的识别模型中,ResNet34的特征提取层保持原结构,模型结尾的池化层替换为全局平均池化层,利用改进后的网络对水稻图像进行特征提取,训练得到最优的权重参数。结果表明,改进后的网络对水稻幼穗分化期的模型测试准确率达到98.13%,齐穗期的准确率达到99.46%,且模型的收敛速度更快,相比于改进前的网络准确率均提升了7%以上。以上结果表明,通过在ResNet34残差块中加入SE b...     

基于自适应特征融合的水稻氮素营养诊断

为了快速准确地对水稻进行氮素营养诊断,提出一种基于自适应特征融合的水稻氮素营养诊断方法。该方法通过对杂交稻两优培九进行田间试验,设置4组不同的氮肥梯度(施氮量分别为0、210、300、390 kg/hm²),扫描获取水稻叶片图像并进行数据预处理,构建基于自适应特征融合的水稻氮素营养诊断模型ResNet34-AFF-SE。使用构建的ResNet34-AFF-SE模型对水稻叶片进行氮素营养诊断,结果表明,在水稻生长的幼穗分化期、齐穗期,ResNet34-AFF-SE的识别准确率为97.5%、97.2%,模型大小为87.9 MB。ResNet34-AFF-SE模型在准确率和训练时间上优于AlexNet、VGG16、MobilNet v3-small等网络模型。基于自适应特征融合的水稻氮素营养诊断方法所建立的ResNet34-AFF-SE模型具有较高的识别准确率,可以精准地识别水稻叶片的氮素营养状况,为水稻作物的氮素营养诊断提供了新的思路。     

基于改进的VGG16网络和迁移学习的水稻氮素营养诊断

为实现水稻氮素营养的快速、准确识别,采用改进的VGG 16网络和迁移学习相结合的水稻氮素营养诊断识别方法,以杂交稻‘两优培九’为试验对象进行田间试验,设置4组不同的施氮水平(施氮量分别为0、210、300和390 kg/hm²),在水稻幼穗分化期和齐穗期,扫描获取水稻叶片图像数据;通过图像预处理方法,对数据进行扩充;构建改进的VGG16和迁移学习相结合的网络模型对水稻叶片图像数据进行氮素营养诊断识别。结果表明：1)在幼穗分化期时,改进的VGG16网络的识别准确率为93.1%,模型大小约为迁移学习VGG16模型的1/6,训练时间约为1 261 s。2)在水稻幼穗分化期和齐穗期,该模型微调后的识别准确率均能达到95%以上。基于迁移学习和改进的VGG16网络所建立的水稻氮素营养诊断模型具有较好的泛化能力,可以预测水稻氮素营养状况,为水稻氮素营养诊断提供参考。     

基于Stacking集成卷积神经网络的水稻氮素营养诊断

【目的】为实现水稻氮素营养状况的快速、准确诊断,提出了基于集成卷积神经网络的水稻氮素营养诊断模型,为建立高性能的氮素营养诊断模型提供思路和方法。【方法】水稻田间试验以超级杂交水稻‘两优培九’为材料,设置4个施氮水平(0、210、300、390 kg/hm²)。扫描获取水稻幼穗分化期顶部3片完全展开叶的叶片图像,将图像裁剪至只包含叶尖片段的图像,进行水稻叶片图像数据采集。分别以单一卷积神经网络模型DenseNet121、ResNet50、InceptionResNet V2为基学习器,多层感知机(MLP)为元学习器,集成卷积神经网络模型,比较了集成模型与单一卷积神经网络模型以及不同基学习器组成的集成模型的氮素营养诊断结果。【结果】4个单一模型中,DenseNet121的氮素诊断准确率最高,为96.41%。二元集成模型和三元集成模型的准确率均高于任意一个单一模型的准确率,由3个基学习器组成的集成模型的准确率最高,达到98.10%,相比准确率最高的单一模型准确率提高了1.69个百分点。【结论】采用DenseNet、ResNet50、InceptionResNet V2集...