学科分类
/ 1
1 个结果
  • 简介:摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率,但需要在作业前获知作物的营养状况及水肥需求量,而通过人工手持测量仪器来获取这些信息,存在着时效性差和劳动强度大等缺点。针对以上问题,本研究以常见的作物玉米为研究对象,使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像,同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息,根据这些信息将采集的图像分为 3个等级(每个等级共包含 530幅五通道图像,其中 480幅作为训练集, 50幅作为验证集),提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型,通过向模型输入彩色图像数据和五通道多光谱图像数据,分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明:训练后的模型能够识别玉米作物的彩色图像和多光谱图像,能够输出玉米的营养状况等级和 GPS 信息,识别彩色图像模型在验证集的正确率为 84.7%,识别多光谱图像模型在验证集的正确率为 90.5%,模型训练平均时间为 4.5h,五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况,为有效提高水肥资源利用率提供了方法和依据。

  • 标签: 智慧农业 卷积神经网络 多光谱图像 玉米作物 营养状况识别