有效的氮素营养对提高作物产量至关重要。为了从一块田中获得最大产量,营养必须在所有作物之间均匀分配。氮肥的不合理使用不仅会导致产量的损失，还会导致籽粒品质的下降。不合理的高剂量农用化学品不仅会对环境产生负面影响，也会对人体健康产生负面影响。在这方面，确定合理、足量的氮肥用量的相关研究需求尤为迫切。

本文提出了一种深度学习图像分割方法组合，用于监测整个农田的营养状况，并检测养分短缺的区域。作者特别考虑了基于 U-Net 的五种最先进的神经网络架构，对这些神经网络模型进行了训练、效果评估和适用性研究，以解决正射影像图上农作物氮含量分割的问题。使用的数据集来自农业物理研究所（ARI）在2020-2021 年使用无人机系统（Geoscan 401）收集的生物实验数据，图像用于上述神经网络模型（U-Net、Attention U-Net、R2-UNet、Attention R2-Unet 和 U-Net3+）的数据扩增和训练。

本研究还进行了一项实验，以评估选择不同波段的现场图像对所考虑的分割方法的准确性的影响。实验结果表明，在所有模型中，Attention R2U-Net (t2) 被证明对不同种类的作物具有更强的鲁棒性和可靠性（准确率为 97.59%-99.96%）。作者还评估了使用不同图像波段组合（如 RGB、RedEdge、NearIR 和 NDVI）对神经网络模型分割精度的影响。RGB、NearIR 和 NDVI 频道的组合使本研究中使用的所有 8 项指标都达到了较高的数值（比 RGB 的标准组合高出 0.41-1.77%）。使用 RedEdge 波段对农田氮含量的分割质量有显著的负面影响。所提出的基于 Attention R2U-Net (t2) 和 RGB、NearIR 和 NDVI 波段组合的方法对不同类型的农业景观中是稳定的，这有助于提高作物营养和产量。


图1 氮营养分析方案整体过程。包括四个步骤:1.无人机拍摄的图像被组合在一起，形成整个场地的正射影像。2.正射影像裁剪3.经过训练的模型分割4.将分割图组合成一个图像，以提供字段分割


图3 训练的不同U-Net架构对9号田地图像的分割结果，batch size设置为50。(a) R2U-Net (t = 4); (b) U-Net 3 + with deep supervision; (c) Attention R2U-Net (t = 2)。

图4 训练的不同U-Net架构对26号田地图像的分割结果，batch size设置为5。(a) R2U-Net (t = 3); (b) Attention R2U-Net (t = 2); (c) R2U-Net (t = 2)。

文献来源：Blekanov I.,Molin A.,Zhang D.,Mitrofanov E.,Mitrofanova O. & Li Yin.(2023).Monitoring of grain crops nitrogen status from uav multispectral images coupled with deep learning approaches. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2023.108047.