基于图像处理和深度学习的葡萄叶片钾含量的无损检测方法研究

• 作 者: 杨芳
• 机 构: 甘肃农业大学
• 出 处: 甘肃农业大学
• 发表日期: 2021年01期
• 关键词: 图像处理 深度学习 钾含量 颜色特征值 卷积神经网络

为提高农作物的产量与品质,及时提供田间栽培管理的科学依据,农作物营养元素的快速无损检测已逐渐成为研究热点。在葡萄栽培过程中,施水量、施肥量和光照等因素直接影响葡萄植株生长和营养吸收,葡萄的钾含量与花芽分化、果实成熟以及含糖量等关系密切。本文以图像处理和深度学习技术相结合,探索研究红地球葡萄叶片钾含量的无损检测方法,主要研究内容如下:（1）以施水量、施肥量和遮光率为3因素,以甘肃红地球葡萄为研究对象进行田间正交实验,实验地分为9小区,实验重复2轮。由正交实验数据处理和极差分析确定出最优组合和因素影响次序。实验结果分析表明,不同处理组的葡萄植株叶片钾含量存在较为明显的差异;极差分析得出实验最优组合为L3M3N1,即T9处理。（2）采集田间实验葡萄叶片图像样本,采用旋转、仿射和强度变换等扩充构造样本数据集;采用matlab提取图像颜色分量及其组合参数,以Origin分析图像特征值与叶片钾含量的相关性,剔除无关的图像特征参数,筛选出鲁棒性好的相关图像特征值。实验结果表明:T1～T9小区不同处理的叶片颜色特征值G、NGI、R/（R+G-B）都与叶片钾含量的相关性显著（P<0.001）。（3）以正交实验最优处理组的筛选图像特征值,采用多元逐步回归法拟合叶片钾含量与特征值的多元线性回归方程。（4）选取图像样本训练集和验证集,试验改进卷积神经网络模型,以提高预测精度,并以改进的卷积神经网络CNN-M1,训练和验证葡萄叶片钾含量检测实验模型。实验结果表明,该改进模型对钾含量检测准确率高达90%以上。此外,为检验不同钾含量预测模型的准确度,对由图像特征值拟合的多元回归方程、原始卷积神经网络训练模型、改进的卷积神经网络训练模型等进行了比较试验。实验结果表明:改进的CNN-M1模型的平均预测准确率均高于多元线性回归拟合方程和原始CNN训练模型。本文采用图像处理技术与深度学习相融合的实验方法,研究获得了一种红地球葡萄叶片钾含量的无损快速检测方法,为现代精准园艺农业信息化提供了新型技术手段。