基于圖像識別和BP神經網絡的灌溉模型的研究

邱意敏，欣龍，武鵬

(1.安徽工程大學 電氣工程學院，安徽蕪湖241000；2.安徽工程大學 檢測技術與節能裝置安徽省重點實驗室，安徽蕪湖241000)

1 引言

我國水資源總量位居全球第四，但由于人口眾多，人均水資源量遠低于世界平均水平。作為我國水資源利用的主要部分，作物灌溉用水不僅影響水資源的利用效率，還影響農作物的生長。如何用有限的水資源對農作物進行合理的灌溉已經成為我國農業發展進程中需要解決的主要問題。

目前，我國大多作物的灌溉仍采用人工灌溉，該方式浪費人力，只能對農作物進行粗略灌溉，且易造成水資源的大量浪費。近幾年，很多學者利用回歸分析法、公式計算法、區域水量平衡預測法[1]、灰度系統預測法[2]以及神經網絡預測法[3]等建立了一系列的灌溉模型，以改善我國農作物灌溉的現狀。但這些灌溉模型大多將土壤指標作為影響農作物生長的主要因素，很少將作物指標和氣象指標考慮進去[4-5]，易造成無論農作物病態與否均按照灌溉模型的灌溉量進行灌溉。此外，多數模型僅適合于室內溫室作物的灌溉，很少有專門針對農田作物的灌溉模型。因此，研究與設計一個能夠區分農作物生長狀態的適用于農田作物灌溉的灌溉模型具有一定的現實意義。

2 總體設計

針對目前灌溉模型存在的問題，結合我國國情，設計了一個基于圖像識別和BP神經網的灌溉模型。該模型以小麥為研究對象，利用圖像識別技術對小麥是否處于病態進行判斷，若不處于病態則根據CWSI指數判定是否進行澆灌，若需要進行澆灌則利用BP神經網絡對小麥生長相關較大的五個因素進行訓練，以得到小麥的灌溉量，具體流程如圖1所示。

3 作物狀態區分

3.1 病態區分

農作物的生長狀態和眾多因素相關，在這里通過拍攝農作物的圖片[6]以提取作物指標，并利用圖像識別和卷積神經網絡實現對小麥病態與否的分類。

3.1.1 圖像處理 小麥的病態分為變色型、壞死型、萎蔫型、畸形型等。將事先采集的1200張小麥處于正常態和不同病態的圖片進行圖像處理，包括灰度化、消除噪聲和圖像增強等。圖2和圖3分別為正常型小麥和變色型小麥的圖像處理結果。

3.1.2 數據集制作 將處理后的圖像經過隨機旋轉90°、180°、270°來增大樣本的數量，并統一裁剪成100×100的小圖像，利用如圖4所示的卷積神經網絡結構完成樣本的訓練，得到小麥圖像的數據集。

3.1.3 圖像識別 將采集的小麥圖片進行預處理，再進行區域定位和特征提取，最后將提取的特征與之前得到的圖像數據庫進行比較，判斷小麥處于正常型、變色型、壞死型、萎蔫型和畸形型中的哪種狀態，即可區分小麥是否病態。

3.2 灌溉狀態區分

只要小麥不處于病態，就需對它的灌溉狀態進行判斷，即是否需要灌溉。由于農業生態環境具有多樣性，且需要水分的是小麥，故利用作物指標來監測小麥水分的狀況比監測土壤水分可靠性更高[7]。作物指標包括葉指標、莖指標、冠層溫度和作物群體反射率等[8]。由于農作物的冠層溫度對水分脅迫相對比較敏感，且利用紅外遙感檢測技術即可完成對作物冠層溫度的監測，故這里通過監測小麥的冠層溫度來判定小麥是否需要灌溉。

若僅通過設置小麥冠層溫度的閾值來判斷其是否需要灌溉，易受時間和空間影響，且閾值的設定較為困難。CWSI指數[9]以熱平衡原理為基礎，利用農作物的冠層溫度和冠氣溫差上、下限來衡量其水分多少，估算精度較高，適用于農田灌溉。

首先，分別檢測噴水的小麥葉面和涂凡士林的小麥葉面的冠層溫度，以確定冠層溫度的上限和下限；再檢測當前小麥冠層溫度與空氣溫度；最后，將數據代入至式(1)計算CWSI數值。

(1)

其中，Tl是當前小麥冠層溫度與空氣溫度的差值；Tmax和Tmin是小麥冠層溫度與空氣溫度差值的上限和下限。由于空氣溫度可以相互抵消，式(1)可以化簡成式(2)的形式。

(2)

其中，Ta是當前小麥冠層溫度；THigh和TLow是小麥冠層溫度的上限和下限。

CWSI值在0到1之間，CWSI的值越大，表示植物越缺水。據文獻統計[10]，小麥高產條件下的CWSI閾值為0.26，故一旦檢測到CWSI的值高于0.26時，則需對小麥進行灌溉。但由于不同地區地理、氣候和環境各不相同，該值存在些許差異，可以根據具體情況進行適量的調整。

4 灌溉量的確定

4.1 影響農作物灌溉量的因素

根據水平衡公式(3)，可知農作物各生育期的灌溉量Mi與農作物蒸騰量ETi、土壤貯水變化量ΔSi、地下水利用量WGi與降水量Pi有關。

Mi=ETi+ΔSi+WGi-Pi(3)

(3)

其中，降水量可以根據天氣預報直接得到相對精確的值，土壤貯水變化量[11]可以根據時段初末土壤含水率差值乘以計劃濕潤層深和土壤孔隙率算出相對精確的值。而地下水位深度大于3米時，可將其視為0。由此可見，若知道農作物的蒸騰量，只需加減土壤貯水量和降水量即可得到農作物的灌溉量。

而農作物的蒸騰量是一個動態變化的值，常見的影響農作物蒸騰量的因素分為土壤指標、作物指標和氣象指標[12]。其中，土壤指標是土壤含水量；作物指標是作物自身生理變化指標，包括葉指標、莖指標、生育期等；氣象指標是作物生長環境的氣象指標，包括環境溫度、空氣濕度、凈太陽輻射等。為了使農作物的蒸騰量不單獨與某類指標相關，這里分別選取三大指標中對農作物需水量影響最大的5個因素，即環境溫度、空氣濕度、凈太陽輻射、土壤含水量以及作物種植天數作為確定灌溉量的參考因素。

4.2 構建灌溉量模型

由于小麥灌溉量和影響小麥灌溉量的因素之間的關系較為復雜，難以通過搭建線性系統的模型來建立相應的映射關系。人工神經網絡具有很強的非線性擬合能力[13-14]，且自學能力、自適應力和魯棒性很強，能夠實現較為復雜的非線性映射的功能。而BP神經網絡作為人工神經網絡的重要組成部分，主要是通過利用誤差信息更新參數，經過多次迭代得到最優化參數集合，以實現處理信息的同時不斷自主學習的功能。

4.2.1 BP神經網絡模型的構建 文章構建的灌溉量模型的輸入有5個，輸出有1個，具體的結構如圖5所示。

4.2.2 數據的獲取與預處理 據上所述，需將環境溫度、空氣濕度、凈太陽輻射、土壤含水量以及作物種植天數作為BP神經網絡的輸入，灌溉量作為BP神經網絡的輸出。通過中國氣象數據網下載安徽省地面累年值日值數據集、中國氣候輻射國際交換站基本要素日值數據集和安徽省中國農作物生長發育的農田土壤濕度旬值數據集獲取相應的環境溫度、空氣濕度、凈太陽輻射和土壤含水量(取20 cm土壤相對濕度)，而作物種植天數以作物播種時間作為起始時間計算。灌溉量則是用作物的蒸騰量加上土壤貯水量變化量再減去降水量作為終值，其中土壤貯水量變化量和降水量可以采用上述數據集中的數據，而作物蒸騰量可以利用上述數據集中的數據通過Hargreaves-Samani[15]公式(4)計算獲取。

ET0=0.0023·Ra(T+17.8)ΔT0.5

(4)

其中，T為平均氣溫，ΔT為氣溫差值，Ra為大氣頂太陽輻射。

考慮到數據的完整性和時間連續性，將上述三個數據集中的數據進行預處理，主要包括剔除由于人為和設備原因缺失的數據、相同時間點的數據整合、相近或同一站點的數據整合和數據單位的統一等。值得一提的是由于農田土壤濕度是按照旬值進行采集的，這里取與當前日期最近的日期所采集土壤濕度值作為當前的土壤濕度值。

4.2.3 BP神經網絡的訓練 經過預處理后，得到300組樣本數據，將它們隨機分成三個部分，其中240組作為訓練集，30組作為驗證集，其余30組作為測試集，部分樣本數據如表1所示。對數據進行歸一化處理，設定網絡訓練的最大次數為1000次，設定網絡的學習速率為0.05，訓練目標最小誤差為0.001，并選取Levenberg-Marquardt算法對BP神經網絡進行訓練。

表1 小麥灌溉量部分樣本數據

4.2.4 仿真結果分析 BP神經網絡訓練的仿真結果如圖6和圖7所示。

從圖6和圖7中可以看出，BP神經網絡的權值更新8次后能達到性能最優，驗證集的均方誤差僅有0.024193，與此同時，訓練集、驗證集、測試集和整個樣本數據集的回歸系數均十分逼近1。綜上可知，構建的小麥灌溉量模型的指標選取較為合理，預測的灌溉量數值符合小麥生長規律的需要，能夠實現對小麥的合理灌溉。

5 結論

文章以小麥灌溉模型作為研究對象，首先利用圖像識別技術判斷小麥是否處于病態，再利用CWSI指數判斷非病態小麥是否需要進行灌溉，最后結合影響小麥生長的關鍵因素和BP神經網絡構建了灌溉量模型。仿真結果表明，該文構建的小麥灌溉量模型具有一定的準確性，能夠滿足小麥不同生育期的灌溉需要，對提高灌溉用水的利用率有一定的幫助。