一种棉花氮素营养水平诊断方法技术

本发明专利技术公开一种棉花氮素营养水平诊断方法

【技术实现步骤摘要】
一种棉花氮素营养水平诊断方法、系统、设备及介质


[0001]本专利技术涉及农业领域，特别是涉及一种棉花氮素营养水平诊断方法
、
系统
、
设备及介质
。

技术介绍

[0002]氮素是棉花生长必需的营养元素之一，不仅是影响棉花产量和品质的关键因素，同时也是影响棉田生态环境的重要因素
。
在当前的实际生产中为追求高产而盲目施加氮肥，若氮肥用量不足会导致棉花营养生长不良
、
落果和小棉铃，导致棉花减产，而氮肥过量施用则会增加害虫危机，导致棉花贪青晚熟，影响棉花产量和质量，可能还会对农田生态环境造成一定的污染
。
传统的作物氮素营养水平诊断主要依赖于人工诊断，诊断人员需要具备丰富的经验
。
然而，这种方法存在效率低
、
成本高等问题，并容易受到其他元素缺乏症状和病虫害等因素的干扰，诊断过程中还受诊断人员主观因素的影响，最重要的是该方法在植株出现严重氮素缺乏症状时才能有效应用，而此时采取措施则效果难以预测
。
[0003]近年来深度学习的快速发展和广泛应用克服了上述问题，并极大地提高了诊断的准确率
。
将深度学习技术应用于作物营养状况的自动化诊断，为作物营养胁迫的无损检测和快速诊断提供了全新的途径和方法
。
与传统方法相比，基于深度学习的作物氮素营养水平诊断具有自动化
、
准确率高和鲁棒性强等优点，涌现出诸多研究成果
。
何相良等利用5种氮素水平的棉花叶片图像数据集，构建了多种缺氮水平分级模型，并对
ResNeXt
模型进行改进以提升诊断效果，相比其他模型，该研究方法取得了最佳的诊断效果
。
张林朋等构建了一种改进的
VGG16
模型，并结合迁移学习的方法，用于诊断水稻叶片的4种氮素营养水平，结果表明该模型在水稻的幼穗分化期和齐穗期的准确率均超过
95
％，表现出良好的泛化能力
。
但现阶段所使用卷积神经网络的层数和节点较多，参数数量动辄几千万甚至上亿，所需的计算和存储资源十分巨大，难以部署在计算和存储有限的边缘设备上，导致一些研究成果难以在实际生产中推广利用
。

技术实现思路

[0004]本专利技术的目的是提供一种棉花氮素营养水平诊断方法
、
系统
、
设备及介质，以实现棉花氮素营养水平的快速
、
准确诊断
。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种棉花氮素营养水平诊断方法，所述棉花氮素营养水平诊断方法包括：
[0007]获取样本数据集；所述样本数据集中包括若干不同氮素水平下的样本棉花叶片图像和对应的真实氮含量值；
[0008]构建目标网络，并利用所述样本数据集对所述目标网络进行训练，得到初始模型；
[0009]对所述初始模型进行稀疏化训练，得到稀疏化模型；
[0010]采用网络瘦身剪枝算法对所述稀疏化模型进行剪枝，得到剪枝后模型；
[0011]计算所述剪枝后模型的评价指标，并根据所述评价指标对所述剪枝后模型的剪枝
比例进行调整，直到所述剪枝后模型的精度和复杂度达到平衡，得到棉花氮素营养水平诊断模型；所述评价指标包括：准确率
、
参数量
、FLOPs
和模型存储体积；
[0012]获取待测棉花叶片图像，并利用所述棉花氮素营养水平诊断模型确定所述待测棉花叶片图像的预测氮含量值
。
[0013]可选地，获取样本数据集，具体包括：
[0014]获取若干不同氮素水平下的棉花叶片数据；
[0015]对所述棉花叶片数据的对应植株进行破坏性取样，并采用凯氏定氮法对样品进行分析，得到所述棉花叶片数据的真实氮含量值作为数据标签；
[0016]对所述棉花叶片数据进行预处理和增强处理，得到样本数据集；其中，所述棉花叶片数据包括：晴天数据和阴天数据；对于晴天数据，所述预处理为高斯滤波处理，对于阴天数据，所述预处理为颜色空间转换处理
。
[0017]可选地，所述目标网络为
ResNet101
深度残差网络
。
[0018]可选地，对所述初始模型进行稀疏化训练，得到稀疏化模型，具体包括：
[0019]对所述初始模型的
BN
层的权重更新施加
L1
正则化约束，并确定损失函数；
[0020]采用所述损失函数对所述初始模型进行稀疏化训练，得到稀疏化模型
。
[0021]可选地，采用网络瘦身剪枝算法对所述稀疏化模型进行剪枝，得到剪枝后模型，具体包括：
[0022]确定剪枝比例，并根据所述剪枝比例计算缩放因子阈值；
[0023]对所述稀疏化模型中缩放因子低于所述缩放因子阈值的通道进行裁剪，得到剪枝后模型
。
[0024]可选地，所述剪枝后模型的剪枝比例逐渐增大，且增大幅度逐渐减小
。
[0025]可选地，所述棉花氮素营养水平诊断方法还包括：
[0026]将所述棉花氮素营养水平诊断模型部署于嵌入式设备上运行
。
[0027]一种棉花氮素营养水平诊断系统，所述棉花氮素营养水平诊断系统包括：
[0028]数据处理模块，用于获取样本数据集；所述样本数据集中包括若干不同氮素水平下的样本棉花叶片图像和对应的真实氮含量值；
[0029]模型构建模块，用于构建目标网络，并利用所述样本数据集对所述目标网络进行训练，得到初始模型；
[0030]稀疏化模块，用于对所述初始模型进行稀疏化训练，得到稀疏化模型；
[0031]剪枝模块，用于采用网络瘦身剪枝算法对所述稀疏化模型进行剪枝，得到剪枝后模型；
[0032]模型评估模块，用于计算所述剪枝后模型的评价指标，并根据所述评价指标对所述剪枝后模型的剪枝比例进行调整，直到所述剪枝后模型的精度和复杂度达到平衡，得到棉花氮素营养水平诊断模型；所述评价指标包括：准确率
、
参数量
、FLOPs
和模型存储体积；
[0033]模型预测模块，用于获取待测棉花叶片图像，并利用所述棉花氮素营养水平诊断模型确定所述待测棉花叶片图像的预测氮含量值
。
[0034]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的棉花氮素营养水平诊断方法
。
[0035]一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行
时实现上述的棉花氮素营养水平诊断方法
。
[0036]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0037]本专利技术提供的棉花氮素营养水平诊断方法，通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种棉花氮素营养水平诊断方法，其特征在于，包括：获取样本数据集；所述样本数据集中包括若干不同氮素水平下的样本棉花叶片图像和对应的真实氮含量值；构建目标网络，并利用所述样本数据集对所述目标网络进行训练，得到初始模型；对所述初始模型进行稀疏化训练，得到稀疏化模型；采用网络瘦身剪枝算法对所述稀疏化模型进行剪枝，得到剪枝后模型；计算所述剪枝后模型的评价指标，并根据所述评价指标对所述剪枝后模型的剪枝比例进行调整，直到所述剪枝后模型的精度和复杂度达到平衡，得到棉花氮素营养水平诊断模型；所述评价指标包括：准确率
、
参数量
、FLOPs
和模型存储体积；获取待测棉花叶片图像，并利用所述棉花氮素营养水平诊断模型确定所述待测棉花叶片图像的预测氮含量值
。2.
根据权利要求1所述的棉花氮素营养水平诊断方法，其特征在于，获取样本数据集，具体包括：获取若干不同氮素水平下的棉花叶片数据；对所述棉花叶片数据的对应植株进行破坏性取样，并采用凯氏定氮法对样品进行分析，得到所述棉花叶片数据的真实氮含量值作为数据标签；对所述棉花叶片数据进行预处理和增强处理，得到样本数据集；其中，所述棉花叶片数据包括：晴天数据和阴天数据；对于晴天数据，所述预处理为高斯滤波处理，对于阴天数据，所述预处理为颜色空间转换处理
。3.
根据权利要求1所述的棉花氮素营养水平诊断方法，其特征在于，所述目标网络为
ResNet101
深度残差网络
。4.
根据权利要求1所述的棉花氮素营养水平诊断方法，其特征在于，对所述初始模型进行稀疏化训练，得到稀疏化模型，具体包括：对所述初始模型的
BN
层的权重更新施加
L1
正则化约束，并确定损失函数；采用所述损失函数对所述初始模型进行稀疏化训练，得到稀疏化模型
。5.
根据权利要求1所述的棉花氮素营养水平诊断方法，其特征在于...

【专利技术属性】
技术研发人员：戴建国，陈沛沛，穆正阳，侯文庆，张国顺，
申请(专利权)人：石河子大学，
类型：发明
国别省市：