通过智能手机图像，利用PSO优化算法训练的机器学习模型用于生菜中非破坏性氮含量的评估

《Journal of Soil Science and Plant Nutrition》：PSO-Optimized Machine Learning Models for Non-Destructive Nitrogen Assessment in Lettuce Via Smartphone Imagery

本研究提出一种基于智能手机的非破坏性氮素监测框架，集成图像增强（MSRCR和灰卡校准）、特征提取与PSO优化的机器学习模型（RFR/SVR/ANN），在生菜氮素评估中达到最高准确率，验证了其低成本、可扩展性对精准农业的实用价值。

　　

摘要

氮（N）是控制植物生长、产量形成和养分利用效率的基本大量元素。因此，快速准确地评估植物的氮状态对于制定可持续的施肥策略至关重要。本研究旨在开发并评估一种基于智能手机的非破坏性分析框架，该框架结合了机器学习（ML）技术，以便高效且经济地估算生菜（Lactuca sativa L.）的氮状态。在MATLAB中开发了一个化学计量工作流程，其中包括图像增强、自动化特征提取、监督建模和超参数优化。评估了两种图像预处理技术——多尺度Retinex结合颜色恢复（MSRCR）和基于灰卡的色彩校准——以确定它们对光谱-颜色特征区分能力和模型性能的影响。随后，将提取的特征输入到随机森林回归（RFR）、支持向量回归（SVR）和人工神经网络（ANNs）中。为了进一步提高模型性能，采用了粒子群优化（PSO）进行自动化超参数调整。图像增强与PSO驱动的优化相结合显著提高了模型的鲁棒性和预测性能。在所评估的算法中，RFR在估算氮状态方面取得了最高的准确性。此外，改进的图像预处理提高了特征的可分性，从而获得了更可靠和稳定的模型输出。总体而言，所提出的框架提供了一种实用、可扩展且低成本的数字方法，可以利用现成的移动成像工具进行氮监测。研究结果展示了将基于智能手机的传感技术与ML驱动的优化相结合在农业和环境应用中支持精准氮管理和决策支持系统的潜力。