文献类型：期刊文章

作　　者：周琼[1,2] 杨红云[3,2] 杨珺[3] 孙玉婷[1,2] 孙爱珍[2] 杨文姬[3,2]

ZHOU Qiong;YANG Hong-yun;YANG Jun;SUN Yu-ting;SUN Ai-zhen;YANG Wen-ji(School of Computer and Information Engineering,Jiangxi Agricultural University,Nanchang 330045,China;College of Software Engineering,Jiangxi Agricultural University,Nanchang 330045,China;Key Laboratoryof Agricultural Information Technology of Colleges and Universities in Jiangxi Province,Nanchang 330045,China)

机构地区：[1]江西农业大学计算机与信息工程学院,江西南昌330045 [2]江西省高等学校农业信息技术重点实验室,江西南昌330045 [3]江西农业大学软件学院,江西南昌330045

出　　处：《植物营养与肥料学报》

基　　金：国家自然科学基金项目(61562039;61363041;61462038);江西省教育厅科技项目(GJJ160374;GJJ170279)资助

年　　份：2019

卷　　号：25

期　　号：1

起止页码：134-141

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSCD、CSCD2019_2020、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：【目的】实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。【方法】本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮(N)水平:0、210、300、390 kg/hm^2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。【结果】1)幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。【结论】幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。

关 键 词：水稻 氮素营养诊断 图像处理 BP神经网络 概率神经网络

分 类 号：S511]