應用深度學習模型識別不同萵苣品種的氮營養含量
2022/05/06 @國際
摘要
栽培萵苣需要隨時補充適量氮素以提升產量與品質，同時為避免施用過量氮造成環境及成本問題，適當的養分管理與氮需求預測有其必要。美國北達科塔州立大學研究團隊透過拍攝、蒐集4種萵苣品種以4種氮濃度溶液栽培的生長圖像，並藉由機器學習算法，研究萵苣葉片的生長表現和營養含量。結果指出深度學習模型 VGG 16和 VGG 19 對於識別萵苣品種及氮營養含量的準確率達 87.5 ~ 100%，其表現明顯優於 CNN 模型，表示電腦視覺結合深度學習和機器人系統具巨大潛力，可以即時、準確、快速地監測萵苣生長和營養含量。
示意圖
為提升蔬菜的產量與品質，必須隨時補充適量氮素，以維持萵苣葉片及根系發育，然而過量的氮可能造成環境及生產成本問題，適當的養分管理與氮需求預測是必要的。檢測氮含量的破壞性方法如葉片組織氮分析、土壤氮監測等，分析準確但需要較多人力及昂貴的設備，而非破壞性形態學方法之生長曲線測量技術可分析萵苣的生長曲線及營養含量，但效率較低且需收集大量數據，使用數位圖像處理技術能有效預測作物的氮素狀態，高光譜成像(Hyperspectral imaging)可高度準確確認營養含量、預測與施肥量相關的養分變化，及評估汙染與保存期限等。
精準農業中深度學習(DL)和電腦視覺(Computer vision)應用在識別和分類植物與植被物種方面具有巨大潛力，美國北達科塔州立大學研究團隊為了解不同氮濃度營養對不同萵苣生長表現之影響，其發展電腦視覺技術進行深度學習建模的適用性，以分析水耕種植萵苣(Lactuca sativa) 的四種品種Black Seed、Flandria、Rex 和 Tacitus之營養含量。首先製備4種營養濃度(0、50、200、300 ppm)的氮溶液在溫室栽培上述4品種萵苣，並於生長過程中從各角度捕捉葉片的 RGB 圖像，每個萵苣約拍攝50~65張圖片/日，利用卷積神經網路 (Convolutional neural network, CNN) 模型對16個組別之所有圖像進行分類；另外進一步利用轉移學習(transfer learning)，以深度學習的視覺幾何研究群(Visual Geometry Group, VGG)，內核尺寸為 3×3 的VGG 16 及VGG 19模型架構對圖像進行分析，並藉由數據增強(Data Augmentation)克服圖像不足的問題，以Keras訓練深度學習模型。
結果顯示，將4種萵苣品種RGB圖像透過VGG 16和VGG 19架構分析之萵苣營養含量準確率為 87.5~ 100%，其辨識效益皆明顯優於 CNN 模型，後者在識別 Blackseed、Flandria 和 Rex 之營養含量的表現不佳，可以即時、準確、快速地監測萵苣的生長及營養含量。研究團隊開發的建模技術不僅可以即時、準確、快速地監測溫室中各品種萵苣之生長及營養含量數據，還可應用於田間，以及遠端感測各種萵苣作物，電腦視覺結合深度學習和機器人系統具巨大潛力。【延伸閱讀】-利用機器學習幫助機器人精準收割甜美的萵苣
資料來源
文章摘譯
