测试软件和硬件环境。

型号培训的计算机配置如下：Intel(R)Xeon(R)CPUE5-2620v4@2.10GHz,256GB内存，NVIDIATeslaK40C显卡。系统：Ubuntu16.04，培训软件：TensorFlow1.3.0。培训时间平均为4.5小时。标识一个五频道的图像平均使用时间是3.56s。

ResNet18模型精确度分析。

通过多次实验，当learning_rate(初始学习率)=0.03,batch_size(batch有多少张图片)=6，num_epochs(所有数据共迭代次数)=4时，用彩色图片训练得到的模型效果最好，训练时的learning_rate和失真loss见图8这时，loss已经稳定下来，模型也基本上是拟合了。最后建立的ResNet18模型对图像进行识别，正确率达到84.7%。

如果learning_rate=0.05,batch_size=4,num_epochs=4时，通过五通道图像训练得出的模型效果最佳，图9显示了训练时的learning_rate和loss，在这个时候loss已经稳定下来，模型也就是拟合了。与此同时，ResNet18模型对图像进行验证，准确率达到90.5%。

从总体上看，两个模型的识别正确率分别达到了84.7%和90.5%，识别效果较好，能为精确灌溉施肥提供施肥量参考。

ResNet18模型识别效果。

在实验期间，合成的五通道图像共150幅，0.1.2级各含50幅。确认集被识别，其效果类似于表3。

从表3中可以看出，模型对2级图像的识别效果最好(98%)，而1级图像也有94%(94%)，等级0级图像则稍有误差。经分析发现，等级2的图象均为N5图象，N5图象与其它图象相结合，各图象均有显著差异。因此，图象特征具有明显的区别，等级0的图象含有CK区和N3区，在CK区存在长势差异，少数小面积上玉米植株长势较好，而且0级和1级之间的氮水平差别很小，导致模型不能很好地识别0级图像。要想更有效地培养识别效果，只需在玉米上按地区种植梯度较大的植株。

现场应用试验。

为了检验玉米营养状态模型的运行状况和实用性，在通州试验田地上20m处用S形轨迹对玉米植株作物进行了影像检测。多光谱影像在追肥前摄取，这段时间多数玉米长势偏低，氮含量不高，基本符合0级影像特征(图10(a))，只有少数玉米植株生长良好。

该序列图像包含1040个单通道图像，即208个五通道图像，调用模型直接识别这些原始图像，167张被判定为0级，将40幅图像判定为1级，1幅图像判定2级，识别正确率80.3%，基本能准确地反映该地块的现状。与此同时，用程序读取GPS信息获取这些图像的经纬信息，这两种信息将自动保存在*.txt文件中，如图11所示。实验结果表明，通过训练好的多光谱图像可以输出营养状况等级和GPS信息，可以应用于实际的精细灌溉施肥作业，且训练时间短，且结果准确。

本文将多光谱成像技术与卷积神经网络相结合，提出了一种玉米营养识别方法，得出以下主要结论：

(1)应用TensorFlow深度学习框架，建立ResNet18卷积神经网络模型，利用一般彩色图像训练出一种能够判断玉米植株营养状况的识别模型。利用五通道多光谱影像，建立了一种利用五通道多光谱影像判断玉米营养状况等级的识别模型，其准确率达84.7%。该识别验证集的正确率达到90.5%。

(2)利用经过培训的ResNet18模型来识别玉米的营养状态信息，不需要对多光谱图像进行复杂的处理，只需要运行该应用程序即可识别RedEdge-M多光谱相机采集的原始图像，输出图所对应的营养状况等级.施肥指南和经纬信息。

实验表明，利用卷积神经网络实现玉米作物营养状态识别所需时间短，成本低，不需要复杂的多光谱信息分析处理工作；能快速、高效地为水肥一体化设备提供玉米营养状态信息，对于实现精确农业的快速智能管理具有重要意义。

本研究将补充其他模式，进行多模式对比研究，同时依据色度.浓度和光强独立区分HSI颜色空间，对图像进行研究。