有效的氮素營養(yǎng)對提高作物產量至關重要。為了從一塊田中獲得最大產量,營養(yǎng)必須在所有作物之間均勻分配。氮肥的不合理使用不僅會導致產量的損失，還會導致籽粒品質的下降。不合理的高劑量農用化學品不僅會對環(huán)境產生負面影響，也會對人體健康產生負面影響。在這方面，確定合理、足量的氮肥用量的相關研究需求尤為迫切。
本文提出了一種深度學習圖像分割方法組合，用于監(jiān)測整個農田的營養(yǎng)狀況，并檢測養(yǎng)分短缺的區(qū)域。作者特別考慮了基于 U-Net 的五種最先進的神經網絡架構，對這些神經網絡模型進行了訓練、效果評估和適用性研究，以解決正射影像圖上農作物氮含量分割的問題。使用的數據集來自農業(yè)物理研究所（ARI）在2020-2021 年使用無人機系統(tǒng)（Geoscan 401）收集的生物實驗數據，圖像用于上述神經網絡模型（U-Net、Attention U-Net、R2-UNet、Attention R2-Unet 和 U-Net3+）的數據擴增和訓練。
本研究還進行了一項實驗，以評估選擇不同波段的現(xiàn)場圖像對所考慮的分割方法的準確性的影響。實驗結果表明，在所有模型中，Attention R2U-Net (t2) 被證明對不同種類的作物具有更強的魯棒性和可靠性（準確率為 97.59%-99.96%）。作者還評估了使用不同圖像波段組合（如 RGB、RedEdge、NearIR 和 NDVI）對神經網絡模型分割精度的影響。RGB、NearIR 和 NDVI 頻道的組合使本研究中使用的所有 8 項指標都達到了較高的數值（比 RGB 的標準組合高出 0.41-1.77%）。使用 RedEdge 波段對農田氮含量的分割質量有顯著的負面影響。所提出的基于 Attention R2U-Net (t2) 和 RGB、NearIR 和 NDVI 波段組合的方法對不同類型的農業(yè)景觀中是穩(wěn)定的，這有助于提高作物營養(yǎng)和產量。
圖1 氮營養(yǎng)分析方案整體過程。包括四個步驟:1.無人機拍攝的圖像被組合在一起，形成整個場地的正射影像。2.正射影像裁剪3.經過訓練的模型分割4.將分割圖組合成一個圖像，以提供字段分割
圖2 訓練流程圖。
圖3 訓練的不同U-Net架構對9號田地圖像的分割結果，batch size設置為50。(a) R2U-Net (t = 4); (b) U-Net 3 + with deep supervision; (c) Attention R2U-Net (t = 2)。
圖4 訓練的不同U-Net架構對26號田地圖像的分割結果，batch size設置為5。(a) R2U-Net (t = 3); (b) Attention R2U-Net (t = 2); (c) R2U-Net (t = 2)。
文獻來源：Blekanov I.,Molin A.,Zhang D.,Mitrofanov E.,Mitrofanova O. & Li Yin.(2023).Monitoring of grain crops nitrogen status from uav multispectral images coupled with deep learning approaches. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2023.108047.
鄂公網安備42018502003245號 網站地圖
