基于卷积神经网络的水稻氮素营养诊断
为了快速、准确诊断和识别水稻氮素胁迫程度,对水稻进行大田栽培试验.以超级水稻'两优培九'为试验对象,设置0、210、300和390 kg·hm-2共4个施氮水平处理,通过扫描采集幼穗分化期和齐穗期水稻顶1、顶2、顶3叶图像,在卷积神经网络(convolutional neural network,CNN)ResNet34的每个残差块中加入SE block(squeeze-and-excitation block)模块,并将在图像数据集 ImageNet(ImageNet large scale visual recognition challenge)上训练得到的权重参数迁移到水稻氮素营养诊断的识别模型中,ResNet34的特征提取层保持原结构,模型结尾的池化层替换为全局平均池化层,利用改进后的网络对水稻图像进行特征提取,训练得到最优的权重参数.结果表明,改进后的网络对水稻幼穗分化期的模型测试准确率达到98.13%,齐穗期的准确率达到99.46%,且模型的收敛速度更快,相比于改进前的网络准确率均提升了7%以上.以上结果表明,通过在ResNet34残差块中加入SE block并基于迁移学习的方法对水稻氮素营养诊断方法是可行的,能有效对水稻幼穗分化期和齐穗期的氮素营养进行诊断识别,为农作物的营养诊断识别提供了参考.
卷积神经网络、水稻氮素营养诊断、ResNet34、迁移学习、SE block
25
TP181;S126(自动化基础理论)
国家自然科学基金;国家自然科学基金;江西省研究生创新专项资金项目
2023-10-18(万方平台首次上网日期,不代表论文的发表时间)
共9页
113-121