基于DCNN–LSTM混合神经网络模型的甜瓜氮素营养图像诊断


发布时间:

2021-11-18

来源:

本站

作者:

PhenoTrait

      环境中氮素水平的研究对于作物表型、产量和品质形成具有重要意义,未来精准农业的实现和农业生态环境保护,离不开适宜的变量氮肥管理。而高效合理的氮肥管理体系的基础,是便捷、实时的作物氮营养诊断技术。随着植物表型研究和人工智能技术的发展,深度学习在农业科学研究中展现出了巨大潜力,为自动化、高通量、低成本的无损作物氮营养诊断的实现提供了契机。为了定量预测温室网纹甜瓜植株的氮素状况,本研究通过不同氮素水平处理的温室网纹甜瓜基质栽培试验,获取和解析全生育期的叶片数字图像和光温环境数据,结合传统的反向传播神经网络 (BPNN),以及新兴的卷积神经网络 (CNN) 和长短期记忆网络 (LSTM),先后构建了基于机器学习和深度学习的植株氮营养诊断模型,用于氮浓度的定量预测。BPNN模型R2=0.567,MSE=0.429;CNN模型R2=0.376,MSE=0.628;深度卷积神经网络 (DCNN) 模型R2=0.686,MSE=0.355;深度卷积神经网络-长短期记忆网络 (DCNN-LSTN) 混合模型R2=0.904,MSE=0.123,显示出最高的准确性,在植株的氮营养诊断上预测结果最佳。本研究为温室网纹甜瓜生产中便捷、精准的智能化氮营养诊断提供了基础。

 

  图1. (A) 二叶一心时进行定植 (B) 采用单蔓整枝 (C) 20~22叶时摘心 (D) 试验温室示意图

 

  图2. 研究思路关键步骤解析

 

  图3.叶片数字图像分析流程

  注:A.第一片完全展开叶,B.第二片完全展开叶,C.第三片完全展开叶,D.第四片完全展开叶;1-16分别表示:1.RGB转化为HSV并提取饱和通道,2.饱和阈值度图像,3.中位数模糊,4.RGB转化为LAB并提取蓝色通道,5.蓝色阈值图像,6.加入饱和度和蓝黄色阈值图像,7.绿-洋红色通道,8.蓝-黄通道,9.绿色-洋红色阈值图像,10.蓝色阈值图像,11.加入饱和度阈值图像,12.加入蓝黄色阈值图像,13.确定保留的对象,14.保存对象,15.查找形状属性并输出形状图像,16.确定相对于边界线的形状属性.

 

  图4. 深度卷积神经网络模型的特征图

 

  来源:Liying Chang, Daren Li, Muhammad Khalid Hameed, Yilu Yin, Danfeng Huang and Qingliang Niu. Using a Hybrid Neural Network Model DCNN–LSTM for Image-Based Nitrogen Nutrition Diagnosis in Muskmelon. Horticulturae 2021, 7(11), 489; https://doi.org/10.3390/horticulturae7110489

 

  编辑:常丽英

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。