×
李建辉；王芳；李金伟；邹瑞彪；廖桂平

油菜氮素营养定性诊断模型的多重分形方法。 （英语） Zbl 1358.92018年9月

国际生物数学杂志。 9，第4号，文章ID 1650064，13 p.（2016）.
摘要：营养诊断在作物生长发育中起着关键作用，主要由农业工作者在田间进行。目前，自动营养识别技术已在该领域得到广泛应用。本文提出了一种基于多重分形理论的油菜氮素营养非破坏性定性诊断方法。采用多重分形去趋势波动法（MF-DFA）给出了12个纹理参数，其中包括6个广义Hurst指数和6个相对多重分形参数，这些参数作为油菜叶片图像的特征，用于识别两个氮水平，即N mezzo和N wane。对于油菜植株的基叶、中心叶和顶叶以及三段混合样本，选择三个参数组合进行工作，采用随机决策森林（RF）和（K）-最近邻算法（KNN）计算诊断精度。一个有趣的发现是，最好的诊断准确度来自油菜植株的基叶。据解释，基叶对缺氮最敏感。对于相同的叶片样本，基叶样本的诊断效果明显优于现有结果。对于混合样本，SVMKM和RF方法在10倍交叉验证下的平均鉴别准确率分别达到97.12%和97.56%。由此得到的N层高精度识别结果表明了该方法的可行性和有效性。

MSC公司：

92B10型 数学生物学中的分类学、分支学、统计学
92立方厘米80 植物生物学
68T05型 人工智能中的学习和自适应系统
92-08 生物问题的计算方法

关键词：

油菜叶图像；氮气诊断；多重分形消除趋势波动分析；分类器

软件：

支持向量机；ElemStatLearn（电子状态学习）
PDF格式BibTeX公司 XML格式引用
\textit{J.-H.Li}等人，国际生物数学杂志。9，第4号，文章ID 1650064，13 p.（2016；Zbl 1358.92018）
全文： 内政部

参考文献：

[1] 1.W.W.Casady，T.A.Costello和N.Singh，《利用冠层图像分析评估水稻和小麦的季中氮需求》，《清洁水清洁环境》，21世纪：团队农业，致力于保护水资源：Conf.Proc。，密苏里州堪萨斯城，3月5-8日（美国密歇根州圣约瑟夫ASAE，1995年），第57-60页。
[2] 2.W.W.Casady、N.Singh和T.A.Costello，水稻冠层尺寸测量的机器视觉，Trans。ASAE39（5）（1996）1891-1898。genRefLink（16，‘S1793524516500649BIB002’，‘10.13031
[3] 3.N.Singh、W.W.Casady和T.A.Costello，基于机器视觉的水稻氮管理模型，Trans。ASAE39（5）（1996）1899-1904。genRefLink（16，‘S1793524516500649BIB003’，‘10.13031
[4] 4.G.Stevens、A.Wrather、M.Rhine、E.Vories和D.Dunn，利用作物面积测量预测水稻产量对季中氮素的反应，Agron。J.100（2008）387-392。genRefLink（16，‘S1793524516500649BIB004’，‘10.2134
[5] 5.张浩、姚晓刚，利用多光谱图像测量水稻叶片叶绿素和种子氮含量，中国水稻科学杂志，22（5）（2008）555-558。
[6] 6.J.W.Li，基于计算机视觉的水稻和油菜叶片色氮营养诊断机理和建模研究，湖南农业大学，长沙，中国（2010）（中英文摘要）。
[7] 7.J.Vollmann、H.Walter、T.Sato和P.Schweiger，大豆结瘤效应表型的数字图像分析和叶绿素测定，计算机。电子。《农业》75（1）（2011）190-195。genRefLink（16，‘S1793524516500649BIB007’，‘10.1016
[8] 8.N.Vigneau、M.Ecarnot、G.Rabatel和R.Roumet，田间高光谱成像作为非破坏性方法评估小麦叶片氮含量的潜力，《田间作物研究》，第122（1）（2011）25-31页。genRefLink（16，‘S1793524516500649BIB008’，‘10.1016
[9] 9.Y.Zhang，H.P.Mao，X.D.Zhang和D.S.Zhao，基于多光谱视觉的油菜叶片氮信息测量，农业杂志。机械。第31（11）号决议（2009）83-85。
[10] 10.B.B.Mandelbrot，英国海岸有多长？统计自相似性和分形维数，《科学》156（1967）636-638。genRefLink（16，‘S1793524516500649BIB010’，‘10.1126
[11] 11.A.P.Pentland，基于分形的自然场景描述，IEEE Trans。模式分析。机器。《情报》6（6）（1984）661-674。genRefLink（16，‘S1793524516500649BIB011’，‘10.1109
[12] 12.Y.Li，C.L.Xia和Y.Kim，使用多重分形分析的害虫检测方法，J.Measure。科学。仪器2（3）（2011）240-243。
[13] 13.王凤，廖国平，王晓庆，李建华，李建伟，石伟，基于多重分形理论的缺素油菜叶片特征描述，Trans。中国农业股份有限公司。工程29（24）（2013）181-189。
[14] 14.Y.K.Lei，J.W.Zou，T.B.Dong，Z.H.You，Y.Yuan和Y.Hu，用于植物叶片识别的正交局部判别样条嵌入，计算。视觉图像理解119（2014）116-26。genRefLink（16，‘S1793524516500649BIB014’，‘10.1016
[15] 15.Yu L.和Qi D.W.，基于多重分形理论的对数CT衰减图像分析与处理，计算机。电子。《农业》63（2）（2008）147-154。genRefLink（16，‘S1793524516500649BIB015’，‘10.1016
[16] 16.J.W.Kantelhardt、S.A.Zschiegner、E.Koscielny-Bunde、A.Bunde，S.Havlin和H.E.Stanley，非平稳时间序列的多重分形有向波动分析，Physica A316（1）（2002）87-114。genRefLink（16，‘S1793524516500649BIB016’，‘10.1016
[17] 17.F.Wang，G.P.Liao，X.Y.Zhou和W.Shi，电力市场的多重分形去趋势互相关分析，非线性动力学72（1-2）（2013）353-363。genRefLink（16，‘S1793524516500649BIB017’，‘10.1007
[18] 18.王凤、廖国平、李建华、李立新、周天杰，电价周期聚类结构的多重分形去趋势波动分析，Physica A392（22）（2013）5723-5734。genRefLink（16，‘S1793524516500649BIB018’，‘10.1016
[19] 19.周毅和梁毅，多重分形时间加权去趋势波动分析及其在温度序列标度行为分析中的应用，J.Statist。机械6（2010）P06021。genRefLink（16，‘S1793524516500649BIB019’，‘10.1088
[20] 20.G.F.Gu和W.X.Zhou，高维分形和多重分形的Detrended涨落分析，Phys。修订版E74（6）（2006）061104。genRefLink（16，‘S1793524516500649BIB020’，‘10.1103
[21] 21.F.Wang，R.B.Zou，G.P.Liao，J.W.Li和Z.Q.Liu，茶树品种鉴定的局部多重分形去趋势波动分析，国际生物数学7（5）（2014）1450048。【摘要】genRefLink（128，‘S1793524516500649BIB021’，‘00034101500002’）·Zbl 1302.92010年
[22] 22.R.P.Yadav、S.Dwivedi、A.K.Mittal、M.Kumar和A.C.Pandey，LiF薄膜表面的分形和多重分形分析，应用。冲浪。《科学》261（2012）547-553。genRefLink（16，‘S1793524516500649BIB022’，‘10.1016
[23] 23.R.P.Yadav、M.Kumar、A.K.Mittal和A.C.Pandey，快速重离子诱导自仿射纳米BaF2薄膜表面的分形和多重分形特征，Chaos25（8）（2015）083115。genRefLink（16，‘S1793524516500649BIB023’，‘10.1063
[24] 24.Y.E.Yu，F.Wang和L.L.Liu，使用多重分形技术的磁共振图像分割，应用。冲浪。科学356（2015）266-272。genRefLink（16，‘S1793524516500649BIB024’，‘10.1016
[25] 25.王凤、廖德伟、李建伟和廖国平，植物识别的二维多重分形有向波动分析，植物方法11（1）（2015）12。genRefLink（16，‘S1793524516500649BIB025’，‘10.1186
[26] 26.王凤，李建伟，石伟平，廖国平，基于多重分形去趋势波动分析的叶片图像分割方法，J.Appl。《物理学》114（21）（2013）214905。genRefLink（16，‘S1793524516500649BIB026’，‘10.1063
[27] 27.F.Wang，Z.S.Li和G.P.Liao，图像纹理特征表示的多重分形去趋势波动分析，国际J。模式识别。Artif公司。Intell.28（3）（2014）1455005。【摘要】genRefLink（128，‘S1793524516500649BIB027’，‘00033780110007’）；
[28] 28.王凤，李振生，李建伟，非平稳图像纹理分割的局部多重分形去趋势波动分析，应用。冲浪。科学.233（2014）116-125。
[29] 29.R.O.Duda、P.E.Hart和D.G.Stork，《模式分类》，第2版。（约翰·威利父子公司，纽约，2001年）·兹伯利0968.68140
[30] 30.黄国斌（G.B.Huang）和朱庆英（Q.Y.Zhu），《极限学习机器：理论与应用》，神经计算12（1）（2006）489-501。
[31] 31.S.Canu、Y.Grandvalet、V.Guigue和A.Rakotomamonjy，SVM和内核方法Matlab工具箱，感知系统和信息，法国鲁昂INSA de Rouen（2005），http://asi.insa-rouen.fr/enseignants/rakotom/toolbox/index.html。
[32] 32.T.K.Ho，《随机决策森林》。第三届国际文献分析与识别会议，加拿大蒙特利尔，8月14日至18日（IEEE，1995），第278-282页，doi:10.10109/ICDAR.1995.598994。
[33] 33.D.Bremner、E.Demaine、J.Erickson、J.Iacono、S.Langerman、P.Morin和G.Toussaint，计算最近邻决策边界的输出敏感算法，离散计算。Geom.33（4）（2005）593-604。genRefLink（16，‘S1793524516500649BIB033’，‘10.1007·Zbl 1079.68101号
[34] 34.T.Hastie、R.Tibshirani和J.Friedman，《统计学习的要素——数据挖掘、推理和预测》（电子工业出版社，北京，2007年）·Zbl 1273.62005年
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。