基于加权随机森林的番茄氮元素缺乏分级模型研究     

李莉  蓝天  赵奇慧  孟繁佳 《农业机械学报》2021,52(11):219-225，262

基于叶面颜色特征建立番茄氮元素缺乏分级模型判别准确率可达08以上。夏季定植的番茄叶片表面会覆盖粘质腺毛,粘质腺毛利于番茄吸收水分和营养元素,相同营养液氮离子浓度下叶片黄化过程异于未覆盖粘质腺毛的叶片。故仅基于叶面颜色特征建立分级模型,其准确率降至0.65。覆盖粘质腺毛番茄其叶片周长和叶面积两个形状特征均小于未覆盖粘质腺毛的番茄叶片,本文将番茄叶片两个形状特征结合原有叶面颜色特征共同作为模型输入,建立新的番茄氮元素缺乏分级模型。搭建图像采集系统,该图像采集单元由树莓派和其相机模块构建,使用WiFi或4G网络完成智能手机、图像采集单元、本地计算机之间无线数据传输。智能手机通过Web界面可远程控制采集图像并将图像传输到云平台存储。本地计算机对图像进行预处理提取叶片形状、颜色特征后输入模型进行预测,并输出预测结果。试验结果表明,图像采集系统春季和夏季平均温度在19.7~28.3℃范围内,光照在1.125~9.543lx范围内均可正常使用,采集的图像经预处理分割后降低了环境光线的影响。使用优化后的加权随机森林模型,基于形状特征和颜色特征相结合的叶片氮元素缺乏分级判别准确率可达0.83。  相似文献   

基于迁移学习的温室番茄叶片水分胁迫诊断方法   总被引：3，自引：0，他引：3  

赵奇慧  李莉  张淼  蓝天  SIGRIMIS N A 《农业机械学报》2020,51(S1):340-347，356

为实时诊断番茄叶片水分胁迫程度，提出一种叶片水分胁迫程度的诊断方法，该诊断方法包括2部分：叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask R-CNN网络对背景遮挡的番茄叶片进行实例分割，通过迁移学习将Mask R-CNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割，保留原卷积网络的训练参数，只调整全连接层。利用卷积网络提取的特征，可将番茄叶片分割视为区分叶片与背景的一个二分类问题，以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类，通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类，保持DenseNet169卷积层的参数不变，只训练全连接层，并对原DenseNet169全连接层进行了修改，将分类数量从1.000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像，共2000幅图像，建立数据集，并进行模型训练与测试。试验结果表明，训练后的Mask R-CNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798，分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%，与 VGG-19、AlexNet这2种常用的深度学习分类模型进行对比，分类准确率分别提高了5.59、14.68个百分点，表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果，可为构建智能化的水胁迫分析技术提供参考。  相似文献   

基于LightGBM的温室番茄冠层CWSI预测模型研究     

孙泉  耿磊  赵奇慧  杨佳昊  吕平  李莉 《农业机械学报》2022,53(S1):270-276，308

为研究温室内番茄冠层作物水分胁迫指数（CWSI）问题,通过布设多参数传感器,实时获取温室内外各环境参数。利用灰度关联分析,计算各环境参数与番茄冠层CWSI的关联度,根据关联度对环境参数进行排序,同时考虑对模型精度的影响,最终从9个环境参数中选取7个作为模型输入,建立基于LightGBM的温室番茄冠层CWSI预测模型。结合贝叶斯算法优化其中的关键参数,将模型预测结果与通过Jones经验公式计算出的CWSI做相关性分析,在相同的运算环境下,分别与GBRT和SVR模型对比。试验结果表明,基于贝叶斯优化LightGBM模型的决定系数（R2）、平均绝对误差（MAE）、均方根误差（RMSE）和运算时间分别为0.9601、0.0218、0.0314和0.0518s,与GBRT和SVR模型相比,其R2分别提高2.14%和14.05%,MAE分别降低0.0093和0.0612,RMSE分别降低0.0097和0.0591,时间分别缩短0.0459s和0.0612s。表明本研究提出的LightGBM模型性能更有效地提高了温室番茄冠层CWSI的预测精度,为实现温室番茄按需灌溉提供了参考。  相似文献