錢政， 楊孫哲， 張國卿， 郭紫微， 張林朋， 萬家興， 楊紅云*

（1.江西農(nóng)業(yè)大學(xué)軟件學(xué)院，南昌 330045； 2.江西師范大學(xué)計(jì)算機(jī)信息工程學(xué)院，南昌 330022； 3.北京粉筆天下教育科技有限公司石家莊分公司，石家莊 050051； 4.江西農(nóng)業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院，南昌 330045）

氮是水稻生命活動(dòng)所必需的營養(yǎng)元素，水稻缺氮會(huì)導(dǎo)致植株葉片面積減小，植物光合作用和產(chǎn)量降低[1-2]，而施用過量的氮會(huì)在土壤中殘留從而造成浪費(fèi)以及破壞環(huán)境[3]。在水稻的種植過程中，錯(cuò)誤地施用氮肥或是經(jīng)驗(yàn)不足，均會(huì)使水稻缺乏所需的氮元素，從而導(dǎo)致水稻產(chǎn)量和質(zhì)量的降低[4]。傳統(tǒng)的水稻氮素營養(yǎng)診斷方法，主要以田間采集植株樣品、試驗(yàn)室化學(xué)分析為主。孫棋[5]通過對(duì)旋翼無人機(jī)獲取的水稻圖像進(jìn)行色彩分析，表明無人機(jī)拍攝冠層圖像的顏色特征參量G值與水稻葉片的SPAD、葉綠素和氮含量均有很好的相關(guān)關(guān)系；張國圣等[6]利用無人飛行平臺(tái)搭載高光譜成像系統(tǒng)獲取水稻冠層高光譜數(shù)據(jù),分析了試驗(yàn)點(diǎn)水稻分蘗期葉片氮素與冠層高光譜信息之間的關(guān)系；Huang 等[7]利用衛(wèi)星遙感估計(jì)從不同的農(nóng)田收集地面真實(shí)數(shù)據(jù)，研究中國東北地區(qū)水稻關(guān)鍵生長(zhǎng)階段氮狀況；郭建華等[8]以手持式主動(dòng)遙感光譜儀Greenseeker 和葉綠素儀SPAD 對(duì)玉米不同氮素水平下各個(gè)生育期的NDVI（normalized difference vegetable index）值及葉片SPAD 值進(jìn)行測(cè)試,研究了不同氮素下玉米群體和個(gè)體營養(yǎng)狀況的變化。這些方法在樣品的采集、測(cè)試及數(shù)據(jù)處理等方面需要耗費(fèi)大量的人力、物力和財(cái)力，且試驗(yàn)周期較長(zhǎng)、操作不便捷、效率低下[9-10]，不利于推廣應(yīng)用。因此，需要探索高效且低成本的便捷方法進(jìn)行水稻氮素營養(yǎng)診斷。計(jì)算機(jī)視覺技術(shù)彌補(bǔ)了以上缺點(diǎn)，能夠快速而準(zhǔn)確地對(duì)水稻營養(yǎng)狀況進(jìn)行有效觀測(cè)，并及時(shí)提出建議。

在水稻營養(yǎng)診斷的計(jì)算機(jī)視覺方法研究中，周瓊等[11]基于BP 神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)進(jìn)行水稻氮素營養(yǎng)診斷，在幼穗分化期的水稻葉片中識(shí)別準(zhǔn)確率達(dá)90%；Xu 等[12]采用深度卷積網(wǎng)絡(luò)方法，對(duì)水稻10 種營養(yǎng)進(jìn)行識(shí)別，測(cè)試準(zhǔn)確率達(dá)97.44%±0.57%；Yuan 等[13]基于可見光圖像處理的水稻氮素營養(yǎng)診斷，研究了數(shù)碼相機(jī)拍攝的水稻氮素狀態(tài)與水稻葉片綠度的關(guān)系，結(jié)果表明水稻葉片中部比葉尖和葉基更適合水稻氮素營養(yǎng)診斷；Sathyavani 等[14]設(shè)計(jì)了基于圖像采集的分類模型，該模型使用物聯(lián)網(wǎng)（internet of things, IoT）進(jìn)行數(shù)據(jù)采集，并使用卷積神經(jīng)網(wǎng)絡(luò)的變體，即DenseNet-BC 進(jìn)行分類任務(wù)，與其他深度學(xué)習(xí)模型相比，該方法在準(zhǔn)確性和F-measure方面均獲得了改善；Wang 等[15]基于卷積神經(jīng)網(wǎng)絡(luò)并結(jié)合強(qiáng)化學(xué)習(xí)，使用1 500張包含缺氮、缺磷、缺鉀的水稻葉片數(shù)據(jù)集，通過調(diào)整模型架構(gòu)，結(jié)果表明DenseNet121的測(cè)試準(zhǔn)確率達(dá)到97%，適用于診斷農(nóng)作物營養(yǎng)缺乏情況。

SE block 通過訓(xùn)練網(wǎng)絡(luò)中產(chǎn)生的損失函數(shù)來學(xué)習(xí)特征權(quán)重[16]，增加了有效特征圖的權(quán)重，同時(shí)減少了無效或效果較小特征圖的權(quán)重，從而改善模型的性能，但是，SE block 嵌入會(huì)導(dǎo)致額外的參數(shù)和計(jì)算量的增加，這可能增加模型的復(fù)雜性和計(jì)算成本。而全局平均池化可以降低特征圖的空間分辨率，減少模型的參數(shù)數(shù)量和計(jì)算量，提高模型的計(jì)算效率。此外，它還可以增加模型的魯棒性，減少過擬合的風(fēng)險(xiǎn)，并且可以作為一種簡(jiǎn)單的正則化方法，提高模型的泛化能力；遷移學(xué)習(xí)是將已學(xué)習(xí)知識(shí)應(yīng)用于新任務(wù)的方法，可以利用已有數(shù)據(jù)和知識(shí)，提高模型的泛化能力，避免從零開始訓(xùn)練新模型所需的大量數(shù)據(jù)和計(jì)算資源[17-18]。

本研究掃描水稻圖像，再進(jìn)行圖像處理，將卷積神經(jīng)網(wǎng)絡(luò)與SE block 模塊相結(jié)合，通過在ResNet34 殘差塊中加入SE block 模塊并基于遷移學(xué)習(xí)方法，研究了水稻幼穗分化期和齊穗期以及水稻不同施氮水平與模型識(shí)別效果的關(guān)系，建立水稻氮素營養(yǎng)診斷模型，并在試驗(yàn)過程中通過微調(diào)學(xué)習(xí)率等參數(shù)，訓(xùn)練網(wǎng)絡(luò)得到最佳識(shí)別效果模型，實(shí)現(xiàn)水稻氮素營養(yǎng)診斷的精確識(shí)別，為水稻氮素營養(yǎng)診斷識(shí)別研究提供了新的思路與方法。

1 材料與方法

1.1 數(shù)據(jù)采集

水稻試驗(yàn)于2017年在江西省南昌市成新農(nóng)場(chǎng)進(jìn)行，土壤基本理化性質(zhì)為：全氮1.40 g·kg-1、有機(jī)質(zhì)24.4 g·kg-1、有效磷12.70 mg·kg-1、速效鉀（P2O5）123.0 mg·kg-1、pH 5.30。以超級(jí)雜交稻‘兩優(yōu)培九（Liangyoupei 9, LYP 9）’為試驗(yàn)材料，最佳施氮量為純氮210～300 kg·hm-2[19]。本試驗(yàn)以高氮，即氮為270 kg·hm-2以上進(jìn)行栽培管理，并設(shè)置0（N1）、210（N2）、300（N3）和390 kg·hm-2（N4）4個(gè)施氮水平進(jìn)行施肥。本試驗(yàn)采用一般區(qū)域試驗(yàn)設(shè)計(jì)，設(shè)置多個(gè)小區(qū)進(jìn)行隨機(jī)排列[20]，每個(gè)小區(qū)面積30 m2，小區(qū)間用土隔開且用塑料薄膜覆蓋住，單灌單排，重復(fù)3次。氮肥按基肥∶分蘗期∶穗肥為4∶2∶4 施用；鉀肥按分蘗期∶穗肥為7∶3 施用；磷肥一次性做基肥施用。各區(qū)間磷、鉀肥施用量相等，分別為P2O5225 kg·hm-2、K2O 300 kg·hm-2，移栽前1 d施用基肥，移栽7 d后施用分蘗肥，在葉齡余數(shù)1.5 左右時(shí)施用穗肥[21]。5 月25 日播種，6 月14 日移栽。人工移栽，栽插規(guī)格為13.3 cm×26.6 cm，其他按照常規(guī)的高產(chǎn)栽培要求進(jìn)行。

本研究中所用水稻圖像通過MICROTEK 掃描儀（MRS-9600TFU2L，分辨率600 ppi，上海中晶科技有限公司生產(chǎn)）于水稻幼穗分化期（2017 年7 月24 日）、齊穗期（2017 年8 月23 日）分2 次掃描獲取，每次掃描獲取960 張，共計(jì)1 920 張2 515×3 997像素水稻圖像，其中每個(gè)時(shí)期的不同施氮水平分別有240張。

1.2 試驗(yàn)環(huán)境及參數(shù)設(shè)置

水稻營養(yǎng)診斷模型的訓(xùn)練與測(cè)試均在Linux Ubuntu 操作系統(tǒng)下完成。試驗(yàn)使用的電腦硬件配置為：CPU 采用Intel(R) Xeon(R) Gold 6330 CPU@2.00GHz，內(nèi)存為6×8 GB，GPU 采用NVIDIA GeForce RTX 3090，顯存為24 GB。軟件環(huán)境：Cuda 11.3，PyTorch 1.11.0，Python 3.8。

考慮到使試驗(yàn)所用的GPU 顯存利用率最大化，將Batch_Size 設(shè)置為64，迭代次數(shù)均設(shè)置為150 輪，采用Adam（adaptive moment estimate）優(yōu)化算法，損失函數(shù)選擇交叉熵?fù)p失函數(shù)，將初始學(xué)習(xí)率設(shè)置為1e-4。

1.3 圖像預(yù)處理

水稻圖像數(shù)據(jù)經(jīng)過后期掃描得到，由于部分圖像在掃描過程中出現(xiàn)了葉片對(duì)折、卷曲的情況，使得掃描效果不佳且圖像信息有缺失，考慮模型訓(xùn)練的準(zhǔn)確率，將這些數(shù)據(jù)舍棄，最終試驗(yàn)數(shù)據(jù)集中幼穗分化期的有921張，齊穗期的有925張，每個(gè)類別的數(shù)據(jù)量如表1所示。由表1可知，原始圖像數(shù)量較少，這會(huì)使模型難以了解真實(shí)的數(shù)據(jù)分布，容易出現(xiàn)過擬合現(xiàn)象[22]。所以本研究采用平移、翻轉(zhuǎn)、旋轉(zhuǎn)、圖像模糊、增加噪聲以及亮度調(diào)亮和調(diào)暗6 種增強(qiáng)方式對(duì)原始數(shù)據(jù)集進(jìn)行擴(kuò)充[23]，把每種圖像數(shù)量擴(kuò)充為原來的9 倍，樣本圖像中幼穗分化期水稻數(shù)據(jù)由原來的921 張?jiān)黾拥? 289張，齊穗期水稻數(shù)據(jù)由原來的925 張?jiān)黾拥? 325張。由于水稻圖像分辨率不一致，為了方便訓(xùn)練，將水稻圖像的分辨率統(tǒng)一調(diào)整為512×512，并將80%圖像作為訓(xùn)練數(shù)據(jù)集，余下的20%作為測(cè)試數(shù)據(jù)集。

表1 原始數(shù)據(jù)集數(shù)量Table 1 Original rice data number

之后對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化歸一化處理，如果圖像的特征值較大，梯度也會(huì)較大，因此為了加速模型訓(xùn)練的收斂，需要將圖像特征值大小調(diào)整到相近的范圍。在對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化歸一化時(shí)，遍歷了每張圖片的紅綠藍(lán)（RGB）顏色通道，計(jì)算出每個(gè)通道的均值和方差，采用PyTorch 中torchvision.transforms.Normalize方法，最終將所有數(shù)據(jù)轉(zhuǎn)換到標(biāo)準(zhǔn)正態(tài)分布的數(shù)據(jù)集中，其計(jì)算公式如下。

式中，output[channel]表示輸出圖像的某個(gè)通道；input[channel]表示輸入圖像的某個(gè)通道；mean[channel]和std[channel]分別表示該通道的均值和標(biāo)準(zhǔn)差。

1.4 模型構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)是一種人工神經(jīng)網(wǎng)絡(luò)，也是首個(gè)真正被成功訓(xùn)練的深層神經(jīng)網(wǎng)絡(luò)[24]，在現(xiàn)實(shí)生活中應(yīng)用十分廣泛。由于ResNet34本身具有網(wǎng)絡(luò)較深、更容易訓(xùn)練、計(jì)算復(fù)雜度低、易于遷移等特點(diǎn)[25]，本試驗(yàn)選用其作為主干網(wǎng)絡(luò)模型，再對(duì)其進(jìn)行遷移學(xué)習(xí)，實(shí)現(xiàn)水稻氮素營養(yǎng)狀況的分類任務(wù)。

本試驗(yàn)保留了ResNet34 的主干網(wǎng)絡(luò)，在每個(gè)殘差塊分支最后引入SE block，其結(jié)構(gòu)如圖1 所示。其中，將平均池化層替換為全局平均池化層，然后通過全局平均池化層和全連接層得到水稻氮素的預(yù)測(cè)類別，改進(jìn)后的模型標(biāo)記為ResNet34_SEt。本試驗(yàn)采用了自適應(yīng)梯度優(yōu)化算法和交叉熵?fù)p失函數(shù)，在ResNet34_SEt 模型中，首先應(yīng)用了1 個(gè)核大小為7×7、步長(zhǎng)為2 的卷積層，用于降低輸入圖像的分辨率。之后經(jīng)過一系列的卷積層、池化層和殘差塊對(duì)輸入進(jìn)行處理，在這個(gè)過程中，圖像的尺寸逐漸縮小，通道數(shù)逐漸增加。最后，通過全局平均池化層將圖像特征壓縮成1 個(gè)向量，然后將全連接層輸出值設(shè)置為4。

圖1 改進(jìn)的模型網(wǎng)絡(luò)構(gòu)架Fig. 1 Improved model network architecture

試驗(yàn)主要流程如下。

①構(gòu)建水稻營養(yǎng)診斷模型?；赗esNet34模型，將模型的平均池化層替換為全局平均池化層，并將此方案記為方案1。

②基于步驟①，在模型每個(gè)殘差塊后引入SE block，并將全連接層的分類數(shù)替換為自身的分類任務(wù)數(shù)，再進(jìn)行訓(xùn)練及模型微調(diào)，訓(xùn)練出適合水稻營養(yǎng)的模型，記為ResNet34_SE，并將此方案記為方案2。

③基于步驟①，在模型每個(gè)殘差塊后引入SE block，進(jìn)行遷移學(xué)習(xí)，并將全連接層的分類數(shù)替換為自身的分類任務(wù)數(shù)，再進(jìn)行訓(xùn)練及模型微調(diào)，訓(xùn)練出適合水稻營養(yǎng)的模型，訓(xùn)練得到模型記為ResNet34_SEt，并將此方案記為方案3。

④模型測(cè)試。對(duì)水稻數(shù)據(jù)集中20%的測(cè)試集數(shù)據(jù)進(jìn)行測(cè)試，并將ResNet34、ResNet34_SE、ResNet34_SEt的測(cè)試結(jié)果進(jìn)行對(duì)比。

1.5 模型評(píng)價(jià)

準(zhǔn)確率（Accuracy）表示正確識(shí)別的總數(shù)占預(yù)測(cè)總數(shù)的比例，召回率（Recall）表示正確預(yù)測(cè)該類別的數(shù)量占所有真實(shí)該類別的數(shù)量的比例，二者評(píng)價(jià)指標(biāo)的計(jì)算公式如下。

式中，TP 為真正例，表示樣本實(shí)際為正樣本，檢測(cè)為正樣本的個(gè)數(shù)；TN 為正負(fù)例，表示樣本實(shí)際為正樣本，檢測(cè)為負(fù)樣本的個(gè)數(shù)；FP 為假正例，表示樣本實(shí)際為負(fù)樣本，但檢測(cè)為正樣本的個(gè)數(shù)；FN 為假負(fù)例，表示樣本實(shí)際為負(fù)樣本，檢測(cè)為負(fù)樣本的個(gè)數(shù)。

2 結(jié)果與分析

2.1 不同改進(jìn)方案識(shí)別指標(biāo)對(duì)比分析

將方案1、方案2、方案3 進(jìn)行對(duì)比，驗(yàn)證了改進(jìn)的殘差塊和遷移學(xué)習(xí)結(jié)合的有效性，模型識(shí)別準(zhǔn)確率提升幅度均在7%以上。所得數(shù)據(jù)如表2 所示，在模型的最后一層添加全局平均池化層后，模型參與訓(xùn)練的參數(shù)量減少了，模型體積因此也有所減小，由于SE block 內(nèi)包含2 個(gè)卷積層，使得參與訓(xùn)練的參數(shù)有所增多，最終模型總參數(shù)量依然小于原始模型總參數(shù)量，減少了約1.6%。

表2 不同方案的試驗(yàn)數(shù)據(jù)Table 2 Experimental data for different plans

由表2 最終可知，通過遷移學(xué)習(xí)以及引入SE block，方案3的各項(xiàng)指標(biāo)優(yōu)于方案1和方案2。

2.2 不同模型訓(xùn)練曲線和混淆矩陣分析

2.2.1 模型在幼穗分化期的訓(xùn)練曲線和混淆矩陣 混淆矩陣也稱誤差矩陣，是評(píng)判模型結(jié)果的指標(biāo)，屬于模型評(píng)估的一部分，用n行n列的矩陣形式來表示，可以用來判斷分類器的優(yōu)劣，通過混淆矩陣也可以更直觀地看到模型在各個(gè)類別上的表現(xiàn)，混淆矩陣橫軸表示預(yù)測(cè)值，縱軸表示真實(shí)值，展示了分類任務(wù)中模型識(shí)別正確與錯(cuò)誤情況。對(duì)于水稻幼穗分化期，方案1、2、3 的模型訓(xùn)練曲線圖以及混淆矩陣如圖2所示。

圖2 3個(gè)方案在幼穗分化期的訓(xùn)練曲線和混淆矩陣Fig. 2 Training curves and confusion matrices of three schemes during the spikelet differentiation stage

從圖2C可知，遷移學(xué)習(xí)能夠加速模型的收斂速度，同時(shí)ResNet34 在訓(xùn)練過程中產(chǎn)生了一定的過擬合現(xiàn)象，替換成全局平均池化層之后在一定程度上避免了過擬合現(xiàn)象的產(chǎn)生，這在圖2B中得到了體現(xiàn)；由圖2C 可以看出，基于遷移學(xué)習(xí)再引入SE block后，模型的準(zhǔn)確率均有一定的提升。

從圖2F所展示的混淆矩陣可知，模型對(duì)N3以及N4 處理施氮水平的水稻識(shí)別準(zhǔn)確率大于N1和N2 處理；對(duì)于4 類施氮水平的識(shí)別準(zhǔn)確率分別為96.53%、98.52%、98.84%、98.71%。因此，從圖2D～F 可以看出，ResNet_SE 的準(zhǔn)確率優(yōu)于ResNet34，ResNet_SEt的準(zhǔn)確率優(yōu)于ResNet_SE。

2.2.2 模型在齊穗期的訓(xùn)練曲線和混淆矩陣 對(duì)于水稻齊穗期，方案1、2、3 的模型訓(xùn)練曲線以及混淆矩陣如圖3所示。

圖3 3個(gè)方案在齊穗期的訓(xùn)練曲線和混淆矩陣Fig. 3 Training curves and confusion matrices of three schemes during the full heading stage

從圖3A～C 可知，改進(jìn)后的模型在收斂速度、過擬合現(xiàn)象的處理、模型的準(zhǔn)確率均有一定的提升。從圖3F 可知，模型對(duì)N2 以及N3 施氮水平的水稻識(shí)別準(zhǔn)確率稍低于N1的和N4的施氮水平；對(duì)于4 類施氮水平的識(shí)別準(zhǔn)確率分別為99.76%、99.05%、99.05%、100.00%。因此，從圖3D～F 可以看出，ResNet_SE 的準(zhǔn)確率優(yōu)于ResNet34，ResNet34_SEt的準(zhǔn)確率優(yōu)于ResNet_SE。

綜上可知，相比于未改進(jìn)網(wǎng)絡(luò)，基于遷移學(xué)習(xí)，可以迅速在數(shù)據(jù)集數(shù)量不多的情況下，得到較為理想的識(shí)別準(zhǔn)確率，且模型收斂速度更快，模型的整體性能也更好；替換為全局平均池化層，可以減少模型總參數(shù)量，且在訓(xùn)練過程中測(cè)試集的損失趨勢(shì)相對(duì)原始模型更加穩(wěn)定，其次能夠改善模型訓(xùn)練過程中產(chǎn)生的過擬合現(xiàn)象，但模型的收斂速度有所降低；SE block 的引入可以提高模型的準(zhǔn)確率，但SE block 的引入增加了模型的訓(xùn)練時(shí)間，參與訓(xùn)練的參數(shù)也有所增加，經(jīng)過模型評(píng)估，ResNet34_SEt在水稻幼穗分化期和齊穗期分別能達(dá)到98.13%和99.46%的準(zhǔn)確率；基于遷移學(xué)習(xí)以及在網(wǎng)絡(luò)殘差塊中引入SE block 相比直接進(jìn)行全新學(xué)習(xí)識(shí)別錯(cuò)誤的數(shù)量大大減小，表明ResNet34_SEt更適用于水稻氮素營養(yǎng)診斷任務(wù)。

2.3 不同模型的性能對(duì)比

為了進(jìn)一步驗(yàn)證方案3 的有效性，使用本試驗(yàn)的數(shù)據(jù)集輸入到AlexNet、VGG11、VGG16 傳統(tǒng)模型進(jìn)行分類任務(wù)，并將模型的性能與方案3 的ResNet34_SEt進(jìn)行對(duì)比，結(jié)果如表3 所示。由表3可知，AlexNe模型相較于ResNet34_SEt，二者訓(xùn)練時(shí)間相差不多，但是二者在2 個(gè)時(shí)期數(shù)據(jù)集中的表現(xiàn)卻相差較大，且模型總參數(shù)量也有近12 倍的差距；對(duì)于VGG11 以及VGG16 模型，它們所需的計(jì)算量相較于ResNet34_SEt 都十分巨大，VGG16在齊穗期的效果要優(yōu)于VGG11，但是該效果多體現(xiàn)在相較VGG11 層數(shù)更多，模型更深，需要更多的訓(xùn)練時(shí)間，且模型總參數(shù)量都較大；對(duì)于ResNet34_SEt自身而言，在訓(xùn)練時(shí)間，模型總參數(shù)量，測(cè)試效果方面綜合來說最優(yōu)。

表3 不同模型的性能對(duì)比Table 3 Performance comparison of different models

3 討論

本文以‘兩優(yōu)培九’為研究對(duì)象，對(duì)2 個(gè)時(shí)期、4 個(gè)施氮水平的水稻進(jìn)行幼穗分化期的營養(yǎng)診斷，從試驗(yàn)結(jié)果來看，模型能更準(zhǔn)確識(shí)別水稻幼穗分化期N3 以及N4 施氮水平，從齊穗期的試驗(yàn)數(shù)據(jù)來看，模型對(duì)N1 以及N4 施氮水平的水稻能更準(zhǔn)確地識(shí)別。羅建軍等[26]在本試驗(yàn)數(shù)據(jù)集上，使用機(jī)器學(xué)習(xí)的方法，通過獲取水稻掃描圖像提取葉片顏色、幾何形態(tài)等特征進(jìn)行水稻氮素營養(yǎng)診斷，與本試驗(yàn)中幼穗分化期的數(shù)據(jù)有差異，可能是因?yàn)樯疃葘W(xué)習(xí)與基于特征的機(jī)器學(xué)習(xí)對(duì)樣本數(shù)據(jù)集大小要求不一樣所導(dǎo)致的。通過深度學(xué)習(xí)方法，發(fā)現(xiàn)水稻的齊穗期識(shí)別準(zhǔn)確率稍高于水稻的幼穗分化期，這種差異可能是不同時(shí)期的數(shù)據(jù)集數(shù)量以及分布不同所導(dǎo)致的。張林朋等[27]在本試驗(yàn)數(shù)據(jù)集上，使用深度學(xué)習(xí)方法構(gòu)建了改進(jìn)的VGG16 和遷移學(xué)習(xí)相結(jié)合的網(wǎng)絡(luò)模型對(duì)水稻葉片圖像數(shù)據(jù)進(jìn)行氮素營養(yǎng)診斷識(shí)別，結(jié)果表明在水稻幼穗分化期和齊穗期，該模型微調(diào)后的識(shí)別準(zhǔn)確率均能達(dá)到95%以上，但是其存在模型體積大、模型參數(shù)量多、訓(xùn)練時(shí)間較長(zhǎng)等問題。在本試驗(yàn)中，對(duì)出現(xiàn)圖像彎折、卷曲現(xiàn)象的進(jìn)行了舍棄，但由于對(duì)水稻的分割處理粗糙，也可能造成部分水稻的分割處有圖像信息缺失，在后續(xù)試驗(yàn)中，增大樣本數(shù)量和對(duì)水稻的處理過程更加細(xì)致將是重要改進(jìn)之處，其次應(yīng)盡量使數(shù)據(jù)分布均勻，再次提高每一類施氮水平的識(shí)別效果。綜上，在高光譜技術(shù)、機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法的對(duì)比中，深度學(xué)習(xí)方法將會(huì)是水稻氮素診斷的最優(yōu)選擇。

在數(shù)據(jù)集方面，本試驗(yàn)后期對(duì)其進(jìn)行預(yù)處理過程中丟棄了部分圖像信息，使得幼穗分化期的數(shù)據(jù)分布相較于齊穗期來說更加分布不均勻，每類施氮水平的數(shù)據(jù)量都有所不同，對(duì)最終得到的識(shí)別準(zhǔn)確率造成了一定的影響。Cap 等[28]提出了一種LeafGAN 方法，通過從健康圖像轉(zhuǎn)換生成各種各樣的疾病圖像，作為提高植物疾病診斷性能的數(shù)據(jù)增強(qiáng)工具，對(duì)試驗(yàn)過程中數(shù)據(jù)集數(shù)量過少問題進(jìn)行了改善，改善了模型的過擬合現(xiàn)象，模型性能也有所提升。在數(shù)據(jù)集數(shù)量上，未來可使用GAN 等方法進(jìn)行數(shù)據(jù)擴(kuò)充，避免數(shù)據(jù)不足，使模型準(zhǔn)確度更高。另外，本試驗(yàn)使用1 個(gè)品種對(duì)模型的適用程度方面具有一定的局限性，例如外形特征以及其他品種施氮量的顏色特征等，這些都會(huì)影響本模型對(duì)數(shù)據(jù)的識(shí)別準(zhǔn)確率；采用本試驗(yàn)使用的ResNet 網(wǎng)絡(luò)，需要大量數(shù)據(jù)以及更長(zhǎng)的訓(xùn)練時(shí)間，以保證模型的準(zhǔn)確率以及穩(wěn)定性。未來的研究中，需要增加不同水稻品種、獲取水稻不同生長(zhǎng)時(shí)期的營養(yǎng)狀況數(shù)據(jù)，基于本試驗(yàn)的施氮水平，再細(xì)化出更多的施氮水平，會(huì)更加有利于模型的通用性、適用性。

本試驗(yàn)通過使用卷積神經(jīng)網(wǎng)絡(luò)，將網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，建立水稻氮素營養(yǎng)診斷模型，能夠獲得較高的模型識(shí)別準(zhǔn)確率，同時(shí)該模型能夠抑制模型訓(xùn)練過程中過擬合現(xiàn)象的產(chǎn)生，數(shù)據(jù)表明該模型能夠用于水稻氮素營養(yǎng)的分類任務(wù)，為利用計(jì)算機(jī)識(shí)別水稻氮素營養(yǎng)的研究方向提供了一種新思路。