基于改進(jìn)的VGG16網(wǎng)絡(luò)和遷移學(xué)習(xí)的水稻氮素營養(yǎng)診斷

張林朋 楊紅云* 錢 政 郭紫微

(1.江西農(nóng)業(yè)大學(xué) 軟件學(xué)院,南昌 330045;2.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)

在水稻的栽培管理中,氮肥對(duì)其產(chǎn)量的貢獻(xiàn)率約占50%[1],過量施氮?jiǎng)t會(huì)在土壤中遺留大量氮元素,不僅造成了氮肥的浪費(fèi),而且對(duì)環(huán)境產(chǎn)生一定的污染[2]。精準(zhǔn)施氮能夠減少水稻生長過程中的無效分蘗,提高有效成穗率,優(yōu)化群體結(jié)構(gòu),改善田間植株的生長狀況,減少病蟲害的發(fā)生率,從而提升水稻的產(chǎn)量[3]。因此,對(duì)施氮量的管理至關(guān)重要,對(duì)水稻氮素營養(yǎng)快速準(zhǔn)確診斷能夠有效的指導(dǎo)合理施氮[4]。

目前,氮素營養(yǎng)診斷主要包括化學(xué)分析[5]、光譜遙感[6]、便攜式葉綠素儀[7](Soil and plant analyzer development,SPAD)和數(shù)字圖像技術(shù)[8]等。雖然這些技術(shù)在一定的條件下可以進(jìn)行氮素營養(yǎng)診斷,但化學(xué)分析需要在實(shí)驗(yàn)室進(jìn)行處理且對(duì)相關(guān)專業(yè)的要求較高[9],光譜遙感試驗(yàn)儀器昂貴,對(duì)專業(yè)的要求較高[10],便攜式SPAD儀需要多點(diǎn)重復(fù)測(cè)量且SPAD值易受光照影響[11-12],數(shù)字圖像技術(shù)需要人為的設(shè)計(jì)、提取和優(yōu)化特征,且提取過程較為繁雜,未考慮到模型的自主學(xué)習(xí)。

近年來,隨著深度學(xué)習(xí)等技術(shù)的廣泛應(yīng)用,使用深度學(xué)習(xí)等技術(shù)用于識(shí)別病蟲害,識(shí)別雜草,營養(yǎng)診斷等也越來越廣泛[13]。熊俊濤等[14]使用遷移學(xué)習(xí)和改進(jìn)的VGG16模型對(duì)大豆葉片缺素?cái)?shù)據(jù)集進(jìn)行訓(xùn)練,該模型在測(cè)試集上的準(zhǔn)確率為89.42%。Kusanur等[15]使用經(jīng)遷移學(xué)習(xí)的Inception-V3、ResNet50和VGG16網(wǎng)絡(luò)模型分別對(duì)番茄植物營養(yǎng)缺乏性進(jìn)行預(yù)測(cè)和分類,結(jié)果表明Inception-v3模型的準(zhǔn)確率達(dá)到99.99%。Xu等[16]通過微調(diào)4種最先進(jìn)的DCNN：Inception-v3、ResNet50、NasNet-Large和DenseNet121,在水培試驗(yàn)獲取的水稻葉片圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練,所有的DCNN在測(cè)試準(zhǔn)確率均在90%以上。潘圣剛等[17]研究表明,水稻氮素吸收及快速積累的主要時(shí)期是在分蘗期和拔節(jié)期。本研究擬在水稻生長的幼穗分化期和齊穗期,分別采集4種不同氮素水平的葉片圖像,使用改進(jìn)的VGG 16網(wǎng)絡(luò)和遷移學(xué)習(xí)相結(jié)合的方法,構(gòu)建水稻氮素營養(yǎng)診斷模型,以期為水稻等作物的氮素營養(yǎng)診斷建模提供理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)區(qū)概況及試驗(yàn)設(shè)計(jì)

于2017-06-14開始在江西省南昌市成新農(nóng)場(chǎng)(116°15′ E,28°92′ N)進(jìn)行水稻氮素營養(yǎng)試驗(yàn)。經(jīng)測(cè)定稻田土壤基本理化性質(zhì)為：pH 5.30、有機(jī)質(zhì)24.40 g/kg、全氮1.40 g/kg、有效磷12.70 mg/kg、速效鉀123.0 mg/kg[18]。

以超級(jí)雜交稻‘兩優(yōu)培九’(Liangyoupei 9,LYP9)為供試品種,其最佳施氮(純氮)量為210～300 kg/hm2[19]。本研究設(shè)置N1、N2、N3和N4共4組不同的施氮水平：施氮量分別為0、210、300和390 kg/hm2。將水稻種植于小區(qū)中,小區(qū)隨機(jī)區(qū)組排列,每小區(qū)面積5 m×6 m=30 m2,小區(qū)間筑土埂隔開,并用塑料薄膜覆蓋埂體,單灌單排,重復(fù)3次。氮肥按m(基肥)∶m(分蘗肥)∶m(穗肥)=2∶1∶2施用。鉀肥按m(分蘗肥)∶m(穗肥)=7∶3施用,磷肥一次性做基肥施用。各施肥區(qū)域中磷、鉀肥用量相等,即P2O5為225 kg/hm2和K2O為300 kg/hm2。供試肥料分別為尿素(含N量46%)、氯化鉀(含K2O 量60%)和鈣鎂磷肥(含P2O5量12%)[19]。人工移植前1 d施用基肥,人工移植后7 d施用分蘗肥,在葉齡余數(shù)1.5左右施用穗肥料[20]。于5月25日播種,6月14日人工移栽,栽插密度為13.3 cm×26.6 cm,其他操作均按常規(guī)的高產(chǎn)栽培要求進(jìn)行。

1.2 水稻葉片圖像獲取

本試驗(yàn)所用掃描設(shè)備為MICROTEK掃描儀(型號(hào)MRS-9600TFU2L,上海中晶科技有限公司生產(chǎn),分辨率600 dpi),于水稻幼穗分化期(2017-07-24)和齊穗期(2017-08-24)掃描獲取水稻圖像,每次掃描獲取960張,其中每個(gè)時(shí)期水稻的頂一葉、頂二葉、頂三葉圖像均為320張(葉片圖像包含對(duì)應(yīng)葉鞘圖像),共計(jì)1 920張2 515像素×3 997像素的水稻圖像。每一張水稻圖像視為一組水稻數(shù)據(jù)。因水稻葉片過長[21],為便于掃描圖像,將每片葉片分為葉中和葉尖部分,平鋪在同一大小的白色紙張上,同時(shí)放置對(duì)應(yīng)葉片的葉鞘和一個(gè)已知大小的參照物,以便后續(xù)試驗(yàn)處理。

1.3 葉片圖像預(yù)處理

本研究對(duì)水稻葉片圖像進(jìn)行處理,從而獲取完整的水稻葉片。因在掃描圖像的過程中,有部分水稻葉片產(chǎn)生折疊、蜷縮等現(xiàn)象,將其去除。水稻生長幼穗分化期和齊穗期圖像數(shù)據(jù)集見表1。本試驗(yàn)獲取的實(shí)際數(shù)據(jù)量為1 832張,其中幼穗分化期的圖像為902張,齊穗期的圖像為930張。部分幼穗分化期的水稻葉片圖像見圖1。

表1 水稻生長幼穗分化期和齊穗期采集的水稻圖像數(shù)據(jù)集Table 1 Rice image data sets were collected at the young panicle differentiation stage and full heading stage of rice growth

圖1 幼穗分化期4組不同施氮水平的水稻葉片圖像示例Fig.1 Image examples of rice leaves with four different nitrogen application levels at young panicle differentiation stage

因本試驗(yàn)獲取的水稻圖像數(shù)據(jù)集較少,構(gòu)建水稻葉片氮素營養(yǎng)診斷模型難以了解真實(shí)的數(shù)據(jù)集分布,很容易出現(xiàn)過擬合現(xiàn)象。因此需要對(duì)原始的數(shù)據(jù)圖像使用數(shù)據(jù)擴(kuò)充的方法,用以解決數(shù)據(jù)量過少的問題。在深度學(xué)習(xí)中,數(shù)據(jù)增強(qiáng)是常用的數(shù)據(jù)擴(kuò)充方法之一。本研究采用平移變換、旋轉(zhuǎn)任意角度、翻轉(zhuǎn)變換、尺度變換、增加噪聲以及調(diào)節(jié)明亮度等常用的數(shù)據(jù)增強(qiáng)方式進(jìn)行水稻葉片擴(kuò)充,將水稻幼穗分化期采集的水稻葉片每一類的原有數(shù)據(jù)圖像擴(kuò)充為原來的10倍,圖像由原來的902張擴(kuò)充到9 020張。按照同樣操作,將齊穗期采集的水稻葉片數(shù)據(jù)進(jìn)行擴(kuò)充。將原來的930張葉片圖像擴(kuò)充為9 300張(表1)。因經(jīng)過掃描后的圖像的分辨率過大,且經(jīng)過處理后圖像的大小尺寸不一,為了方便網(wǎng)絡(luò)模型的輸入,統(tǒng)一將圖像調(diào)整為224像素×224像素,圖像格式均為jpg。將水稻葉片數(shù)據(jù)集按照訓(xùn)練集∶測(cè)試集=8∶2隨機(jī)劃分為訓(xùn)練集和測(cè)試集。其中80%的圖像數(shù)據(jù)用于訓(xùn)練,20%的圖像數(shù)據(jù)用于模型測(cè)試。

1.4 試驗(yàn)環(huán)境及參數(shù)設(shè)置

本試驗(yàn)?zāi)Ｐ偷挠?xùn)練與測(cè)試均在Windows10 64 bit操作系統(tǒng)下實(shí)現(xiàn)。試驗(yàn)的硬件環(huán)境為：CPU使用Intel(R) Xeon(R) Silver 4112@2.6 GHz 2.59 GHz,內(nèi)存為16 GB;GPU使用的是NVIDIA RTX 2080 Ti,顯存為11 GB。軟件環(huán)境為CUDA 11.1、Tensorflow 2.8.2和Python 3.7.13。網(wǎng)絡(luò)以TensorFlow為框架,調(diào)用keras的接口搭建模型。

為使得模型能夠取得更好的診斷識(shí)別效果,設(shè)置模型的超參數(shù),設(shè)置批次(batch size)為64,即每次訓(xùn)練和測(cè)試都是64張圖像。將訓(xùn)練輪數(shù)(Epochs)設(shè)置為100。使用Adam優(yōu)化算法[22],初始學(xué)習(xí)率設(shè)置為1×10-5,微調(diào)前訓(xùn)練100次,微調(diào)后訓(xùn)練50次,微調(diào)后的學(xué)習(xí)率為初始學(xué)習(xí)率的1/10。

1.5 構(gòu)建水稻葉片氮素營養(yǎng)診斷模型

選擇現(xiàn)階段比較流行的VGG16[23]網(wǎng)絡(luò)以作為特征提取模塊,去除頂層的全連接層,保留前面的卷積層和池化層。對(duì)該網(wǎng)絡(luò)模型構(gòu)建分類網(wǎng)絡(luò)部分,分類網(wǎng)絡(luò)部分由全局平均池化層(Global average pooling)、批標(biāo)準(zhǔn)化層(Batch normalization)、Dropout層及全連接層構(gòu)成。

具體步驟如下：

1)使用全局平均池化操作將特征圖(Feature map)單位均值化,將每層的特征值合為一個(gè)特征值,用以替代卷積神經(jīng)網(wǎng)絡(luò)中的多層全連接層分類網(wǎng)絡(luò),有效降低參數(shù)的數(shù)量。

2)使用批標(biāo)準(zhǔn)化操作可以使得模型訓(xùn)練過程更加穩(wěn)定,提高模型的訓(xùn)練速度,Batch Normalization 具有某種正則化作用,減少過擬合,加快模型的訓(xùn)練速度[24]。

3)因?yàn)閳D像數(shù)據(jù)樣本數(shù)量較少,為了減少模型的過擬合,在全局平均池化層后加入Dropout層,在模型訓(xùn)練過程中以某個(gè)概率凍結(jié)部分神經(jīng)元,使其失活,減少中間特征的計(jì)算量[25-26]。

4)在設(shè)計(jì)最后的分類網(wǎng)絡(luò)中,由于數(shù)據(jù)集中包含4種不同的氮素營養(yǎng),因此全連接層的輸出神經(jīng)元設(shè)計(jì)為4個(gè)。圖2為改進(jìn)的VGG16網(wǎng)絡(luò)模型簡(jiǎn)圖及主干部分。

圖2 改進(jìn)的VGG16網(wǎng)絡(luò)模型簡(jiǎn)圖(a)和主干部分(b)Fig.2 Improved VGG16 network model diagram (a) and backbone (b)

1.6 主要算法流程

模型的算法流程(圖3)如下：

圖3 模型算法流程Fig.3 Algorithm flow chart of the model

1)數(shù)據(jù)預(yù)處理。將獲取的水稻葉片數(shù)據(jù)進(jìn)行平移、翻轉(zhuǎn)、旋轉(zhuǎn)、縮放等預(yù)處理操作,用以實(shí)現(xiàn)數(shù)據(jù)集的擴(kuò)充,并將圖像全部調(diào)整為224像素×224像素。

2)輸入水稻葉片數(shù)據(jù)。在4種不同的氮素營養(yǎng)的水稻葉片圖像數(shù)據(jù)中隨機(jī)抽取80%作為訓(xùn)練樣本集。

3)構(gòu)建水稻葉片氮素營養(yǎng)診斷模型,將訓(xùn)練集送入模型進(jìn)行訓(xùn)練。

4)遷移學(xué)習(xí)和微調(diào)。使用遷移學(xué)習(xí)策略將ImageNet大型數(shù)據(jù)集上預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)模型的權(quán)重參數(shù)遷移到構(gòu)建的網(wǎng)絡(luò)模型中,優(yōu)化模型參數(shù),調(diào)整訓(xùn)練時(shí)的學(xué)習(xí)率、Batchsize等超參數(shù),更新參數(shù),優(yōu)化分類網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。

5)測(cè)試模型。抽取剩余的20%的水稻葉片圖像數(shù)據(jù)用于模型的測(cè)試,以驗(yàn)證模型的診斷識(shí)別效果。

1.7 遷移學(xué)習(xí)及微調(diào)

采用遷移學(xué)習(xí)策略[27],將ImageNet大型數(shù)據(jù)集上預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)的權(quán)值參數(shù)遷移到本研究所構(gòu)建的改進(jìn)的VGG16網(wǎng)絡(luò)模型中,將其作為特征提取模塊,應(yīng)用在水稻氮素營養(yǎng)診斷的數(shù)據(jù)集上,提取水稻葉片圖像的特征信息,減少因訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型所需的時(shí)間成本、數(shù)據(jù)量和試驗(yàn)所需的算力,可以解決小型數(shù)據(jù)集在深度神經(jīng)網(wǎng)絡(luò)上產(chǎn)生的過擬合現(xiàn)象。本試驗(yàn)利用遷移學(xué)習(xí)策略與改進(jìn)的VGG16網(wǎng)絡(luò)模型相結(jié)合,構(gòu)建水稻氮素營養(yǎng)診斷模型。遷移學(xué)習(xí)與全新學(xué)習(xí)的不同在于,遷移學(xué)習(xí)可以加快網(wǎng)絡(luò)的訓(xùn)練時(shí)間,使得模型能夠更快收斂。微調(diào)是指預(yù)先將網(wǎng)絡(luò)的特征提取部分凍結(jié)為不可訓(xùn)練狀態(tài),只對(duì)分類網(wǎng)絡(luò)部分進(jìn)行訓(xùn)練,最后解凍網(wǎng)絡(luò)的特征提取部分的某些隱藏層,對(duì)這些網(wǎng)絡(luò)層進(jìn)行不同程度的解凍并參與到模型的訓(xùn)練中,可以更好的提升模型的分類能力。

2 結(jié)果與分析

2.1 改進(jìn)的VGG16網(wǎng)絡(luò)模型的準(zhǔn)確率及參數(shù)

以水稻幼穗分化期的圖像數(shù)據(jù)為例,對(duì)改進(jìn)的VGG16網(wǎng)絡(luò)與原始的VGG16網(wǎng)絡(luò)模型進(jìn)行準(zhǔn)確率和模型參數(shù)的對(duì)比,結(jié)果見表2。可以看出,遷移學(xué)習(xí)在一定的時(shí)間內(nèi)加速模型的收斂,提高模型的準(zhǔn)確率。改進(jìn)的VGG16網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率更佳,其訓(xùn)練時(shí)間只有遷移學(xué)習(xí)的VGG16網(wǎng)絡(luò)模型訓(xùn)練時(shí)間的60%左右,且模型的大小約為遷移學(xué)習(xí)的VGG16網(wǎng)絡(luò)模型的1/6。同時(shí),改進(jìn)的VGG16網(wǎng)絡(luò)模型在精準(zhǔn)率和召回率上均優(yōu)于遷移學(xué)習(xí)的VGG16網(wǎng)絡(luò)。

表2 改進(jìn)前后VGG16 網(wǎng)絡(luò)模型的準(zhǔn)確率及參數(shù)對(duì)比Table 2 Comparison of accuracy and parameters of VGG16 network model before and after improvement

圖4示出遷移學(xué)習(xí)的VGG16和改進(jìn)的VGG16網(wǎng)絡(luò)模型訓(xùn)練過程損失曲線。可見,遷移學(xué)習(xí)的VGG16網(wǎng)絡(luò)模型訓(xùn)練過程中出現(xiàn)了損失曲線的震蕩,而改進(jìn)的VGG16網(wǎng)絡(luò)模型,震蕩小,更穩(wěn)定,表明改進(jìn)的VGG16網(wǎng)絡(luò)模型更穩(wěn)定,更趨近于收斂。在齊穗期時(shí),本模型亦優(yōu)于遷移學(xué)習(xí)的VGG16網(wǎng)絡(luò)。

圖4 遷移學(xué)習(xí)的VGG16(a)和改進(jìn)的VGG16(b)網(wǎng)絡(luò)模型訓(xùn)練過程損失曲線Fig.4 Loss curves during training of VGG16 (a) and improved VGG16 (b) network models for transfer learning

2.2 其他不同網(wǎng)絡(luò)模型的準(zhǔn)確率和參數(shù)對(duì)比

為更好的驗(yàn)證改進(jìn)的VGG16網(wǎng)絡(luò)模型的有效性,在使用水稻幼穗分化期的圖像數(shù)據(jù)條件下,與經(jīng)典的AlexNet、VGG19、ResNet50網(wǎng)絡(luò)模型和輕量級(jí)網(wǎng)絡(luò)模型MobileNet V1進(jìn)行對(duì)比,結(jié)果見表3。可以看出：不同網(wǎng)絡(luò)模型在識(shí)別準(zhǔn)確率、運(yùn)行時(shí)間及模型大小等方面存在較大差異。遷移學(xué)習(xí)可以加快模型的收斂,在一定程度上提高模型的泛化能力,且模型的訓(xùn)練時(shí)間更短。改進(jìn)的VGG16網(wǎng)絡(luò)模型在水稻氮素營養(yǎng)上的準(zhǔn)確率,運(yùn)行時(shí)間以及模型大小均優(yōu)于全新學(xué)習(xí)的AlexNet、VGG19和遷移學(xué)習(xí)的ResNet50、MobileNet V1模型。本模型在齊穗期時(shí),亦同樣優(yōu)于其他模型。

表3 不同網(wǎng)絡(luò)模型學(xué)習(xí)方式和參數(shù)對(duì)比Table 3 Comparison of learning methods and parameters of different network models

2.3 微調(diào)前后網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率

微調(diào)是指對(duì)模型的特征提取部分從一開始設(shè)置的凍結(jié)權(quán)重的狀態(tài)調(diào)整為解凍權(quán)重。使其更好的擬合所訓(xùn)練的網(wǎng)絡(luò)模型。在使用幼穗分化期和齊穗期的水稻葉片圖像的條件下,對(duì)改進(jìn)的VGG16網(wǎng)絡(luò)模型預(yù)訓(xùn)練100輪,再分別解凍前5、10、15和全部的特征提取網(wǎng)絡(luò)層數(shù)。模型在水稻生長2個(gè)不同時(shí)期測(cè)試集上的準(zhǔn)確率見表4。微調(diào)全部的特征提取網(wǎng)絡(luò),模型在測(cè)試集上的識(shí)別準(zhǔn)確率最好。

表4 改進(jìn)的VGG16模型微調(diào)前后在水稻幼穗分化期和齊穗期測(cè)試集的準(zhǔn)確率Table 4 Accuracy of the improved VGG16 model before and after fine-tuning on the test set at the young panicle differentiation and full heading stages of rice

以模型在幼穗分化期為例,其訓(xùn)練過程曲線見圖5。微調(diào)后模型的準(zhǔn)確率有著較大的提升,且損失曲線更趨向于收斂。齊穗期時(shí),微調(diào)模型,亦有準(zhǔn)確率的提升。表明微調(diào)后,模型在測(cè)試集上的準(zhǔn)確率能夠有提升。

圖5 改進(jìn)的VGG16模型在微調(diào)全部特征提取層訓(xùn)練過程的準(zhǔn)確率(a)和損失(b)曲線Fig.5 Accuracy (a) and loss (b) curves of the improved VGG16 model during the training process of fine-tuning all feature extraction layers

2.4 在幼穗分化期和齊穗期的準(zhǔn)確率及評(píng)價(jià)指標(biāo)

在水稻生長幼穗分化期和齊穗期,使用上述改進(jìn)的VGG16網(wǎng)絡(luò)模型,將2組不同生長期的圖像數(shù)據(jù)分別對(duì)該模型預(yù)訓(xùn)練100輪,微調(diào)50輪,其在測(cè)試集上的準(zhǔn)確率及評(píng)價(jià)指標(biāo)見表5。本模型不但適用于幼穗分化期的水稻氮素營養(yǎng)診斷,同樣適用于齊穗期的水稻氮素營養(yǎng)診斷識(shí)別。

表5 微調(diào)后模型在水稻生長幼穗分化期和齊穗期測(cè)試集上的準(zhǔn)確率及評(píng)價(jià)指標(biāo)Table 5 Accuracy and evaluation index of the model after fine adjustment in the test set of rice growth young spike differentiation stage and full heading stage

將微調(diào)后模型分別在水稻幼穗分化期和齊穗期的測(cè)試集上進(jìn)行評(píng)估,得到混淆矩陣見圖6。當(dāng)施氮水平為N1和N4及施氮水平為N2和N3時(shí),彼此分類的錯(cuò)誤率較大,可能是田間稻田土壤肥力不均勻,以及田間管理不規(guī)范、數(shù)據(jù)預(yù)處理時(shí)未對(duì)圖像進(jìn)行消噪處理等因素造成的。齊穗期時(shí),在測(cè)試集上氮素營養(yǎng)的識(shí)別的準(zhǔn)確率從高到低依次為N4、N1、N2、N3。

圖6 微調(diào)后的模型在水稻幼穗分化期(a)和齊穗期(b)測(cè)試集上的混淆矩陣Fig.6 The confusion matrix of the finely tuned model on the test set of young panicle differentiation stage (a) and full heading stage (b)

3 討 論

研究表明[28]在水稻生育后期合理施肥可以使灌漿期保持一定的氮素供應(yīng),延緩功能葉的衰老,維持生育后期較高的光合速率和蒸騰速率,有利于光合作物的積累與運(yùn)輸,使水稻籽粒灌漿充分,從而提高產(chǎn)量。近年來,由于高產(chǎn)品種的推廣和肥料的大量使用,稻谷產(chǎn)量大幅提升,稻米品質(zhì)卻未明顯改善,肥料利用率也呈現(xiàn)出下降趨勢(shì)[29]。因此,合理施用氮肥是非常重要的,對(duì)氮素營養(yǎng)診斷識(shí)別可以有效的指導(dǎo)施氮。已有研究只涉及某個(gè)日期或某個(gè)時(shí)間段內(nèi)的水稻營養(yǎng)診斷識(shí)別,沒有涉及幾個(gè)具體的水稻生長期。本研究在齊穗期時(shí),使用改進(jìn)的VGG16網(wǎng)絡(luò)和遷移學(xué)習(xí)相結(jié)合的氮素營養(yǎng)診斷模型進(jìn)行診斷識(shí)別,得出第一類和第四類的氮素營養(yǎng)識(shí)別準(zhǔn)確率高于第二類和第三類,這與周瓊等[30]得出的結(jié)論相同,證明了改進(jìn)的VGG16網(wǎng)絡(luò)和遷移學(xué)習(xí)相結(jié)合的水稻氮素營養(yǎng)診斷模型操作的可行性。關(guān)于幼穗分化期的識(shí)別準(zhǔn)確率高于齊穗期,正好說明超級(jí)雜交稻生育后期易出現(xiàn)早衰現(xiàn)象,葉片的含氮量快速衰減,難以通過葉片直接進(jìn)行區(qū)分[31]。

在幼穗分化期,改進(jìn)的VGG 16在模型大小和運(yùn)行時(shí)間上優(yōu)于其他幾個(gè)經(jīng)典模型。與VGG 19相比,本研究重構(gòu)頂層,增加全局平均池化可以減少模型的參數(shù),提升模型的診斷識(shí)別效果。與ResNet50對(duì)比,可能是模型的網(wǎng)絡(luò)層數(shù)增加,其參數(shù)量過多,本研究所采用的數(shù)據(jù)不足以訓(xùn)練ResNet50網(wǎng)絡(luò)。而MobileNetV1 網(wǎng)絡(luò)在準(zhǔn)確率和訓(xùn)練時(shí)間上弱于改進(jìn)的VGG 16網(wǎng)絡(luò),表明MobileNetV1所使用的深度可分離卷積具有較好的提取特征的效果,且模型的所占內(nèi)存較為合適,可以為后續(xù)的開發(fā)應(yīng)用提供參考。試驗(yàn)結(jié)果也表明改進(jìn)的VGG16網(wǎng)絡(luò)模型對(duì)水稻氮素營養(yǎng)診斷具有較好的識(shí)別準(zhǔn)確率及魯棒性。

本研究所構(gòu)建的水稻氮素營養(yǎng)診斷模型,雖能較好地判定其氮素含量的缺失,但水稻的最佳施氮量?jī)H為一個(gè)范圍。因此,在后續(xù)研究中,將在最佳施氮范圍內(nèi)增設(shè)多個(gè)施氮梯度進(jìn)行研究。本研究只試驗(yàn)了一種水稻品種的幼穗分化期和齊穗期的圖像數(shù)據(jù),在后續(xù)的研究中,還應(yīng)考慮其他品種,不同水稻生長關(guān)鍵期,多個(gè)不同梯度的氮素施肥以及使用數(shù)碼相機(jī)、手機(jī)拍照等非掃描方式獲取圖像等因素的影響。水稻氮素營養(yǎng)診斷的核心及目的是建立適合的追施肥體系,并據(jù)此進(jìn)行推薦施肥[32],因此,如何更好的進(jìn)行氮素營養(yǎng)診斷,使其更加科學(xué)與合理的指導(dǎo)使用肥料還需進(jìn)一步研究探索。

4 結(jié) 論

本研究通過構(gòu)建氮素營養(yǎng)診斷模型,對(duì)采集的圖像數(shù)據(jù)進(jìn)行識(shí)別,在訓(xùn)練過程中遷移預(yù)訓(xùn)練的權(quán)重,并對(duì)此進(jìn)行微調(diào),得出以下結(jié)論：

1)改進(jìn)的VGG16網(wǎng)絡(luò)模型在水稻的氮素營養(yǎng)診斷識(shí)別中具有較高的準(zhǔn)確率。

2)遷移學(xué)習(xí)可以加快模型的收斂速度,在一定的程度上使得模型減少訓(xùn)練時(shí)間與訓(xùn)練成本,提高模型的準(zhǔn)確率。微調(diào)能夠加快模型的收斂速度,節(jié)約計(jì)算資源。

3)本模型對(duì)幼穗分化期和齊穗期的水稻氮素營養(yǎng)診斷是有效、可行的。