《AgriEngineering》：Machine Learning-Based Classification of Nitrogen Nutritional Status in Common Bean Across Phenological Stages Using RGB Image Texture
编辑推荐：
氮素施肥对菜豆产量至关重要，基于图像的纹理分析提供了一种快速、非破坏性的传统营养诊断替代方案。尽管已有研究表明RGB纹理属性能够区分菜豆的氮水平，本研究探讨了两个尚未充分研究的方面：物候期和图像块尺寸对分类器性能的联合效应。研究人员利用品种Madrepérol
氮素施肥对菜豆产量至关重要，基于图像的纹理分析提供了一种快速、非破坏性的传统营养诊断替代方案。尽管已有研究表明RGB纹理属性能够区分菜豆的氮水平，本研究探讨了两个尚未充分研究的方面：物候期和图像块尺寸对分类器性能的联合效应。研究人员利用品种Madrepérola（BRS FC104）在30个盆钵中构建温室数据集，设置五个氮剂量处理（推荐量的0%、50%、100%、150%和200%，对应每盆0、0.58、1.17、1.75和2.33克氮，每组六个重复）。分别在V3、V4和R1三个物候期采集图像，并将图像裁剪为四种尺寸的块（10×10、40×40、60×20和80×80像素），每个剂量获得6000个图像块（总计30000个）。为防止数据泄漏，训练集和测试集严格按盆钵级别分离，确保来自同一植株的所有图像块仅分配至其中一个集合。通过灰度共生矩阵提取纹理特征，并使用支持向量机、随机森林、K近邻和卷积神经网络进行分类。分类性能随物候期和块尺寸变化：CNN是最稳定的分类器（平均准确率71.8%），而KNN和SVM在较晚的物候期和较大的块上表现最佳（峰值分别为80.8%和83.2%）。这些结果支持GLCM纹理描述符作为氮营养状态分类的有前景工具，有待在田间条件下对独立植株进行验证。
研究背景与现存问题
菜豆是巴西消费量最大的豆类之一，其产量对保障粮食安全具有重要意义。然而，菜豆作为一种豆科作物，其生物固氮效率有限，难以满足集约化生产体系的高氮需求，因此氮肥施用成为确保商业产量的必要措施。传统的植物营养诊断方法如叶片组织分析、酶活性检测等虽然准确，但通常具有破坏性、耗时且需要特定设备，难以在大田尺度或实时应用中推广。近年来，数字图像处理技术尤其是纹理分析，因其快速、非破坏性的特点，在精准农业的营养状态监测中展现出巨大潜力。已有研究表明，基于RGB图像的纹理属性可以区分菜豆的氮水平，但现有研究仍有两个重要方面未得到充分探索：其一，不同物候期对分类器性能的系统性影响；其二，图像分析的空间尺度即图像块尺寸对分类效果的影响。此外，一项涵盖200项研究的系统性综述指出，大多数报道的结果来源于受控环境和专有的非标准化数据集，限制了结果的比较性、可重复性和向真实条件的泛化能力。基于此，本研究旨在系统比较不同机器学习算法在不同氮剂量下菜豆营养状态的监督分类性能，同时评估物候期和图像块尺寸这两个因素的交互作用。
研究方法概述
研究采用品种Madrepérola（BRS FC104）在30个盆钵中种植，设置五个氮剂量梯度（0%、50%、100%、150%和200%推荐量，对应每盆0、0.58、1.17、1.75和2.33克氮），每组六次重复。实验于巴西圣保罗大学动物科学与食品工程学院温室进行，使用富士Finepix S4500数码相机在固定高度采集V3、V4和R1三个物候期的冠层图像。将原始图像随机裁剪为四种尺寸的图像块（10×10、40×40、60×20和80×80像素），每个剂量-块尺寸组合产生500个图像块，共计30000个块。训练集与测试集严格按盆钵级别划分，防止数据泄漏。从灰度共生矩阵提取对比度、相关性、能量、同质性、相异性、熵、均值和方差八个二阶纹理描述符作为经典模型的输入特征。采用四种分类算法：支持向量机、随机森林、K近邻和卷积神经网络。其中经典模型使用贝叶斯优化进行超参数调优，CNN采用包含两个卷积块的简化架构。
研究结果
3.1 物候期V3的分析结果
在V3阶段，氮缺乏症状细微且碎片化，CNN在所有块尺寸上表现出显著优势，最高准确率达81.2%（80×80块），而基于GLCM的经典模型准确率仅略高于随机水平（23%-42%）。混淆矩阵显示，CNN的错误主要集中在相邻剂量D2和D3之间，而极端剂量D1和D5被正确分类；经典模型在较小块中接近随机水平，不对称的60×20矩形块导致最严重的分类扭曲。
3.2 物候期V4的分析结果
在V4阶段，随着缺氮症状发展为更连续、空间组织的褪绿模式，GLCM纹理描述符的有效性随块尺寸增大而提高。在小块中CNN保持优势，但在较大尺度上SVM和KNN达到70%以上准确率，在80×80块中与CNN相当。混淆矩阵显示错误从远距离剂量反转转变为集中在相邻剂量之间，KNN在80×80块中对D1达到100%准确率，D3达88%。
3.3 物候期R1的分析结果
在R1开花初期，缺氮症状完全巩固，基于GLCM的模型在80×80块上达到整个研究的最佳性能：SVM准确率为83.2%，超越CNN；KNN以极低计算成本达到80.8%。混淆矩阵显示SVM在80×80块中对D1、D2和D4达到100%准确率，仅残留少量D3与D4的混淆。CNN在所有尺度上保持高准确率，但在R1阶段的轻微劣势表明其表征能力在症状碎片化时最为有利。
3.4 V3与V4的比较分析
V3到V4的转变揭示了关键的物候过渡：在V3阶段仅CNN获得满意性能，而在V4阶段GLCM纹理描述符在大空间尺度上变得高度判别，使SVM和KNN能够匹配或超越CNN。经典模型的准确率提升幅度随块尺寸增大而增加。
3.5 V3、V4和R1三阶段的比较分析
跨所有三个物候期的联合分析显示，分类效率随作物的物候发育而变化。CNN在所有阶段表现出优越且一致的性能，而基于GLCM的经典模型仅在更晚期阶段缺氮症状表现为宽广、均匀的空间模式时才变得高效。60×20矩形块在所有模型和所有阶段中一致地损害分类性能。
讨论与结论
讨论部分总结：在V3阶段，CNN的优势源于其层次化空间表征能力，能够捕捉碎片化的早期缺氮症状，而GLCM描述符在此条件下因信号噪声比过低而失效。在V4阶段，随着褪绿结构化和空间连续化，GLCM在适当分析窗口下恢复竞争力。在R1阶段，症状完全巩固后，目的性设计的纹理描述符可直接表征图像统计特性，使得简单模型能够匹配甚至超越深度学习。60×20矩形块在所有阶段一致性地造成最严重的分类失真，证实了块几何形状是实际诊断系统的关键设计因素。研究强调，分类器效率并非固定属性，而是计算方法、空间尺度和缺氮症状生理演化三者相互作用的结果。
研究结论翻译：本研究结果表明，通过机器学习和计算机视觉对菜豆氮营养状态进行分类，强烈依赖于作物的物候阶段和图像分析的空间尺度。植物的生理发育显著改变了缺氮的视觉模式，直接影响所评估的不同分类方法的相对效能。虽然卷积神经网络对于检测早期阶段的细微视觉模式至关重要，但当缺氮症状巩固为宽广的空间模式时，基于纹理描述符的经典模型变得非常有效。在V3阶段，仅CNN获得满意性能；在V4阶段，经典模型在大尺度块上开始展现竞争性表现；在R1阶段，GLCM纹理描述符结合经典分类器达到最佳性能，SVM在80×80块中呈现最高准确率，而KNN以其优异的计算成本效益脱颖而出。从实时嵌入式系统应用的角度，推荐在早期阶段使用CNN，在晚期阶段使用KNN。总体而言，本研究证明了分类模型、分析空间尺度和作物物候阶段之间存在交互效应，表明不存在适用于所有植物发育阶段的通用最优分类器。CNN在整个作物周期中是最稳健和多用途的方法，而经典模型在适当调整分析尺度的情况下，在更晚期阶段展现出巨大的诊断潜力。此外，60×20矩形块对所有模型和所有阶段的系统性损害，强调了块形状和尺寸必须被视为实际营养诊断系统中的设计变量。
