APP下载

多尺度特征融合1D—CNN的马铃薯植株高光谱数据地物分类和缺素识别**

2022-04-13高文强肖志云

中国农机化学报 2022年3期
关键词:分类特征融合

高文强,肖志云

(1.内蒙古工业大学电力学院,呼和浩特市,010080;2.内蒙古自治区机电控制重点实验室,呼和浩特市,010051)

0 引言

马铃薯含有丰富蛋白质、膳食纤维、维生素等,是仅次于小麦、水稻、玉米的世界第四大主要粮食作物[1]。在马铃薯植株的生长发育过程中,氮、磷、钾三大营养元素起着至关重要的作用,营养元素比配不合理,施肥时期不科学,会影响马铃薯的生长、产量和品质。常用的农作物营养元素检测方法为化学法,虽然测量准确、稳定性高,但时间久,检测成本高,且会破坏叶片本身,不宜在实际农业生产中推广使用。随着机器学习算法的不断发展,为农产品的营养元素亏缺检测提供了新方案。杨红云等[2]应用机器学习算法对水稻敏感叶位全氮含量进行了估测。李哲等通过利用BP神经网络算法和图像数据对甜菜氮素含量进行预测。虽然利用传统的机器学习算法结合图像处理可以对农作物进行缺素检测,但由于传统基于图像的营养元素检测方法只考虑图像信息,检测精度较差。

高光谱图像(HSI)具有波段范围广,可同时获取被测样本的图像信息和光谱信息,这使其拥有强大的对目标区分能力,因此近年来被广泛用于农作物产品的检测领域。卓伟等[3]利用贝叶斯正则化-反向传播神经网络模型实现了马铃薯叶片的无损检测,且该方法较传统的预测模型可获得更高的预测精度。罗建军等[4]利用优化参数后的SVM模型对水稻氮素营养状况进行了定性诊断。……

登录APP查看全文

猜你喜欢

分类特征融合
村企党建联建融合共赢
融合菜
分类算一算
从创新出发,与高考数列相遇、融合
《融合》
如何表达“特征”
不忠诚的四个特征
教你一招:数的分类
线性代数的应用特征