關(guān)海鷗，李佳朋，馬曉丹，，杜松懷，焦 峰

(1 黑龍江八一農(nóng)墾大學(xué) a 信息技術(shù)學(xué)院，b 農(nóng)學(xué)院，黑龍江 大慶 163319；2 中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京 100083)

?

基于冠層顏色特征的大豆缺素癥狀識別研究

關(guān)海鷗1a，李佳朋1a，馬曉丹1a，2，杜松懷2，焦 峰1b

(1 黑龍江八一農(nóng)墾大學(xué) a 信息技術(shù)學(xué)院，b 農(nóng)學(xué)院，黑龍江 大慶 163319；2 中國農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，北京 100083)

【目的】 針對寒地大豆發(fā)生缺素癥狀時冠層顏色變化復(fù)雜性，建立基于冠層圖像顏色特征的大豆缺素癥狀識別新方法?！痉椒ā?采用無土盆栽試驗，以墾農(nóng)18為供試大豆品種，設(shè)計缺氮、缺磷、缺鉀3種營養(yǎng)狀況，采集大豆缺素癥狀的冠層圖像樣本，利用圖像灰度直方圖結(jié)合主成分分析方法,提取大豆冠層圖像的紅光值R、綠光值G、藍光值B，計算最佳顏色特征藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B)，將其作為正則化模糊神經(jīng)網(wǎng)絡(luò)輸入向量，并利用實數(shù)編碼的遺傳算法改進傳統(tǒng)梯度下降學(xué)習(xí)算法，將其作為模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，同時應(yīng)用傳統(tǒng)梯度下降算法和改進梯度下降算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)并比較?！窘Y(jié)果】 應(yīng)用遺傳計算改進的梯度下降學(xué)習(xí)算法計算時，迭代次數(shù)為277次，其各項計算指標均明顯優(yōu)于傳統(tǒng)梯度下降算法，大豆缺素癥狀識別準確率達100%；而采用傳統(tǒng)的多元線性回歸方程和BP神經(jīng)網(wǎng)絡(luò)算法計算時，識別準確率分別為52.50%，68.33%。【結(jié)論】 以大豆冠層圖像顏色特征為基礎(chǔ)，利用改進學(xué)習(xí)算法的神經(jīng)網(wǎng)絡(luò)模型，能夠快速有效地挖掘出大豆缺素癥狀與顏色特征向量之間的模糊邏輯映射關(guān)系，為大豆缺素癥狀識別提供了一種快速且準確的方法。

冠層圖像；顏色特征；大豆缺素癥狀；識別方法

農(nóng)作物在生長過程中，由于自然條件和人為操作等諸多因素常常影響其營養(yǎng)情況，進而影響農(nóng)產(chǎn)品的產(chǎn)量、質(zhì)量以及高效益農(nóng)業(yè)的可持續(xù)發(fā)展[1-2]。農(nóng)作物營養(yǎng)狀況的變化可較大程度地從植株冠層的顏色變化表現(xiàn)出來[3]，國內(nèi)外學(xué)者利用數(shù)字圖像技術(shù)結(jié)合模式識別在農(nóng)業(yè)信息處理研究中取得了諸多成果[2-7]。黃山等[4]研究了大豆不同生育時期葉綠素密度及其冠層光譜特征，用比值植被指數(shù)構(gòu)建了葉綠素密度二次估測模型。尚艷等[8]通過分析不同生育期及整個生育期小麥葉片氮含量與冠層光譜反射特征的關(guān)系，建立了小麥葉片氮含量的最佳模型，實現(xiàn)了對田間小麥活體氮素營養(yǎng)狀況的監(jiān)測。袁道軍等[9]通過數(shù)碼相機采集自然光照下的油菜圖像，利用圖像分析及逐步回歸方法，建立了冠層顏色值反演葉綠素、全氮含量及碳氮比的模型。Adamsen等[10]利用數(shù)碼相機獲取了冬小麥的冠層圖像并通過對圖像處理分析，確定了冠層圖像綠光與紅光的比值(G/R)與葉綠素儀讀數(shù)及葉面積指數(shù)極顯著相關(guān)。朱虹等[11]和陳佳悅等[12]通過小麥冠層圖像的顏色特征，構(gòu)建了基于數(shù)字圖像處理技術(shù)的冬小麥氮營養(yǎng)水平評價方法。Gautam等[13]通過航拍圖像提取圖像特征，輸入徑向基人工神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了玉米葉片氮含量的測定。關(guān)海鷗等[14]利用正則模糊神經(jīng)網(wǎng)絡(luò)及多顏色空間的多維特征參數(shù)，解決了農(nóng)作物植株的單葉及冠層圖像與缺素癥狀之間的模糊映射關(guān)系。以上研究均采用不同技術(shù)將機器視覺獲取的數(shù)字圖像特征與作物生長時營養(yǎng)狀況聯(lián)系起來進行分析，但關(guān)于在自然條件下應(yīng)用冠層顏色特征，自動快速判別寒地大豆缺素癥狀的研究尚鮮見報道。本研究針對寒地大豆發(fā)生缺素癥狀時冠層顏色特征空間的復(fù)雜性，利用機器視覺技術(shù)和智能信息處理技術(shù)選取最優(yōu)顏色特征向量，避免不同顏色空間轉(zhuǎn)換和特征計算時復(fù)雜耗時的缺陷，利用改進的正則模糊神經(jīng)網(wǎng)絡(luò)挖掘大豆缺素癥狀與葉片顏色特征之間簡捷有效的映射關(guān)系，為科學(xué)合理地補充或調(diào)整大豆的營養(yǎng)元素提供依據(jù)。

1 寒地大豆缺素癥狀冠層圖像樣本的獲取

由實際栽培試驗結(jié)果可知，大豆發(fā)生缺素癥狀時在冠層顏色上有所反映，其葉片的顏色特征會產(chǎn)生較明顯的變化[15]，因此冠層顏色特征對于大豆缺素癥狀初期的識別起著很重要的作用。本研究以無土栽培條件(江砂培養(yǎng))下不同營養(yǎng)水平產(chǎn)生缺素癥狀的大豆植株為對象，大豆品種為墾農(nóng)18，設(shè)計缺氮、缺磷以及缺鉀3種營養(yǎng)狀況進行栽培，整個大豆生育期全程置于玻璃防雨棚內(nèi)進行，以防止雨水淋入。在自然光照下采用固定模式采集研究對象，即采用DSLR-α350數(shù)碼相機，在光強及物距不變的情況下，垂直拍攝大豆缺素癥狀的冠層圖像，確保圖像真實、清晰、受干擾噪聲小。最終獲取具有缺氮、缺磷以及缺鉀3種缺素癥狀圖像(圖1)，共計300幅大豆缺素癥狀的冠層圖像樣本。

A.缺磷；B.缺氮；C.缺鉀

圖 1 缺素大豆冠層圖像

Fig.1 Images of soybean canopy with nutrient deficiency

2 大豆冠層圖像色彩特征參數(shù)提取

大豆冠層圖像顏色信息可以反映其生長發(fā)育的營養(yǎng)狀況，提取和篩選大豆主要生育時期冠層的顏色特征，對于深入判別和監(jiān)測其健康狀況有著重要作用。利用文獻[16]提供的遺傳模糊神經(jīng)網(wǎng)絡(luò)植物圖像分割模型，自動獲取采集的大豆冠層圖像樣本的去背景和干擾的目標圖像，并計算其數(shù)字圖像的灰度直方圖，結(jié)果如圖2所示。

圖 2 缺素大豆冠層目標圖像灰度直方圖

圖2中大豆冠層目標圖像的灰度直方圖亮度偏高，3種缺素癥狀圖像中每一種灰度值出現(xiàn)頻率統(tǒng)計值不同。由于大豆冠層圖像去掉了背景和干擾，構(gòu)成直方圖的顏色空間信息可反映大豆的營養(yǎng)狀況信息。同時考慮目前農(nóng)作物冠層圖像的采集裝置和處理設(shè)備通常采用RGB色彩系統(tǒng)，為了可以更好發(fā)揮機器視覺色彩空間在大豆缺素癥狀識別中的優(yōu)勢，以應(yīng)用圖像處理方法獲取的紅光值R、綠光值G以及藍光值B為基礎(chǔ)。通過顏色系統(tǒng)中三原色參數(shù)的組合運算，同時參考此類研究所選擇的色彩參數(shù)，研究中選取紅光值R、綠光值G、藍光值B、綠光與紅光比值G/R、綠光與藍光比值G/B、紅光與藍光比值R/B、紅光標準化值R/(R+G+B)、綠光標準化值G/(R+G+B)、藍光標準化值B/(R+G+B)等9種色彩參數(shù)對其與大豆缺素癥狀的相關(guān)性進行分析。依據(jù)文獻[7]中的結(jié)合數(shù)值圖像處理方法，計算具有缺氮、缺磷以及缺鉀3種癥狀的大豆植株冠層的9種色彩參數(shù)值，結(jié)果如表1所示。

表 1 大豆缺素癥狀冠層圖像色彩參數(shù)值

表1中大豆缺素癥狀的植株冠層圖像的色彩特征參數(shù)，能夠作為其生長發(fā)育的營養(yǎng)狀況指標。由于選取的色彩空間中顏色特征參數(shù)較多，對于大豆營養(yǎng)健康狀況判定的影響權(quán)重各不相同。為獲取大豆缺素癥狀診斷的最佳特征參數(shù)，可應(yīng)用文獻[17]的主成分分析方法確定參數(shù)指標的權(quán)重。研究中選取圖1所示具有缺氮、缺磷以及缺鉀癥狀的大豆冠層圖像共300幅，計算其顏色特征參數(shù)并進行主成分分析，以大豆缺素癥狀冠層圖像色彩參數(shù)值為數(shù)據(jù)基礎(chǔ)，計算各個主成分貢獻率，結(jié)果如圖3所示。

圖 3 大豆缺素癥狀冠層色彩參數(shù)的主成分分析

圖3中各主成分的貢獻率為0～56.11%，其中第1和第2主成分的累計貢獻率高達90.12%，并且二者特征根分別為5.050 21和3.060 85，均大于1，因此確定選取前2個主成分計算缺氮、缺磷以及缺鉀3種癥狀的大豆冠層的9種色彩參數(shù)值，再選取2個主成分載荷矩陣(3個缺素處理的平均值，表2)，計算9個色彩參數(shù)的貢獻值。

表 2 大豆缺素癥狀冠層色彩參數(shù)的前2個主成分荷載矩陣

計算可知，大豆冠層缺素癥狀9種色彩特征參數(shù)值R、G、B、G/R、G/B、R/B、R/(R+G+B)、G/(R+G+B)、B/(R+G+B)對應(yīng)2個主成分的貢獻值依次為0.957 89，0.799 93，0.731 26，0.875 07，0.995 48，0.974 99，0.844 26，0.948 71和0.983 62；其中，第1主成分與B/(R+G+B)呈最大正相關(guān)，與R/B呈最大負相關(guān)；第2主成分與G/(R+G+B)呈最大正相關(guān)，與B呈最大負相關(guān)(表2)。由于與2個主成分正相關(guān)的2個顏色特征都與綠光值G及藍光值B的標準化值關(guān)系顯著，具有負相關(guān)的2個顏色特征也涉及紅光值R及藍光值B。因此綜合考慮選取涵蓋色彩較多且與2個主成分呈正相關(guān)的色彩參數(shù)，即藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B)，作為大豆缺氮、缺磷及缺鉀癥狀的植株冠層圖像的2個顏色特征。

3 大豆缺素癥狀的識別方法

3.1 大豆缺素癥狀識別的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

大豆缺素癥狀識別與其冠層顏色特征之間存在著復(fù)雜且模糊的關(guān)系，不能應(yīng)用定量精確的數(shù)學(xué)表達式進行描述。依據(jù)文獻[14]，采用模糊邏輯來完善智能系統(tǒng)分析和設(shè)計過程中自上向下的推理機制，同時利用神經(jīng)元網(wǎng)絡(luò)自下向上地來改進和完善智能系統(tǒng)的學(xué)習(xí)過程，利用提取2維顏色特征簡化網(wǎng)絡(luò)結(jié)構(gòu)輸入向量，從而建立一種基于冠層圖像顏色特征的正則模糊神經(jīng)網(wǎng)絡(luò)，作為大豆缺素癥狀識別決策模型。該網(wǎng)絡(luò)包括輸入層、模糊化層、正則化層、規(guī)則層以及輸出層，其中輸入層為大豆冠層圖像顏色特征，即藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B)，該層具有2個節(jié)點；模糊化層是利用隸屬度函數(shù)將輸入層的2個顏色特征模糊化為3個等級，可得該層為6個節(jié)點；正則化層是利用正則化表達式對模糊層的輸出進行正則計算，與模糊化層節(jié)點數(shù)相同，均為6個節(jié)點；規(guī)則層是將該網(wǎng)絡(luò)正規(guī)化節(jié)點和規(guī)則層節(jié)點連接起來，連接規(guī)則的運算節(jié)點滿足輸入節(jié)點正則化集合的笛卡兒積形式的元素項，計算可知該層為9個節(jié)點；輸出層為大豆缺素癥狀數(shù)字化編碼，即缺氮、缺磷、缺鉀分別表示為-1，0及1，該層為1個節(jié)點，因此可以確定了大豆缺素癥狀識別的正則模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2-6-6-9-1型。該網(wǎng)絡(luò)前向輸出時通過高斯隸屬度函數(shù)對輸入層進行模糊化處理，利用乘積推理規(guī)則計算規(guī)則權(quán)重，并采用中心平均反模糊化方法計算網(wǎng)絡(luò)輸出，網(wǎng)絡(luò)輸出的計算公式如下：

(1)

式中：y為網(wǎng)絡(luò)計算輸出;bk為輸出層連接權(quán)值;μij為高斯隸屬度函數(shù)的模糊集合;cij為模糊化中心;σij為寬度方差;xi為輸入顏色特征;i=1,2;j=1,2,3;k=1,2,…,9。

3.2 大豆缺素癥狀識別的模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

大豆缺素癥狀識別的模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)是模糊化中心、寬度方差及輸出層的連接權(quán)值[18]，應(yīng)用傳統(tǒng)梯度下降學(xué)習(xí)算法[19]調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)。誤差函數(shù)E定義為：

(2)

式中：P為樣本數(shù)量，d為期望輸出值。

則模糊神經(jīng)網(wǎng)絡(luò)參數(shù)cij、σij及bk在第t次調(diào)整時，其修正值Δcij(t)、Δσij(t)及Δbk(t)的調(diào)整規(guī)則為：

(3)

式中：η為學(xué)習(xí)速度，α為慣性系數(shù)，E為誤差函數(shù)，t為調(diào)整次數(shù)。

為避免傳統(tǒng)梯度下降算法易使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程陷入局部極小的缺陷，利用實數(shù)編碼的遺傳算法具有全局搜索的優(yōu)勢，改進了模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。將大豆缺素癥狀識別的神經(jīng)網(wǎng)絡(luò)的可調(diào)整參數(shù)，作為遺傳算法的染色體編碼。由神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可知模糊層隸屬度函數(shù)為6個，每個函數(shù)有2個參數(shù)，規(guī)則層到輸出層權(quán)值9個，所以染色體長度應(yīng)為21個基因。將網(wǎng)絡(luò)輸出目標與適應(yīng)度函數(shù)相結(jié)合，可定義第i個體的評價函數(shù)為：

(4)

式中：p(i)為評價函數(shù)，f(i)為個體適應(yīng)度函數(shù)，E(i)為神經(jīng)網(wǎng)絡(luò)輸出誤差。

在實際栽培試驗獲取的300幅圖像中，選擇180幅大豆缺素癥狀的冠層圖像，計算藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B)，作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本。同時設(shè)定網(wǎng)絡(luò)學(xué)習(xí)參數(shù)為：遺傳算法的染色體編碼長度21個基因，給定種群規(guī)模50個染色體，遺傳代數(shù)100代，學(xué)習(xí)精度0.001，學(xué)習(xí)速度0.8，慣性系數(shù)0.5，最大學(xué)習(xí)次數(shù)40 000。不同學(xué)習(xí)算法精度誤差的收斂曲線如圖4所示。

圖 4 不同學(xué)習(xí)算法精度誤差收斂曲線的比較

從圖4學(xué)習(xí)誤差收斂曲線效果可知，傳統(tǒng)梯度下降學(xué)習(xí)算法的迭代次數(shù)為8 907次，滿足精度誤差為0.000 999 46；利用改進梯度下降學(xué)習(xí)算法的迭代次數(shù)為277次，滿足精度誤差為0.000 996 91，而且在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中，誤差收斂曲線都很穩(wěn)定，并且符合誤差限制要求。其中改進梯度下降學(xué)習(xí)算法的誤差收斂曲線，其下降陡度變化較小且平滑，因此可以確定獲得了一種快速有效的學(xué)習(xí)方法。

4 仿真結(jié)果與分析

在實際栽培試驗獲取的300幅圖像中，選取其余120幅大豆冠層圖像，計算對應(yīng)藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B)，作為神經(jīng)網(wǎng)絡(luò)的仿真驗證樣本數(shù)據(jù)。利用訓(xùn)練好且具有確定參數(shù)的大豆缺素癥狀的模糊神經(jīng)網(wǎng)絡(luò)模型，對大豆缺氮、缺磷及缺鉀3種不同營養(yǎng)狀況的冠層圖像進行診斷，大豆缺素癥狀的診斷結(jié)果如表3所示。 從表3中的診斷效果可知，基于大豆冠層圖像得到了藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B)顏色特征，將其作為正則化模糊神經(jīng)網(wǎng)絡(luò)輸入向量，實現(xiàn)大豆缺素癥狀識別準確率達到100%，并且網(wǎng)絡(luò)模型誤差較小。在研究過程中采用180幅大豆缺素癥狀的冠層圖像樣本，以其藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B)顏色特征作為基礎(chǔ)，分別利用傳統(tǒng)的多元線性回歸方程和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，建立相對應(yīng)大豆缺素癥狀的識別模型。通過120幅大豆缺素癥狀的冠層圖像，計算相應(yīng)的顏色特征進行診斷驗證，其中用傳統(tǒng)的多元線性回歸方程對大豆缺素癥狀診斷時識別出現(xiàn)了57處錯誤結(jié)果，準確率為52.50%；用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)時出現(xiàn)了38處錯誤結(jié)果，準確率為68.33%，因此，基于大豆冠層圖像顏色特征的正則模糊神經(jīng)網(wǎng)絡(luò)是一種較為理想的大豆缺素癥狀識別模型。

表 3 基于改進模糊神經(jīng)網(wǎng)絡(luò)的大豆缺素癥狀的診斷結(jié)果

5 結(jié) 論

本研究利用大豆生長缺素癥狀和冠層葉面圖像顏色特征的主導(dǎo)因素，采用機器視覺技術(shù)和智能信息處理技術(shù)相結(jié)合，通過去掉大豆冠層背景及干擾的目標圖像，利用圖像灰度直方圖結(jié)合主成分分析方法，提取大豆冠層數(shù)字圖像的最佳顏色特征，即藍光標準化值B/(R+G+B)和綠光標準化值G/(R+G+B)，這兩個色彩特征可以對大豆營養(yǎng)水平進行識別，簡化了網(wǎng)絡(luò)結(jié)構(gòu)，減小了識別過程的計算量，提高了計算效率；提出了應(yīng)用實數(shù)編碼的遺傳算法改進模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，能夠快速有效地通過專家先驗知識和實驗數(shù)據(jù)樣本集，自動獲取了大豆缺素癥狀識別中兩種色彩特征的全規(guī)則模糊邏輯推理規(guī)律，并能夠通過文中提供的計算方法自動獲得網(wǎng)絡(luò)各層節(jié)點數(shù)，實現(xiàn)了簡單、自動、實時、準確、高效的自適應(yīng)的大豆營養(yǎng)診斷。

[1]Lukina E,Stone M,Raun W.Estimating vegetation coverage in wheat using digital images [J].Plant Nutri,1999,22(2):341-350.

[2]劉紅玉,毛罕平,朱文靜,等.基于高光譜的番茄氮磷鉀營養(yǎng)水平快速診斷 [J].農(nóng)業(yè)工程學(xué)報，2015，31(S1)：212-220.

Liu H Y,Mao H P,Zhu W J,et al.Rapid diagnosis of tomato N-P-K nutrition level based on hyper spectral technology [J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(S1):212-220.

[3]張 偉,毛罕平,李萍萍,等.基于計算機圖像處理技術(shù)的作物缺素判別的研究 [J].計算機應(yīng)用與軟件,2004,21(2):50-51,119.

Zhang W,Mao H P,Li P P,et al.Research on diagnosing plant nutrient deficiency based on computer image processing technology [J].Computer Application and Software,2004,21(2):50-51,119.

[4]黃 山,楊 峰,張 勇,等.凈套作下大豆葉綠素密度動態(tài)及光譜估測研究 [J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版),2016,44(5):29-37.

Huang S,Yang F,Zhang Y,et al.Estimating chlorophyll density of soybean under monoculture and relay intercropping by hyper spectral remote sending [J].Journal of Northwest A&F University(Nat Sci Ed),2016,44(5):29-37.

[5]張 冬,劉俊焱,薛聯(lián)鳳,等.基于NCSPSO-AFSA優(yōu)化SVM的林木冠層圖像分割 [J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版),2016,44(3):118-124.

Zhang D,Liu J Y,Xue L F,et al.Segmentation of forest canopy image based on NCSPSO-AFSA optimized SVM [J].Journal of Northwest A&F University (Nat Sci Ed),2016,44(3):118-124.

[6]張星龍,馮 全,楊 梅,等. 基于光源不變圖和聚類算法的葉片陰影中病斑的分割 [J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版),2015,43(1):189-194,203.

Zhang X L,Feng Q,Yang M,et al.Segmentation of shaded plant lesions using illuminant invariant image and clustering algorithm [J].Journal of Northwest A&F University(Nat Sci Ed),2015,43(1):189-194，203.

[7]何 勇,彭繼宇,劉 飛,等.基于光譜和成像技術(shù)的作物養(yǎng)分生理信息快速檢測研究進展 [J].農(nóng)業(yè)工程學(xué)報,2015,31(3):174-189.

He Y,Peng J Y,Liu F,et al.Critical review of fast detection of crop nutrient and physiological information with spectraland imaging technology [J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(3):174-189.

[8]尚 艷,常慶瑞,劉秀英,等.關(guān)中地區(qū)小麥冠層光譜與氮素的定量關(guān)系 [J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版),2016,44(5):38-44,54.

Shang Y,Chang Q R,Liu X Y,et al.Quantitative relationship between wheat canopy spectrum and mitrogen in Guanzhong area [J].Journal of Northwest A&F University(Nat Sci Ed),2016,44(5):38-44，54.

[9]袁道軍,劉安國,原保忠,等.基于計算機視覺技術(shù)的油菜冠層營養(yǎng)信息監(jiān)測 [J].農(nóng)業(yè)工程學(xué)報,2009,25(12):174-179.

Yuan D J,Liu A G,Yuan B Z,et al.Nutrition information extraction of rape canopy based on computer-vision technology [J].Transaction of the CSAE,2009,25(12):174-179.

[10]Adamsen F J,Paul J P,Barnes J E M,et al.Measuring wheat senescence with a digital camera [J].Crop Science,1999,39(3):719-724.

[11]朱 虹,鄭麗敏,尹健玲,等.基于冠層圖像顏色特征提取的小麥氮營養(yǎng)水平評價 [J].農(nóng)業(yè)工程學(xué)報,2010,26(S2):16-20.

Zhu H,Zheng L M,Yin J L,et al.Nitrogen evaluation of winter wheat based on color features of canopy images [J].Transactions of the CSAE,2010,26(S2):16-20.

[12]陳佳悅,姚 霞,黃 芬,等.基于圖像處理的冬小麥氮素監(jiān)測模型 [J].農(nóng)業(yè)工程學(xué)報,2016,32(4):163-170.

Chen J Y,Yao X,Huang F,et al.N status monitoring model in winter wheatbased on image processing [J].Transactions of the CSAE,2016,32(4):163-170.

[13]Gautam R K,Panigrahi S.Leaf nitrogen determination of corn plant using aerial images and artificial neural networks [J].Canadian Biosystems Enginering,2007,49(7):1-9.

[14]關(guān)海鷗,衣淑娟,焦 峰,等.農(nóng)作物缺素癥狀診斷的正則化模糊神經(jīng)網(wǎng)絡(luò)模型 [J].農(nóng)業(yè)機械學(xué)報,2012,43(5):162-167,156.

Guan H O,Yi S J,Jiao F,et al.Diagnosis model of crop nutrient deficiency symptoms based on regularized adaptive fuzzy neural network [J].Transactions of the Chinese Society for Agricultural Machinery,2012,43(5):162-167,156.

[15]曾秀成,王文明,羅敏娜,等.缺素培養(yǎng)對大豆營養(yǎng)生長和根系形態(tài)的影響 [J].植物營養(yǎng)與肥料學(xué)報2010,16(4):1032-1036.

Zeng X C,Wang W M,Luo M N,et al.Effects of different element deficiencies on soybean growth and root morphology [J].Plant Nutrition and Fertilizer Science,2010,16(4):1032-1036.

[16]關(guān)海鷗,許少華,譚 峰.基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)在植物病害圖像分割中的應(yīng)用 [J].中國農(nóng)業(yè)大學(xué)學(xué)報,2011,16(3):145-149.

Guan H O,Xu S H,Tan F.Fuzzy neural network based on T-S model and its application on image segmentation of plant diseases [J].Journal of China Agricultural University,2011,16(3):145-149.

[17]韓小孩,張耀輝,孫福軍,等.基于主成分分析的指標權(quán)重確定方法 [J].四川兵工學(xué)報,2012,33(10):124-126.

Han X H,Zhang Y H,Zhang F J,et al.Method of determining index weight based on principal component analysis [J].Journal of Sichuan Ordnance,2012,33(10):124-126.

[18]舒桂清,李 力,肖 平.基于多準則的多層模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 [J].安徽大學(xué)學(xué)報(自然科學(xué)版),2007,31(1):39-42.

Shu G Q,Li L,Xiao P.A multi-criteria learning method formulti-layer fuzzy neural networks [J].Journal of Anhui University(Natural Science Edition),2007,31(1):39-42.

[19]劉彩紅.BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究 [D].重慶:重慶師范大學(xué),2008.

Liu C H.The study of algorithm of BP neural network [J].Chongqing:Chongqing Normal University,2008.

Recognition of soybean nutrient deficiency based on color characteristics of canopy

GUAN Haiou1a，LI Jiapeng1a，MA Xiaodan1a,2，DU Songhuai2，JIAO Feng1b

(1 a College of Information Technology，b College of Agriculture,Heilongjiang Bayi Agricultural University，Daqing，Heilongjiang163319，China;2CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China)

【Objective】 Aiming at the complexity of color spatial characteristics of soybean canopy with nutrient deficiency in cold area,a new method based on canopy color characteristics was established to recognize the soybean nutrient deficiency.【Method】 Based on soilless potting,three nutrient conditions of nitrogen deficiency,phosphorus deficiency,and potassium deficiency were applied to soybean variety Kennong 18.Image histogram combined with principal component analysis method was used to extract standardization values of blueB/(R+G+B) and greenG/(R+G+B),which were used as vector bases of automatic reasoning for regularized fuzzy neural network.Then,gradient descent algorithm improved by genetic algorithm was adopted as neural network learning method,which was compared to traditional gradient descent algorithm in parameters of neural network.【Result】 The learning number of the established method was 277,other indexes are all better than that of tradition gradient descent algorithm the recognition accuracy rate was close to 100%,while the accuracy rate of traditional multiple linear regression equation and BP neural network are 52.50% and 68.33% respectirely.【Conclusion】 The relationship between nutrient deficiency of soybean and corresponding color characteristic vector can be extracted by the established method in this paper.It provides a new calculation method to recognize soybean nutrient deficiency fast and accurately.

canopy image;color characteristic;soybean nutrient deficiency;recognition method

時間:2016-10-20 16:36

10.13207/j.cnki.jnwafu.2016.12.019

2015-06-19

黑龍江省自然科學(xué)基金項目(QC2016031)；黑龍江省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目(1022320169433)；黑龍江省教育廳科學(xué)技術(shù)研究項目(12521375)

關(guān)海鷗(1980-)，男，黑龍江五常人，副教授，博士，主要從事農(nóng)業(yè)電氣化與自動化研究。E-mail：gho123@163.com

焦 峰(1980-)，男，黑龍江蘭西人，副研究員，博士，主要從事土壤學(xué)和作物營養(yǎng)生理研究。 E-mail:jiaofeng1980@163.com

TP391.41

A

1671-9387(2016)12-0136-07

網(wǎng)絡(luò)出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20161020.1636.038.html