基于深度卷积神经网络的棉花叶片缺氮诊断

何相良， 戴建国， 侯文庆， 蒋 楠， 左昌鑫

(1.石河子大学信息科学与技术学院，新疆石河子 832000； 2.兵团空间信息工程技术研究中心，新疆石河子 832000)

我国是纺织大国，棉花在我国是仅次于粮食的大宗农产品。根据国家统计局发布的数据来看，我国棉花使用量每年仍有上万吨的进口需求，棉花生产的提质增效是农业工程领域内普遍研究的问题。长期种植经验表明，精准施肥是提高产量的主要手段。随着智慧农业的深入研究和逐步应用，施肥量的精确控制成为智慧农业研究的一个重要分支，而高效精确的棉花缺氮水平诊断是精准施肥的前提和基础。传统的生物化学方式测定植物氮含量存在检测周期长、破坏性强等问题，不适用于现代农业的生产方式。由于植物的叶片颜色、纹理、形状甚至质地等特征可以直接反映植株的氮营养状况，因此通过对作物的数字图像进行分析，可以建立光谱特征参数与实际含氮量之间的数学模型[1-5]。魏全全等通过分析马铃薯冠层图像的数码参数与氮素营养指标之间相关性，筛选出氮含量的最优估测参数，拟合出氮营养含量估测方程[6]。陈佳悦等分析冬小麦冠层数字图像的特征参数后提出了颜色组合标准化指数，其与叶片氮含量线性拟合后的决定系数与均方根误差分别能达到0.97、0.129 9[7]。近年来，随着计算机视觉领域的发展，国内外学者常用机器学习和数字图像处理技术建立植物叶片的理化特征与其氮素含量之间的回归或分类模型，并取得了诸多成果[8-10]。李小正等提取棉花叶片图像彩色参数与其氮含量做相关性分析，用显著相关的向量组合训练不同神经网络模型，结果表明，使用蓝色通道(B)、色调(H)、归一化蓝色波段指数(NBI)、归一化红色波段指数(NRI)、绿减红(G-R)、绿比红(G/R)训练的径向基网络在预测棉花叶片的氮含量上具有优越性[11]。王金星等提取苹果树叶片图像中的主要彩色参数构建了基于自适应遗传算法优化的主成分支持向量机(PCA-SVM)、主成分神经网络(PCA-BP)、主成分极限学习机(PCA-ELM)共3种氮含量预测模型，结果表明，经过遗传(GA)算法优化后的PCA-SVM模型的预测效果最佳[12]。罗建军等通过提取水稻叶片图像中的颜色和几何特征建立了基于遗传算法优化的BP神经网络对水稻氮素营养进行诊断，结果表明，该模型在各施氮水平上的识别平均精确率均能达到97%以上[13]。虽然机器学习结合数字图像处理技术在检测作物氮营养含量的研究上是一种快速、无损、高效的手段，但由于不同作物的缺氮营养特性、生长周期和拍摄环境以及成像方式都不同，故导致上述研究方法过于复杂，且普适性不强，受数据质量的影响较大，不能满足智慧农业生产模式的要求。而随着深度学习的发展，卷积神经网络已成为作物缺氮诊断中更便捷、快速、精准的途径之一。杨娟娟等改进了VGG-16的全连接层，对不同梯度氮含量的葡萄叶片图像进行识别，在室内简单背景下的识别平均精确率可以达到78%[14]。熊俊涛等利用Mask-RCNN模型对大豆叶片图像进行分割去除背景特征，继而采用VGG-16完成缺素分类，该分类模型在测试集上的分类准确率达到了89%[15]。综上所述，深度学习在农作物氮含量诊断的应用上，研究者们主要使用较浅层网络模型开展研究，这些模型由于提出的时间相对较早，与现在的深度神经神经网络相比，其学习能力已落后。棉花功能叶片的颜色特征与植株含氮量之间有着紧密的联系[16]，目前，通过作物的可见光数字图像进行氮含量检测时，多数使用机器学习结合图像处理的技术，而使用深度学习模型进行研究的尚且较少，本试验以深度学习模型为研究对象，以寻求最适宜棉花缺氮水平诊断的模型。本试验基于智能手机高清摄像头的优势，采集花铃期时不同缺氮水平的棉花叶片数字图像，比较AlexNet、VGGNet、GoogLeNet、MobileNet、Inception-v3、ResNet-v2和ResNeXt及其改进网络的检测效果，对比分析各模型的特征提取结构在棉花叶片缺氮水平检测上的优劣，以期为自动化棉花缺氮诊断提供算法支持，并为基于深度学习的作物营养检测研究提供借鉴和参考。

1 数据和方法

1.1 试验设计

田间试验地点位于新疆维吾尔自治区石河子地区新疆农垦科学院试验站(85°59′35″E，44°18′45″N)。研究区所在农业园地势平坦，平均海拔高度 450.8 m，地处天山北麓中段，古尔班通古特大沙漠南缘，属温带大陆性气候，昼长夜短，年平均气温 7～8 ℃。试验数据采集于7月中旬花铃期，当季平均气温25～26 ℃；棉花于2021年4月18日种植，4月27日第1次灌溉，用宽窄行膜下滴灌种植方式，15穴/m，1膜3行。水肥管理采用随机区组设计。设置5个氮肥处理，每个处理重复3次，共计15个小区，每块小区的面积约为78 m2。施氮水平正常区N240的施氮总量为240 kg/hm2，为当地棉田常规施氮量。在蕾期至初花期固定施入底肥60%的基础上，调整盛花期和盛铃期的施氮比例。以N240区域为例，即蕾期至初花期施肥60%，盛花期追肥30%，盛铃期追肥10%。其他处理区域为N0、N72、N144和N192。详细的施氮周期和施氮量见表1。

表1 不同处理下的施氮周期与施氮量

试验棉花品种为金垦1161，密度为 23.9万株/hm2。于10月1—7日进行收获。行距为76 cm，行内植株间距为5.5 cm。将3行棉花用一块宽度为205 cm的塑料薄膜覆盖，用3条直径为16 mm的滴灌带进行灌溉，流量为2.1 L/h。水肥灌溉从6月16日开始，8月16日结束，滴灌周期为 7～8 d。总灌溉量为4 800 m3/hm2。6月灌溉3次，占总灌溉水量的63%。7月灌水3次，占灌水总量的26%。8月灌水1次，占灌水总量的11%。K2O和P2O5的施用量分别为51、78 kg/hm2。氮肥的来源为尿素，K2O和P2O5的来源为KH2PO4。蕾期、花期至盛铃期施氮、磷、钾的比例均为 5 ∶11 ∶4，盛铃后期除不施氮外，磷与钾的比例保持不变。其他实地管理措施与当地实际生产管理相同。实地试验设计见图1。

1.2 数据获取及预处理

1.2.1 图像采集 本试验数据于7月中旬花铃期采集，为提高本研究的泛化能力，将图像采集试验分为Ⅰ、Ⅱ2组，Ⅰ组于2021年7月23日(晴) 12：00—15：00在研究区棉田进行。试验内容主要针对种植区内5种不同氮处理下的棉花叶片进行拍摄，拍摄时选取小区域内长势较好植株的主茎倒1叶位叶片、主茎倒4叶位叶片和主茎倒3节位叶片[17]，且采样时叶片表面保持无病害、无虫卵、无其他杂质。试验中为了降低植株间的群体竞争所带来的长势差异，仅对距离支水管1 m范围以外的棉花植株叶片进行图像采集。Ⅱ组试验于2021年7月29日(多云转阴)18：00—20：00在研究区棉田进行，试验内容和试验原则与Ⅰ组相同。拍摄时将手机镜头与叶片的距离保持在20～50 cm范围内，将镜头与叶面夹角控制在45～90°范围以内。最终得到原始图像共1 156张，晴天925张，阴天231张。图像拍摄设备使用的是华为P40-Pro，拍摄模式中各参数统一设置如表2所示。

表2 P40-Pro专业模式参数设置

1.2.2 氮含量测定 氮含量测定与图像采集同期进行，拍摄当天在各小区内选取经过图像采集后的6株长势均匀的植株进行破坏性取样带回实验室送检。将叶片放在自来水下冲洗干净，用5%的盐酸溶液清洗1～2 min，然后用无离子水润洗2次，放入105 ℃高温烘箱杀青30 min，再调至80 ℃持续烘干至恒质量，将叶片样本研磨成粉末，称取0.2 g干样，用H2SO4-H2O2消解，然后在消煮炉中消煮 4 h，在消煮好的样品中加入H2O2，之后用海能K9860全自动凯氏定氮仪对样本进行氮含量检测。最后对相同氮处理小区内的样本氮含量取平均值，最后即得到5种平均全氮含量水平。

1.2.3 特征分析 由实际种植经验可知，缺乏氮营养的棉花表型特征主要体现在叶片的颜色上，其中包括棉花叶片颜色发黄、叶脉根部退化成红褐色、叶肉上的绿色变淡、叶片干枯等[18]。除此之外，为提升研究的泛化能力，本数据还包含2种不同的光照强度特征。基于此，数据集中的1 156张图片可划分为2种环境条件下的5种含氮量等级：严重缺氮、中度缺氮、适度缺氮、轻度缺氮、正常。本研究为了方便描述下面用N0、N72、N144、N192、N240来表示上述各对应缺氮状态下的叶片平均含氮量，具体如图2所示。其中，图2-a叶片变老，叶面黄化严重；图2-b叶脉出现黄色斑块，叶肉中叶绿素淡化；图2-c叶基部逐渐呈现红褐色，有轻微黄化；图2-d植株矮小，叶面少部分枯萎；图2-e为晴天氮含量正常叶片；图2-f为晴天氮含量缺乏叶片；图2-g为阴天氮含量正常叶片；图2-h为阴天氮含量缺乏叶片。

1.2.4 数据预处理 叶片颜色是体现棉花氮营养盈缺的主要特征，由于昏暗环境对图像亮度的影响容易造成图像中某些重要判别特征的模糊或某些主要生理细节的缺失，故为了减少拍摄过程中不同光照强度对特征学习网络的干扰以及抑制图像中的冗余信息，本研究的预处理工作主要是对光线较暗的阴天背景数据进行特征增强处理。

由于用彩色分量(RGB)直接进行增强处理会产生奇异的像素点，导致结果图像不协调。因此本试验将RGB颜色空间转换到HIS颜色空间后再做灰度变换以解决上述问题。在进行空间转换后使用伽马函数(Gamma)对图像中的过度曝光或者曝光不足进行修正。通过对231幅HIS数据的灰度直方图进行分析后发现，在大多数未归一化的图片中，像素在亮度通道上都呈现正偏态分布，如图3-a所示。

因此，本研究将伽马变换与线性变换组合，在亮度通道I的低灰度区使用Gamma函数，高灰度区使用线性函数，分段阈值设为120，如图 3-b 所示，标准化后变换函数阈值点为0.47。原理为通过非线性函数让数字图像中较暗像素的灰度值得到拉伸，使用线性函数对图像中高亮像素(如噪点)进行抑制，使细节增强。具体公式如下：

(1)

式中：r为标准化亮度通道的灰度值，取值范围在 0～1之间；式中的0.47为分段阈值；s为经过变换后的输出灰度值。γ为变换因子，控制整个函数的缩放程度，本研究经过多次试验对比后将γ设置为0.75。

为了方便后续深度学习模型的训练，将HIS空间中灰度增强后结果再转换为RGB图片。由于在色彩空间转回RGB后会出现图像失真等新问题，所以使用限制对比度的自适应直方图均衡化(contrast limited adaptive histogram equalization，CLAHE)算法对RGB图像再进行一次处理。至此，本研究完成了对阴天环境下获取的231张图片的特征增强预处理，之后将所有数据一起通过高斯滤波器以消除噪点；最后使用双线性插值重采样算法来统一图像的尺寸。总体预处理流程见图4。

1.3 数据集制作

首先，通过裁剪、旋转、镜像等方法将数据扩容为原来的5倍。然后对数据集进行划分。利用简单随机抽样方法将数据集划分为训练集、验证集、测试集，所占比例分别为90%、5%、5%，即5 202张图片用于训练，289张图片用于验证，289张图片用于测试。数据集制作完成后各缺氮水平中所含样本数量如表3所示。

表3 数据集样本分布详情

1.4 运行环境

试验环境基于Ubuntu 18.04和Windows 10共2种操作系统，计算50层以下的浅层网络时选择在Windows环境下；将50层以上的深层网络部署在性能更高的计算环境中运行，操作系统为Ubuntu 18.04。详情见表4。

1.5 基于深度学习的棉花叶片缺氮诊断模型

1.5.1 基础网络的选取 深度学习已被广泛应用于图像识别等领域，如AlexNet、VGGNet、GoogLeNet、Inception-v3、ResNet-v2、ResNeXt、MobileNet等[19-26]，随着残差模块(Residual-Block)的引入解决了深层网络中梯度消失和模型退化的问题，使得对模型的研究可以在更深的维度上展开，而分组卷积中的分割-转换-合并策略使得深度残差网络在深度、宽度、参数量不变的情况下能达到更好的性能。本研究在对上述模型依次试验后，考虑到若继续增加模型深度时则必须保证原网络结构的性能，因此选择ResNeXt作为基础网络模型。

表4 硬件和软件的配置

1.5.2 基于深度可分离和恒等映射的ResNeXt模型 由于在深度残差网络问世后，ResNeXt和ResNet-v2这2种相互独立的残差模型都能提高原ResNet网络的图像识别精度，且都是在ResNet模型的基础上做出改进，前者是改进主要特征提取结构，后者则是微观调控残差单元内各功能模块的次序。因此本研究将上述2种模型的设计理念加以结合，即基于恒等映射原理调整批归一化与激活函数的顺序来改进ResNeXt的分组卷积模块。其原理是将网络前端的特征信号直接传递到网络末端的卷积层，使得网络后端的卷积核抽象特征时依旧能学习到前端卷积层输出的低层特征。具体公式如下：

(2)

式中：F为残差单元的卷积计算；xl为第l层的输出神经元信号值；Wl为相应的第l层的权值矩阵；xi为第i层的输出信号；Wi为第i层的权值矩阵；ε为损失函数；xL为前向传播时最后一层的输出神经元。因此，公式(2)表示深层梯度信号可以不经过任何权值和非线性变换，直接反向传播给浅层的参数。

此外，由于网络前端卷积层提取的各通道颜色特征对检测棉花叶片缺氮水平的精度有着很大的影响，而Inception中的不同尺寸的卷积核可以提取大到叶片轮廓、形状，小到色斑、纹理、脉络等几何特征，丰富了传递到网络后端的低层特征的多样性，因此可以在ResNeXt模型的头结构中利用深度可分离卷积对Inception结构进行改进，以便于提升网络头部对各颜色通道的特征学习效率，提高特征学习能力，减少参数量。深度可分离原理分为2步：(1)用n个卷积核对n个通道分别卷积；(2)用m个1×1×1的卷积核(m≥n)对各通道的特征矩阵进行上采样，以有效利用特征图的不同通道在相同空间位置上的特征信息；随着提取到的特征图越来越多，各输出通道中包含的特征组合也愈来愈多，模型的泛化能力也就越强，还能节省更多的参数。基于此，本研究实际试验中将ResNeXt模型的第1个卷积层改为基于深度可分离的Inception结构，并在前2个分组卷积模块中也加入Depthwise卷积，以期在保证模型性能的前提下减少模型加深所带来的大量参数。综上所述，在深度卷积神经网络的浅层模型块中使用深度可分离卷积和Inception结构既可以减轻模型体量，也可以提升模型对叶片缺氮特征的抽象能力。ResNeXt整体结构的改进方式见图5。

1.6 研究方法

1.6.1 训练方法 在模型训练时，为客观对比AlexNet、VGGNet、GoogLeNet、Inception-v3、MobileNet、ResNet-v2、ResNeXt和其改进模型的性能，训练时所有模型统一采用相同的关键超参数：优化算法均采用自适应矩估计(Adam)，损失函数使用稀疏交叉熵；所有模型训练都使用指数衰减学习率，随着迭代次数的增加将学习率设置为从0.001下降至0.000 1，具体公式如下。

lr=α×δepochs/τ

。

(3)

式中：lr为学习率；α为学习率初始值；δ为学习率衰减率，δ∈(0，1)；epochs是当前训练的轮次；τ为更新频数；实际训练时各参数的设置为α=0.001，δ=0.811，τ=3；此外，还固定了每个模型训练轮次为34次，每个轮次中的迭代批次为162次(batch-size=32，batch-size表示机器学习模型每次训练时的所用数据规模大小)。 为研究各模型在训练过程中的学习能力，每训练一个轮次后进行一次验证，同时记录每个模型训练过程中的各参数指标。

1.6.2 模型评价 本研究主要目的在于解决棉花叶片缺氮水平分级检测的问题，属于多分类问题。针对此类问题的模型性能评价指标包括准确率(Accuracy)、查准率率(PPV)、平均精确率(AP)、查全率(Recall)、Kappa系数、混淆矩阵等；上述指标公式表示如下。

(4)

(5)

(6)

(7)

(8)

式中：T表示总样本被正确分类的个数；A表示总测试样本个数；ni为测试集中第i类的样本个数；TPi表示预测的第i类样本中正确的个数；FPi表示预测的第i类样本中错误的个数；FNi为第i类样本没有被预测正确的个数；aj+表示测试结果的混淆矩阵内，第j行的总观测数；bm+表示测试结果的混淆矩阵内，第m列的总观测数。其他辅助评价工具还有训练时验证集准确率变化曲线；测试集上的缺氮水平分级混淆矩阵。本试验用上述评估参数在不同模型上进行控制超参变量的性能对比，最终通过各模型的准确率和参数量等各个方面综合评估棉花花铃期叶片缺氮水平诊断模型的性能优劣。

2 试验结果与分析

由于深度学习的可解释性较差，训练时需要通过模型在验证集上的表现动态来反映其学习能力的优劣以实时调整训练模式。本研究中，各模型训练时的准确率变化曲线和损失函数变化曲线见图6。

2.1 浅层网络结果分析

从图6中不难发现图中浅层模型的损失函数值从训练开始后就没有降低，一直保持着较高状态。AlexNet、VGG-16、VGG-19的最高验证集准确率分别只有24.4%、55.0%、50.0%。这说明上述模型的特征学习能力不够，无法有效地提取到叶片的缺氮等级特征。但只有28层可训练参数的轻量级网络MobileNet和只有22层的GoogLeNet在验证集上的最高准确率却分别能达到91%和88%，可见在无需大幅增加网络深度的前提下，恰当地使用某些特定卷积结构也可以实现相对理想的缺氮分级检测效果。此结果表明仅仅依靠堆叠普通卷积层无法学习难以量化的叶片缺氮水平特征。相反地，间接表明了MobileNet中的深度可分离卷积和GoogLeNet中的Inception结构至少能学习到各缺氮水平下的棉花叶片特征。

本研究在同样的训练方式下又对比试验了在Inception结构的基础上同时增加了宽度和深度的Inception-v3模型。对比2个模型的训练曲线可以看出，Inception-v3这种48层的模型，其在验证集上的最高准确率虽然能达到95%，但是在运行了相同轮次的情况下，最终准确率并不如GoogLeNet，模型的性能也不能达到稳定。通过分析该试验中Inception-v3的准确率曲线无法收敛的特点，笔者认为，对于本研究来说，单纯地改进Inception结构和增加模型深度会给模型优化过程造成梯度弥散的问题，从而导致在反向传播过程中，梯度信号在多个局部最优之间振荡，延长了计算出全局最优解的时间。此外，通过Inception-v3的准确率曲线可知，由于其在训练集和验证集上的表现差异过大，该网络在结果模型上必定存在着过拟合现象。同理，MobileNet和GoogLeNet在相同的训练轮数下也易产生过拟合。因此，本研究认为用深度学习研究叶片的缺氮水平分级问题时不宜采用较浅层(50层以下)网络模型。

2.2 深层网络结果分析

后续试验在增加模型深度的思路上使用了基于残差链接的网络结构，即ResNet-v2(101层)、ResNeXt(101层)和Improved-ResNeXt(108层)等模型。训练结果(图7)表明，在使用残网络后，随着深度和宽度不断增加，其在验证集上的准确率也越来越高，模型训练时的收敛速度也越来越快。例如，ResNet_101的验证集准确率最高能达到90%，ResNeXt_101的验证集准确率最高达到了95%，Improved-ResNeXt的验证集准确率最高则达到了99%；并且在整个训练过程中，深层模型在训练集上并没有明显的过拟合现象产生，收敛速度也比浅层模型快了1倍；尤其在最后几个轮次中，验证集准确率变化曲线的波动范围也稳定在了很小的区间段内，证明在叶片缺氮等级检测的应用中，深层卷积神经网络模型有着更强的适应能力。

2.3 模型对比

用测试集对上述训练的结果模型进行测试，其分级效果制作的混淆矩阵如图8所示。可以看出，本研究提出的Improved-ResNeXt模型出现识别错误的缺氮水平最少(只有N72和N192这2个级别)。此外，各模型对缺氮水平的错误分级主要发生在阴天环境下采集的样本上，因为在289个测试样本上(含58个经过预处理的阴天环境样本)各模型对阴天样本识别出错的个数均超过总识别错误数的一半，但没有一个模型对阴天样本识别出错超过29个(测试集中总阴天样本个数的一半)。以准确率最低的GoogleNet模型为例，在其56个识别错误的样本中，阴天样本占28个，这表明不同曝光程度的数据确实会影响深度学习模型在叶片缺氮水平诊断上的效果。同时，也能说明训练前的特征增强工作起到了一定的作用。

利用图8中的混淆矩阵计算各模型的查准率、查全率评价指标。从图9可以看出，几乎所有模型对N0(N_nil严重缺氮)和N240(N_normal氮含量正常)这2种氮素水平的叶片都能达到很好的检测效果，说明花铃期时N0和N240这2种氮素等级的棉花叶片具有很高的区分度。但与之相反的是，除本研究提出的Improved-ResNeXt模型外，几乎所有模型在检测其他缺氮水平处于中间级别的叶片时(N192、N144、N72分别为轻度缺氮、适度缺氮、中度缺氮)，查准率和查全率都不能达到理想的效果，尤其是MobileNet和GoogLeNet模型在检测N144时的查准率甚至没有超过50%。这可能是因为适度缺氮和中度缺氮的叶片，其类间特征的差异性不大且类内特征的相似度较高。而Improved-ResNeXt网络模型在原ResNeXt模型原本能力的基础上，改进了残差链接的信号传递结构，这使得网络末端的卷积层也提高了特征学习能力，进一步增强了对各缺氮水平叶片上差异不明显特征的提取效果。从图9也不难看出，本研究提出的Improved-ResNeXt模型检测所有缺氮水平的样本时确实有着更高的查准率和查全率。

最后统计各项综合评价指标(表5)，相比之下，Improved-ResNeXt不论是在验证集还是在测试集上的准确率均已达到97%，对各类缺氮水平检测的平均精确率也有97%，Kappa系数达到了0.96，说明该模型的诊断结果与按实际等级分级的结果几乎完全一致。从模型参数量来看，虽然MobileNet的参数量最少，但其作为棉花叶片缺氮检测模型的性能却较差，而Improved-ResNeXt模型各方面性能最优参数量比ResNeXt反而减少。

3 讨论

棉花叶片的缺氮诊断是一项十分复杂的任务，不止局限于本试验研究的情形，通过对试验设计、模型应用等环节的分析，本研究应存在以下几点不足：(1)尽管较深的网络层数能提高任务性能，但随之而来的复杂结构也会提高推理成本、消耗内存空间。将参数量最多的3个缺氮水平诊断模型的内存占比大小绘制成百分比堆积柱状图。其中，ResNet-v2 的结果模型文件大小达到了170.1 Mb，ResNeXt-101的模型文件大小为157.7 Mb，Improved-ResNeXt所占内存大小为136.5 Mb。虽然Improved-ResNeXt所占空间大小仅有ResNet的80%，但其模型体积仍不能满足便携式移动设备的部署需求，为了缩减推理时间，可能还需对基于深度学习棉花叶片缺氮诊断模型的复杂度做进一步的简化。(2)相比于其他棉花氮素水平诊断的研究，本研究的氮素测定试验由于受到人力成本的限制，所测数据规模有限，为充分利用现有的数据，将其按照不同氮处理的种植区域划分成5个氮含量等级，该研究方式虽然能增强模型的泛化能力，但也忽略了作物培育过程中的个体差异，降低了诊断模型的精细化程度[27-28]。(3)因为不同的棉花品种缺氮元素时的表型特征不同，所以对缺氮棉花进行诊断研究时常常根据不同品种设置对照试验来分析模型的可移植性。但由于研究区的面积限制，本研究未比较不同的棉花品种对结果模型的影响。

4 结论

本研究针对棉花叶片可见光数字图像提出了一种基于深度学习模型的棉花叶片氮含量水平检测方法。试验中用灰度变换和限制对比度的自适应直方图均衡化算法消除光照变化对缺氮特征的影响，继而采取5种浅层网络模型和3种深层网络模型进行比较分析，并结合缺氮棉花叶片的形态学特点提出用恒等映射和深度可分离的Inception结构对ResNeXt模型进行改进。经分析后认为，50层以下的浅层网络不适合作为室外复杂背景下的棉花叶片缺氮水平诊断模型，而使用基于恒等映射的深度残差网络检测棉花叶片缺氮水平时有明显成效。此外，在ResNeXt的头部引入基于深度可分离的Inception结构能使卷积运算在丰富输出特征的同时大幅抑制参数量的增加，从而进一步提升模型的性能。本研究提出的Improved-ResNeXt模型可以有效地解决棉花的叶片含氮量水平诊断问题，且对阴天、晴天2种环境条件有良好的适用性，其在测试集上的准确率、F1分数、Kappa系数分别能达到97%、0.980 0、0.96，可以满足智慧农业发展对识别植株氮含量的精度要求。综上所述，本研究针对棉花叶片缺氮水平诊断进行了深度学习方法上的探索，所采用的深度学习模型可供后续其他基于数字图像的作物营养诊断研究参考。

表5 模型评估