基于智能手机图像的柑橘叶绿素预测方法

沙特国王大学学报基于智能手机图像的数字叶绿素仪基于线性回归、LMBP-ANN和SCGBP-ANN估算柑橘叶片叶绿素Utpal Barmana，Chad，Ridip Dev Choudhuryba印度阿萨姆邦古瓦哈提高哈提大学信息技术系印度阿萨姆邦古瓦哈提高哈提大学计算机科学系阿提奇莱因福奥文章历史记录：收到2019年2020年1月10日修订2020年1月11日接受2020年1月22日在线提供关键词：叶绿素线性回归神经网络图像处理分光光度计SPADA B S T R A C T叶片叶绿素的测定可由农业科学家、农业专家和农民使用土壤植物分析发育仪或分光光度计进行。通常，这些方法非常昂贵，可能不是所有的农民和专家都能使用叶片的低绿度表明植物中的低光合作用本文提出了一种低成本的基于智能手机图像的数字叶绿素仪，用于柑橘叶片叶绿素的预测。利用线性回归和人工神经网络对柑橘叶片叶绿素进行了预测。在这里，人工神经网络提供了更准确的柑橘叶绿素预测相比，LR。这两种方法都与柑橘叶片的实际叶绿素进行了验证。该方法可作为柑橘叶绿素预测的一种合理方法。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍叶绿素是植物叶片的必需绿色色素，并且它总是给出关于植物健康、营养和光合作用的质量信息（Vesali等人，2017; Yadav等人，2010 年 ） 。 土 壤 中 氮 的 存 在 与 叶 中 叶 绿 素 含 量 大 致 成 比 例（Gaviria-Palacio等人， 2017年）。氮是植物健康生长、发育和繁殖所必需的最重要的营养元素之一.氮素缺乏导致叶片失去绿色，叶面积减少，光合作用强度降低。结果表明，总叶绿素浓度与氮肥施用量呈正比关系。存在可以量化植物氮和叶绿素的实验室技术，其耗时且成本高昂。叶色是植物健康的良好指标，可用于预测叶绿素含量，*通讯作者。电子邮件地址：utpalbelsor@gmail.com（U.Barman）。沙特国王大学负责同行审查叶子绿色植物光系统中的叶绿素主要有叶绿素a（Chl-a）和叶绿素b（Chl-b）两种类型。每种类型都有不同的作用，具有独特的化学结构和益处。因此，有必要预测叶片的叶绿素，因为它提供了有关植物健康和作物管理的宝贵信息。通过分析叶片图像的颜色分量（红（R）、绿（G）、蓝（B）、色调（H）、饱和度（S）和亮度（I））的分布，可以预测叶绿素的含量。近年来，人们发展了许多传统的破坏性或例如，分光光度计是叶绿素估计的破坏性测试，并且需要更多的时间来估计叶子的叶绿素（ Ali 等人， 2012; Dey 等人， 2016 年）。 土壤植物分析开发（SPAD）是测量叶片中叶绿素含量的有效装置，并且其与叶片的叶绿素具有强相关性（Shah等人， 2017年）。SPAD是一种非破坏性的方法，但设备的成本非常高。 今天和未来的研究正朝着人工智能（AI）和机器学习（ML）方向发展（Holzinger等人，2018年）。人工智能和机器学习在高端计算机的帮助下解决了这种复杂的农业问题 计算机自动化系统帮助人类产生任何复杂问题的无错误结果（Barman等人， 2018年）。https://doi.org/10.1016/j.jksuci.2020.01.0051319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com联合巴曼河Choudhury/ Journal of King Saud University2939除了计算机自动化之外，低成本智能手机应用还在健康科学研究领域提供了一种有利的解决方案（Juric等人，2014年）。利用基于图像处理的计算机系统对植物叶片叶绿素含量的测定进行了研究。叶片颜色图像一直是研究者预测叶片叶绿素浓度的重要手段。在大多数研究中，使用数码相机捕获叶片图像（Ali等人，2012; Dey等人，2016; Lee和Lee，2013; Riccardi例如，2014; Tewari等人，2013; Wang等人， 2013年）。与SPAD和其他破坏性方法相比，用数码相机获取图像是一种低成本方法 它提供彩色图像的红、绿、蓝（RGB）和色调、饱和度、明度（HSV）的光谱信息。RGB和HSV的不同颜色指数有助于研究人员估计叶片的叶绿素浓度作者（Ali等人，2012; Dey等人，2016; Gupta 和Pattanayak ，2017; Lee和Lee，2013; Liu等人，2014，2014;Michelon等人，2018; Riccardi等人，2014; Rigon等人，2016;Tewari等人，2013; Treder等人，2016; Vesali等人，2017; Wang等人，2013; Yadav等人，2010）提出了不同的颜色指数来预测叶片叶绿素，如R、G、B、H、S、V、GMR = G-R、GDR = G/R、VI =（G-R）/（G + R）、DGCI=[（Hue/60-1）+（1-S）+（1-B/（R + G + B）、R + G和归一化RGB的logsig函数等。线性回归（LR）和多元回归被广泛用于预测诸如番茄、莴苣、花椰菜、槟榔、水稻、藜麦和苋菜、大豆等的叶片的叶绿素（Ali等人，2012;Dey等人，2016; Lee和Lee，2013; Riccardi等人，2014，2014;Ulissi等人，2011;Wang等人，2013年）。除了回归之外，人工神经网络（ANN）是估计玉米、马铃薯、大豆中叶绿素的良好工具（Gupta和Pattanayak，2017; Michelon等人，2018; Vesali等人，2017年，2015年）。随着技术和系统的发展，Android智能手机被用于图像采集的不同领域。Android智能手机用于捕获植物叶片图像以估计不同植物（例如玉米、大豆等）的叶绿素（Rigon等人，2016;Vesali等人，2017年，2015年）。有时，作者使用数字扫描仪捕获叶片的图像以估计苹果树和马铃薯的叶绿素（Treder等人，2016; Yadav等人，2010年）。Watanabe等人（2015年）使用卫星图像测量热带水库中的叶绿素。该论文（Ma等人，2018）提出了一种基于激光扫描仪的图像采集方法，用于捕获苹果树冠层的三维图像，并借助人工神经网络估计图像的叶绿素。人工神经网络模型不仅用于估计叶片叶绿素，还用于植物和土壤评价的不同领域，如果皮检测（Woz'niak和Po\lap，201 8），土壤pH值预测（Barman和Choudhury，2019 a，b，c）等。与ANN和LR一起，其他机器学习模型也用于植物和土壤评估，例如用于土壤质地分类的支持向量机（SVM）（Barman和Choudhury，2019 a，b，c），用于柑橘叶病检测的SVM（Barman和Choudhury，2019 a，b，c）等。从上述各种文献中可以发现，智能手机对叶绿素的估计是有限的，但作者在不同的研究领域使用智能手机，例如中枢神经系统运动障碍（Lauraitis等人，2019），土壤pH值 （ Barman 和 Choudhury ， 2019a ， b ， c ） ， 植 物 病 害 检 测（Petrellis，2019）等。所提出的应用基于以用户为中心的设计和扎根理论（Hussain等人，2009年）。大多数智能手机相机应用程序都是以用户为中心的。所提出的智能电话应用是基于本机的智能电话应用，因为硬件相关的智能电话特征（诸如智能电话相机）可以在本机应用中访问（Holzinger等人， 2012年）。但应用程序可以进一步使用HTML5改进了多平台Web应用程序（ Holzinger 等人，2012年）。使用智能手机相机的接触成像技术捕获柑橘叶的样品（Vesali等人，2015年，在农业专家的帮助下，或者在稍后的状态中完成系统的编码本文对叶绿素预测研究做出了以下贡献a. 本文提出了一种数字叶绿素仪，使用智能手机估计柑橘叶绿素的价值b. 该研究表明，叶绿素的变化与年龄和颜色的叶子。c. 本研究提出一种使用智能手机与手电筒的低成本影像撷取方法。d. 本研究利用LR与ANN对数字式叶绿素仪进行预测。e. 该系统可以帮助农村和城市的农民在一个准确和简单的方法来估计柑橘叶片叶绿素。第二节介绍了研究的内容和方法，包括柑橘样本采集、柑橘图像获取、柑橘叶绿素计算和柑橘图像处理步骤。第三节介绍了基于LR和ANN的柑橘叶绿素预测方法。第四节介绍了与前面工作的讨论。在第5节。最后给出了工作的结论和今后的工作方向2. 材料和方法2.1. 柑橘样品采集阿萨姆柠檬（Citrus Limon L.）Burmf）叶收集自阿萨姆农业大学园艺研究站，Kahikuchi，Guwahati，Assam。根据叶距分枝末端的位置，叶被细分为嫩的、未成熟的和成熟的（Barman等人，2018年）。从分枝终端的前三片叶子被认为是嫩的，而从分枝终端的接下来的4-10片叶子被认为是未成熟的。靠近树枝基部的叶子被认为是成熟的。从阿萨姆农业大学Kahikuchi研究站收集了总共360个柑橘叶片图像，每个120个嫩的，未成熟的和成熟的图像（图1）。①的人。2.2. 柑橘图像采集植物叶片图像采集是从不同的叶片样本中采集图像的过程。由于目的是使用android智能手机估计柑橘叶绿素，因此使用具有棉花糖版本的android的Lenovo Z2 Plus来使用接触成像技术捕获柑橘叶图像（Vesali等人， 2015年）。 该论文（Vesali等人， 2015）提出了一种接触成像技术，以使用LG Android智能手机捕获玉米叶的图像。接触成像方法在恒定光源的帮助下捕获叶片的上表面。在这个系统中，柑橘图像捕获使用接触成像技术，但恒定的光源被用于在叶片的背面，以避免在柑橘图像的模糊。该方法只需要相机和手电筒作为一种特殊的设备来获取柑橘叶片图像。该方法的恒定光源为0.2W、11lm的Eveready数码手电筒。智能手机摄像头由一个1300万像素的电荷耦合器件组成。我们将相机设置保持为默认值，例如F-stop = f/2，曝光2940联合巴曼河Choudhury/ Journal of King Saud University×图1.一、（a）样品采集区域;（b）嫩叶;（c）未成熟叶;（d）成熟叶。时间= 1/60秒，ISO感光度= ISO 125，焦距= 4 mm，采用接触式成像方法获取柑橘叶片图像，避免了光照环境对图像的影响。在这种方法中，智能手机摄像头被放置在柑橘叶的顶部，Eveready手电筒在柑橘叶的背面使用（图2.a）。手电筒光为叶片提供恒定的光，并且没有发现来自图像背景的干扰。除了干扰，柑橘叶和android智能手机之间没有发现任何变化。所提出的图像捕获方法从农民的角度来看是非常容易、简单、低成本和足够的，因为仅使用两个设备来捕获图像。在这里，总共选择了24棵柑橘树进行数据采集。从每棵树中选择15片不同的叶子，每5片叶子分别是嫩的、未成熟的和成熟的。在下一步中，对整个柑橘叶片图像进行图像预处理、图像特征提取。最后，使用LR和ANN对所有三类柑橘图像进行预测。图2（2.3. 分光光度法提取叶绿素柑橘叶的实际叶绿素是使用阿萨姆农业大学园艺研究站的分光光度计（图3a）测量的在实验室测试中，将1克柑橘叶与25-40 ml 80%丙酮研磨（Barman等人，2018年）。将混合物以5000-10000 rpm离心该过程重复直到溶液无色。分光光度计的吸光度在645 nm和663 nm处为红色（Barman等人， 2018年）。叶绿素a、叶绿素b和总叶绿素的浓度（1-3）。总叶绿素：20：2 A645叶绿素 8：02 A663叶绿素1叶绿素a： 12： 7 A663- - 2： 69 A6452叶绿素b： 22：9毫克A645毫克--4： 68毫克A663毫克3毫克用分光光度计估算叶绿素的整个过程如图3（a-d）所示，每类柑橘叶片的叶绿素平均值如表1和图3所示。 4（a-c）.在分光光度计测定中，嫩叶的总叶绿素含量在55 ~ 57之间，而幼叶和成熟叶的总叶绿素含量分别在56 ~ 64和72 ~ 80之间。2.4. 柑橘图像预处理与特征提取柑橘图像是使用Android智能手机在8位RGB模式下捕获的图像以.jpeg格式保存所有捕获的图像都是3120、4160和72 dpi级别的高维图像。所提出的系统的流程图如图所示。 五、图二. (a)样本收集方法（b）稚嫩的形象（c）不成熟的形象;（d）成熟的形象。联合巴曼河Choudhury/ Journal of King Saud University2941图三. (a)分光光度计;（b）叶片研磨;（c）丙酮叶片;（d）叶片溶剂。表1嫩叶、未成熟叶和成熟叶的叶绿素平均值。Sl.No工厂类别645 nm663 nm平均叶绿素一平均叶绿素B平均总叶绿素值1嫩叶6.7577173558.9088983540.0473722316.7697338756.81710612未成熟叶6.9615958.67525536.5023722.5859.082372053成熟叶7.7053078.84897536.8534238.9331558375.78657428图四、（a）嫩叶;（b）未成熟叶;（c）成熟叶的平均值2.4.1. 柑橘图像预处理将图像预处理技术应用到柑橘图像中，以提高柑橘图像的质量，为后续处理提供依据。图像预处理的不同技术包括图像噪声去除技术、图像模糊去除技术和图像去噪技术。在这个系统中，只有图像缩放技术被用来调整到300 × 400的尺寸的图像。图像噪声和模糊去除技术不应用于图像中，因为图像是使用接触成像捕获的。在此步骤之后，处理图像以进行特征提取。2.4.2. 柑橘图像在该系统中，不同的颜色特征提取柑橘图像。 叶色提供了估计该叶中存在的叶绿素的必要信息（Dey等人，2016年）。所有采集的图像都是RGB颜色模式，这三种原色是从柑橘图像中提取的。除原色指数外，作者建议的其他颜色指数的平均值（Ali等人，2012; Barman等人，2018; Cortazar等人，2015; Dey等人，2016; Friedrichs等人，2017;Gaviria-Palacio等人，2017; Gupta和Pattanayak，2017;Lee和Lee，2013; Liu等人，2014; Ma等人，2018年; Michelon例如，2018;Riccardi等人，2014; Rigon等人，2016; Shah等人，2017; Tewari等人，2013; Treder等人，2016; Ulissi等人，2011;Vesali等人，2017，2015; Wang等人，2013; Watanabe等人，2015; Yadav等人，2010）也被计算以估计柑橘叶的叶绿素（表2）。3. 结果在第一阶段中，使用LR对柑橘叶绿素进行预测。然后将筛选出的LR颜色指标输入人工神经网络进行柑橘叶绿素的预测。3.1. 基于线性回归的线性回归是一种简单的机器学习工具，用于预测未知参数。它用于在因变量和自变量之间绘制拟合线它准确地预测了2942联合巴曼河Choudhury/ Journal of King Saud University图五. 拟议系统的流程图。表2不同颜色指数的平均指数值颜色参数未成熟叶平均指数值（120个样本）成熟叶的平均指数值（120个样品）嫩叶指数平均值（120个样本）R108.033691.3033193.8035064G200.1778202.5164201.430251B12.0189811.146911.5695496(R-B)/（R + B）0.79550162714.504294690.773917358R + G + B320.2303845304.9898211306.803307（G + B）/R2.0578418512.9379949642.393706166G/R1.9423083792.8137630512.147363772（R + G + B）/R3.0578418513.9379949643.393706166(G-R)/（G + R）0.305052390.3929208750.370910747（G-R）92.14418216111.2130747107.6267449（G + R）308.2114083293.8197034295.2337577G/（R + G + B）0.6280423320.6723070470.65950243R/（R + G + B）0.3344698360.2921127230.305744769B/（R + G + B）0.0374878320.035580230.305744769R-B96.0146369180.1331966682.23395674(G-B)/（R + G +B）0.5905544990.6367268170.621716477（R + B）120.0525892102.4734321105.373056不同叶子的叶绿素包括番茄、莴苣、花椰菜、槟榔、水稻、藜麦和苋菜、大 豆（ Ali 等， 2012;Dey 等人， 2016; Lee 和 Lee ， 2013;Riccardi等人，2014; Rigon等人，2016; Ulissi等人，2011; Wang等人，2013年）。作者（Barman等人，2018）提出了一个预测柑橘叶片叶绿素的LR系，并与嫩叶的绿色达到了高度相关。在该方法中，LR应用于柑橘叶片图像的实际叶绿素值和颜色指数之间。据记录，叶的叶绿素与叶的颜色线性相关。但是很难知道哪个颜色特征与叶片的叶绿素相关。有时，不同颜色特征的组合也与叶子的叶绿素相关。因此，为了验证所提出的方法，LR预测柑橘叶片叶绿素。同样，LR很容易发现柑橘图像的颜色因素是什么以及如何LR的下一个优点是，由于算法的参数性质，它可以有效地虽然LR应用于叶片叶绿素的预测，少数颜色指标与柑橘叶片叶绿素的实际值有较高的相关性LR分别应用于所有定义的颜色指数（表3），因此，计算每个指数的相关性。但只有成熟的叶子与蓝（B）色的相关性高（R2= 0.82）。不同颜色指数的相关性的回归系数示于表3中。从表3中发现，未成熟叶的2个颜色指数（CI 5和CI 17）与柑橘叶绿素显示出高度相关性（R2= 0.75和R2= 0.74）（图6）。颜色指数CI 11显示与叶绿素值的中等相关性（R2 = 0.698）（图6）。嫩叶的9个不同颜色指数（CI 6，CI 7，C18、C19、C110、C112、C113、C115和C117）显示出高结晶度。相关系数在0.75至0.82的范围内（图8）。只有成熟叶片的两个颜色指数（CI 3和CI 14）与实际叶绿素值的相关性最好（R2 = 0.82和R2 = 0.80）。第7和第8段）。联合巴曼河Choudhury/ Journal of King Saud University2943表3嫩叶、未成熟叶和成熟叶的相关系数颜色索引颜色参数相关系数嫩叶未成熟叶相关系数相关系数成熟叶（CI）（R2）（R2）（R2）CI 1R0.000.690.21CI 2G0.000.050.29CI 3B0.000.180.82CI 4(R-B)/（R + B）0.280.030.02CI 5R + G + B0.640.750.31CI 6（G + B）/R0.800.500.14CI 7G/R0.800.530.13c18的（R + G + B）/R0.800.500.11c19所(G-R)/（G + R）0.820.640.25CI 10（G-R）0.800.580.30CI 11（G + R）0.640.690.13CI 12NGI = G/（R + G +B）0.790.680.39CI 13NRI = R/（R + G +B）0.820.600.17CI 14NBI = B/（R + G +B）0.010.040.80CI 15R-B0.750.600.05CI 16(G-B)/（R + G + B）0.670.680.57CI 17（R + B）0.750.740.41见图6。(a-c)叶绿素值与未成熟叶色指数的回归线。见图7。(a-b)叶绿素值与成熟叶色指数的回归线。3.2. 基于人工神经网络的柑橘叶绿素预测使用ANN记录叶图像的叶绿素预测，并且其提供与叶的实际叶绿素的高度相关性（Vesali等人，2015年）。作者（Vesali等人，2015）提出了一个人工神经网络模型来估计玉米叶片的叶绿素综合考虑了玉米叶片的所有可能特征，模型精度适中（R2= 0.6 8）。作者（Gupta和Pattanayak，2017; Michelon等人，2018; Vesali等人，（ 2017年）并利用人工神经网络模型对马铃薯、大豆和玉米叶片叶绿素值进行了估算 。 在 这 个 建 议 的 系 统 中 ， 规 模 共 轭 梯 度 （ SCG ） 反 向 传 播 和Levenberg-Marquardt（LM）反向传播算法的人工神经网络用于训练，验证和测试模型。所应用的ANN模型是前馈结构，其中仅存在一个隐藏层以及模型的输入和输出层。嫩叶、未成熟叶和成熟叶的神经网络模型结构如图所示。 9（a-c）。2944联合巴曼河Choudhury/ Journal of King Saud UniversityX轴;h轴图8.第八条。（a-i）叶绿素值和嫩叶颜色指数的线性回归和规则残差神经网络模型分别用两种反向传播算法来实现，以减少模型的误差。 该模型的误差由实际叶绿素值与预测叶绿素值之间的差异定义。SCG和LM反向传播算法都是人工神经网络中著名的监督算法，适用于小数据集。这里，应用具有ANN的LM反向传播算法，因为数据集包含用于所有三个类别的柑橘叶的有限数量的图像。反向传播算法计算权重和偏置向量的雅可比矩阵作为h（误差函数）的一阶导数。h是模型的误差参数，它由ANN模型的神经元的权重和偏置组成。ANN模型的一般误差函数由方程解释。（四）、E x1Y Y2 42N在等式N是神经元的总数，Yp是预测输出，Y是模型的实际输出。神经元的增加的权重和偏置使用等式来计算（五）ht1ht-hJTJaIi-1JTE5在等式J是雅可比矩阵，α是ANN模型的学习速率。LM反向传播算法基于牛顿法和梯度下降法，但牛顿法比梯度模型快。由方程式（5），如果值a为0，那么它只起牛顿法的作用，但方程。当a的值较大时，将（5） 然后，LM联合巴曼河Choudhury/ Journal of King Saud University2945DHDH图9.第九条。（a）嫩叶（b）未成熟叶（c）成熟叶的ANN结构反向传播算法由于步长小而速度慢。的a的一般值在0.00至1.00的范围内。基于LM的ANN模型的a的建议值为0.1。用算法说明了基于LM的 ANN模型1.一、算法一：LM-ANN模型步骤1：随机初始化神经元的权重，并将a的值设置为0.1。第二步：前馈前馈，并使用方程计算ANN模型的误差。（四）第3步：使用等式增加模型的权重和偏倚。（五）步骤4：重新计算误差，直到LM反向传播算法的最大允许值。与LM一样，SCG反向传播算法也与前馈神经网络一起用于训练模型。SCG是基于牛顿和梯度下降算法的监督算法。它也适用于小数据集。它非常快，但与LM反向传播算法相比，需要更多的空间来训练模型模型的误差使用等式计算。（4）但是使用等式（1）增加了模型的权重和偏差。（6）对于h，h由ANN模型的权重和偏差组成ht1ht-adEx;ht6在等式（6）dE x; h t是h的误差函数的梯度，它是每个神经元的权重和偏置的参数。同样，a是基于SCG的ANN模型的学习速率，并且对于所提出的模型，其为0.1。取决于a的值，梯度值（h）改变。如果a的值更大，则梯度（h）的值较大且较快，但当a的值较小时，它较慢且较小。 在这两种情况下，它允许训练集中的高错误。因此，我们考虑0.1的学习率为LM和SCG基于ANN模型。用算法说明了LM-ANN模型的算法。二、算法二：SCG-ANN模型步骤1：随机初始化神经元的权重，并将a的值设置为0.1。第二步：前馈前馈，并使用方程计算ANN模型的误差。（四）第3步：使用等式增加模型的权重和偏倚。（六）步骤4：重新计算误差，直到SCG反向传播算法的最大允许值。两种反向传播方法都有各自的优点和缺点。我们已经应用了这两种方法，学习率为0.1。实施所述方法2946联合巴曼河Choudhury/ Journal of King Saud UniversityX1¼英寸- ÞðÞ我niP¼1 我-我-我-Pb表4LM和SCG的ANN体系结构。叶输入隐藏层隐藏神经元输出反向传播招标9161LM/ SCG不成熟31101LM/ SCG成熟2141LM/ SCG分别用于三种类型的柑橘叶。ANN模型的总体结构参数如表4所示。对于嫩叶，9个颜色指数（C16、C17、C18、C19、C10、C12、C113、C115、C117）被用作ANN模型的输入，因为这些颜色指数显示出与LR中嫩叶的实际叶绿素值的良好相关性（表3）。用3个颜色指数（CI5、CI 11和CI 17）作为人工神经网络模型的输入。与嫩度和未成熟度一样，成熟度的2个颜色指标（CI3和CI 14）被用作ANN模型输入层的输入模型的隐层分别包含6个、10个和10个隐层神经元，分别用于嫩、未成熟和成熟。最初，人工神经网络模型也训练了10个隐藏的神经元嫩叶，但模型的准确性是无效的。当隐层神经元减少到6个时，神经网络模型对嫩叶的验证效果最好。人工神经网络模型的输入参数也是不同的，因为不同的颜色指数与LR中叶片的实际叶绿素值表现出良好的相关性 。 ANN 模 型 在 MATLAB （ Release 2014b ， MathWorks Inc. ，Natick，MA和神经网络工具箱TM）。对120个投标、未成熟和成熟的样本分别进行了评价。在120个柑橘样本中，84个样本用于训练，18个样本用于验证，另外18个样本用于测试。用均方误差（MSE）来评价神经网络模型的性能平方误差）、均方根误差（RMSE）和回归系数（R2利用公式计算了评价参数（MSE、RMSE和R2）。（7两种算法的总体性能分别见表5和表6nMSEPiOi 27ni¼1vut1Xn2在验证集中，模型的有效性正在增加。图10中给出了基于LM的ANN，图11中给出了基于SCG的ANN。在图10中，观察到嫩叶、未成熟叶和成熟叶的最佳验证分别在时期4、86和6发现，尽管模型执行10、92和12个时期。基于LM的ANN对嫩叶、未成熟叶和成熟叶的最佳验证性能分别为0.0524、0.0236和0.1383。基于SCG的人工神经网络对嫩叶、未成熟叶和成熟叶的最佳验证性能分别为0.040312、0.66522和0.26673。据观察，学习曲线的发散是更多的LM反向传播算法相比，SCG反向传播算法。基于LM的人工神经网络算法在嫩叶和成熟叶的时期方面花费较少的时间，但与SCG算法相比，在未成熟叶中花费更多的时间。最初，基于LM的人工神经网络的误差对于未成熟的叶片更大。使用相同的算法重新训练4次，以减少错误。人工神经网络模型的回归图见图11和图12。12和13用LM和SCG反向传播算法对柑橘叶片叶绿素的预测值与实际值进行了拟合，结果表明，用LM和SCG反向传播算法对柑橘叶片叶绿素的预测值与实际值吻合较好。Rithm。模型的总体准确度见表7。4. 讨论本文利用LR和ANN对柑橘叶片叶绿素含量进行了预测这两种方法都适用于柑橘叶片的三种类型在文献调研中发现，人工神经网络在叶片叶绿素预测中总是比线性回归预测效果更好作者（Ali等人，2012）发现番茄叶的R2值为0.96，莴苣为0.89，0.91西兰花叶的在论文（Lee和Lee，2013）中，作者发现水稻叶片中叶绿素的预测准确率为82%LR模型的精度随叶色的不同而不同RMSE¼ni¼1ðPi-OiÞð8Þ数据集中的索引和样本。在该系统中，柑橘嫩叶、未成熟叶和成熟叶的R2分别为0.82、0.75和0.82。在LR中，嫩叶的9个颜色指标显示，n.YY2R 2¼1 -¼1。Σð9Þ与实际柑橘叶绿素相关性较好，但只有2个未成熟叶片的颜色指标与叶绿素相关性较好，1个颜色指标与叶绿素相关性中等。成熟叶片的2个颜色指标与叶绿素含量呈高度相关使用模型的MSE值当错误发生时，作者（Vesali等人，2015）提出了LR和ANN模型用于玉米叶片叶绿素预测。他们取得了表5基于LM的ANN在柑橘图像中叶类别隐藏神经元设置样品MSERMSE R2嫩叶意象6培训840.077540.278460.93验证180.052420.228950.95测试180.042070.205100.96未成熟叶片图像10培训840.025310.159090.99验证180.023670.153870.99测试180.024340.156100.99成熟的叶子图像4培训840.022720.150080.96验证180.013830.117610.97测试180.020170.142020.972联合巴曼河Choudhury/ Journal of King Saud University2947表6人工神经网络与SCG柑橘图像的性能。叶类别隐藏神经元设置样品MSERMSE R2嫩叶意象6培训840.07010.26470.94验证180.040310.20070.94测试180.10090.31760.93未成熟叶片图像10培训840.7320.85550.93验证180.66520.81550.90测试180.60460.77750.93成熟的叶子图像4培训840.22610.47540.96验证180.26670.51640.95测试180.24010.49000.95图10个。LM算法的最佳验证（a）嫩叶;（b）未成熟叶;（c）成熟叶;图十一岁SCG算法的最佳验证（a）嫩叶;（b）未成熟叶;（c）成熟叶。人工神经网络（R2= 0.88）比线性回归（R2= 0.74）的结果更好在这个建议的系统中，人工神经网络模型也提供了更好的精度为所有三个类别的柑橘叶相比，LR。表5表示基于LM的 ANN的测试、验证和训练集结果表明，与训练集相比，嫩叶、未成熟叶和成熟叶的测试集的最佳拟合系数更但是训练的MSE差异验证和测试集并不多。因此，该结果对柑橘叶绿素含量的预测并不是过拟合的。表6表示基于SCG的ANN的测试、验证和训练集的准确度。表6解释了嫩叶的测试、验证和测试准确度分别为0.94、0.94和0.93。嫩叶的学习曲线（图11.a）说明了验证曲线的MSE与训练相比更小，2948联合巴曼河Choudhury/ Journal of King Saud University图12个。 LM的ANN回归图（a）嫩叶;（b）未成熟叶;（c）成熟叶。图13岁神经网络与SCG的回归图（a）嫩叶;（b）未成熟叶;（c）成熟叶。测试集。由于嫩叶的训练集、验证集和测试集的均方误差差异不大，因此模型没有过拟合。该模型在epoch 36早期停止验证，并实现了模型的较小MSE。未成熟叶和成熟叶的学习曲线（图）。 11.A和图 11.b）解释了测试集的MSE与训练和验证相比更小。未成熟叶和成熟叶的模型的最佳验证是在时期10和36。由于训练、测试和验证集中的MSE差异较小，这些结果也没有过拟合。模型的误差直方图如图1和2所示。14和15。在论文中（Vesali et al.， 2017），作者应用SAP（光谱吸收光度法）和LASAP（光辅助SAP）来估计玉米叶中的叶绿素。与SAP相比，他们发现LASAP在该系统中，接触式成像技术在11 lm的Eveready手电筒的帮助下在柑橘叶的背面应用恒定光源。在论文中（Vesali et al.，2017），作者在LR中获得了玉米叶绿素值的R2值为0.94和0.96。不同预测模型的比较分析与所提出的模型的比较见表7。基于植物、颜色指数、R2和应用模型进行分析。由于大多数智能手机摄像头的默认条件是相同的，因此所提出的方法的结果不会随着智能手机的变化而改变。同样，智能手机的Android版本不会影响智能手机的图像。叶图像的原始分辨率将不会影响该方法的结果，因为图像的大小被改变为300x400，这与智能手机图像的实际大小无关。最后一个原因是接触成像方法。该方法避免叶片和智能手机摄像头之间的模糊和干扰。因此，从农场主的角度来看，总体结果是可以接受和足够的虽然所提出的方法是适当的和完善的，它不能直接用于另一种植物的叶子。因为另一种绿叶的颜色指标和叶绿素值与柑橘叶片不同。本文所研究的植物是阿萨姆柑橘，它是阿萨姆邦的一种特殊柑橘，也被称为阿萨姆卡兹。3种类型的柑橘叶片的叶绿素含量并不相同，这联合巴曼河Choudhury/ Journal of King Saud University2949表7不同叶绿素预测方法的比较SL. 没有纸植物颜色指数R2模型1（Ali等人， 2012年）番茄Logsig =[G-R/3-G/3]/2550.96线性回归2（Ali等人， 2012年）生菜Logsig =[G-R/3-G/3]/2550.89线性回归3（Ali等人， 2012年）西兰花Logsig =[G-R/3-G/3]/2550.91线性回归4（Dey等人，（2016年）潘槟榔NRI = R/（R + G + B）0.95线性回归5（Vesali等人，（2015年）玉米14不同的颜色特征0.74线性回归6（Vesali等人，（2015年）玉米4不同的颜色特征0.82安7（Vesali等人，（2017年）玉米VI0.97线性回归8（Riccardi等人， 2014年度）藜麦RGB0.97线性回归9（Riccardi等人， 2014年度）AmarnathRGB0.96线性回归10（Rigon等人，（2016年）大豆b L*a*b0.90线性回归11（Yadav等人，（2010年）马铃薯蓝色/光度0.77线性回归12（Gupta和Pattanayak，2017）马铃薯G/R0.83安13（Gupta和Pattanayak，2017）马铃薯光度0.89安14（Gupta和Pattanayak，2017）波塔托B/L0.90安15建议方法嫩柑橘NRI和VI0.82LR16建议方法未成熟柑橘R + G + B0.75LR17建议方法成熟柑橘B和NBI0.80LR18建议方法嫩柑橘9颜色指数0.94LM-ANN19建议方法未成熟柑橘3颜色指数0.99LM-ANN20建议方法成熟柑橘2颜色指数0.96LM-ANN21建议方法嫩柑橘9颜色指数0.94SCG-ANN22建议方法未成熟柑橘3颜色指数0.93SCG-ANN23建议方法成熟柑橘2颜色指数0.96SCG-ANN图十四岁LM-ANN的误差直方图（a）嫩叶;（b）未成熟叶;（c）成熟叶。图十五岁SCG-ANN的误差直方图（a）嫩叶;（b）未成熟叶;（c）成熟叶。2950联合巴曼河Choudhury/ Journal of King Saud University嫩的、未成熟的和成熟的叶子分别做叶绿素也会因地理条件而改变随着叶绿素的变化，叶片的颜色指数也发生变化，因为叶片的颜色与叶片的叶绿素高度相关（Vesali et al.， 2017年）。因此，地理条件不会影响所提出的方法的结果。5. 结论本文提供了一种基于智能手机的柑橘叶片叶绿素预测新机制。该系