基于卷积神经网络的水稻氮素营养诊断

打开文本图片集

摘要：为了快速、准确诊断和识别水稻氮素胁迫程度，对水稻进行大田栽培试验。以超级水稻‘两优培九’为试验对象，设置0、210、300和390 kg·hm-2共4个施氮水平处理，通过扫描采集幼穗分化期和齐穗期水稻顶1、顶2、顶3叶图像，在卷积神经网络（convolutional neural network，CNN）ResNet34的每个残差块中加入SE block（squeeze-and-excitation block）模块，并将在图像数据集ImageNet（ImageNet large scale visual recognitionchallenge）上训练得到的权重参数迁移到水稻氮素营养诊断的识别模型中，ResNet34的特征提取层保持原结构，模型结尾的池化层替换为全局平均池化层，利用改进后的网络对水稻图像进行特征提取，训练得到最优的权重参数。（剩余13742字）