AshGdNutDefAM:基于机器学习的多特征融合框架在冬瓜缺镁与缺铁营养缺乏检测与分类中的应用

《Smart Agricultural Technology》:AshGdNutDefAM: Machine-learning-based Multi-Feature framework for Nutrient Deficiency Detection and Classification in Ash gourd Plant

【字体: 大 中 小 】 时间:2026年09月19日 来源:Smart Agricultural Technology 7.1

编辑推荐:

  研究人员提出了一种特征聚合框架AshGdNutDefAM,该框架由颜色(color)、纹理(texture)、空间(spatial)、叶脉(vein)和基于规则(rule-based)的特征提取组成,用于对冬瓜(Ash gourd)品种的营养缺乏进行分类。研究

  
研究人员提出了一种特征聚合框架AshGdNutDefAM,该框架由颜色(color)、纹理(texture)、空间(spatial)、叶脉(vein)和基于规则(rule-based)的特征提取组成,用于对冬瓜(Ash gourd)品种的营养缺乏进行分类。研究人员收集了来自田间场景的冬瓜植株图像数据集,包含镁(Mg)缺乏、铁(Fe)缺乏和健康图像样本。研究人员对特征集进行了全面的消融研究,以分析不同特征子集对机器学习分类器性能的贡献。与传统的特征提取方法相比,所提出的特征提取与支持向量机(Support Vector Machine,SVM)分类器相结合实现了82%的最高准确率,突显了叶脉特征和基于规则的特征在营养缺乏分类中发挥的关键作用。
**一、研究背景与问题**

全球粮食安全高度依赖农业生产,气候变化、异常天气和土壤退化对作物产量和品质构成严重威胁。作物营养缺乏的系统识别与平衡管理对保障作物健康至关重要。氮(N)、磷(P)、钾(K)、钙(Ca)、镁(Mg)、硫(S)等常量元素以及铁(Fe)、锌(Zn)、硼(B)、锰(Mn)等微量元素在植物光合作用、酶活化和蛋白质合成等生理生化过程中发挥关键作用。冬瓜(*Benincasa hispida*)属于葫芦科作物,广泛种植于热带和亚热带地区,具有重要的营养和药用价值。研究表明,铁缺乏影响植物生理和氮代谢,镁缺乏会降低碳水化合物转运,导致冬瓜产量下降和种子萌发受损。这些缺乏症状在叶片上表现为褪绿、坏死、叶片变形和生长受阻,早期症状较为隐蔽,人工识别难度大,在大田环境中人工监测劳动密集且极易延误诊断。目前营养缺乏识别主要依赖人工目视检查、土壤测试和植物组织分析,这些传统方法劳动强度大、耗时且依赖现场经验。基于计算机视觉和机器学习的方法虽已在作物营养诊断中得到应用,但深度学习模型需要大规模数据集、图形处理器(GPU)资源和较长的训练时间,且缺乏可解释的特征分析。传统机器学习方法所使用的通用特征描述符如灰度共生矩阵(GLCM)、方向梯度直方图(HOG)和局部二值模式(LBP)难以捕捉营养缺乏特有的领域特定视觉线索,如叶脉模式和生理相关的规则特征。因此,亟需一种整合领域专业知识、具有可解释性且能够适应田间复杂场景的营养缺乏检测方法。

**二、研究内容与意义**

针对上述问题,研究人员提出了AshGdNutDefAM框架,一种基于机器学习的多特征融合框架,用于冬瓜营养缺乏检测与分类。该框架整合了颜色、纹理、空间、叶脉和基于规则的五类特征,共55个低层视觉与高层领域特定特征,并使用随机森林(Random Forest,RF)、支持向量机(SVM)和梯度提升(Gradient Boosting,GB)三种机器学习分类器进行分类。数据集包含500张田间场景下采集的冬瓜图像,涵盖镁缺乏、铁缺乏和健康三类样本。实验结果表明,SVM分类器在完整特征集上取得了82%的最高准确率,优于随机森林(77%)和梯度提升(69%)。消融研究证实,每个特征域对整体分类性能均有增量贡献,其中叶脉特征和基于规则的特征在与其他特征结合时提供了重要补充信息。与传统的GLCM、LBP和HOG特征提取方法相比,所提出的特征集在三种分类器上均取得最优性能。该研究为田间条件下葫芦科作物的营养缺乏自动诊断提供了一种计算高效、可解释性强的解决方案,对精准农业中的及时干预和精准施肥具有重要意义。

**三、主要关键技术方法**

研究人员从印度卡纳塔克邦迈苏鲁地区Kiralu的2英亩种植园采集了500张冬瓜图像,拍摄于种植30天后的季风季节,使用搭载5000万像素摄像头的iQOO智能手机,图像分辨率为3060×4080像素,包含复杂背景、遮挡、阴影和重叠叶片。预处理阶段采用HSV和L*a*b颜色空间变换,通过双阈值自适应分割生成绿色和黄化区域掩膜,经形态学开闭运算和最大连通域轮廓提取实现叶片背景去除。特征提取阶段从五个域共提取55维特征:颜色特征20个、空间特征15个、纹理特征9个、叶脉特征8个、规则分数3个。分类采用随机森林、SVM(径向基函数核)和梯度提升三种算法,使用五折分层交叉验证和80%训练/20%测试划分,以准确率、精确率、召回率和F1分数作为评估指标。

**四、研究结果**

**4.1 特征可视化**

研究人员通过特征可视化分析了健康、缺镁和缺铁三类样本在不同特征域上的分布差异。空间特征显示营养缺乏样本在叶片表面呈现更大的亮度差异,反映营养胁迫的不对称性;纹理特征显示营养缺乏样本具有更高的熵和更低的均匀性,体现叶片表面均质性的丧失;叶脉特征显示缺铁样本叶脉区域与非叶脉区域之间存在显著的色调和饱和度差,符合缺铁褪绿保留叶脉色素的特征;规则分数则将视觉线索转化为可解释的领域指标,与田间诊断中的定性症状一致。

**4.2 特征排序**

特征重要性分析显示,不同分类器倾向于依赖不同的判别线索。SVM主要依赖叶脉模式特征(如vein_nonvein_H_diff和interveinal_chlorosis_score),对叶脉与周围叶肉组织之间的局部颜色变化更为敏感;树模型更依赖颜色和纹理特征(如yellow_ratio、gray_entropy、texture_uniformity),其中yellow_ratio的重要性与农学中叶片黄化作为营养胁迫早期症状的诊断标准一致。规则分数在特征表示中引入了领域专家知识,增强了框架的可解释性与诊断可靠性。

**4.3 消融研究**

对五类特征进行了系统性消融分析。在单一特征类别中,颜色特征表现最优(SVM准确率0.72),规则分数次之(0.65),空间特征表现最差(0.53)。在两特征组合中,颜色+空间(SVM 0.78)、颜色+叶脉(GB 0.75)和颜色+规则(RF 0.76)表现较优,不含颜色的组合准确率明显较低,表明颜色信息是主要判别特征。在三特征组合中,颜色+纹理+叶脉(SVM 0.78)和颜色+空间+规则(GB 0.78)取得了最高准确率。在四特征组合中,颜色+空间+叶脉+规则达到SVM 0.79、RF 0.78的准确率。完整五类特征组合取得了最高性能(SVM 0.82),证明各特征域对分类能力均有增量贡献,且任何单一类别都无法替代完整的多域特征表示。

**4.4 与现有特征提取方法比较**

在相同分类器设置下,研究人员将提出的特征集与GLCM、LBP和HOG三种传统特征提取方法进行了比较。LBP在传统方法中表现最佳,准确率为0.71至0.75;GLCM准确率为0.67至0.70;HOG准确率最低,为0.63至0.73。所提出的特征集在三种分类器上均显著优于传统方法,SVM分类器结合所提特征集取得了最高的82%准确率。

**4.5 与现有工作比较**

与已有研究相比,现有工作多基于单一叶片、简单或固定背景的实验室数据集,特征集局限于颜色、形状和纹理描述符,且多聚焦于氮、磷、钾等常量元素缺乏。所提出的框架在包含复杂背景的多叶片田间图像上实现了82%的准确率,同时引入了叶脉分析和规则评分等特定领域特征,兼顾了模型的准确性和可解释性,并补充了镁、铁等微量与次量营养缺乏的研究。

**五、讨论与结论**

特征排序分析表明,不同学习算法对特征域的偏好差异支持采用多模型或集成方法以充分捕获特征域中的判别信息。叶脉特征和规则分数将领域知识编码为可量化特征,弥补了纯数据驱动方法在可解释性上的不足。研究人员提出的AshGdNutDefAM框架通过将基于规则和基于叶脉的特征与传统手工特征相结合,实现了冬瓜品种中镁和铁营养缺乏的检测。在三种评估模型中,SVM取得了最高的准确率,突显了其高效分类镁缺乏、铁缺乏和健康类别的潜力。本研究强调了特征工程在精准农业和及时识别中的重要性;该方法可减少作物胁迫并提高作物产量。研究也存在局限性:数据集来自单一地理位置,存在地理与时间偏差;水分、热胁迫、病虫害等其他胁迫因素的症状可能与营养缺乏症状重叠;缺乏针对不同生长阶段的分类模型;多种营养缺乏同时发生的情况仍需进一步研究。未来的工作将利用多环境数据集和不同攀缘品种验证模型的性能、泛化能力和稳定性,并预测缺乏严重程度及检测单株植物的多种营养缺乏,以实现连续条件监测和及时靶向营养施用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号