基于机器学习的马铃薯营养成分分析研究

2019-09-06杨捷

现代农业科技 2019年7期

关键词：机器学习图像处理马铃薯

杨捷

摘要利用两级三层PCA-BP神经网络模型，实时分析马铃薯的营养成分，诊断可能缺少的营养元素，及时给出有效的防治方法，解决马铃薯品质下降问题。结果表明，该方法能够较准确地识别缺少钾、锰、铁、硼、镁和硫元素的马铃薯叶片，识别率达到96%以上。

关键词机器学习;马铃薯;图像处理;营养成分分析

中图分类号 S532;TP312

文献标识码 A

文章编号 1007-5739（2019）07-0201-01

马铃薯产业化是宁夏南部山区摆脱贫困的主要途径之一。在马铃薯的生长过程中，营养元素缺失会严重影响马铃薯的产量和质量，当缺乏任何一种营养元素时，会抑制马铃薯的生长发育从而导致马铃薯品质下降，更甚的会造成减产乃至绝收。因此，对马铃薯生长过程的监测十分重要。实时分析马铃薯的营养成分、诊断可能缺少的营养元素、及时给出有效的防治方法、解决马铃薯品质下降问题，可有效促进农民增收。

计算机技术的应用推动了农业信息化，农作物病虫害识别不局限于依靠人工诊断来识别-31。孔彦龙等14-0给出了基于机器视觉马铃薯的质量和形状分类方法，肖志云等07-1给出了典型马铃薯病害的诊断和鉴定方法，但是对于马铃薯营养的诊断流程都仍处于人工诊断阶段。

本文利用两级三层PCA-BP神经网络模型训练，通过已有样本库的学习，实现将马铃薯叶片图像输人到训练后的多层神经网络输人端，进行计算，在输出端得到重构的无营养缺失的图像。随后把重构图像与保存的压缩图像进行差值运算，得到只含营养缺失叶片特征的图像。最后通过对营养缺失图像的特征提取，分析出缺失营养元素的种类。1材料与方法

1.1叶片特征提取

1.1.1缺素叶片特征。马铃薯营养缺失叶片表现出的特征有很大的区别：缺钾的马铃薯叶片主要特征表现为叶脉间褪绿，叶尖、叶缘坏死;缺锰的叶片出现斑点状褐色坏死;缺铁的马铃薯嫩叶片出现失绿、黄白化而叶尖褪绿;缺硼的马铃薯叶片有小叶卷曲和烧边现象;缺镁的马铃薯叶片出现叶簇增厚、叶脉突出、叶尖坏死;缺硫的马铃薯新叶普遍黄化不干枯脱落。

1.1.2颜色特征提取。马铃薯在生长阶段，营养成分缺失主要表现在叶片颜色上。通过观察马铃薯叶片颜色特征，可以判别马铃薯是否缺少微量元素。RGB颜色模型基于笛卡尔坐标系统，其3种原色R、G、B能表达丰富的颜色信息，但是对描述图像颜色受到较多的限制。HSI颜色模型，用色调（H）、饱和度（S）和强度（I）描述图像的颜色信息，H分量可以更清楚地反映马铃薯缺素叶片图像颜色变化。本文提取了马铃薯缺素叶片图像的H、S、V分量的均值、方差、三阶矩，共计9个颜色特征。

1.1.3纹理特征提取。马铃薯缺素叶片图像的缺纹理特征具有很大的差别，比如缺镁的马铃薯叶片表现为叶簇增厚、叶脉突出、叶尖坏死;缺硫的马铃薯表现为新叶普遍黄化。提取马铃薯缺素叶片的纹理特征，可以判别缺少微量元素的种类。本文利用灰度共生矩阵提取马铃薯叶片图像的纹理特征。

1.1.4形状特征提取。本文提取马铃薯缺素叶片图像的面积、周长、紧凑度、矩形度、延伸率、离散度、区域密度，共计7个特征。

1.2两级三层PCA-BP神经网络分析法

1.2.1PCA主成分分析。特征提取出的马铃薯缺素叶片的颜色特征、纹理特征和形状特征，在营养成分分析过程中，表现出相关性：通过PCA（主成分分析），对提取出的颜色特征、纹理特征和形状特征进行降维，降低数据冗余度，提高马铃薯营养成分分析的识别度。

1.2.2训练模型。提取出的马铃薯缺素叶片的特征量是多峰线性不可分的，而且马铃薯缺少微量元素不同，表现在新叶和中叶上的特征不同，如缺铁和缺硫的马铃薯叶片特征主要集中在新叶上，缺钾、镁、硼和锰元素的马铃薯叶片特征主要集中在中叶上。因此，本文采用两级三层PCA-BP神经网络（图1），针对马铃薯的新叶和中叶进行分级判断。第一级PCA-BP神经网络判断马铃薯是否缺素，第二级PCA-BP神经网络识别马铃薯缺少微量元素的种类。

PCA-BP神经网络输人层为经过主成分分析降维的特征值，两级神经网络的识别作用不同，设定输人层节点个数不同。根据主成分分析贡献率的大小，选定第一级PCA-BP神经网络输人层为H分量的均值、三阶矩相关性、对比度和熵5个节点;第二级PCA-BP神经网络，依据新叶和中叶表现出不同的颜色、纹理和形状特征，针对新叶和中叶分别选取出不同的特征分量。隐含层节点的设定根据RobertHechtNielson经验计算公式确定。输出层表达马铃薯营养成分分析的结果，第一级PCA-BP神经网络识别马铃薯是否缺少微量元素，结果是是或否，输出层是单节点;第二级PCA-BP神经网络分析给出马铃薯缺少的微量元素种类，新叶和中叶识别的元素种类不同，用于识别缺铁和硫元素的新叶识别模型的输出是2个节点，识别缺钾镁、硼和锰元素的中叶识别模型的输出层是4个节点。

1.3实验环境

CPU：Intel（R）_Core（TM）_i5-3210M_CPU_@_2.50GHz。显卡：NVIDIAGeForceGT630M。系统：Windows8。开发平台：Matlab 2014。

2结果与分析

分别选马铃薯缺少钾、锰、铁、硼、镁和硫元素的50张图像进行分析试验，最大训练步数为10000，步长0.01，目标误差为0.01，学习速率为0.01，动量常数0.9。

从表1可以看出，本文两级三层PCA-BP神经网络模型分析马铃薯营养成分，对于各微量元素识别的准确率均在96%以上，较BP神经网络识别率相对较高。在马铃薯营养成分分析中，避免了人工识别诊断存在的语言描述特征不确切问题，实现了马铃薯营养成分分析的智能识别7-9。3结论与讨论

本文采用两级三层PCA-BP神经网络模型，在马铃薯营养成分分析中识别率比较高，但是受训练样本大小的约束，识别存在误差。在下一步的工作中，增大样本集、完善训练模型、进行并行化设计，以进一步提高识别的准确率和效率。

4参考文献

[1]陈丽，王兰英.概率神经网络在玉米叶部病害识别中的应用[J].农机化研究，2011，33（6）：145-148.

[2]霍迎秋，唐晶磊，尹秀珍，等.基于压缩感知理论的苹果病害识别方法[D].农业机械学报，2013，44（10）：227-232.

[3]翟治芬，徐哲，周新群，等基于朴素贝叶斯分类器的棉花盲椿象危害等级识别[J].农业工程学报，2015，31（1）：204-211.

[4]孔彦龙，高晓阳，李红玲，等.基于机器视觉的马铃薯质量和形状分选方法[J].农业工程学报，2012，28（17）：143-148.

[5]王红军等基于机器视觉图像特征参数的马铃薯质量和形状分级方法[J].农业工程学报，2016，32（8）：272-277.