基于機器學習的馬鈴薯營養成分分析研究

楊捷

摘要利用兩級三層PCA-BP神經網絡模型，實時分析馬鈴薯的營養成分，診斷可能缺少的營養元素，及時給出有效的防治方法，解決馬鈴薯品質下降問題。結果表明，該方法能夠較準確地識別缺少鉀、錳、鐵、硼、鎂和硫元素的馬鈴薯葉片，識別率達到96%以上。

關鍵詞 機器學習;馬鈴薯;圖像處理;營養成分分析

中圖分類號 S532;TP312

文獻標識碼 A

文章編號 1007-5739（2019）07-0201-01

馬鈴薯產業化是寧夏南部山區擺脫貧困的主要途徑之一。在馬鈴薯的生長過程中，營養元素缺失會嚴重影響馬鈴薯的產量和質量，當缺乏任何一種營養元素時，會抑制馬鈴薯的生長發育從而導致馬鈴薯品質下降，更甚的會造成減產乃至絕收。因此，對馬鈴薯生長過程的監測十分重要。實時分析馬鈴薯的營養成分、診斷可能缺少的營養元素、及時給出有效的防治方法、解決馬鈴薯品質下降問題，可有效促進農民增收。

計算機技術的應用推動了農業信息化，農作物病蟲害識別不局限于依靠人工診斷來識別-31。孔彥龍等14-0給出了基于機器視覺馬鈴薯的質量和形狀分類方法，肖志云等07-1給出了典型馬鈴薯病害的診斷和鑒定方法，但是對于馬鈴薯營養的診斷流程都仍處于人工診斷階段。

本文利用兩級三層PCA-BP神經網絡模型訓練，通過已有樣本庫的學習，實現將馬鈴薯葉片圖像輸人到訓練后的多層神經網絡輸人端，進行計算，在輸出端得到重構的無營養缺失的圖像。隨后把重構圖像與保存的壓縮圖像進行差值運算，得到只含營養缺失葉片特征的圖像。最后通過對營養缺失圖像的特征提取，分析出缺失營養元素的種類。1材料與方法

1.1葉片特征提取

1.1.1缺素葉片特征。馬鈴薯營養缺失葉片表現出的特征有很大的區別：缺鉀的馬鈴薯葉片主要特征表現為葉脈間褪綠，葉尖、葉緣壞死;缺錳的葉片出現斑點狀褐色壞死;缺鐵的馬鈴薯嫩葉片出現失綠、黃白化而葉尖褪綠;缺硼的馬鈴薯葉片有小葉卷曲和燒邊現象;缺鎂的馬鈴薯葉片出現葉簇增厚、葉脈突出、葉尖壞死;缺硫的馬鈴薯新葉普遍黃化不干枯脫落。

1.1.2顏色特征提取。馬鈴薯在生長階段，營養成分缺失主要表現在葉片顏色上。通過觀察馬鈴薯葉片顏色特征，可以判別馬鈴薯是否缺少微量元素。RGB顏色模型基于笛卡爾坐標系統，其3種原色R、G、B能表達豐富的顏色信息，但是對描述圖像顏色受到較多的限制。HSI顏色模型，用色調（H）、飽和度（S）和強度（I）描述圖像的顏色信息，H分量可以更清楚地反映馬鈴薯缺素葉片圖像顏色變化。本文提取了馬鈴薯缺素葉片圖像的H、S、V分量的均值、方差、三階矩，共計9個顏色特征。

1.1.3紋理特征提取。馬鈴薯缺素葉片圖像的缺紋理特征具有很大的差別，比如缺鎂的馬鈴薯葉片表現為葉簇增厚、葉脈突出、葉尖壞死;缺硫的馬鈴薯表現為新葉普遍黃化。提取馬鈴薯缺素葉片的紋理特征，可以判別缺少微量元素的種類。本文利用灰度共生矩陣提取馬鈴薯葉片圖像的紋理特征。

1.1.4形狀特征提取。本文提取馬鈴薯缺素葉片圖像的面積、周長、緊湊度、矩形度、延伸率、離散度、區域密度，共計7個特征。

1.2兩級三層PCA-BP神經網絡分析法

1.2.1PCA主成分分析。特征提取出的馬鈴薯缺素葉片的顏色特征、紋理特征和形狀特征，在營養成分分析過程中，表現出相關性：通過PCA（主成分分析），對提取出的顏色特征、紋理特征和形狀特征進行降維，降低數據冗余度，提高馬鈴薯營養成分分析的識別度。

1.2.2訓練模型。提取出的馬鈴薯缺素葉片的特征量是多峰線性不可分的，而且馬鈴薯缺少微量元素不同，表現在新葉和中葉上的特征不同，如缺鐵和缺硫的馬鈴薯葉片特征主要集中在新葉上，缺鉀、鎂、硼和錳元素的馬鈴薯葉片特征主要集中在中葉上。因此，本文采用兩級三層PCA-BP神經網絡（圖1），針對馬鈴薯的新葉和中葉進行分級判斷。第一級PCA-BP神經網絡判斷馬鈴薯是否缺素，第二級PCA-BP神經網絡識別馬鈴薯缺少微量元素的種類。

PCA-BP神經網絡輸人層為經過主成分分析降維的特征值，兩級神經網絡的識別作用不同，設定輸人層節點個數不同。根據主成分分析貢獻率的大小，選定第一級PCA-BP神經網絡輸人層為H分量的均值、三階矩相關性、對比度和熵5個節點;第二級PCA-BP神經網絡，依據新葉和中葉表現出不同的顏色、紋理和形狀特征，針對新葉和中葉分別選取出不同的特征分量。隱含層節點的設定根據RobertHechtNielson經驗計算公式確定。輸出層表達馬鈴薯營養成分分析的結果，第一級PCA-BP神經網絡識別馬鈴薯是否缺少微量元素，結果是是或否，輸出層是單節點;第二級PCA-BP神經網絡分析給出馬鈴薯缺少的微量元素種類，新葉和中葉識別的元素種類不同，用于識別缺鐵和硫元素的新葉識別模型的輸出是2個節點，識別缺鉀鎂、硼和錳元素的中葉識別模型的輸出層是4個節點。

1.3實驗環境

CPU：Intel（R）_Core（TM）_i5-3210M_CPU_@_2.50GHz。顯卡：NVIDIAGeForceGT630M。系統：Windows8。開發平臺：Matlab?2014。

2結果與分析

分別選馬鈴薯缺少鉀、錳、鐵、硼、鎂和硫元素的50張圖像進行分析試驗，最大訓練步數為10000，步長0.01，目標誤差為0.01，學習速率為0.01，動量常數0.9。

從表1可以看出，本文兩級三層PCA-BP神經網絡模型分析馬鈴薯營養成分，對于各微量元素識別的準確率均在96%以上，較BP神經網絡識別率相對較高。在馬鈴薯營養成分分析中，避免了人工識別診斷存在的語言描述特征不確切問題，實現了馬鈴薯營養成分分析的智能識別7-9。3結論與討論

本文采用兩級三層PCA-BP神經網絡模型，在馬鈴薯營養成分分析中識別率比較高，但是受訓練樣本大小的約束，識別存在誤差。在下一步的工作中，增大樣本集、完善訓練模型、進行并行化設計，以進一步提高識別的準確率和效率。

4參考文獻

[1]陳麗，王蘭英.概率神經網絡在玉米葉部病害識別中的應用[J].農機化研究，2011，33（6）：145-148.

[2]霍迎秋，唐晶磊，尹秀珍，等.基于壓縮感知理論的蘋果病害識別方法[D].農業機械學報，2013，44（10）：227-232.

[3]翟治芬，徐哲，周新群，等基于樸素貝葉斯分類器的棉花盲椿象危害等級識別[J].農業工程學報，2015，31（1）：204-211.

[4]孔彥龍，高曉陽，李紅玲，等.基于機器視覺的馬鈴薯質量和形狀分選方法[J].農業工程學報，2012，28（17）：143-148.

[5]王紅軍等基于機器視覺圖像特征參數的馬鈴薯質量和形狀分級方法[J].農業工程學報，2016，32（8）：272-277.

[6]郝敏，麻碩士，郝小冬.基于Zernike矩的馬鈴薯薯形檢測[J].農業工程學報，2009，26（2）：347-350.

[7]肖志云，劉洪.馬鈴薯典型病害圖像自適應特征融合與快速識別門農業機械學報，2017，48（12）：26-32.

[8]田海韜，趙軍一種基于機器視覺的種薯自動化切種決策機制[J].計算機仿真，2018（8）：175-178.

[9]馬曉丹，譚峰，許少華基于量子神經網絡的馬鈴薯早疫病診斷模型[J].農業機械學報，2011（6）：174-183.