基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

发布时间：2025-08-12 21:10

　　 应用遗传算法优化BP神经网络进行水稻氮素营养诊断,为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’,设置4个施氮水平(0、210、300、390 kg·hm^-2)。在水稻幼穗分化期,扫描获取水稻顶部第三完全展开叶图像,并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征,采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理,并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好,模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%,测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力,能够很好地识别出水稻氮素营养的缺失,表明运用该方法能够很好地进行水稻氮素营养诊断识别。

【文章页数】：10 页

【部分图文】：

图8 主成分方差贡献率

图7颜色特征B的小波降噪对比2.4模型实验结果对比

图1 6种分量分离的对比图像

水稻图像以白色纸张作为背景,水稻叶片呈绿色或深绿色,目标物体与背景颜色区分较为明显,省去图像分割步骤。本研究采用Matlab工具将RGB图像转换成HSI图像,获取R、G、B、H、S、I6种分量的图像,如图1所示。通过对6种分量的对比发现,H分量下的水稻叶片和叶鞘与背景有较大差异....

图2 水稻图像二值化及去除杂质前后对比图像

图16种分量分离的对比图像图3黑色背景下水稻叶片和叶鞘图像

图3 黑色背景下水稻叶片和叶鞘图像

图2水稻图像二值化及去除杂质前后对比图像1.3.3水稻叶片几何形态特征提取

本文编号：4059139