基于可見光譜參數的烤煙葉片葉綠素含量估算模型

孫志偉 張啟明 苑舉民 何仲秋 姜斌 閆慧峰 王樹聲

摘??要：為快速、無損、準確地估計煙草葉綠素含量，通過品種和氮素水平雙因素試驗，獲得葉片數字圖像和葉片葉綠素含量數據集，分析葉片可見光譜參數與葉綠素含量參數間的關系并選擇最佳參數建立估測模型。結果表明，烤煙品種和氮素水平互作增加了葉綠素與光譜參數的變異性;在3類顏色指標中，NRI、R/（G+B）、（R-B）/G、（G-R）/（R+G+B）、（R-B）/（R+G+B）、ExR與葉綠素指標達到極顯著相關（p<0.01），其中R/（G+B）與Chl.a、Chl.b、Chl.（a+b）之間的相關系數分別為-0.632、-0.636、-0.666，相關性表現最好;利用田間試驗進行驗證，R/（G+B）對葉綠素指標的預測精度最高，與Chl.a、Chl.b、Chl（a+b）之間的均方根誤差值分別為0.6069、0.1567、0.7575;選擇R/（G+B）作為葉綠素含量估測的最佳顏色指標。利用該方法可實現智能手機對煙草葉綠素含量進行快速測定，及時指導煙田施肥和采取合適的栽培管理措施，具有可期的應用潛力。

關鍵詞：烤煙;可見光譜;葉綠素含量;顏色指標;方程模型

Estimation Model of Chlorophyll Content in Tobacco Based on Visible Spectroscopic Parameters

SUN?Zhiwei¹，?ZHANG Qiming²，?YUAN Jumin²，?HE Zhongqiu¹，?JIANG Bin³， YAN Huifeng^1*，?WANG Shusheng^1*

（1.Tobacco Research Institute of CAAS， Key Laboratory of Tobacco Biology and Processing， Ministry of Agriculture and Rural Affairs， Qingdao 266101， China;?2. Jiangxi Institute of Tobacco Science， Nanchang 330025， China; 3. Shandong Branch of China National Tobacco Corporation， Jinan 250101， China）

Abstract：In order to estimate the chlorophyll?content of tobacco quickly， nondestructively and accurately， the relationship between visible spectral parameters and chlorophyll?content parameters was analyzed by designing?a?two-factor experiment of variety and nitrogen level， and the best parameters were selected to establish the estimation model. The results of nutrient solution culture showed that the interaction between flue-cured tobacco varieties and nitrogen levels increased the variability of chlorophyll?and spectral parameters. However， among the three color indices， NRI，R/（G+B）， （R-B）/G， （G-R）/（R+G+B）， （R-B）/（R+G+B） and ExR were significantly correlated with chlorophyll indices （p<0.01）. The correlation coefficients betweenR/（G+B） and Chl.a， Chl.b and Chl（a+b） were -0.632， -0.636， -0.666， respectively， with the best correlation performance. Field experiments confirmed?thatR/（G+B） had the highest accuracy in predicting chlorophyll?content， and it was chosen as the best color index for estimating chlorophyll?content. The RMS errors betweenR/（G+B） and Chl.a， Chl.b and Chl（a+b） were 0.6069， 0.1567 and 0.7575， respectively. With this method， chlorophyll?content of tobacco can be rapidly determined by smart phone， and the fertilization and cultivation management measures can be timely guided. It has a promising application potential.

Keywords： flue-cured tobacco; visible spectrum; chlorophyll?content; color index; equation model

葉綠素為植物葉片中的吸光物質，是植物和外界發生能量轉化的重要條件^[1]。葉綠素與葉片氮濃度、氮肥施用量和產量相關^[2]，因此常常利用葉綠素含量來估測作物氮素的營養狀況。葉綠素含量也與葉片顏色有關^[3]，葉色是高等植物常見的可見形態特征，通過葉色的變化可判斷作物生長發育情況。

傳統的葉綠素含量測定方法有兩種，一是進行實驗室的化學分析，其優點是能夠準確測定葉片中葉綠素含量，缺點是其為破壞性的測定，且需要一定的試驗條件，測定耗時較長，不能實現快速測定^[4]。二是用SPAD儀實時測定葉片的SPAD值表征葉綠素含量的相對值，優點是可以實現葉綠素的無損快速測定，但SPAD儀缺點為測定變異性大，需要進行多點測定來降低變異性，且受作物品種和生育期的影響較大，購買SPAD儀價格較貴，生產上推廣應用有一定的難度^[5]。

植物光譜診斷是基于植物的光譜特性來反映植物的生理生化特征和化學成分的變化^[6]。植物的光譜特性與葉片結構和色素含量有關，與植物營養狀況也密切相關。近年來，科學家進行了大量估測植物葉片葉綠素含量的研究，刑雪霞等^[7]研究表明，光譜參數TCARI與烤煙葉綠素、類胡蘿卜素含量有較好的相關性。水稻和冬油菜^[8-9]的研究表明NRI與SPAD值、葉片氮含量之間的相關性達到極顯著水平，蘇永士等^[10]研究表明，利用高光譜儀獲取的GNDVI與烤煙葉綠素含量和葉面積指數有良好的相關性。

以上研究都采用不同手段將數字圖像參數與作物營養狀況進行了分析。本文旨在研究煙草葉綠素含量與不同顏色特征參數之間的關系，篩選對煙草葉綠素含量的敏感參數，確定煙草葉綠素含量的估算模型，為快速、準確地定量估測烤煙葉片葉綠素含量提供有效的方法，也為烤煙生長狀況的實時監測提供技術基礎。

1??材料與方法

1.1 ?試驗設計

試驗分為營養液培養試驗和田間試驗兩部分進行，營養液試驗用于篩選顏色參數，建立估算模型，田間試驗用于模型反演，確定估算模型的適用性。

營養液培養試驗于2018年7月在中國農業科學院煙草研究所即墨實驗基地溫室進行。品種和氮水平兩因素隨機區組設計，烤煙品種為云煙87、NC55、K326和中煙100;氮素水平為低氮處理，對照處理和高氮處理，對應的營養液氮濃度分別為0.2、2、20 mmol/L。待煙苗長至4葉1心時移至營養液培養。每個處理3次重復。完全營養液的組成及濃度為：2.5 mmol/L KCl，2 mmol/L MgSO₄，1 mmol/L KH₂PO₄，0.01 mmol/L H₃BO₃，1 μmol/L MnSO₄，0.25 mmol/L CuSO₄，1 μmol/L?ZnSO₄，0.25 mmol/L （NH₄）₆Mo₇O₂₄，0.2 mmol/L Fe-EDTA，0.2 mmol/L FeSO₄。對煙苗移栽后第1片新葉掛牌，取下一片新展開葉，使用手機拍照并測定葉綠素含量。

田間試驗于2019年3月至6月在江西省安福縣進行，為品種和氮肥用量雙因素隨機區組試驗，烤煙品種為K326與中煙100。氮肥用量分別為0、90、180 kg/hm²。每個處理3次重復。移栽后47 d，取各品種各處理上部完全展開新葉，使用手機拍照并測定葉綠素含量。

1.2 ?測定項目與方法

1.2.1 ?葉綠素含量的測定?參考蘇永士等^[10]的方法進行。

1.2.2 ?葉片數字圖像的獲取與處理 ?營養液試驗及田間試驗，取無損的葉片作為待測樣品，無風無云的晴天12：00—14：00于室外使用蘋果智能手機（iphone?XS max）原生相機對葉片拍照，拍照距離固定1?m，角度90°，曝光與白平衡均為自動模式，圖片以JPG格式存儲，圖像分辨率4032*3024像素。獲得的照片導入計算機后用Photoshop?14.0軟件將葉片圖像進行分割，去除背景，僅保留葉片主體部分（不含葉脈），用Photoshop?14.0的直方圖程序獲取圖像顏色參數紅光值R（redness intensity）、綠光值G（greenness intensity）和藍光值B（blueness intensity）。

1.2.3 ?顏色指標的獲取??根據前人研究結果^[7]，選取了歸一化顏色指標、比顏色指標和歸一化差分顏色指標3類顏色指標類型，其中歸一化顏色指標包括NRI=R/（R+G+B）^[11-13]，NGI=G/（R+G+B）^[14-15]，NBI=B/（R+G+B）^[16];比顏色指標包括R/（G+B）^[17]，G/（R+B）^[17]，B/（R+G）^[17]，（R-B）/G^[17-18]，（G-B）/R^[17-18];歸一化差分顏色指標包括（G-R）/（R+G+B）^[19]，（R-B）/（R+G+B）^[17，20]，（G-B）/（R+G+B）^[21]，ExR=（1.4R-G）/（R+G+B）^[19]，（1.4B-G）/（R+G+B）^[19]，（2G-R-B）/（R+G+B）^[19]。

1.3 ?數據分析方法

1.3.1 ?氮素營養診斷方程模型驗證方法??通過對葉綠素指標的測定和顏色參數的提取，建立顏色指標與葉綠素指標的模型，并選擇均方根誤差（Root mean square error，RMSE）評價預測值和實測值的擬合效果。均方根誤差計算公式為：

1.3.2 ?數據的處理與分析??圖像處理使用Photoshop 8.0，使用Graphpad?Prism?6、Microsoft Excel 2016 及SPSS 19進行數據處理及分析。

2 ?結 ?果

2.1 ?烤煙不同品種及不同氮素水平對葉綠素含量的影響

圖1表明，在低氮水平下葉綠素含量均較低，隨供氮水平升高，中煙100和NC55葉綠素含量隨之升高，K326和云煙87在供氮濃度達到2 mmol/L之后不再升高。說明K326和云煙87對氮素水平較為敏感，中煙100與NC55敏感性較差。Chl.a與Chl.（a+b）變化規律一致，Chl.b在不同氮素水平和品種間呈現的差異較小，說明氮素水平對葉綠素含量的影響主要是通過Chl.a實現的。綜上，不同氮素水平對葉綠素含量有顯著影響且在品種間呈現差異性。

2.2 ?烤煙葉片葉綠素含量及數字圖像顏色參數及其變異性

由表1可知，在不同供氮水平下，不同烤煙品種Chl.（a+b）極值相差較大，Chl.a的次之，Chl.b的相差最小。由兩試驗的顏色特征參數可知：平均值由大到小順序為綠光值>紅光值>藍光值，說明烤煙葉片綠光反射量最高，紅光次之，藍光最小。較視覺感官（圖2），光譜參數更加精準地反映了葉色

差異。從變異系數可知：顏色指標變異系數由大到小順序為紅光值>綠光值>藍光值，說明在品種和氮素水平試驗中，藍光值的穩定性較好，屬于較穩定的參數，而紅光值波動較大，屬于敏感參數。另外，葉綠素指標變異系數由大到小順序為Chl.a>Chl.（a+b）>Chl.b，其中Chl.b最為穩定，Chl.a波動較大。兩試驗葉綠素指標變異系數均在20%～30%之間，樣本均為中等程度變異樣本，符合建立方程的數據樣本變異要求。

2.3 ?烤煙冠層圖像顏色指標的篩選

由表2顏色指標與葉綠素含量的相關性分析可知，除B/（R+G）、（G-B）/R、NBI、（G-B）/（R+G+B）、（1.4B-G）/（R+G+B）外，其他圖像顏色指標均與各葉綠素含量有顯著或極顯著的相關關系。其中，G/（R+B）、NGI、（2G-R-B）/（R+G+B）與Chl.a、Chl.b、Chl.（a+b）在p<0.05水平顯著相關，6個指標在p<0.01水平顯著相關，他們相關性大小為R/（G+B）>NRI>ExR> （G-R）/（R+G+B）>（R-B）/G>（R-B）/（R+G+B），除G/（R+B）、NGI、（2G-R-B）/（R+G+B）、（G-R）/（R+G+B）外，均與葉綠素基本指標呈極顯著負相關關系。各顏色指標與3個葉綠素指標的相關性基本穩定一致，Chl.（a+b）相關系數均高于Chl.a與Chl.b，與顏色指標的相關性更好。根據與葉綠素含量的相關性大小，在3類顏色指標中分別選取NRI、R/（G+B）、ExR作為預測葉綠素含量的潛在指標。

2.4 ?烤煙葉綠素含量診斷方程模型檢驗

本試驗選擇線性方程來表示營養指標與葉綠素含量之間的關系。驗證結果表明，基于顏色指標NRI、R/（G+B）建立的診斷方程模型，葉綠素含量的真實檢測值與方程模型預測值均較為吻合，真實檢測值分布集中，模型驗證精度較高（圖3）。經計算NRI、R/（G+B）、ExR與Chl.a的RMSE值分別為0.6069、0.6053、0.8778，NRI、R/（G+B）、ExR與Chl.b的RMSE值分別為0.1567、0.1566、0.2033，

NRI、R/（G+B）、ExR與Chl.（a+b）的RMSE值分別為0.7575、0.7552、1.0749。RMSE反映了預測數據偏離真實值的程度，值越小，表示該模型預測精度越高。3個顏色指標，NRI、R/（G+B）的RMSE明顯優于ExR，預測精度最高。R/（G+B）的相對預測效果略優于NRI，用R/（G+B）值分別表示Chl.a、Chl.b、Chl.（a+b）的直線預測方程分別為y=-22.916x+14.353，y=-4.6338x+3.1192，y=-27.549x+17.473。

3 ?討 ?論

營養液試驗中，3個顏色參數與葉綠素含量顯著相關，6個顏色參數與葉綠素含量極顯著相關，其中比顏色指標中的R/（G+B）的相關系數最高，為0.632;研究表明^[22]，顏色指標與葉綠素含量相關性在0.7左右為最優，說明本研究中通過營養液實驗構建的可見光譜葉綠素含量估測模型具有可行性。與多數研究者不同^[22-25]，本研究中運用與營養液試驗環境完全不同的田間試驗來驗證葉綠素估算模型，通過相關性分析表明，3個顏色指標NRI、R/（G+B）、ExR的RMSE較小，符合反演要求。其中以顏色指標R/（G+B）為最佳。其他研究也表明，R/（G+B）參數建立的錦橙葉片SPAD值預測模型誤差最小^[24]，棉花葉片的Chl.a、Chl.b、Chl（a+b）與R/（G+B）也呈極顯著相關關系^[25]。

圖像獲取需要一定的標準和方法，研究表明^[26]，圖片的拍攝角度、拍攝高度、圖片儲存格式對光譜參數沒有影響，但不同光照強度和不同圖像分辨率對圖片的光譜參數值影響較大。本研究拍攝環境條件下，圖片陰影面積較小，對圖片處理結果影響較小。在拍攝設備的選擇上，選擇分辨率較高，統計像素點小而準確的高像素設備拍攝，有效降低分辨率帶來的試驗誤差。圖3結果中顏色指標RMSE值較小，精度符合要求，說明模型可以兼容自動白平衡模式下的色溫誤差。這可能由于顏色參數的比值組合消除了不同環境下色溫差異對試驗結果的影響，大大降低了該方法在實際田間應用中的操作難度。

利用光譜技術檢測作物的營養狀況，符合現代

精準農業的要求，有利于改變傳統實驗室檢測葉綠素的方式，縮短檢測周期和降低操作難度。但研究取樣時期選擇為苗期，預測模型在不同生育時期是否適用及如何快速準確地獲得葉片顏色指標還需開展進一步的研究。構建的葉綠素含量估算模型，為直接在冠層尺度上應用可見光譜技術提供了理論基礎，未來可將試驗結果與高空和低空遙感相結合，實現烤煙更高尺度和區域的葉綠素含量檢測。另一方面還要繼續挖掘葉綠素含量對光譜響應的影響，進一步揭示葉片光譜反射率響應的機理。

4??結 ?論

通過營養液試驗建立的煙葉顏色指標與葉綠素的關系模型在田間試驗中得到檢驗。煙葉葉綠素含量估測的最佳顏色指標為R/（G+B）;Chl.a、Chl.b、Chl.（a+b）的最佳預測方程分別為y=-22.916x+14.353、y=-4.6338x+3.1192、y=-27.549x+17.473。利用數碼相機對煙草葉綠素含量進行快速測定，可實現及時指導煙田施肥。葉綠素含量預測模型在煙草不同生育時期是否適用及如何快速準確獲得葉片顏色指標還需開展進一步的研究。

參考文獻

• 李夢竹，劉國順，賈方方. 干旱脅迫下旺長期烤煙冠層葉綠素密度的高光譜估測[J]. 中國煙草科學，2017，38（1）：23-28.

LI M Z， LIU G S， JIA F F. Hyperspectral Estimation of Canopy Chlorophyll?Density of long-term flue-cured tobacco under drought stress[J]. China Tobacco Science， 2017， 38（1）： 23-28.

• 魏全全，芶久蘭，張萌，等. 氮素營養診斷技術的發展及其在冬油菜上的應用[J]. 中國油料作物學報，2019，41（2）：300-308.

WEI Q Q， QI J L， ZHANG M， et al. Development of nitrogen nutrition diagnosis technology and its application in winter rape[J].

Chinese Journal of oil crops， 2019， 41（2）： 300-308.

• 劉偉. 基于葉片顏色特征的棉花部分生理指標的估測[D].?北京：中國農業科學院，2007.

LIU W. Estimation of some physiological indexes of cotton based on leaf color characteristics[D].?Beijing： Chinese Academy of Agricultural Sciences， 2007.

• 程立真，朱西存，高璐璐，等. 基于RGB模型的蘋果葉片葉綠素 含量估測[J]. 園藝學報，2017，44（2）：381-390.

CHENG L Z， ZHU X C， GAO L L， et al. Estimation of chlorophyll?content in Apple Leaves Based on RGB model[J]. Journal of horticulture， 2017， 44（2）： 381-390.

• 張銀杰. 基于葉片光譜分析的玉米氮素營養診斷研究[D]. 北京：中國農業科學院，2019.

ZHANG Y J. Study on nutrition diagnosis of corn nitrogen based on leaf spectroscopy[D]. Beijing： Chinese Academy of Agricultural Sciences， 2019.

• 李佛琳. 基于光譜的煙草生長與品質監測研究[D].?南京：南京農業大學，2006.

LI F L. Study on tobacco growth and quality monitoring based on spectrum[D]. Nanjing： Nanjing Agricultural University， 2006.

• 邢雪霞，劉國順，賈方方，等.?烤煙葉片色素含量的高光譜預測模型研究[J]. 中國煙草學報，2014，20（1）：54-60.

XING X X， LIU G S， JIA F F， et al. Hyperspectral prediction model of pigment content in flue-cured tobacco leaves[J]. Acta Tabacaria Sinica， 2014， 20（1）： 54-60.

• 王遠，王德建，張剛，等.?基于數碼相機的水稻冠層圖像分割及氮素營養診斷[J]. 農業工程學報，2012，28（17）：131-136.

WANG Y， WANG J D， ZHANG G， et?al. Image segmentation and nitrogen nutrition diagnosis of rice canopy based on digital camera[J]. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（17）： 131-136.

• 魏全全，李嵐濤，任濤，等.?基于數字圖像技術的冬油菜氮素營養診斷[J]. 中國農業科學，2015，48（19）：3877-3886.

WEI Q Q， LI L T， REN T， et al. Nutritional diagnosis of nitrogen in winter rapeseed based on digital image technology[J]. Scientia Agricultura Sinica， 2015， 48（19）： 3877-3886.

• 蘇永士，蘇富強，王海波，等. 不同施肥條件下煙草冠層光譜特征與葉綠素、葉面積指數的關系[J]. 中國煙草科學，2013，34（2）：23-27.

SU Y S， SU F Q， WANG H B， et al. Relationship between canopy spectral characteristics and chlorophyⅡ， leaf area index under different fertilization conditions[J]. China Tobacco Science， 2013， 34（2）： 23-27.

• 李嵐濤，張萌，任濤，等. 應用數字圖像技術進行水稻氮素營養診斷[J].?植物營養與肥料學報，2015，21（1）：259-268.

LI L T， ZHANG M， REN T， et al. Application of digital image technology in nutrition diagnosis of nitrogen in rice[J]. Plant Nutrition and Fertilizer Science， 2015， 21（1）： 259-268.

• 肖焱波，賈良良，陳新平，等.?應用數字圖像分析技術進行冬小麥拔節期氮營養診斷[J]. 中國農學通報，2008（8）：448-453.

XIAO Y B， JIA L L， CHEN X P， et al. Application of digital image analysis technique in nitrogen nutrition diagnosis of winter wheat at the onset of node[J]. Chinese Agricultural Science Bulletin， 2008（8）： 448-453.

• 陳佳悅，姚霞，黃芬，等. 基于圖像處理的冬小麥氮素監測模型[J]. 農業工程學報，2016，32（4）：163-170.

CHEN J Y， YAO X， HUANG F， et al. Nitrogen monitoring model of winter wheat based on image processing[J]. Chinese Society of Agricultural Engineering， 2016， 32（4）： 163-170.

• 王娟，雷詠雯，張永帥，等. 應用數字圖像分析技術進行棉花氮素營養診斷的研究[J]. 中國生態農業學報，2008（1）：145-149.

WANG J， LEI Y W， ZHANG Y S， et al. Study on nutrition diagnosis of nitrogen in Cotton by Digital Image Analysis[J]. Chinese Journal of Eco-Agriculture， 2008（1）： 145-149.

• 王方永，李少昆，王克如，等. 基于機器視覺的棉花群體葉綠素監測[J]. 作物學報，2007（12）：2041-2046.

WANG F Y， LI S K， WANG K R， et al. Monitoring of chlorophyll?in cotton population based on machine vision[J]. Acta Agronomica Sinica， 2007（12）： 2041-2046.

• 張立周，王殿武，張玉銘，等.?數字圖像技術在夏玉米氮素營養診斷中的應用[J]. 中國生態農業學報，2010，18（6）：1340-1344.

ZHANG L Z， WANG D W， ZHANG Y M， et al. Application of digital image technology in nutrition diagnosis of nitrogen in summer maize[J]. Chinese Journal of Eco-Agriculture， 2010， 18（6）： 1340-1344.

• 李錦衛. 基于計算機視覺的水稻、油菜葉色-氮營養診斷機理與建模[D]. 長沙：湖南農業大學，2010.

LI J W. Diagnosis mechanism and modeling of leaf color-nitrogen nutrition in rice and rapeseed based on computer vision[D]. Changsha： Hunan Agricultural University， 2010.

• 吳福寧. 圖象處理技術在冬小麥氮營養診斷中的應用[D]. 北京：中國農業大學，2004.

WU F N. Application of image processing technique in nitrogen nutrition diagnosis of winter wheat[D]. Beijing： China Agricultural University， 2004.

• 劉勇. 基于無人機平臺的小麥冠層葉片氮素營養監測研究[D]. 南京：南京農業大學，2016.

LIU Y. Study on nitrogen nutrient monitoring of wheat canopy leaves based on UAV platform[D]. Nanjing： Nanjing Agricultural University， 2016.

• 胡昊.?基于可見光_近紅外光譜的冬小麥氮素營養診斷與生長監測[D].?北京：中國農業科學院，2009.

HU H. Nutritional diagnosis and growth monitoring of winter wheat nitrogen based on visible light?near infrared spectroscopy[D]. Chinese Academy of Agricultural Sciences， 2009.

• 劉洪見，曾愛平，鄭麗敏. 基于數字圖像處理技術的玉米氮肥營養狀態診斷[J]. 農業網絡信息，2007（12）：31-35.

LIU H J， ZENG A P， ZHENG L M. Diagnosis of nutrition state of corn nitrogen fertilizer based on digital image processing[J].?Agricultural Network Information， 2007（12）： 31-35.

• 柴阿麗，李寶聚，王倩，等.?基于計算機視覺技術的番茄葉片葉綠素含量的檢測[J].?園藝學報，2009，36（1）：45-52.

CHAI A L， LI B J， WANG Q， et al. Detection of chlorophyll?content in tomato leaf based on computer visual technology[J]. Journal of Horticulture， 2009， 36（1）： 45-52.

• 鐘思榮，龔絲雨，陳仁霄，等.?基于數字圖像技術的煙草氮素營養診斷研究[J].?江西農業大學學報，2017，39（6）：1104-1111.?

ZHONG S R，?GONG S Y，?CHEN R X. Study on nitrogen nutrition diagnosis of tobacco based on digital image technology[J]. Acta Agriculturae Universitatis Jiangxiensis， 2017，?39（6）：?1104-1111.

• 易時來，鄧烈，何紹蘭，等.?錦橙葉片葉綠素含量診斷模型—基于數字圖像分析技術[J].?農機化研究，2011，33（4）：110-115.

YI S L， DENG L， HE S L， et al. Diagnosis model of chlorophyll?content in leaves of blue orange： a digital image analysis technique[J]. Journal of Agricultural Mechanization Research， 2011，?33（4）：?110-115.

• 王克如，李少昆，王崇桃，等.?用機器視覺技術獲取棉花葉片葉綠素濃度[J].?作物學報，2006（1）：34-40.

WANG K R， LI S K， WANG C Y， et al. Using machine vision technology to obtain chlorophyll?concentration in cotton leaves[J]. Acta Agronomica Sinica， 2006（1）：?34-40.

• 李艷. 加工番茄氮素營養快速診斷方法的研究[D]. 石河子：石河子大學，2007.

LI Y.?Study on the rapid diagnosis method of nitrogen nutrition in processing tomato[D]. Shihezi： Shihezi University， 2007.