基于神经网络与贝叶斯信息融合的小白菜成熟度检测方法
2022-06-09
【论文摘要】为了掌握智能植物生长柜中小白菜的成熟情况，便于对柜内环境参数实现智能控制，提出了利用小白菜的外部形态特征，特别是提取根系形态特征并将其与地上部分形态特征相结合来检测小白菜成熟度的方法。通过Matlab图像处理工具箱对采集的小白菜图像进行阈值分割和特征提取，然后将小白菜上、下两部分的形态特征数据作为训练样本，分别建立对应的神经网络成熟度检测模型，并将神经网络检测值利用贝叶斯理论来对其进行信息融合，从而进一步提高神经网络模型检测的准确性。
【论文关键词】图像处理；神经网络；成熟度；贝叶斯理论；信息融合
植物根系和地上部分有着极大的相关性[1]，根和叶伴随着植物的生长而生长，都可以作为其成熟度的表征。对于智能植物生长柜[2]来说，作物的根系生长在营养液透明水槽中，在晾根的环节可以完全暴露在空气中，这为根系形态特征提取创造了条件。准确掌握蔬菜的成熟度对于提高作物产量具有十分重要的意义，尤其是智能植物生长柜生长环境下，成熟度不仅关系到蔬菜的营养品质，而且与节能减耗也紧密相关，因此科学地掌握蔬菜的成熟度显得尤为重要。
在作物成熟度检测方面，张长利等[3]通过采集番茄图像，提取H值作为番茄表面颜色特征，采用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别，准确率达到94%。由于颜色特征很容易受到光照等因素的影响，为此，本文提出了利用小白菜的形态特征，特别是地上部分的茎叶特征与地下部分的根系特征相结合的方法，利用神经网络模型对上下两部分形态特征建模训练，然后再根据贝叶斯理论对上下两部分神经网络的检测值进行信息融合，从而进一步提高小白菜成熟度检测的准确性。
1材料与方法
本文使用神经网络建模的方法建立小白菜形态与成熟度之间的关系模型。神经网络的输入采用小白菜图像处理得到的特征数据，输出则选择利用积温比值得到标准成熟度等级。最后对其结果进行贝叶斯信息融合，从而准确检测出小白菜成熟度等级。其整体流程图如图1所示。
1.1试验设置
试验在智能植物生长柜中进行，以小白菜幼苗作为研究对象，采用标准营养液水培的方式，并通过智能控制面板调节柜内环境参数，从而保证小白菜生长所必需的各种营养元素以及提供适宜的生长环境。
1.2小白菜图像采集与处理
1.2.1图像采集在标准背景板对比下采集小白菜地上部分的叶冠俯视图和植株侧视图，以及地下部分的根系侧视图。调节摄像头使其光轴垂直于待测对象所在平面，且确保背景板边缘恰好与图像显示屏的边缘对齐，以免产生几何畸变。
1.3神经网络模型设计
本文采用BP神经网络构建小白菜成熟度的预测模型。BP神经网络是一个利用误差反向传播算法对网络进行训练的前向多层网络，通常包括输入层、隐含层和输出层[6]。
1）输入层：BP神经网络的输入节点数依据研究需要来确定，所以神经网络模型的输入层分别包含两个神经元，神经网络1分别为株高和叶冠投影面积，神经网络2分别为根系长度和侧面积。
2）输出层：两个神经网络的输出均为成熟度等级，即植物完全成熟时的积温值与当前植物已达到的积温值之间的比值。为了方便准确地细化成熟度的等级，本文将成熟度分为8个等级，目标输出模式为（000）、（001）、（010）、（011）、（100）、（101）、（110）、（111），分别对应1～8级。
3）隐含层：单隐层的BP神经网络可以逼近一个任意的连续非线性函数，隐含层神经元数目的确定尚无明确的理论指导，通过反复试验后确定。
4）传递函数：隐含层神经元的传递函数选择为S型正切函数tansig。输出神经元的传递函数可选用S型的对数函数logsig。
5）训练函数：选择训练效果较为理想的L-M优化算法。
从得到的融合结果可以看出，融合过程使预测结果更加接近真实值，提高了准确度。
3小结
通过对小白菜不同成熟度时期的茎叶和根系进行图像采集和处理，提取形态特征数据，并对其进行神经网络建模来预测其成熟度，精确度较高，其中茎叶的成熟度预测准确率为89.5%，根系的成熟度预测准确率为94.0%。利用贝叶斯估计的方法实现两个神经网络的信息融合可以有效降低模型本身稳定性对结果的影响。将贝叶斯理论与神经网络相结合，根据形态分析数据来对小白菜成熟度进行预测，方法便利、精确度高、实用性强，对于提高智能植物生长柜环境参数智能化控制、提高资源利用率具有重要意义。
【参考文献】
[1]潘瑞炽.植物生理学[M].第五版，北京：高等教育出版社，2013.
[3]张长利，房俊龙，潘伟.用遗传算法训练的多层前馈神经网络对番茄成熟度进行自动检测的研究[J].农业工程学报，2001，17（3）：153-156.
[4]展慧，李小昱，王为，等.基于机器视觉的板栗分级检测方法[J].农业工程学报，2010，26（4）：327-331.
[5]张文昭，洪添胜，吴伟斌，等.基于图像处理技术的叶面积检测研究[J].农机化研究，2007（4）：120-124.
[6]郭孝玉，孙玉军，王轶夫，等.基于改进人工神经网络的植物叶面积测定[J].农业机械学报，2014，44（2）：200-204.
【论文关键词】图像处理；神经网络；成熟度；贝叶斯理论；信息融合
植物根系和地上部分有着极大的相关性[1]，根和叶伴随着植物的生长而生长，都可以作为其成熟度的表征。对于智能植物生长柜[2]来说，作物的根系生长在营养液透明水槽中，在晾根的环节可以完全暴露在空气中，这为根系形态特征提取创造了条件。准确掌握蔬菜的成熟度对于提高作物产量具有十分重要的意义，尤其是智能植物生长柜生长环境下，成熟度不仅关系到蔬菜的营养品质，而且与节能减耗也紧密相关，因此科学地掌握蔬菜的成熟度显得尤为重要。
在作物成熟度检测方面，张长利等[3]通过采集番茄图像，提取H值作为番茄表面颜色特征，采用遗传算法训练的多层前馈神经网络实现番茄成熟度的自动判别，准确率达到94%。由于颜色特征很容易受到光照等因素的影响，为此，本文提出了利用小白菜的形态特征，特别是地上部分的茎叶特征与地下部分的根系特征相结合的方法，利用神经网络模型对上下两部分形态特征建模训练，然后再根据贝叶斯理论对上下两部分神经网络的检测值进行信息融合，从而进一步提高小白菜成熟度检测的准确性。
1材料与方法
本文使用神经网络建模的方法建立小白菜形态与成熟度之间的关系模型。神经网络的输入采用小白菜图像处理得到的特征数据，输出则选择利用积温比值得到标准成熟度等级。最后对其结果进行贝叶斯信息融合，从而准确检测出小白菜成熟度等级。其整体流程图如图1所示。
1.1试验设置
试验在智能植物生长柜中进行，以小白菜幼苗作为研究对象，采用标准营养液水培的方式，并通过智能控制面板调节柜内环境参数，从而保证小白菜生长所必需的各种营养元素以及提供适宜的生长环境。
1.2小白菜图像采集与处理
1.2.1图像采集在标准背景板对比下采集小白菜地上部分的叶冠俯视图和植株侧视图，以及地下部分的根系侧视图。调节摄像头使其光轴垂直于待测对象所在平面，且确保背景板边缘恰好与图像显示屏的边缘对齐，以免产生几何畸变。
1.3神经网络模型设计
本文采用BP神经网络构建小白菜成熟度的预测模型。BP神经网络是一个利用误差反向传播算法对网络进行训练的前向多层网络，通常包括输入层、隐含层和输出层[6]。
1）输入层：BP神经网络的输入节点数依据研究需要来确定，所以神经网络模型的输入层分别包含两个神经元，神经网络1分别为株高和叶冠投影面积，神经网络2分别为根系长度和侧面积。
2）输出层：两个神经网络的输出均为成熟度等级，即植物完全成熟时的积温值与当前植物已达到的积温值之间的比值。为了方便准确地细化成熟度的等级，本文将成熟度分为8个等级，目标输出模式为（000）、（001）、（010）、（011）、（100）、（101）、（110）、（111），分别对应1～8级。
3）隐含层：单隐层的BP神经网络可以逼近一个任意的连续非线性函数，隐含层神经元数目的确定尚无明确的理论指导，通过反复试验后确定。
4）传递函数：隐含层神经元的传递函数选择为S型正切函数tansig。输出神经元的传递函数可选用S型的对数函数logsig。
5）训练函数：选择训练效果较为理想的L-M优化算法。
从得到的融合结果可以看出，融合过程使预测结果更加接近真实值，提高了准确度。
3小结
通过对小白菜不同成熟度时期的茎叶和根系进行图像采集和处理，提取形态特征数据，并对其进行神经网络建模来预测其成熟度，精确度较高，其中茎叶的成熟度预测准确率为89.5%，根系的成熟度预测准确率为94.0%。利用贝叶斯估计的方法实现两个神经网络的信息融合可以有效降低模型本身稳定性对结果的影响。将贝叶斯理论与神经网络相结合，根据形态分析数据来对小白菜成熟度进行预测，方法便利、精确度高、实用性强，对于提高智能植物生长柜环境参数智能化控制、提高资源利用率具有重要意义。
【参考文献】
[1]潘瑞炽.植物生理学[M].第五版，北京：高等教育出版社，2013.
[3]张长利，房俊龙，潘伟.用遗传算法训练的多层前馈神经网络对番茄成熟度进行自动检测的研究[J].农业工程学报，2001，17（3）：153-156.
[4]展慧，李小昱，王为，等.基于机器视觉的板栗分级检测方法[J].农业工程学报，2010，26（4）：327-331.
[5]张文昭，洪添胜，吴伟斌，等.基于图像处理技术的叶面积检测研究[J].农机化研究，2007（4）：120-124.
[6]郭孝玉，孙玉军，王轶夫，等.基于改进人工神经网络的植物叶面积测定[J].农业机械学报，2014，44（2）：200-204.