基于深度卷積神經網絡的棉花葉片缺氮診斷

【摘要】：為研究深度學習算法在棉花葉片缺氮水平診斷上的適用性，以智能手機作為圖像采集工具，利用圖像處理和深度學習技術建立基于棉花葉片圖像的缺氮水平分級模型，為智能化診斷棉花葉片缺氮水平的研究提供可行方案。本研究在陰天、晴天2種環境下獲取了5種氮素水平的棉花葉片圖像，在此基礎上選取AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、ResNet-v2以及Inception-v3等卷積網絡模型進行比較研究，并提出一種基于恒等映射和深度可分離卷積改進的ResNeXt模型來提升棉花葉片缺氮水平檢測的效果。結果表明，與AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、Inception-v3、ResNet-v2等模型相比，本研究提出的Improved-ResNeXt模型在對棉花葉片圖像的缺氮水平分級時取得了最佳效果，該模型的識別準確率、平均精確率、Kappa系數分別達到了97%、97%、0.96。使用本研究提出的Improved-ResNeXt模型可以有效地解決棉花葉片的缺氮水平診斷問題，且對陰天、晴天2種光照條件下的棉花葉片數據有良好的適用性，同時可以為相關作物營養脅迫檢測的研究提供借鑒和參考。