基于图像处理新技术的甜菜氮营养无损检测系统的研究

李　哲， 田海清， 王　辉， 徐　琳， 李　斐， 史树德

(内蒙古农业大学 机电工程学院，呼和浩特　010018)



基于图像处理新技术的甜菜氮营养无损检测系统的研究

李哲， 田海清， 王辉， 徐琳， 李斐， 史树德

(内蒙古农业大学 机电工程学院，呼和浩特010018)

摘要：当前农业甜菜生产中存在普遍的氮肥过量使用的问题，建立实时准确农田氮肥推荐体系至关重要。为此，通过利用BP神经网络算法利用图像数据对甜菜氮素含量进行预测，通过合理剔除原始数据中不符合拍摄条件的异常图像数据，选取147组数据作为训练集，90组数据组为预测集，将R、G、B作为输入量，通过BP神经网络算法训练得到预测值与实际值最优相关系数为r=0.70，均方根误差RMSE=4.60。将R/(R+G+B)、G/(R+G+B)、B/(R+G+B)作为输入量，利用BP神经网络算法训练后预测值与实际值最优相关系数r=0.64，均方根误差RMSE=3.66。由此可以看出：使用BP神经网络算法建立甜菜颜色特征信息氮素模型是可行的，可为农业甜菜生产中实时无损诊断植株氮素含量提供方法支持。

关键词：甜菜；氮素；预测；BP神经网络；相关系数

0引言

甜菜是我国重要的制糖原料，是我国东北、华北和西北地区的重要经济作物之一。当前甜菜生产存在的重要问题是甜菜含糖率不高，且甜菜块根单产量比较低，生产上常常增施化肥来提高产量，致使土壤残留化肥成年累加，造成了一定程度的土壤和环境污染。图像处理技术是一种当前常用的无损氮素检测方法，能够提高氮肥的使用率。

人工网络技术是当前人工智能研究较为活跃的领域，BP神经网络是目前应用最广泛的神经网络模型，具有神经网络的典型特征点[1-5]。冯艳[6]等结合BP神经网络和小波分析的优势，以小波函数代替传统的BP网络中的S型激活函数，对水稻需水量实测序列进行分析,精度达到0.01，结果均优于 RAGASABP模型。莫丽红[7]等采取改进BP神经网络算法对小麦条锈病菌建立了预测模型进行预测，仿真结果显示BP 预测模型均达到0.000 1的训练目标，预测准确度达到100%。还有一些学者利用人工神经网络反演了农作物的氮素含量[8-13]。

本文应用BP神经网络学习模型，通过输入RGB颜色模型、HIS颜色模型及其个各颜色分量组合作为输入量，输出量为甜菜氮素含量，通过BP神经网络训练得出最好的预测模型，筛选出最好的预测模型对应的颜色分量组合[14-16]。

1实验数据采集与处理方法

研究图像采用Canon DS126521数码相机拍摄，拍摄时间为北京时间12:00左右，选择晴朗无云天气拍摄。数码相机采用Auto(全自动曝光拍摄)，保证每次拍摄顺光拍摄，避免图像中有其它不相关影像。拍摄高度选择在1.5m，拍摄角度选择在60°[17]，文件大小为5 184×3 456像元。

以甜菜冠层图像为研究对象，采用数字图像处理技术，对植物冠层数码图像预处理，并采用准确的分割方法，实现甜菜冠层绿叶部分的颜色信息提取。图像处理过程均在MatLab 2010b中处理。

2RGB颜色分量信息的获取

利用MatLab对数码相机图片进行处理，通过图像预处理、图像分割去除土壤、阴影等背景信息，如图1所示。通过MatLab编程统计矩阵中所有的颜色数据，得到图片的R、G、B颜色分量平均值[18-21]。

3BP神经网络原理

3.1　BP 网络的训练过程

BP神经网络(Back-propagation Neural Network，BPNN)通常采用多层前向神经网络的结构形式，如图2所示。数据由输入层输入，经标准化处理后，施加权重传递到隐含层；然后隐含层经过权值、阈值和激励函数运算后，传递给下一隐含层直到输出层为止。输出层输出BP神经网络的预测值，并与实测值进行比较，若存在误差，则从输出开始反向传播该误差，对权值和阈值进行调整，使网络输出预测值逐渐与实测值相近。

图1　颜色信息提取图像

图2　BP网络结构图

3.2　颜色特征与氮含量相关性模型的建立

选取237个甜菜样品为研究对象，其中147个作为校正集，90个作为预测集，建立甜菜颜色特征糖度模型。预测集颜色特征参数和氮素含量指标统计结果如表1、表2所示。预测结果的好坏用相关系数(Correlation coefficient，r)、均方根误差RMSE来进行评价。

表1　样品颜色特征参数和氮素指标统计结果

根据甜菜冠层两组颜色特征作为输入量，分别为(R、G、B)、(R/(R+G+B)、G/(R+G+B)、B/(R+G+B))，植株氮素含量值作为输出量建立两组组甜菜氮素诊断比较模型。

选用n层BP神经网络，隐含层节点数，根据经验公式，其中n为输入层数，m为输出层数，α=1~10，建立n-L-1的BP神经网络；节点传递函数使用logsig、tansig，输出函数选用purelin、tansig，训练函数使用traingd、traingdm、traingda，训练误差设定为0.01。

通过合理剔除原始数据中不符合拍摄条件(光照变暗、因风吹图像抖动、拍摄角度偏移)的异常图像数据，用147个校正集样品用来训练神经网络的权值和阈值，然后再用已经训练好的模型检测余下的90个预测集样品。

4氮素含量预测分析结果

4.1　R、G、B作输入量预测氮素结果

通过利用BP神经网络算法，将R、G、B作为输入量，选定训练模型参数得到相应的训练结果，如表2所示为训练后甜菜氮素含量预测值与实际值的相关系数(Correlation coefficient，r)、均方根误差RMSE。表中为选取的不同函数组合下预测最大相关系数(r)及对应预测值均方根误差(RMSE)。

表2　RGB颜色特征BP神经网络预测值与实际值相关性及预测值RMSE

续表2

将R、G、B作为输入量最大预测结果相关系数r=0.70，均方根误差RMSE=4.60，此时节点传递函数为logsig。输出函数为tansig，训练函数为traingd，节点数选取为6。

4.2　R/(R+G+B)、G/(R+G+B)、B/(R+G+B)作输入量预测结果

通过利用BP神经网络算法，将R/(R+G+B)、G/(R+G+B)、B/(R+G+B)作为输入量，选取节点传递函数、输出函数、训练函数的不同组合，选定训练模型中不同的节点数，得到相应的训练结果。表3为训练后甜菜氮素含量预测值与实际值的最大相关系数(Correlation coefficient，r)和预测值均方根误差RMSE。表3中为选取的不同函数组合下预测最大相关系数(r)及对应预测值均方根误差(RMSE)。

表3　R/(R+G+B)、G/(R+G+B)、B/(R+G+B)颜色特征BP神经网络预测值与实际值相关性及预测值RMSE

将R/(R+G+B)、G/(R+G+B)、B/(R+G+B)作为输入量最大预测相关系数r=0.64，均方根误差RMSE=3.66。此时节点传递函数为logsig,输出函数为purelin，训练函数为traingda，节点数选取为6。

5结论

综上所述，选取两组颜色特征值作为BP神经网络训练模型输入量，最好预测结果相关系数r=0.70，均方根误差RMSE=4.60。图3是预测集90个样品氮素值真实值和预测值的相关线性曲线图。

图3　预测集样品的氮素真实值和预测值相关性

从预测相关系数可以看出：使用BP神经网络算法建立甜菜颜色特征信息氮素模型是可行的，可见甜菜冠层颜色信息与甜菜植株氮素含量有一定的相关性。

在农业生产中，提高氮肥的使用效率至关重要，可减少土壤环境污染，提高甜菜含糖率，提高经济效益。本文应用BP神经网络算法对氮素含量进行建模，得到了较好的预测模型与相关系数，为以后探索更好的甜菜氮素无损检测方法提供了一定的参考。

参考文献：

[1]刘翠玲,吴胜男,孙晓荣,等.基于近红外光谱的面粉灰分含量快速检测方法[J].农机化研究,2013,35(4):144-147.

[2]周丽萍,胡耀华,陈达,等.苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术[J].农机化研究,2009,31(4):104-106,203.

[3]闫久林,马云海,李萌,等.人工神经网络在食品检测中的应用[J].农机化研究,2009,31(8):11-14,24.

[4]杨德旭,何凤宇,魏利华.基于BP神经网络汽车传感器温度补偿技术的研究[J].农机化研究,2008(1):71-73.

[5]李翔.基于GAB和模糊BP神经网络的空气质量预测[J].华中科技大学学报：自然科学版,2013(S1):63-65，69.

[6]田亮,罗宇,王阳.基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型[J].上海交通大学学报,2013(11):1690-1696，1701.

[7]王吉权.BP神经网络的理论及其在农业机械化中的应用研究[D].沈阳：沈阳农业大学,2011.

[8]刘超.基于可见近红外光谱与机器视觉信息融合的河套蜜瓜糖度检测方法研究[D].呼和浩特：内蒙古农业大学,2014.

[9]冯艳,付强.水稻需水量预测的小波BP网络模型[J].农业工程学报,2007(4):66-69.

[10]莫丽红,陈杰新.基于改进BP网络的小麦条锈病预测模型研究[J].中国植保导刊,2011(9):38-43.

[11]Yi Q X，Huang J F, Wang F M，et al.Evaluating the performance of PC-ANN for the estimation of rice nitrogen concentration from canopy hyperspectral reflectance[J].International Journal of Remote Sensing, 2010，31 (4):931-940.

[12]Zhang C H, Kovacs J M，Wachowiak M P, et al.Relationship between hyperspectral measurements and mangrove leaf nitrogen concentrations[J].Remote Sensing, 2013，5 (2):891-908.

[13]Wang Y,Wang F M，Huang J F, et al. Validation of artificial neural network techniques in the estimation of nitrogen concentration in rape using canopy hyperspectral reflectance data[J].International Journal of Remote Sensing, 2009，30(17):121-130.

[14]韩磊,李锐,朱会利.基于BP神经网络的土壤养分综合评价模型[J].农业机械学报,2011(7):109-115.

[15]金志凤,符国槐,黄海静,等.基于BP神经网络的杨梅大棚内气温预测模型研究[J].中国农业气象,2011(3):362-367.

[16]牛之贤,李武鹏,张文杰.基于AIGA-BP神经网络的粮食产量预测研究[J].计算机工程与应用,2012(2):235-237.

[17]林洁,陈效民,张勇,等.基于BP神经网络的太湖典型农田土壤水分动态模拟[J].南京农业大学学报,2012(4):140-144.

[18]陈琨.基于BP神经网络的土壤适宜性评价方法研究[D].雅安：四川农业大学,2009.

[19]杨旭,郑丽敏.计算机视觉在禽蛋品质检测中的应用研究进展[J].农机化研究,2008(9):168-171.

[20]项美晶,张荣标,李萍萍,等.基于BP神经网络的温室生菜CO2施肥研究[J].农机化研究,2008(12):17-20.

[21]赖庆`辉,米伯林,杨志坚.基于人工神经网络的黑龙江省农机总动力预测[J].农机化研究,2005(4):272-274.

Research on Sugar Beet Nitrogen Nutrition Nondestructive Testing System Based on Image Processing Technology

Li Zhe， Tian Haiqing， Wang Hui， Xu Lin， Li Fei， Shi Shude

(College of Mechanic and Engineering, Inner Mongolia Agricultural University, Hohhot 010018, China)

Abstract：In this paper, problems common nitrogen fertilizer used in excess of the current agricultural beet production, the establishment of critical real-time accurate nitrogen fertilizer recommendation system. In this paper, by using the BP neural network algorithm using image data to predict nitrogen content of beet, through reasonable excluding abnormal data from the original image data does not match the shooting conditions selected 147 sets of data as a training set, 90 sets of data for the prediction set group. The R, G, B as an input to obtain the predicted value and the actual value of the BP neural network algorithm trained by the best correlation coefficient of r = 0.70, root mean square error RMSE = 4.60. The R / (R + G + B), G / (R + G + B), B / (R + G + B) as an input, the use of BP neural network algorithm trained after the predicted value and the actual value of the best correlation coefficient r = 0.64, root mean square error RMSE = 3.66. As can be seen, the use of BP neural network algorithm for establishing beet color feature information nitrogen model is feasible, provide methodological support for agricultural production in real-time lossless diagnostic beet plant nitrogen content.

Key words：beets; nitrogen; forecasting; BP neural network; correlation coefficient

中图分类号：S126

文献标识码：A

文章编号：1003-188X(2016)09-0219-05

作者简介：李哲(1989-),男，山东莱芜人，硕士研究生，(E-mail) liz2217@163.com。通讯作者：田海清(1973-)，男，呼和浩特人，教授，博士生导师，(E-mail)hqtian@126.com。

基金项目：国家自然科学基金项目(41261084)；国家现代农业产业技术体系专项(CARS-210402)

收稿日期：2015-09-02