基于残差神经网络的水稻氮磷钾元素营养诊断

摘要

为实现水稻氮磷钾3种主要营养元素缺失种类的快速、准确诊断识别，以晚稻“黄华占”为研究对象，进行水稻大田栽培试验。分别设置：4个施氮水平，施肥总量分别为：N0（0 kg/hm²）、N1（130 kg/hm²）、N2（260 kg/hm²）以及N3（390 kg/hm²）;4个施磷水平，P0 （0 kg/hm²）、P1（300 kg/hm²）、P2（600 kg/hm²）和P3（780 kg/hm²）;4个施钾水平，K0 （0 kg/hm²）、K1（90 kg/hm²）、K2（180 kg/hm²）和K3（270 kg/hm²）。在水稻分蘖期和拔节期，首先扫描获得水稻各分蘖茎完全展开的顶三叶叶片图像数据，生成对抗网络（Generative Adversarial Network,GAN）对水稻图片进行超分辨率重构后，并通过图像预处理对数据进行归一化和扩充；此外，在保留残差神经网络Resnet34的主干结构的情况下，在残差块中引入注意力机制和软阈值化函数，并将在ImageNet图像数据集上得到的预训练权重迁移至改进了残差结构的模型中，从而对水稻分蘖期，拔节期叶片图像数据进行氮磷钾营养元素缺素胁迫诊断识别。结果表明：改进后的Resnet34网络在重度缺肥梯度的2个时期测试准确率分别达到98.98%和98.10%，在中度缺肥梯度的准确率达到了97.99%和95.90%。在过量肥梯度的准确率为91.87%和88.49%；与改进前的网络相比，在分蘖期和拔节期的水稻图像测试集上，三元素胁迫分类准确率最大提升了29.58%和29.75%；分析混淆矩阵发现对氮胁迫的识别准确率最佳，在训练曲线上表现出更快的收敛速度。综上，本研究建立的水稻氮磷钾营养元素诊断模型能很好地在水稻分蘖期，拔节期完成水稻氮磷钾3类营养元素缺素胁迫诊断，预测水稻生长营养状态，可为水稻氮磷钾元素营养诊断提供科学参考。

关键词

水稻 / 氮磷钾营养诊断 / Resnet34 / 注意力机制 / 软阈值化