Субекти

Резюме

Въведение

Мониторингът на растежа е от съществено значение за оптимизиране на управлението и увеличаване на производството на оранжерийни марули. Пресното тегло на листата (LFW), сухото тегло на листата (LDW) и площта на листата (LA) са критични показатели за характеризиране на растежа 1,2. Наблюдението на растежа на оранжерийната маруля чрез точно получаване на признаци, свързани с растежа (LFW, LDW и LA) е от голямо практическо значение за подобряване на добива и качеството на марулята 3. Традиционните методи за измерване на признаците, свързани с растежа, които са относително ясни, могат да постигнат относително точни резултати 4. Методите обаче изискват разрушително вземане на проби, като по този начин го правят трудоемък и трудоемък 5,6,7 .

Въпреки че методите, базирани на компютърното зрение, за оценка на чертите, свързани с растежа, са постигнали обещаващи резултати, те са обект на два въпроса. Първо, методите са податливи на шум. Тъй като изображенията се заснемат при полеви условия, шумът, причинен от неравномерно осветяване и претрупани фонове, е неизбежен, което ще повлияе на сегментацията на изображението и извличането на характеристиките, като по този начин потенциално ще намали точността 15. Второ, методите до голяма степен разчитат на ръчно проектирани функции на изображението, които имат голяма изчислителна сложност. Освен това способността за обобщаване на извлечените характеристики на изображението на ниско ниво е лоша 16,17. Следователно трябва да се проучи по-осъществим и стабилен подход.

Конволюционните невронни мрежи (CNN), които са най-съвременният подход за дълбоко обучение, могат директно да вземат изображения като вход, за да научат автоматично сложни представления на характеристики 18,19. С достатъчно количество данни CNN могат да постигнат по-добра точност от конвенционалните методи 20,21. Следователно CNN са използвани в широк спектър от селскостопански приложения, като разпознаване на плевели и култури 19,22,23, диагностика на болести по растенията 24,25,26,27,28 и откриване и преброяване на растителни органи 21,29. Въпреки това, въпреки широкото му използване в задачи по класификация, CNN рядко се прилагат за приложения за регресия и има малко доклади за това как CNN са били използвани за оценка на свързаните с растежа характеристики на оранжерийната маруля. Вдъхновено от Ma et al. 18, който точно е оценил надземната биомаса на зимна пшеница в ранните етапи на растеж, като използва дълбока CNN, която е CNN с дълбока мрежова структура, това проучване възнамерява да приеме CNN за изграждане на модел за оценка за мониторинг на растежа на парникови марули върху цифровите изображения и да се сравнят резултатите с конвенционалните методи, които са широко възприети за оценка на чертите, свързани с растежа.

Целта на това проучване е да се постигнат точни оценки на характеристиките, свързани с растежа на оранжерийната маруля. CNN се използва за моделиране на връзката между RGB изображение на парникови марули и съответните черти, свързани с растежа (LFW, LDW и LA). Следвайки предложената рамка, включително предварителна обработка на изображения на маруля, уголемяване на изображения и изграждане на CNN, това проучване ще изследва потенциала за използване на CNN с цифрови изображения за оценка на свързаните с растежа характеристики на оранжерийната маруля през целия вегетационен сезон, като по този начин се изследва осъществимо и стабилен подход за наблюдение на растежа.

материали и методи

Събиране и предварителна обработка на оранжерийни салати

Експериментът е проведен в експерименталната оранжерия на Института по околна среда и устойчиво развитие в земеделието, Китайска академия за земеделски науки, Пекин, Китай (N39 ° 57 ′, E116 ° 19 ′). Три сорта оранжерийни марули, т.е. Flandria, Tiberius и Locarno, са отглеждани при контролирани климатични условия с 29/24 ° C дневни/нощни температури и средна относителна влажност от 58%. По време на експеримента се използва естествена светлина за осветяване и хранителен разтвор се циркулира два пъти на ден. Експериментът е извършен от 22 април 2019 г. до 1 юни 2019 г. В експеримента са приети шест рафта. Всеки рафт имаше размер 3,48 × 0,6 м, а всеки сорт маруля заемаше два рафта.

Броят на растенията за всеки сорт маруля е 96, които са последователно етикетирани. Събирането на изображения беше извършено с помощта на евтин Kinect 2.0 сензор за дълбочина 30. По време на събирането на изображения, сензорът е монтиран на статив на разстояние 78 см от земята и е ориентиран вертикално надолу над навеса на марулята, за да заснеме цифрови изображения и изображения с дълбочина. Оригиналните пикселни разделителни способности на цифровите изображения и изображенията с дълбочина са съответно 1920 × 1080 и 512 × 424. Цифровите изображения се съхраняват във формат JPG, докато изображенията с дълбочина се съхраняват във формат PNG. Събирането на изображения се извършва седем пъти 1 седмица след трансплантация между 9:00 и 12:00 ч. Накрая са изградени два набора от данни с изображения, т.е.дигитален набор от изображения, съдържащ 286 цифрови изображения, и набор от дълбочинни изображения, съдържащ 286 дълбочинни изображения. Броят на цифровите изображения за Фландрия, Тиберий и Локарно е бил съответно 96, 94 (две растения не са оцелели) и 96, а броят на дълбочинните изображения за трите сорта е еднакъв.

мониторинг

а, б, и ° С показва сорта Фландрия, Тиберий и Локарно