Automated Leaf Color Chart (LCC)-BasedNitrogen Fertilizer Recommendation UsingPaddy Leaf Image Color Classification

在精准农业中，对作物健康状况进行准确且及时评估的需求很高，以支持合理的养分管理。在这项工作中，我们提出了一种基于深度学习的智能解决方案，通过评估水稻叶片的颜色，实时提供与情境相关的氮肥添加建议，以实现水稻的可持续种植。为了实现水稻作物生产中的优化氮管理和可持续性，需要对水稻叶片颜色进行准确评估。在此，我们提出了一个基于深度学习的稻田叶片颜色分类框架，能够根据实时需求推荐适量的氮肥。在本研究中，包含12,000张增强水稻叶片图像的Paddy Net数据集将用于训练神经网络，该网络基于叶色卡（Leaf Color Chart, LCC）系统对水稻叶片颜色进行分类，LCC等级从2到5。此外，我们训练并测试了多种深度学习架构，特别是自定义CNN、VGG16、ResNet50和EfficientNetB7，以确定哪种架构在水稻叶片颜色分类中表现最佳。从实验结果可以得出结论，自定义CNN以97.55%的分类准确率显著优于迁移学习模型VGG16（78.89%）和EfficientNetB7（78.67%）。为提高实用性，系统还集成了多模态视觉语言模型LLaMA 3.2-11B Vision，使其能够基于视觉输入图像提供实时、基于情境的氮肥推荐。此外，所提出的框架还考虑了其他农艺因素，如作物生长阶段、土壤类型和施肥历史，从而提供更准确和相关的建议。该框架实现了精确、客观的氮管理，避免了农民通常采用的主观视觉评估方法。总体而言，所提出的施肥系统对精准农业的发展具有重要意义，因为它提高了决策过程的效率，优化了肥料使用，并促进了可持续水稻种植实践。