基于圖像處理新技術(shù)的甜菜氮營養(yǎng)無損檢測系統(tǒng)的研究

李　哲， 田海清， 王　輝， 徐　琳， 李　斐， 史樹德

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機電工程學(xué)院，呼和浩特　010018)

?

基于圖像處理新技術(shù)的甜菜氮營養(yǎng)無損檢測系統(tǒng)的研究

李哲， 田海清， 王輝， 徐琳， 李斐， 史樹德

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機電工程學(xué)院，呼和浩特010018)

摘要：當前農(nóng)業(yè)甜菜生產(chǎn)中存在普遍的氮肥過量使用的問題，建立實時準確農(nóng)田氮肥推薦體系至關(guān)重要。為此，通過利用BP神經(jīng)網(wǎng)絡(luò)算法利用圖像數(shù)據(jù)對甜菜氮素含量進行預(yù)測，通過合理剔除原始數(shù)據(jù)中不符合拍攝條件的異常圖像數(shù)據(jù)，選取147組數(shù)據(jù)作為訓(xùn)練集，90組數(shù)據(jù)組為預(yù)測集，將R、G、B作為輸入量，通過BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練得到預(yù)測值與實際值最優(yōu)相關(guān)系數(shù)為r=0.70，均方根誤差RMSE=4.60。將R/(R+G+B)、G/(R+G+B)、B/(R+G+B)作為輸入量，利用BP神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練后預(yù)測值與實際值最優(yōu)相關(guān)系數(shù)r=0.64，均方根誤差RMSE=3.66。由此可以看出：使用BP神經(jīng)網(wǎng)絡(luò)算法建立甜菜顏色特征信息氮素模型是可行的，可為農(nóng)業(yè)甜菜生產(chǎn)中實時無損診斷植株氮素含量提供方法支持。

關(guān)鍵詞：甜菜；氮素；預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；相關(guān)系數(shù)

0引言

甜菜是我國重要的制糖原料，是我國東北、華北和西北地區(qū)的重要經(jīng)濟作物之一。當前甜菜生產(chǎn)存在的重要問題是甜菜含糖率不高，且甜菜塊根單產(chǎn)量比較低，生產(chǎn)上常常增施化肥來提高產(chǎn)量，致使土壤殘留化肥成年累加，造成了一定程度的土壤和環(huán)境污染。圖像處理技術(shù)是一種當前常用的無損氮素檢測方法，能夠提高氮肥的使用率。

人工網(wǎng)絡(luò)技術(shù)是當前人工智能研究較為活躍的領(lǐng)域，BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型，具有神經(jīng)網(wǎng)絡(luò)的典型特征點[1-5]。馮艷[6]等結(jié)合BP神經(jīng)網(wǎng)絡(luò)和小波分析的優(yōu)勢，以小波函數(shù)代替?zhèn)鹘y(tǒng)的BP網(wǎng)絡(luò)中的S型激活函數(shù)，對水稻需水量實測序列進行分析,精度達到0.01，結(jié)果均優(yōu)于 RAGASABP模型。莫麗紅[7]等采取改進BP神經(jīng)網(wǎng)絡(luò)算法對小麥條銹病菌建立了預(yù)測模型進行預(yù)測，仿真結(jié)果顯示BP 預(yù)測模型均達到0.000 1的訓(xùn)練目標，預(yù)測準確度達到100%。還有一些學(xué)者利用人工神經(jīng)網(wǎng)絡(luò)反演了農(nóng)作物的氮素含量[8-13]。

本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)學(xué)習模型，通過輸入RGB顏色模型、HIS顏色模型及其個各顏色分量組合作為輸入量，輸出量為甜菜氮素含量，通過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得出最好的預(yù)測模型，篩選出最好的預(yù)測模型對應(yīng)的顏色分量組合[14-16]。

1實驗數(shù)據(jù)采集與處理方法

研究圖像采用Canon DS126521數(shù)碼相機拍攝，拍攝時間為北京時間12:00左右，選擇晴朗無云天氣拍攝。數(shù)碼相機采用Auto(全自動曝光拍攝)，保證每次拍攝順光拍攝，避免圖像中有其它不相關(guān)影像。拍攝高度選擇在1.5m，拍攝角度選擇在60°[17]，文件大小為5 184×3 456像元。

以甜菜冠層圖像為研究對象，采用數(shù)字圖像處理技術(shù)，對植物冠層數(shù)碼圖像預(yù)處理，并采用準確的分割方法，實現(xiàn)甜菜冠層綠葉部分的顏色信息提取。圖像處理過程均在MatLab 2010b中處理。

2RGB顏色分量信息的獲取

利用MatLab對數(shù)碼相機圖片進行處理，通過圖像預(yù)處理、圖像分割去除土壤、陰影等背景信息，如圖1所示。通過MatLab編程統(tǒng)計矩陣中所有的顏色數(shù)據(jù)，得到圖片的R、G、B顏色分量平均值[18-21]。

3BP神經(jīng)網(wǎng)絡(luò)原理

3.1　BP 網(wǎng)絡(luò)的訓(xùn)練過程

BP神經(jīng)網(wǎng)絡(luò)(Back-propagation Neural Network，BPNN)通常采用多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式，如圖2所示。數(shù)據(jù)由輸入層輸入，經(jīng)標準化處理后，施加權(quán)重傳遞到隱含層；然后隱含層經(jīng)過權(quán)值、閾值和激勵函數(shù)運算后，傳遞給下一隱含層直到輸出層為止。輸出層輸出BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，并與實測值進行比較，若存在誤差，則從輸出開始反向傳播該誤差，對權(quán)值和閾值進行調(diào)整，使網(wǎng)絡(luò)輸出預(yù)測值逐漸與實測值相近。

圖1　顏色信息提取圖像

圖2　BP網(wǎng)絡(luò)結(jié)構(gòu)圖

3.2　顏色特征與氮含量相關(guān)性模型的建立

選取237個甜菜樣品為研究對象，其中147個作為校正集，90個作為預(yù)測集，建立甜菜顏色特征糖度模型。預(yù)測集顏色特征參數(shù)和氮素含量指標統(tǒng)計結(jié)果如表1、表2所示。預(yù)測結(jié)果的好壞用相關(guān)系數(shù)(Correlation coefficient，r)、均方根誤差RMSE來進行評價。

表1　樣品顏色特征參數(shù)和氮素指標統(tǒng)計結(jié)果

根據(jù)甜菜冠層兩組顏色特征作為輸入量，分別為(R、G、B)、(R/(R+G+B)、G/(R+G+B)、B/(R+G+B))，植株氮素含量值作為輸出量建立兩組組甜菜氮素診斷比較模型。

選用n層BP神經(jīng)網(wǎng)絡(luò)，隱含層節(jié)點數(shù)，根據(jù)經(jīng)驗公式，其中n為輸入層數(shù)，m為輸出層數(shù)，α=1~10，建立n-L-1的BP神經(jīng)網(wǎng)絡(luò)；節(jié)點傳遞函數(shù)使用logsig、tansig，輸出函數(shù)選用purelin、tansig，訓(xùn)練函數(shù)使用traingd、traingdm、traingda，訓(xùn)練誤差設(shè)定為0.01。

通過合理剔除原始數(shù)據(jù)中不符合拍攝條件(光照變暗、因風吹圖像抖動、拍攝角度偏移)的異常圖像數(shù)據(jù)，用147個校正集樣品用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，然后再用已經(jīng)訓(xùn)練好的模型檢測余下的90個預(yù)測集樣品。

4氮素含量預(yù)測分析結(jié)果

4.1　R、G、B作輸入量預(yù)測氮素結(jié)果

通過利用BP神經(jīng)網(wǎng)絡(luò)算法，將R、G、B作為輸入量，選定訓(xùn)練模型參數(shù)得到相應(yīng)的訓(xùn)練結(jié)果，如表2所示為訓(xùn)練后甜菜氮素含量預(yù)測值與實際值的相關(guān)系數(shù)(Correlation coefficient，r)、均方根誤差RMSE。表中為選取的不同函數(shù)組合下預(yù)測最大相關(guān)系數(shù)(r)及對應(yīng)預(yù)測值均方根誤差(RMSE)。

表2　RGB顏色特征BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與實際值相關(guān)性及預(yù)測值RMSE

續(xù)表2

將R、G、B作為輸入量最大預(yù)測結(jié)果相關(guān)系數(shù)r=0.70，均方根誤差RMSE=4.60，此時節(jié)點傳遞函數(shù)為logsig。輸出函數(shù)為tansig，訓(xùn)練函數(shù)為traingd，節(jié)點數(shù)選取為6。

4.2　R/(R+G+B)、G/(R+G+B)、B/(R+G+B)作輸入量預(yù)測結(jié)果

通過利用BP神經(jīng)網(wǎng)絡(luò)算法，將R/(R+G+B)、G/(R+G+B)、B/(R+G+B)作為輸入量，選取節(jié)點傳遞函數(shù)、輸出函數(shù)、訓(xùn)練函數(shù)的不同組合，選定訓(xùn)練模型中不同的節(jié)點數(shù)，得到相應(yīng)的訓(xùn)練結(jié)果。表3為訓(xùn)練后甜菜氮素含量預(yù)測值與實際值的最大相關(guān)系數(shù)(Correlation coefficient，r)和預(yù)測值均方根誤差RMSE。表3中為選取的不同函數(shù)組合下預(yù)測最大相關(guān)系數(shù)(r)及對應(yīng)預(yù)測值均方根誤差(RMSE)。

表3　R/(R+G+B)、G/(R+G+B)、B/(R+G+B)顏色特征BP神經(jīng)網(wǎng)絡(luò)預(yù)測值與實際值相關(guān)性及預(yù)測值RMSE

將R/(R+G+B)、G/(R+G+B)、B/(R+G+B)作為輸入量最大預(yù)測相關(guān)系數(shù)r=0.64，均方根誤差RMSE=3.66。此時節(jié)點傳遞函數(shù)為logsig,輸出函數(shù)為purelin，訓(xùn)練函數(shù)為traingda，節(jié)點數(shù)選取為6。

5結(jié)論

綜上所述，選取兩組顏色特征值作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型輸入量，最好預(yù)測結(jié)果相關(guān)系數(shù)r=0.70，均方根誤差RMSE=4.60。圖3是預(yù)測集90個樣品氮素值真實值和預(yù)測值的相關(guān)線性曲線圖。

圖3　預(yù)測集樣品的氮素真實值和預(yù)測值相關(guān)性

從預(yù)測相關(guān)系數(shù)可以看出：使用BP神經(jīng)網(wǎng)絡(luò)算法建立甜菜顏色特征信息氮素模型是可行的，可見甜菜冠層顏色信息與甜菜植株氮素含量有一定的相關(guān)性。

在農(nóng)業(yè)生產(chǎn)中，提高氮肥的使用效率至關(guān)重要，可減少土壤環(huán)境污染，提高甜菜含糖率，提高經(jīng)濟效益。本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法對氮素含量進行建模，得到了較好的預(yù)測模型與相關(guān)系數(shù)，為以后探索更好的甜菜氮素無損檢測方法提供了一定的參考。

參考文獻：

[1]劉翠玲,吳勝男,孫曉榮,等.基于近紅外光譜的面粉灰分含量快速檢測方法[J].農(nóng)機化研究,2013,35(4):144-147.

[2]周麗萍,胡耀華,陳達,等.蘋果可溶性固形物含量的檢測方法——基于可見光近紅外光譜技術(shù)[J].農(nóng)機化研究,2009,31(4):104-106,203.

[3]閆久林,馬云海,李萌,等.人工神經(jīng)網(wǎng)絡(luò)在食品檢測中的應(yīng)用[J].農(nóng)機化研究,2009,31(8):11-14,24.

[4]楊德旭,何鳳宇,魏利華.基于BP神經(jīng)網(wǎng)絡(luò)汽車傳感器溫度補償技術(shù)的研究[J].農(nóng)機化研究,2008(1):71-73.

[5]李翔.基于GAB和模糊BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測[J].華中科技大學(xué)學(xué)報：自然科學(xué)版,2013(S1):63-65，69.

[6]田亮,羅宇,王陽.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的TIG焊縫尺寸預(yù)測模型[J].上海交通大學(xué)學(xué)報,2013(11):1690-1696，1701.

[7]王吉權(quán).BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機械化中的應(yīng)用研究[D].沈陽：沈陽農(nóng)業(yè)大學(xué),2011.

[8]劉超.基于可見近紅外光譜與機器視覺信息融合的河套蜜瓜糖度檢測方法研究[D].呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué),2014.

[9]馮艷,付強.水稻需水量預(yù)測的小波BP網(wǎng)絡(luò)模型[J].農(nóng)業(yè)工程學(xué)報,2007(4):66-69.

[10]莫麗紅,陳杰新.基于改進BP網(wǎng)絡(luò)的小麥條銹病預(yù)測模型研究[J].中國植保導(dǎo)刊,2011(9):38-43.

[11]Yi Q X，Huang J F, Wang F M，et al.Evaluating the performance of PC-ANN for the estimation of rice nitrogen concentration from canopy hyperspectral reflectance[J].International Journal of Remote Sensing, 2010，31 (4):931-940.

[12]Zhang C H, Kovacs J M，Wachowiak M P, et al.Relationship between hyperspectral measurements and mangrove leaf nitrogen concentrations[J].Remote Sensing, 2013，5 (2):891-908.

[13]Wang Y,Wang F M，Huang J F, et al. Validation of artificial neural network techniques in the estimation of nitrogen concentration in rape using canopy hyperspectral reflectance data[J].International Journal of Remote Sensing, 2009，30(17):121-130.

[14]韓磊,李銳,朱會利.基于BP神經(jīng)網(wǎng)絡(luò)的土壤養(yǎng)分綜合評價模型[J].農(nóng)業(yè)機械學(xué)報,2011(7):109-115.

[15]金志鳳,符國槐,黃海靜,等.基于BP神經(jīng)網(wǎng)絡(luò)的楊梅大棚內(nèi)氣溫預(yù)測模型研究[J].中國農(nóng)業(yè)氣象,2011(3):362-367.

[16]牛之賢,李武鵬,張文杰.基于AIGA-BP神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測研究[J].計算機工程與應(yīng)用,2012(2):235-237.

[17]林潔,陳效民,張勇,等.基于BP神經(jīng)網(wǎng)絡(luò)的太湖典型農(nóng)田土壤水分動態(tài)模擬[J].南京農(nóng)業(yè)大學(xué)學(xué)報,2012(4):140-144.

[18]陳琨.基于BP神經(jīng)網(wǎng)絡(luò)的土壤適宜性評價方法研究[D].雅安：四川農(nóng)業(yè)大學(xué),2009.

[19]楊旭,鄭麗敏.計算機視覺在禽蛋品質(zhì)檢測中的應(yīng)用研究進展[J].農(nóng)機化研究,2008(9):168-171.

[20]項美晶,張榮標,李萍萍,等.基于BP神經(jīng)網(wǎng)絡(luò)的溫室生菜CO2施肥研究[J].農(nóng)機化研究,2008(12):17-20.

[21]賴慶`輝,米伯林,楊志堅.基于人工神經(jīng)網(wǎng)絡(luò)的黑龍江省農(nóng)機總動力預(yù)測[J].農(nóng)機化研究,2005(4):272-274.

Research on Sugar Beet Nitrogen Nutrition Nondestructive Testing System Based on Image Processing Technology

Li Zhe， Tian Haiqing， Wang Hui， Xu Lin， Li Fei， Shi Shude

(College of Mechanic and Engineering, Inner Mongolia Agricultural University, Hohhot 010018, China)

Abstract：In this paper, problems common nitrogen fertilizer used in excess of the current agricultural beet production, the establishment of critical real-time accurate nitrogen fertilizer recommendation system. In this paper, by using the BP neural network algorithm using image data to predict nitrogen content of beet, through reasonable excluding abnormal data from the original image data does not match the shooting conditions selected 147 sets of data as a training set, 90 sets of data for the prediction set group. The R, G, B as an input to obtain the predicted value and the actual value of the BP neural network algorithm trained by the best correlation coefficient of r = 0.70, root mean square error RMSE = 4.60. The R / (R + G + B), G / (R + G + B), B / (R + G + B) as an input, the use of BP neural network algorithm trained after the predicted value and the actual value of the best correlation coefficient r = 0.64, root mean square error RMSE = 3.66. As can be seen, the use of BP neural network algorithm for establishing beet color feature information nitrogen model is feasible, provide methodological support for agricultural production in real-time lossless diagnostic beet plant nitrogen content.

Key words：beets; nitrogen; forecasting; BP neural network; correlation coefficient

中圖分類號：S126

文獻標識碼：A

文章編號：1003-188X(2016)09-0219-05

作者簡介：李哲(1989-),男，山東萊蕪人，碩士研究生，(E-mail) liz2217@163.com。通訊作者：田海清(1973-)，男，呼和浩特人，教授，博士生導(dǎo)師，(E-mail)hqtian@126.com。

基金項目：國家自然科學(xué)基金項目(41261084)；國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系專項(CARS-210402)

收稿日期：2015-09-02