摘要：為了掌握智能植物生長柜中小白菜的成熟情況，便于對柜內(nèi)環(huán)境參數(shù)實現(xiàn)智能控制，提出了利用小白菜的外部形態(tài)特征，特別是提取根系形態(tài)特征并將其與地上部分形態(tài)特征相結(jié)合來檢測小白菜成熟度的方法。通過Matlab圖像處理工具箱對采集的小白菜圖像進(jìn)行閾值分割和特征提取，然后將小白菜上、下兩部分的形態(tài)特征數(shù)據(jù)作為訓(xùn)練樣本，分別建立對應(yīng)的神經(jīng)網(wǎng)絡(luò)成熟度檢測模型，并將神經(jīng)網(wǎng)絡(luò)檢測值利用貝葉斯理論來對其進(jìn)行信息融合，從而進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)模型檢測的準(zhǔn)確性。

關(guān)鍵詞：圖像處理；神經(jīng)網(wǎng)絡(luò)；成熟度；貝葉斯理論；信息融合

中圖分類號：TP183；TP274+.5；S634.3 文獻(xiàn)標(biāo)識碼：A 文章編號：0439-8114（2016）01-0202-03

DOI：10.14088/j.cnki.issn0439-8114.2016.01.053

植物根系和地上部分有著極大的相關(guān)性[1]，根和葉伴隨著植物的生長而生長，都可以作為其成熟度的表征。對于智能植物生長柜[2]來說，作物的根系生長在營養(yǎng)液透明水槽中，在晾根的環(huán)節(jié)可以完全暴露在空氣中，這為根系形態(tài)特征提取創(chuàng)造了條件。準(zhǔn)確掌握蔬菜的成熟度對于提高作物產(chǎn)量具有十分重要的意義，尤其是智能植物生長柜生長環(huán)境下，成熟度不僅關(guān)系到蔬菜的營養(yǎng)品質(zhì)，而且與節(jié)能減耗也緊密相關(guān)，因此科學(xué)地掌握蔬菜的成熟度顯得尤為重要。

在作物成熟度檢測方面，張長利等[3]通過采集番茄圖像，提取H值作為番茄表面顏色特征，采用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)實現(xiàn)番茄成熟度的自動判別，準(zhǔn)確率達(dá)到94%。由于顏色特征很容易受到光照等因素的影響，為此，本文提出了利用小白菜的形態(tài)特征，特別是地上部分的莖葉特征與地下部分的根系特征相結(jié)合的方法，利用神經(jīng)網(wǎng)絡(luò)模型對上下兩部分形態(tài)特征建模訓(xùn)練，然后再根據(jù)貝葉斯理論對上下兩部分神經(jīng)網(wǎng)絡(luò)的檢測值進(jìn)行信息融合，從而進(jìn)一步提高小白菜成熟度檢測的準(zhǔn)確性。

1 材料與方法

本文使用神經(jīng)網(wǎng)絡(luò)建模的方法建立小白菜形態(tài)與成熟度之間的關(guān)系模型。神經(jīng)網(wǎng)絡(luò)的輸入采用小白菜圖像處理得到的特征數(shù)據(jù)，輸出則選擇利用積溫比值得到標(biāo)準(zhǔn)成熟度等級。最后對其結(jié)果進(jìn)行貝葉斯信息融合，從而準(zhǔn)確檢測出小白菜成熟度等級。其整體流程圖如圖1所示。

1.1 試驗設(shè)置

試驗在智能植物生長柜中進(jìn)行，以小白菜幼苗作為研究對象，采用標(biāo)準(zhǔn)營養(yǎng)液水培的方式，并通過智能控制面板調(diào)節(jié)柜內(nèi)環(huán)境參數(shù)，從而保證小白菜生長所必需的各種營養(yǎng)元素以及提供適宜的生長環(huán)境。

1.2 小白菜圖像采集與處理

1.2.1 圖像采集 在標(biāo)準(zhǔn)背景板對比下采集小白菜地上部分的葉冠俯視圖和植株側(cè)視圖，以及地下部分的根系側(cè)視圖。調(diào)節(jié)攝像頭使其光軸垂直于待測對象所在平面，且確保背景板邊緣恰好與圖像顯示屏的邊緣對齊，以免產(chǎn)生幾何畸變。

1.3 神經(jīng)網(wǎng)絡(luò)模型設(shè)計

本文采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建小白菜成熟度的預(yù)測模型。BP神經(jīng)網(wǎng)絡(luò)是一個利用誤差反向傳播算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練的前向多層網(wǎng)絡(luò)，通常包括輸入層、隱含層和輸出層[6]。

1）輸入層：BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)依據(jù)研究需要來確定，所以神經(jīng)網(wǎng)絡(luò)模型的輸入層分別包含兩個神經(jīng)元，神經(jīng)網(wǎng)絡(luò)1分別為株高和葉冠投影面積，神經(jīng)網(wǎng)絡(luò)2分別為根系長度和側(cè)面積。

2）輸出層：兩個神經(jīng)網(wǎng)絡(luò)的輸出均為成熟度等級，即植物完全成熟時的積溫值與當(dāng)前植物已達(dá)到的積溫值之間的比值。為了方便準(zhǔn)確地細(xì)化成熟度的等級，本文將成熟度分為8個等級，目標(biāo)輸出模式為（000）、（001）、（010）、（011）、（100）、（101）、（110）、（111），分別對應(yīng)1～8級。

3）隱含層：單隱層的BP神經(jīng)網(wǎng)絡(luò)可以逼近一個任意的連續(xù)非線性函數(shù)，隱含層神經(jīng)元數(shù)目的確定尚無明確的理論指導(dǎo)，通過反復(fù)試驗后確定。

4）傳遞函數(shù)：隱含層神經(jīng)元的傳遞函數(shù)選擇為S型正切函數(shù)tansig。輸出神經(jīng)元的傳遞函數(shù)可選用S型的對數(shù)函數(shù)logsig。

5）訓(xùn)練函數(shù)：選擇訓(xùn)練效果較為理想的L-M優(yōu)化算法。

從得到的融合結(jié)果可以看出，融合過程使預(yù)測結(jié)果更加接近真實值，提高了準(zhǔn)確度。

3 小結(jié)

通過對小白菜不同成熟度時期的莖葉和根系進(jìn)行圖像采集和處理，提取形態(tài)特征數(shù)據(jù)，并對其進(jìn)行神經(jīng)網(wǎng)絡(luò)建模來預(yù)測其成熟度，精確度較高，其中莖葉的成熟度預(yù)測準(zhǔn)確率為89.5%，根系的成熟度預(yù)測準(zhǔn)確率為94.0%。利用貝葉斯估計的方法實現(xiàn)兩個神經(jīng)網(wǎng)絡(luò)的信息融合可以有效降低模型本身穩(wěn)定性對結(jié)果的影響。將貝葉斯理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合，根據(jù)形態(tài)分析數(shù)據(jù)來對小白菜成熟度進(jìn)行預(yù)測，方法便利、精確度高、實用性強，對于提高智能植物生長柜環(huán)境參數(shù)智能化控制、提高資源利用率具有重要意義。

參考文獻(xiàn)：

[1] 潘瑞熾.植物生理學(xué)[M].第五版，北京：高等教育出版社，2013.

[2] CUI S G， HAN S L， WU X L， et al. Design of hardware of smart plant growth cabinet[J]. Applied Mechanics and Materials， 2014，577： 624-627.

[3] 張長利，房俊龍，潘 偉.用遺傳算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)對番茄成熟度進(jìn)行自動檢測的研究[J].農(nóng)業(yè)工程學(xué)報，2001， 17（3）：153-156.

[4] 展 慧，李小昱，王 為，等.基于機器視覺的板栗分級檢測方法[J].農(nóng)業(yè)工程學(xué)報，2010，26（4）：327-331.

[5] 張文昭，洪添勝，吳偉斌，等.基于圖像處理技術(shù)的葉面積檢測研究[J].農(nóng)機化研究，2007（4）：120-124.

[6] 郭孝玉，孫玉軍，王軼夫，等.基于改進(jìn)人工神經(jīng)網(wǎng)絡(luò)的植物葉面積測定[J].農(nóng)業(yè)機械學(xué)報，2014，44（2）：200-204.