Az üvegházi saláta növekedésének monitorozása konvolúciós ideghálózat alapján

Tárgyak

Absztrakt

Bevezetés

A növekedés figyelemmel kísérése elengedhetetlen a gazdálkodás optimalizálásához és az üvegházi saláta termelésének maximalizálásához. A levél friss súlya (LFW), a levél száraz súlya (LDW) és a levél területe (LA) kritikus mutató az 1,2-es növekedés jellemzésére. Az üvegházi saláta növekedésének figyelemmel kísérése a növekedéshez kapcsolódó tulajdonságok (LFW, LDW és LA) pontos megszerzésével nagy gyakorlati jelentőséggel bír a saláta hozamának és minőségének javítása szempontjából 3. A növekedéssel összefüggő tulajdonságok mérésének hagyományos, viszonylag egyszerű módszerei viszonylag pontos eredményeket érhetnek el 4. A módszerek azonban roncsoló mintavételt igényelnek, ezáltal időigényes és fáradságos 5,6,7 .

Noha a növekedéshez kapcsolódó tulajdonságok becslésének számítógépes látásalapú módszerei ígéretes eredményeket értek el, ezek két kérdés tárgyát képezik. Először is, a módszerek érzékenyek a zajra. Mivel a képeket terepi körülmények között rögzítik, elkerülhetetlen az egyenetlen megvilágítás és a rendetlen háttér által okozott zaj, amely hatással lesz a képek szegmentálására és a funkciók kibontására, ezáltal csökkentve a pontosságot 15. Másodszor, a módszerek nagyban támaszkodnak a kézzel tervezett képfunkciókra, amelyek nagy számítási bonyolultsággal bírnak. Ezenkívül a kivont alacsony szintű kép jellemzőinek általánosítási képessége gyenge 16,17. Ezért megvalósíthatóbb és robusztusabb megközelítést kell vizsgálni.

A konvolúciós neurális hálózatok (CNN-ek), amely a legmodernebb mély tanulási megközelítés, közvetlenül képeket készíthet bemenetként, hogy automatikusan megtanulják a komplex jellemzőábrázolásokat 18, 19. Megfelelő adatmennyiség mellett a CNN-ek jobb pontosságot érhetnek el, mint a hagyományos módszerek 20, 21. Ezért a CNN-eket számos mezőgazdasági alkalmazásban alkalmazták, mint például a gyomok és a növények felismerése 19,22,23, a növénybetegségek diagnosztizálása 24,25,26,27,28, valamint a növényi szervek detektálása és számlálása 21,29. Annak ellenére, hogy a CNN-eket széleskörűen alkalmazták osztályozási feladatokban, ritkán alkalmazták a regressziós alkalmazásokban, és kevés jelentés található arról, hogy a CNN-eket hogyan használták fel az üvegházi saláta növekedéssel kapcsolatos tulajdonságainak becslésére. Ihlette Ma és mtsai. 18, aki pontosan becsülte az őszi búza föld feletti biomasszáját a korai növekedési szakaszban egy mély CNN felhasználásával, amely egy mély hálózati struktúrával rendelkező CNN, ez a tanulmány egy CNN elfogadását kívánta elfogadni az üvegházhatást okozó saláta növekedésének nyomon követésére vonatkozó becslési modell felépítéséhez. a digitális képekről, és összehasonlítani az eredményeket a növekedéssel kapcsolatos tulajdonságok becsléséhez széles körben elfogadott hagyományos módszerekkel.

A tanulmány célja az üvegházhatást okozó saláta növekedéssel kapcsolatos tulajdonságainak pontos becslése. CNN-t használnak az üvegházi saláta RGB-képe és a megfelelő növekedéssel kapcsolatos tulajdonságok (LFW, LDW és LA) közötti kapcsolat modellezésére. A javasolt keretrendszer követésével, beleértve a saláta kép előfeldolgozását, a képnövelést és a CNN felépítését, ez a tanulmány megvizsgálja a CNN-ek digitális képekkel történő felhasználásának lehetőségét az üvegházi saláta növekedéshez kapcsolódó tulajdonságainak becslésére az egész vegetációs időszak alatt, és ezáltal kivizsgálható egy megvalósítható és robusztus megközelítés a növekedés monitorozásához.

Anyag és módszerek

Üvegházi saláta képgyűjtemény és előfeldolgozás

A kísérletet a Kínai Pekingi Kínai Agrártudományi Akadémia Környezetvédelmi és Fenntartható Fejlődési Fejlesztési Intézetének kísérleti üvegházában (N39 ° 57 ′, E116 ° 19 ′) végezték. Az üvegházi saláta három fajtáját, vagyis a Flandria, Tiberius és Locarno ellenőrzött éghajlati viszonyok között termesztették 29/24 ° C nappali/éjszakai hőmérsékleten és 58% -os átlagos relatív páratartalommal. A kísérlet során természetes fényt használtak megvilágításra, és tápoldatot keringtek naponta kétszer. A kísérletet 2019. április 22-től 2019. június 1-ig hajtották végre. A kísérlet során hat polcot fogadtak el. Minden polc mérete 3,48 × 0,6 m volt, és minden salátafajta két polcot foglalt el.

Az egyes salátafajtákhoz tartozó növények száma 96 volt, amelyeket egymás után jelöltünk. A képgyűjtés olcsó Kinect 2.0 mélységérzékelővel 30 történt. A képgyűjtés során az érzékelőt egy állványra szerelték, 78 cm távolságra a talajtól, és függőlegesen lefelé orientálták a saláta lombkoronája felett, hogy digitális képeket és mélységű képeket rögzítsenek. A digitális képek és a mélységképek eredeti pixelfelbontása 1920 × 1080, illetve 512 × 424 volt. A digitális képeket JPG, míg a mélységi képeket PNG formátumban tároltuk. A képgyűjtést az átültetés után hétszer hajtották végre 9:00 és 12:00 óra között. Végül két képadatkészlet készült, azaz 286 digitális képet tartalmazó digitális képadatkészlet és 286 mélységképet tartalmazó mélységi képadatkészlet. A digitális képek száma Flandria, Tiberius és Locarno esetében 96, 94 (két növény nem élte túl), illetve 96, és a három fajta mélységképeinek száma megegyezett.

a, b, és c Flandria, Tiberius és Locarno fajtáját mutatja