基于BP神經網絡和概率神經網絡的水稻圖像氮素營養診斷

周 瓊，楊紅云，楊 珺，孫玉婷，孫愛珍，楊文姬,

（1 江西農業大學計算機與信息工程學院, 江西南昌 330045；2 江西農業大學軟件學院, 江西南昌 330045；3 江西省高等學校農業信息技術重點實驗室, 江西南昌 330045）

水稻栽培管理中，氮肥對糧食作物產量的貢獻率占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，優化群體結構，改善田間植株生長狀況，同時減輕病蟲害的發生率，進而促進水稻終產量的形成[2]。近年來圖像處理技術被廣泛運用于農業領域。李明等[3]采用圖像處理中的改進動態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，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域并運用BP神經網絡進行病害分類，平均識別精度達95.31%；張楠楠等[5]采用圖像處理對霉變玉米顆粒進行檢測，其正確檢測率達87.5%以上；吳露露等[6]應用圖像處理提取水稻稻瘟病病斑，其識別率達90.26%，效果較好。水稻營養狀況在葉片色彩、形態上均有所顯示[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，嚴重缺乏時，葉鞘基部甚至變白[16]。孫棋[8]發現，拔節期水稻葉片中的頂3葉最能體現其氮素狀況，并應用顏色參數建立回歸分析模型進行氮素診斷。祝錦霞等[9-10]利用水稻拔節期頂3葉顏色特征數據及水稻冠層數據，建立了水稻氮素水平識別回歸模型。王遠等[11]應用水稻葉片顏色特征參數進行回歸分析，發現采用孕穗期水稻葉片進行氮素診斷效果最佳。劉江桓[12]應用水稻葉片顏色特征參數進行擬合分析，發現不同生育期水稻頂3葉可體現稻株的氮素含量。顧清等[13]應用支持向量機，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行氮素營養診斷，該特征組合對缺氮和正常氮素營養水平的識別準確率均較高，對過量氮素營養水平的識別準確率較低。以上研究結果均表明，水稻頂部三個葉片是進行水稻氮素營養診斷的敏感部位。BP神經網絡 (error back propagation neural network, BPNN) 是一種誤差反向傳播算法的學習過程，被廣泛運用于模式識別、圖像處理、智能控制、故障檢測等領域[17-23]。概率神經網絡 (probabilistic neural network, PNN) 是由高斯函數為基函數來形成聯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網絡，常用于解決模式識別分類問題，應用廣泛[24-28]。同時文獻[29]發現超高產水稻在幼穗分化期、齊穗期對氮吸收利用高且積累速度快。目前關于水稻幼穗分化期、齊穗期的氮素營養診斷尚未見報道。

本研究采用圖像處理技術分別于幼穗分化期、齊穗期獲取頂部三個水稻葉片的19項顏色和形態特征，應用BP神經網絡和概率神經網絡建立水稻氮素營養診斷模型。探尋能夠有效識別大田試驗水稻氮素營養狀況的水稻葉位、生育期及最佳識別參數，為利用計算機視覺技術快速準確診斷作物生長營養狀況奠定理論和應用基礎。

1 材料與方法

1.1 試驗原始數據

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

1.1.2 試驗設計 以超級雜交稻兩優培九為試驗材料，以其高施氮量 (270 kg/hm2以上) 為基礎[31]，設4個施氮水平，分別為N 0、210、300和390 kg/hm2。小區隨機區組排列，小區面積30 m2，小區間筑土埂隔開，并用塑料薄膜覆蓋埂體，單灌單排，重復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，其他按常規高產栽培要求進行。

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葉鞘圖像)，每一張水稻圖像視為一組水稻數據。

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

1.2 水稻特征數據

1.2.1 特征選取 水稻葉片表觀特征參數包括周長、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 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。將掃描儀獲取的RGB彩色圖像轉換為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行對比，如圖1所示。發現H通道下水稻葉片與背景區分度最大，故采用H通道圖像作為目標圖像。對H通道圖像采用“閾值法”轉化為二值圖像，其中閾值設置為0.3，為方便后續處理將圖像進行色彩反轉，然后分別采用imfill函數和bwareaopen函數去除水稻葉片及圖像背景中的小面積干擾區域，如圖2所示。

對于水稻顏色特征，應用cat函數將去除干擾物后圖像與原圖像進行點乘操作獲取黑色背景的水稻圖像。采用bwlabel函數進行連通域標記，應用regionprops函數確定葉鞘及葉片對應位置，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行R、G、B、H、S、I均值計算。

對于水稻形態特征，采用8個方形參照物 (實際邊長為2.5 cm) 作為水稻葉片形態特征參數的計算參照，分別對水稻葉片圖像和參照物圖像進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、面積參數分別根據下列公式 (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 + 葉片2最小外接矩形長度所占像素數) ×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 (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 + 葉片2最小外接矩形寬度所占像素數) × 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 (2)

水稻葉片周長 = (葉片1邊緣所占像素數之和 +葉片2邊緣所占像素數之和 - 葉片1最小外接矩形寬度所占像素數 - 葉片2最小外接矩形寬度所占像素數) × 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 (3)

水稻葉片面積 = (葉片1所占像素數 + 葉片2所占像素數) × 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 (4)

圖2 去除雜質圖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 建立水稻氮素營養診斷模型

本研究中分別應用BP神經網絡和概率神經網絡建立水稻氮素營養診斷模型，進行水稻氮素營養診斷識別，上文中19項水稻特征數據作為模型輸入參數，將0、210、300和390 kg/hm24個氮素營養水平分別依次替代為Y1、Y2、Y3和Y4，并作為模型的輸出參數。根據水稻氮素營養水平不同將輸出參數分為四類：[1，0，0，0]、[0，1，0，0]、[0，0，1，0]、[0，0，0，1]，分別表示4個氮素營養水平Y1、Y2、Y3和Y4。對幼穗分化期、齊穗期頂1葉、頂2葉、頂3葉的氮素營養進行診斷識別比較試驗。模型數據共計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水平為80組，隨機選取其中55組作為模型訓練集，剩余25組作為模型測試集。本研究利用MATLAB R2014a建立水稻氮素營養診斷模型。

1.3.1 數據歸一化 為了消除水稻特征指標數據之間的量綱影響，對數據進行標準化處理，以解決數據指標之間的可比性。本試驗采用mapminmax函數對本試驗數據統一進行歸一化。Mapminmax函數所采用的映射如下所示：

1.3.2 BP神經網絡 本試驗中BP神經網絡的輸入層節點數為19，輸出層節點數為4，訓練迭代次數為1000次。BP神經網絡中的隱含層節點的個數與問題的要求、輸入及輸出單元的數目等有密切的關系，同時影響網絡的非線性映射能力，隱含層節點過多會造成學習時間過長，而過少則造成網絡的容錯性能差[24-25]。經試驗比較后，本試驗采用雙隱含層BP神經網絡，結構圖如圖5所示。其中雙層隱含層節點數分別為16、5，隱含層節點轉移函數均采用purelin函數，學習訓練函數采用trainlm函數。

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

2 結果與分析

2.1 圖像處理獲取水稻參數的精準性

為評判分析本試驗中圖像處理對于水稻葉片長度、最大寬度形態特征精準度，掃描過程中隨機選取60片葉片進行人工測量，與圖像處理獲取的數據進行對比。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神經網絡圖Fig. 5 Chart of the BP neural network

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

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

2.2 水稻氮素營養診斷識別結果

應用BP神經網絡和概率神經網絡對上文獲取的19項水稻特征數據分別進行水稻氮素營養診斷識別，其結果如表2所示。幼穗分化期水稻整體識別準確率均高于齊穗期水稻。對于BP神經網絡建立的水稻氮素營養診斷模型，幼穗分化期與齊穗期水稻的整體識別準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葉的整體識別準確率分別高出19、21、22個百分點；而對于概率神經網絡建立的水稻氮素營養診斷模型，幼穗分化期水稻的整體識別準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葉的整體識別準確率最高，BP神經網絡與概率神經網絡氮素營養診斷模型的準確率分別為90%、82%。

應用BP神經網絡和概率神經網絡分別對幼穗分化期頂3葉數據建立模型進行水稻氮素營養診斷，診斷識別結果如表3所示。應用BP神經網絡建立的氮素營養診斷模型中，第一類識別準確率最高，達100%，其次是第四類，96%，第三類識別準確率達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簽中的1、2、3、4，縱坐標為氮素水平類別標簽，橫坐標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測識別分類圖如圖6所示，可發現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。應用概率神經網絡對幼穗分化期頂3葉建立的氮素營養診斷模型中，第四類識別準確率最高，達96%，其次是第一類、第三類，第二類識別效果最差，為68%。其中實際分類與預測分類圖如圖7所示，縱坐標為氮素水平類別標簽，橫坐標為測試樣本順序編號，可發現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。

應用BP神經網絡對幼穗分化期頂3葉的不同特征組合數據建立模型進行水稻氮素營養診斷，不同數量葉片和葉鞘特征組合下采用BPNN法進行氮素營養診斷整體識別：19項葉片和葉鞘特征識別準確率90%；13項葉片顏色和形態特征識別準確率85%；6項葉片顏色特征識別準確率77%；6項葉鞘顏色特征識別準確率69%；7項葉片形態特征識別準確率44%。可發現采用19項葉片和葉鞘特征參數作為模型輸入時準確率最高，達90%，其次為13項葉片顏色和形態特征參數，同時，6項葉片顏色特征作為模型輸入的準確率要高于6項葉鞘顏色特征，而7項葉片形態特征參數準確率最低，僅44%。說明對于氮素營養診斷，葉片顏色特征最為重要，顏色特征重要性要高于形態特征，并且葉鞘顏色特征能夠提升其準確率。

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

圖6 BP神經網絡下氮素營養診斷識別準確率Fig. 6 Recognition accuracy of nitrogen nutrition diagnosis based on the BP neural network

圖7 概率神經網絡下氮素營養診斷識別準確率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用圖像處理獲取水稻葉片幾何參數，與實際數值相比，葉片面積計算誤差小于5%，長寬誤差小于0.67%[32]，說明圖像處理應用于水稻葉片幾何參數獲取是可行的。同時水稻產量和品質受品種遺傳特性和環境條件的綜合影響[33]。在諸多環境因子中，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元素。近年來由于高產品種推廣及肥料大量使用，稻谷產量大幅提升，稻米品質卻未顯著改善，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，對氮素營養進行快速準確診斷識別能夠有效指導施氮。部分前人研究只涉及單一日期或是某一時間段內水稻營養元素分類識別，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、齊穗期兩個時期內的頂1葉、頂2葉、頂3葉進行氮素營養診斷識別，發現幼穗分化期頂3葉在四個氮素營養水平下特征區分度最大，最易于進行診斷識別，這與拔節期水稻葉片中的頂3葉最能體現其氮素營養狀況相似。同時關于幼穗分化期準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早衰現象，葉片氮含量快速衰減，不易于進行區分識別[35]。本研究中應用BP神經網絡對兩個時期的水稻進行氮素營養診斷識別，識別準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診斷識別的結果一致[8]。顧清等進行水稻氮素營養診斷，其中第四類難以識別[15]，本研究中應用BP神經網絡對幼穗分化期頂3葉數據進行氮素營養診斷識別研究，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分。

本研究中單獨采用葉片特征或是葉鞘特征參數作為模型輸入參數，其識別準確率均下降，采用包含葉色及葉形的19項特征作為氮素營養診斷模型輸入參數，維數偏多，但獲取速度快、易于獲取。本研究應用BP神經網絡和概率神經網絡對水稻特征數據進行水稻氮素營養診斷識別，由表2可發現幼穗分化期水稻頂3葉葉片特征最具區分度，易于進行氮素營養診斷，BP神經網絡診斷識別效果更佳。

本研究僅進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據庫，對模型輸入參數進行參數降維和參數優化，同時對非破壞性水稻參數的測量獲取進行相關研究，以便建立更具通用性與實用性的水稻氮素營養診斷識別模型，并利用水稻植株的其他參數，如植株冠層面積等與水稻氮素營養水平之間做相關研究，為農學研究和高產栽培提供可靠依據。

4 結論

1) 應用圖像處理方法可快速無損地獲取水稻特征數據，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葉葉片特征最具區分度，易于進行氮素營養診斷識別，可作為氮素營養診斷的有效時期和部位。

3) 識別效果BP神經網絡分類好于概率神經網絡方法，其整體識別準確率達90%。

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