有效的氮素營養(yǎng)對提高作物產(chǎn)量至關(guān)重要。為了從一塊田中獲得最大產(chǎn)量,營養(yǎng)必須在所有作物之間均勻分配。氮肥的不合理使用不僅會導(dǎo)致產(chǎn)量的損失,還會導(dǎo)致籽粒品質(zhì)的下降。不合理的高劑量農(nóng)用化學(xué)品不僅會對環(huán)境產(chǎn)生負(fù)面影響,也會對人體健康產(chǎn)生負(fù)面影響。在這方面,確定合理、足量的氮肥用量的相關(guān)研究需求尤為迫切。
本文提出了一種深度學(xué)習(xí)圖像分割方法組合,用于監(jiān)測整個(gè)農(nóng)田的營養(yǎng)狀況,并檢測養(yǎng)分短缺的區(qū)域。作者特別考慮了基于 U-Net 的五種最先進(jìn)的神經(jīng)網(wǎng)絡(luò)架構(gòu),對這些神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練、效果評估和適用性研究,以解決正射影像圖上農(nóng)作物氮含量分割的問題。使用的數(shù)據(jù)集來自農(nóng)業(yè)物理研究所(ARI)在2020-2021 年使用無人機(jī)系統(tǒng)(Geoscan 401)收集的生物實(shí)驗(yàn)數(shù)據(jù),圖像用于上述神經(jīng)網(wǎng)絡(luò)模型(U-Net、Attention U-Net、R2-UNet、Attention R2-Unet 和 U-Net3+)的數(shù)據(jù)擴(kuò)增和訓(xùn)練。
本研究還進(jìn)行了一項(xiàng)實(shí)驗(yàn),以評估選擇不同波段的現(xiàn)場圖像對所考慮的分割方法的準(zhǔn)確性的影響。實(shí)驗(yàn)結(jié)果表明,在所有模型中,Attention R2U-Net (t2) 被證明對不同種類的作物具有更強(qiáng)的魯棒性和可靠性(準(zhǔn)確率為 97.59%-99.96%)。作者還評估了使用不同圖像波段組合(如 RGB、RedEdge、NearIR 和 NDVI)對神經(jīng)網(wǎng)絡(luò)模型分割精度的影響。RGB、NearIR 和 NDVI 頻道的組合使本研究中使用的所有 8 項(xiàng)指標(biāo)都達(dá)到了較高的數(shù)值(比 RGB 的標(biāo)準(zhǔn)組合高出 0.41-1.77%)。使用 RedEdge 波段對農(nóng)田氮含量的分割質(zhì)量有顯著的負(fù)面影響。所提出的基于 Attention R2U-Net (t2) 和 RGB、NearIR 和 NDVI 波段組合的方法對不同類型的農(nóng)業(yè)景觀中是穩(wěn)定的,這有助于提高作物營養(yǎng)和產(chǎn)量。
圖1 氮營養(yǎng)分析方案整體過程。包括四個(gè)步驟:1.無人機(jī)拍攝的圖像被組合在一起,形成整個(gè)場地的正射影像。2.正射影像裁剪3.經(jīng)過訓(xùn)練的模型分割4.將分割圖組合成一個(gè)圖像,以提供字段分割
圖2 訓(xùn)練流程圖。
圖3 訓(xùn)練的不同U-Net架構(gòu)對9號田地圖像的分割結(jié)果,batch size設(shè)置為50。(a) R2U-Net (t = 4); (b) U-Net 3 + with deep supervision; (c) Attention R2U-Net (t = 2)。
圖4 訓(xùn)練的不同U-Net架構(gòu)對26號田地圖像的分割結(jié)果,batch size設(shè)置為5。(a) R2U-Net (t = 3); (b) Attention R2U-Net (t = 2); (c) R2U-Net (t = 2)。
文獻(xiàn)來源:Blekanov I.,Molin A.,Zhang D.,Mitrofanov E.,Mitrofanova O. & Li Yin.(2023).Monitoring of grain crops nitrogen status from uav multispectral images coupled with deep learning approaches. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2023.108047.