周 瓊，楊紅云，楊 珺，孫玉婷，孫愛珍，楊文姬,

（1 江西農(nóng)業(yè)大學(xué)計算機與信息工程學(xué)院, 江西南昌 330045；2 江西農(nóng)業(yè)大學(xué)軟件學(xué)院, 江西南昌 330045；3 江西省高等學(xué)校農(nóng)業(yè)信息技術(shù)重點實驗室, 江西南昌 330045）

水稻栽培管理中，氮肥對糧食作物產(chǎn)量的貢獻(xiàn)率占50%左右[1]。精確施氮方式可以使水稻在生長過程中減少無效分蘗，提高有效成穗率，優(yōu)化群體結(jié)構(gòu)，改善田間植株生長狀況，同時減輕病蟲害的發(fā)生率，進(jìn)而促進(jìn)水稻終產(chǎn)量的形成[2]。近年來圖像處理技術(shù)被廣泛運用于農(nóng)業(yè)領(lǐng)域。李明等[3]采用圖像處理中的改進(jìn)動態(tài)閾值分割法提取圖像中的小麥葉面積并計算其葉面積指數(shù)，與真實面積值的絕對差值均小于0.1，效果佳；王樹文等[4]采用圖像處理獲取黃瓜葉部病斑區(qū)域并運用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行病害分類，平均識別精度達(dá)95.31%；張楠楠等[5]采用圖像處理對霉變玉米顆粒進(jìn)行檢測，其正確檢測率達(dá)87.5%以上；吳露露等[6]應(yīng)用圖像處理提取水稻稻瘟病病斑，其識別率達(dá)90.26%，效果較好。水稻營養(yǎng)狀況在葉片色彩、形態(tài)上均有所顯示[7-14]。水稻缺氮時，植株生長較緩慢，株體矮小，老葉褪綠同時葉尖出現(xiàn)焦黃[15]。水稻受氮脅迫時整株褪淡，葉柄莖桿呈淡黃或者橙黃色，嚴(yán)重缺乏時，葉鞘基部甚至變白[16]。孫棋[8]發(fā)現(xiàn)，拔節(jié)期水稻葉片中的頂3葉最能體現(xiàn)其氮素狀況，并應(yīng)用顏色參數(shù)建立回歸分析模型進(jìn)行氮素診斷。祝錦霞等[9-10]利用水稻拔節(jié)期頂3葉顏色特征數(shù)據(jù)及水稻冠層數(shù)據(jù)，建立了水稻氮素水平識別回歸模型。王遠(yuǎn)等[11]應(yīng)用水稻葉片顏色特征參數(shù)進(jìn)行回歸分析，發(fā)現(xiàn)采用孕穗期水稻葉片進(jìn)行氮素診斷效果最佳。劉江桓[12]應(yīng)用水稻葉片顏色特征參數(shù)進(jìn)行擬合分析，發(fā)現(xiàn)不同生育期水稻頂3葉可體現(xiàn)稻株的氮素含量。顧清等[13]應(yīng)用支持向量機，對水稻頂部第3完全展開葉片的黃化比例、葉尖G值、葉片面積三個特征值進(jìn)行氮素營養(yǎng)診斷，該特征組合對缺氮和正常氮素營養(yǎng)水平的識別準(zhǔn)確率均較高，對過量氮素營養(yǎng)水平的識別準(zhǔn)確率較低。以上研究結(jié)果均表明，水稻頂部三個葉片是進(jìn)行水稻氮素營養(yǎng)診斷的敏感部位。BP神經(jīng)網(wǎng)絡(luò) (error back propagation neural network, BPNN) 是一種誤差反向傳播算法的學(xué)習(xí)過程，被廣泛運用于模式識別、圖像處理、智能控制、故障檢測等領(lǐng)域[17-23]。概率神經(jīng)網(wǎng)絡(luò) (probabilistic neural network, PNN) 是由高斯函數(shù)為基函數(shù)來形成聯(lián)合概率密度分布的估計方法和貝葉斯決策理論而建立的一種神經(jīng)網(wǎng)絡(luò)，常用于解決模式識別分類問題，應(yīng)用廣泛[24-28]。同時文獻(xiàn)[29]發(fā)現(xiàn)超高產(chǎn)水稻在幼穗分化期、齊穗期對氮吸收利用高且積累速度快。目前關(guān)于水稻幼穗分化期、齊穗期的氮素營養(yǎng)診斷尚未見報道。

本研究采用圖像處理技術(shù)分別于幼穗分化期、齊穗期獲取頂部三個水稻葉片的19項顏色和形態(tài)特征，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)建立水稻氮素營養(yǎng)診斷模型。探尋能夠有效識別大田試驗水稻氮素營養(yǎng)狀況的水稻葉位、生育期及最佳識別參數(shù)，為利用計算機視覺技術(shù)快速準(zhǔn)確診斷作物生長營養(yǎng)狀況奠定理論和應(yīng)用基礎(chǔ)。

1 材料與方法

1.1 試驗原始數(shù)據(jù)

1.1.1 試驗地點 試驗于2017年在江西省南昌市成新農(nóng)場 (116°15’E，28°92’N) 進(jìn)行，土壤基本理化性質(zhì)為：pH值5.30、全氮1.40 g/kg、有機質(zhì)24.4 g/kg、有效磷12.7 mg/kg、速效鉀123 mg/kg[30]。

1.1.2 試驗設(shè)計 以超級雜交稻兩優(yōu)培九為試驗材料，以其高施氮量 (270 kg/hm2以上) 為基礎(chǔ)[31]，設(shè)4個施氮水平，分別為N 0、210、300和390 kg/hm2。小區(qū)隨機區(qū)組排列，小區(qū)面積30 m2，小區(qū)間筑土埂隔開，并用塑料薄膜覆蓋埂體，單灌單排，重復(fù)3次。氮肥按基肥∶分蘗肥∶穗肥4∶2∶4施用。鉀肥按分蘗肥∶穗肥7∶3施用，磷肥一次性做基肥施用。施肥區(qū)磷、鉀肥用量相等，即P2O5225 kg/hm2、K2O 300 kg/hm2。供試肥料分別為尿素 (含N 46%)、鈣鎂磷肥 (含P2O512%) 和氯化鉀 (含K2O 60%)。5月25日播種，6月14日移栽。栽插密度為13.3 cm ×26.6 cm，人工移栽，其他按常規(guī)高產(chǎn)栽培要求進(jìn)行。

1.1.3 水稻圖像獲取 本研究中所用水稻圖像通過MICROTEK掃描儀 (型號MRS-9600TFU2L，分辨率600 ppi) 于水稻幼穗分化期 (2017年7月24日)、齊穗期 (2017年8月23日) 分兩次掃描獲取，每次掃描獲取960張，共計1920張2515 × 3997像素水稻圖像。其中每個時期水稻頂一葉、頂二葉、頂三葉圖像均為320張 (葉片圖像中包含對應(yīng)葉鞘圖像)，每一張水稻圖像視為一組水稻數(shù)據(jù)。

圖1 通道圖像對比圖Fig. 1 Contrastive chart of channel images

1.2 水稻特征數(shù)據(jù)

1.2.1 特征選取 水稻葉片表觀特征參數(shù)包括周長、面積、葉長、葉寬、面積周長比、面積長度比、偏心率。顏色特征參數(shù) 包括每個葉片和葉鞘的六個彩色空間分量 (R、G、B、H、S、I)。

1.2.2 水稻圖像處理 圖像處理采用MATLAB R2014a編程實現(xiàn)。將掃描儀獲取的RGB彩色圖像轉(zhuǎn)換為HSV圖像，通過對R、G、B、H、S、V六個彩色空間分量通道圖像進(jìn)行對比，如圖1所示。發(fā)現(xiàn)H通道下水稻葉片與背景區(qū)分度最大，故采用H通道圖像作為目標(biāo)圖像。對H通道圖像采用“閾值法”轉(zhuǎn)化為二值圖像，其中閾值設(shè)置為0.3，為方便后續(xù)處理將圖像進(jìn)行色彩反轉(zhuǎn)，然后分別采用imfill函數(shù)和bwareaopen函數(shù)去除水稻葉片及圖像背景中的小面積干擾區(qū)域，如圖2所示。

對于水稻顏色特征，應(yīng)用cat函數(shù)將去除干擾物后圖像與原圖像進(jìn)行點乘操作獲取黑色背景的水稻圖像。采用bwlabel函數(shù)進(jìn)行連通域標(biāo)記，應(yīng)用regionprops函數(shù)確定葉鞘及葉片對應(yīng)位置，將水稻圖像分割為水稻葉片圖像及水稻葉鞘圖像，如圖3所示。同時將圖像轉(zhuǎn)換為HSI顏色空間圖像，然后分別對水稻葉片圖像和水稻葉鞘圖像進(jìn)行R、G、B、H、S、I均值計算。

對于水稻形態(tài)特征，采用8個方形參照物 (實際邊長為2.5 cm) 作為水稻葉片形態(tài)特征參數(shù)的計算參照，分別對水稻葉片圖像和參照物圖像進(jìn)行最小外接矩形劃定，如圖4所示。其中水稻葉片長度、最大寬度、周長、面積參數(shù)分別根據(jù)下列公式 (1)、(2)、(3)、(4) 計算求得。

水稻葉片長度 = (葉片1最小外接矩形長度所占像素數(shù) + 葉片2最小外接矩形長度所占像素數(shù)) ×8個方形參照物實際總周長/8個方形參照物總長度所占像素數(shù) (1)

水稻葉片最大寬度 = MAX (葉片1最小外接矩形寬度所占像素數(shù) + 葉片2最小外接矩形寬度所占像素數(shù)) × 8個方形參照物實際總周長/8個方形參照物總周長所占像素數(shù) (2)

水稻葉片周長 = (葉片1邊緣所占像素數(shù)之和 +葉片2邊緣所占像素數(shù)之和 - 葉片1最小外接矩形寬度所占像素數(shù) - 葉片2最小外接矩形寬度所占像素數(shù)) × 8個方形參照物實際總周長/8個方形參照物總周長所占像素數(shù) (3)

水稻葉片面積 = (葉片1所占像素數(shù) + 葉片2所占像素數(shù)) × 8個方形參照物實際總面積/8個方形參照物總面積所占像素數(shù) (4)

圖2 去除雜質(zhì)圖Fig. 2 Chart of removing interferences

圖3 黑色背景圖Fig. 3 Black background chart

圖4 最小外接矩形圖Fig. 4 Chart of the smallest external rectangle

1.3 建立水稻氮素營養(yǎng)診斷模型

本研究中分別應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)建立水稻氮素營養(yǎng)診斷模型，進(jìn)行水稻氮素營養(yǎng)診斷識別，上文中19項水稻特征數(shù)據(jù)作為模型輸入?yún)?shù)，將0、210、300和390 kg/hm24個氮素營養(yǎng)水平分別依次替代為Y1、Y2、Y3和Y4，并作為模型的輸出參數(shù)。根據(jù)水稻氮素營養(yǎng)水平不同將輸出參數(shù)分為四類：[1，0，0，0]、[0，1，0，0]、[0，0，1，0]、[0，0，0，1]，分別表示4個氮素營養(yǎng)水平Y(jié)1、Y2、Y3和Y4。對幼穗分化期、齊穗期頂1葉、頂2葉、頂3葉的氮素營養(yǎng)進(jìn)行診斷識別比較試驗。模型數(shù)據(jù)共計1920組，每時期均為960組，其中每個葉位為320組，每個葉位下每類氮素營養(yǎng)水平為80組，隨機選取其中55組作為模型訓(xùn)練集，剩余25組作為模型測試集。本研究利用MATLAB R2014a建立水稻氮素營養(yǎng)診斷模型。

1.3.1 數(shù)據(jù)歸一化 為了消除水稻特征指標(biāo)數(shù)據(jù)之間的量綱影響，對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。本試驗采用mapminmax函數(shù)對本試驗數(shù)據(jù)統(tǒng)一進(jìn)行歸一化。Mapminmax函數(shù)所采用的映射如下所示：

1.3.2 BP神經(jīng)網(wǎng)絡(luò) 本試驗中BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點數(shù)為19，輸出層節(jié)點數(shù)為4，訓(xùn)練迭代次數(shù)為1000次。BP神經(jīng)網(wǎng)絡(luò)中的隱含層節(jié)點的個數(shù)與問題的要求、輸入及輸出單元的數(shù)目等有密切的關(guān)系，同時影響網(wǎng)絡(luò)的非線性映射能力，隱含層節(jié)點過多會造成學(xué)習(xí)時間過長，而過少則造成網(wǎng)絡(luò)的容錯性能差[24-25]。經(jīng)試驗比較后，本試驗采用雙隱含層BP神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)圖如圖5所示。其中雙層隱含層節(jié)點數(shù)分別為16、5，隱含層節(jié)點轉(zhuǎn)移函數(shù)均采用purelin函數(shù)，學(xué)習(xí)訓(xùn)練函數(shù)采用trainlm函數(shù)。

1.3.3 概率神經(jīng)網(wǎng)絡(luò) PNN模型中，徑向基函數(shù)的擴展系數(shù)spread的選取直接影響到網(wǎng)絡(luò)的分類性能。不同spread取值下PNN模型對不同時期頂三葉葉片氮素營養(yǎng)診斷的整體分類識別準(zhǔn)確率如表1所示，可發(fā)現(xiàn)在幼穗分化期及齊穗期，初期隨著spread值的不斷增大，預(yù)測精度上升顯著，然后逐漸緩慢下降，頂三葉葉片的整體預(yù)測精度呈現(xiàn)先上升后下降的趨勢。統(tǒng)籌考慮模型的普適性和準(zhǔn)確性，取0.18作為PNN模型的spread值。

2 結(jié)果與分析

2.1 圖像處理獲取水稻參數(shù)的精準(zhǔn)性

為評判分析本試驗中圖像處理對于水稻葉片長度、最大寬度形態(tài)特征精準(zhǔn)度，掃描過程中隨機選取60片葉片進(jìn)行人工測量，與圖像處理獲取的數(shù)據(jù)進(jìn)行對比。圖像處理獲取的水稻長度的誤差在0～0.9 cm之間，最大寬度誤差在0～0.2 cm之間，效果較好，能夠滿足試驗需求。

圖5 BP神經(jīng)網(wǎng)絡(luò)圖Fig. 5 Chart of the BP neural network

表1 不同spread取值下PNN模型對氮素營養(yǎng)診斷識別準(zhǔn)確率Table 1 Recognition accuracy of nitrogen diagnosis by the PNN model under different spread values

表2 頂部葉片氮素營養(yǎng)診斷整體識別準(zhǔn)確率Table 2 Overall recognition accuracy of nitrogen nutrition diagnosis using the three leaves from the top

2.2 水稻氮素營養(yǎng)診斷識別結(jié)果

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)對上文獲取的19項水稻特征數(shù)據(jù)分別進(jìn)行水稻氮素營養(yǎng)診斷識別，其結(jié)果如表2所示。幼穗分化期水稻整體識別準(zhǔn)確率均高于齊穗期水稻。對于BP神經(jīng)網(wǎng)絡(luò)建立的水稻氮素營養(yǎng)診斷模型，幼穗分化期與齊穗期水稻的整體識別準(zhǔn)確率由高至低均是頂3葉、頂2葉、頂1葉，較于齊穗期水稻，幼穗分化期水稻頂1葉至頂3葉的整體識別準(zhǔn)確率分別高出19、21、22個百分點；而對于概率神經(jīng)網(wǎng)絡(luò)建立的水稻氮素營養(yǎng)診斷模型，幼穗分化期水稻的整體識別準(zhǔn)確率由高至低分別是頂2葉與頂3葉、頂1葉，齊穗期水稻的整體識別準(zhǔn)確率由高至低分別是頂1葉、頂2葉、頂3葉，較于齊穗期水稻，幼穗分化期水稻頂1葉至頂3葉的整體識別準(zhǔn)確率分別高出13、21、25個百分點。幼穗分化期頂3葉的整體識別準(zhǔn)確率最高，BP神經(jīng)網(wǎng)絡(luò)與概率神經(jīng)網(wǎng)絡(luò)氮素營養(yǎng)診斷模型的準(zhǔn)確率分別為90%、82%。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)分別對幼穗分化期頂3葉數(shù)據(jù)建立模型進(jìn)行水稻氮素營養(yǎng)診斷，診斷識別結(jié)果如表3所示。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立的氮素營養(yǎng)診斷模型中，第一類識別準(zhǔn)確率最高，達(dá)100%，其次是第四類，96%，第三類識別準(zhǔn)確率達(dá)88%，第二類識別效果最差，為76%；四種氮素水平依次替代為試驗類別標(biāo)簽中的1、2、3、4，縱坐標(biāo)為氮素水平類別標(biāo)簽，橫坐標(biāo)為測試樣本順序編號，其中幼穗分化期頂3葉的實際識別分類與預(yù)測識別分類圖如圖6所示，可發(fā)現(xiàn)第一類被全部識別正確，第二類中有一個被誤判為第一類，同時易誤判為第三類，第三類中有一個被誤判為第四類，有兩個被誤判為第二類，第四類有一個被誤判為第三類。應(yīng)用概率神經(jīng)網(wǎng)絡(luò)對幼穗分化期頂3葉建立的氮素營養(yǎng)診斷模型中，第四類識別準(zhǔn)確率最高，達(dá)96%，其次是第一類、第三類，第二類識別效果最差，為68%。其中實際分類與預(yù)測分類圖如圖7所示，縱坐標(biāo)為氮素水平類別標(biāo)簽，橫坐標(biāo)為測試樣本順序編號，可發(fā)現(xiàn)第一類中有三個誤判為第二類；第二類極易誤判為第三類，其中一個被誤判為第四類；第三類中有四個被誤判為第二類，兩個被誤判為第四類；第四類中僅有一個被誤判為第三類。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對幼穗分化期頂3葉的不同特征組合數(shù)據(jù)建立模型進(jìn)行水稻氮素營養(yǎng)診斷，不同數(shù)量葉片和葉鞘特征組合下采用BPNN法進(jìn)行氮素營養(yǎng)診斷整體識別：19項葉片和葉鞘特征識別準(zhǔn)確率90%；13項葉片顏色和形態(tài)特征識別準(zhǔn)確率85%；6項葉片顏色特征識別準(zhǔn)確率77%；6項葉鞘顏色特征識別準(zhǔn)確率69%；7項葉片形態(tài)特征識別準(zhǔn)確率44%。可發(fā)現(xiàn)采用19項葉片和葉鞘特征參數(shù)作為模型輸入時準(zhǔn)確率最高，達(dá)90%，其次為13項葉片顏色和形態(tài)特征參數(shù)，同時，6項葉片顏色特征作為模型輸入的準(zhǔn)確率要高于6項葉鞘顏色特征，而7項葉片形態(tài)特征參數(shù)準(zhǔn)確率最低，僅44%。說明對于氮素營養(yǎng)診斷，葉片顏色特征最為重要，顏色特征重要性要高于形態(tài)特征，并且葉鞘顏色特征能夠提升其準(zhǔn)確率。

表3 四類幼穗分化期頂3葉氮素營養(yǎng)診斷識別準(zhǔn)確率Table 3 Identification accuracy of nitrogen diagnosis of the four sorts using the third leaf at the young panicle stage

圖6 BP神經(jīng)網(wǎng)絡(luò)下氮素營養(yǎng)診斷識別準(zhǔn)確率Fig. 6 Recognition accuracy of nitrogen nutrition diagnosis based on the BP neural network

圖7 概率神經(jīng)網(wǎng)絡(luò)下氮素營養(yǎng)診斷識別準(zhǔn)確率Fig. 7 Recognition accuracy of nitrogen nutrition diagnosis based on the PNN

3 討論

本課題組前期研究中應(yīng)用圖像處理獲取水稻葉片幾何參數(shù)，與實際數(shù)值相比，葉片面積計算誤差小于5%，長寬誤差小于0.67%[32]，說明圖像處理應(yīng)用于水稻葉片幾何參數(shù)獲取是可行的。同時水稻產(chǎn)量和品質(zhì)受品種遺傳特性和環(huán)境條件的綜合影響[33]。在諸多環(huán)境因子中，肥料是重要影響因素之一，其中氮素是水稻正常生長的必需營養(yǎng)元素。近年來由于高產(chǎn)品種推廣及肥料大量使用，稻谷產(chǎn)量大幅提升，稻米品質(zhì)卻未顯著改善，肥料利用率也呈下降趨勢[34]。因此，對于施氮量的管理極為重要，對氮素營養(yǎng)進(jìn)行快速準(zhǔn)確診斷識別能夠有效指導(dǎo)施氮。部分前人研究只涉及單一日期或是某一時間段內(nèi)水稻營養(yǎng)元素分類識別，未涉及某幾個具體的水稻生育期。本研究中分別對水稻幼穗分化期、齊穗期兩個時期內(nèi)的頂1葉、頂2葉、頂3葉進(jìn)行氮素營養(yǎng)診斷識別，發(fā)現(xiàn)幼穗分化期頂3葉在四個氮素營養(yǎng)水平下特征區(qū)分度最大，最易于進(jìn)行診斷識別，這與拔節(jié)期水稻葉片中的頂3葉最能體現(xiàn)其氮素營養(yǎng)狀況相似。同時關(guān)于幼穗分化期準(zhǔn)確率均高于齊穗期水稻，可能是由于超級雜交稻生育后期易出現(xiàn)早衰現(xiàn)象，葉片氮含量快速衰減，不易于進(jìn)行區(qū)分識別[35]。本研究中應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對兩個時期的水稻進(jìn)行氮素營養(yǎng)診斷識別，識別準(zhǔn)確率從高至低均是頂3葉、頂2葉、頂1葉，這與陳利蘇對氮素營養(yǎng)診斷識別的結(jié)果一致[8]。顧清等進(jìn)行水稻氮素營養(yǎng)診斷，其中第四類難以識別[15]，本研究中應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對幼穗分化期頂3葉數(shù)據(jù)進(jìn)行氮素營養(yǎng)診斷識別研究，第一類與第四類可得到很好識別，但其中第二類易誤識別為第三類，說明第二類與第三類之間特征相似程度較大不易于區(qū)分。

本研究中單獨采用葉片特征或是葉鞘特征參數(shù)作為模型輸入?yún)?shù)，其識別準(zhǔn)確率均下降，采用包含葉色及葉形的19項特征作為氮素營養(yǎng)診斷模型輸入?yún)?shù)，維數(shù)偏多，但獲取速度快、易于獲取。本研究應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)對水稻特征數(shù)據(jù)進(jìn)行水稻氮素營養(yǎng)診斷識別，由表2可發(fā)現(xiàn)幼穗分化期水稻頂3葉葉片特征最具區(qū)分度，易于進(jìn)行氮素營養(yǎng)診斷，BP神經(jīng)網(wǎng)絡(luò)診斷識別效果更佳。

本研究僅進(jìn)行了一年一個水稻品種試驗，在接下來的研究中，還需增加供試品種，建立不同年限不同時期的水稻植株特征數(shù)據(jù)庫，對模型輸入?yún)?shù)進(jìn)行參數(shù)降維和參數(shù)優(yōu)化，同時對非破壞性水稻參數(shù)的測量獲取進(jìn)行相關(guān)研究，以便建立更具通用性與實用性的水稻氮素營養(yǎng)診斷識別模型，并利用水稻植株的其他參數(shù)，如植株冠層面積等與水稻氮素營養(yǎng)水平之間做相關(guān)研究，為農(nóng)學(xué)研究和高產(chǎn)栽培提供可靠依據(jù)。

4 結(jié)論

1) 應(yīng)用圖像處理方法可快速無損地獲取水稻特征數(shù)據(jù)，與人工測定相比，其計算獲取的水稻葉片長度誤差為0～0.9 cm，葉片最大寬度誤差僅為0～0.2 cm，可完全替代人工測量。

2) 幼穗分化期水稻頂3葉葉片特征最具區(qū)分度，易于進(jìn)行氮素營養(yǎng)診斷識別，可作為氮素營養(yǎng)診斷的有效時期和部位。

3) 識別效果BP神經(jīng)網(wǎng)絡(luò)分類好于概率神經(jīng)網(wǎng)絡(luò)方法，其整體識別準(zhǔn)確率達(dá)90%。

4) 19項特征參數(shù)中，葉片的6項RGB、HSI顏色空間分量組合最能體現(xiàn)其氮素營養(yǎng)狀況。