[发明专利]一种基于数字图像的作物氮素营养指标估算模型评价方法

说明书

本发明公开了一种基于数字图像的作物氮素营养指标估算模型评价方法，通过设置不同氮肥施用量的田间小区试验，获取作物冠层图像，测定其氮素营养指标；对冠层图像进行分割，计算图像特征参数；分别以氮素营养指标和图像特征参数构建数据集，对数据集进行随机分组，分割为训练集和测试集，以测试集建立氮素营养指标估算模型，以训练集对建立的估算模型进行评价，并计算模型评价指标，对模型评价指标进行统计学分析，筛选最优作物氮素营养指标估算模型。本发明通过对已有数据集进行科学、大量的随机分组和检验，可以更有效的对作物氮素营养诊断模型进行评价，减轻了数据集拆分对模型性能评价的影响，使得模型性能评价更加稳健。

技术领域

本发明涉及一种作物氮素营养指标评价方法，具体涉及一种基于数字图像的作物氮素营养指标估算模型的评价方法。

背景技术

氮素是影响作物生长的重要营养元素之一。当氮肥施用量低于适宜值时，增施氮肥可以有效提高作物产量。但是，过量或不适宜的氮肥施用则会导致作物延迟衰老和环境污染等问题。对作物进行实时氮素营养指标估计，有助于明确作物的氮素营养状态，制定合理的施肥方案。

数码相机是日常生活中最常见的图像采集设备。与其他光谱仪器相比，采集RGB图像的成本要低得多，而且图像覆盖范围可以从叶片扩大到冠层或区域范围。由CCD或CMOS传感器采集的RGB图像不仅包含了被摄体的光谱信息(红、绿、蓝三种宽波段)，还包含了图像像素的空间信息。图像中的这些信息与作物氮素特征指标的相互关系，常通过回归分析进行量化。但不同的研究给出了不同类型的最优数学函数，甚至于在同一研究中因不同作物品种或不同营养参数的其最优数学函数都存在差别，回归方程的普适性程度不高。这种通过简单回归方法建立的作物营养参数估计模型泛化性能较弱，导致研究结果难以继承与应用。

与简单的回归模型相比，机器学习可利用数据或以往的经验，自动优化和改善具体算法的性能，在处理图像巨量信息具有不可比拟的优势。随着农作物监测数据的收集手段的提升，数据获取越来越容易，数据积累迅速增长。利用图像处理技术结合机器学习算法有效解决精准农业中的实际问题，已在近年来逐渐成为研究重点。典型的机器学习方法包括人工神经网络、支持向量机和随机森林等，这些机器学习算法为基于图像特征参数进行作物氮素营养诊断准确性的提高提供了有效途径。但由于田间试验数据获取困难，大部分此类研究中数据量有限，模型评价过程易受数据集选择及建模过程的干扰，研究中的数据集分割方法会对模型评价的准确度产生显著影响，很难评价某种建模方法的优劣。因此，不同研究中对作物进行氮素营养指标估计时也常常筛选出不同的最优估计模型，降低了研究结果的参考意义，也无法准确评价模型的泛化性能。

发明内容

发明目的：本发明的目的在于提供一种基于已获取的作物冠层图像和相应的测试数据对不同类型的作物氮素营养指标估算模型的准确度和泛化性进行有效评价的方法。

技术方案：本发明的基于数字图像的作物氮素营养指标估算模型评价方法，包括如下步骤：

步骤1：设置不同氮肥施用量的田间小区试验，在作物生长过程中，每隔一定时间拍摄作物冠层图像，并同时破坏性取样采集作物样品，测定其氮素营养指标；

步骤2：对冠层图像进行分割，提取出图像中的作物冠层部分，利用原始冠层图像和分割后的冠层图像计算图像特征参数；

步骤3：以同一试验小区单次取样时期的氮素营养指标作为模型因变量，以对应的冠层图像中提取的图像特征参数作为模型自变量构建单组数据，然后汇集所有取样时期和试验小区的数据构建数据集；

步骤4：对数据集进行随机分组，将数据集分割为训练集和测试集，并记录每次分组的结果；

步骤5：以测试集建立氮素营养指标估算模型，以训练集对建立的估算模型进行评价，并计算模型评价指标；