一种基于深度学习的端到端生菜无损鲜重估测模型的建立

[目的]为解决生菜分类、分割和鲜重估测独立处理,增加时间成本的问题,本文提出一种端到端的生菜无损鲜重估测模型——LettuceNet。[方法]LettuceNet模型通过分析俯视图像估测生菜鲜重。LettuceNet结合Swin Transformer-Tiny(Swin-T)和UPerNet,有效提取生菜冠层图像的特征。模型设计了基于K-Net的用于语义分割的分割头部网络以及用于鲜重估测的回归头部网络。回归头部网络融合利用Swin-T的特征与分割头部网络的结果,用于生菜的分类和冠层面积统计,使LettuceNet能够同时高效处理语义分割和鲜重估测任务。[结果]2个数据集的试验结果表明,LettuceNet语义分割任务中,其平均像素准确度(MPA)分别为98.01%和98.75%,而平均交并比(MIoU)分别为96.02%和97.63%;在鲜重预测方面,决定系数R 2分别为0.898和0.919,均方根误差(RMSE)分别为0.865和30.814 g,平均绝对百分比误差(MAPE)分别为1.894%和18.194%。[结论]通过输入生菜冠层图像,LettuceNet能够实时且无损完成生菜的分类、分割与鲜重估测,能够快速对生菜的生长情况进行定量分析,为植物工厂的智能管控提供数据支持。

基于迁移学习和卷积神经网络的生菜鲜重估测

为提高设施生产中对各生长阶段生菜鲜重的无损估测精度进而更好地指导生产,提出一种利用生菜冠层图像为输入,基于迁移学习技术和卷积神经网络估测鲜重的方法,对比分析AlexNet、VGG-16、GoogLeNet和ResNet-18模型迁移学习后在生菜鲜重估测任务上的效果;同时,对比不同迁移学习方法对模型性能的影响,通过冻结卷积层和减少全连接层改善模型的参数量和训练速度。结果表明:1)AlexNet和VGG-16两种模型能较好的实现生菜鲜重的估测,AlexNet模型的决定系数R^(2)为0.9280,标准均方根误差NRMSE为19.08%,VGG-16模型的R^(2)为0.9380,NRMSE为17.71%,但VGG-16模型存在参数量大训练慢的问题,综合考虑选取AlexNet模型迁移学习后作为生菜鲜重估测模型;2)与全新学习方法相比,在预训练模型基础上对生菜鲜重数据集进行迁移学习,可以明显提升生菜鲜重估测模型的训练速度和准确度;3)冻结卷积层能显著加快模型的训练速度,训练时间可减少18%,减少全连接层在保持精度的前提下能大幅度减少模型的参数量。基于迁移学习的卷积神经网络模型可用于生菜鲜重的快速估测,该方法也可以拓展应用到其他叶类蔬菜的鲜重估测中。

盆栽青贮玉米植株鲜重估算模型研究

为建立生育期内青贮玉米鲜重与主要外观可测农艺性状的关系模型,以利于模拟作物生长以及在不破坏植株的情况下估算作物鲜重,亦可在盆栽类试验中基于称重法和水量平衡计算作物的腾发量等,选定3个青贮玉米品种进行了盆栽和大田种植,分别测量其不同生长阶段的主要外观农艺性状和地上鲜重,运用回归分析的方法,建立了不同品种和不同生长阶段的鲜重估算模型。结果表明:正常管理条件下,青贮玉米的品种、株高、总叶面积、茎粗、穗长、穗粗、穗重均对植株鲜重存在一定的影响。苗期株高和总叶面积,拔节期茎粗、抽穗期总叶面积、成熟期第六叶叶面积和穗重对各时期鲜重有较大的效应,达到极显著或显著水平。苗期采用绿叶片数和第一二三叶叶面积、拔节期采用茎粗和第三叶叶面积、抽穗期采用叶面积、成熟期采用第四叶叶面积、穗粗及绿叶片数估测各生育期青贮玉米的鲜重精度较高,估测平均相对误差为4.0%。