基于圖像處理技術的多角度冬小麥氮素營養診斷

劉星科 董浩 楊莎 王超 馮美臣 肖璐潔 宋曉彥 張美俊 楊武德

摘要：為實現基于圖像處理技術的多角度冬小麥氮素營養無損監測，以不同氮運籌試驗的冬小麥作為研究對象，使用相機對冬小麥冠層進行多角度拍攝，基于openCV 圖像技術處理冬小麥冠層圖像并提取顏色特征參數，結合葉片氮含量指標，利用多元線性回歸、逐步多元線性回歸、BP-神經網絡建立多角度條件下顏色特征參數的氮素監測模型。結果表明，冬小麥冠層圖像與葉片氮含量存在一定的相關性，從冠層圖像獲取的RGB 顏色空間中的R、G、B、reG、lnG 等5 個顏色參數與冬小麥的葉片氮含量相關性均達到極顯著水平；不同的拍攝角度對基于圖像參數的冬小麥葉片含氮量光譜監測精度造成影響，其中，與冠層水平面呈60°（逆光，與天頂方向夾角30°）拍攝的冠層圖像建模效果準確度最高，效果最優（R2=0.896，RMSE=0.572），與冠層水平面呈30°（逆光，與天頂方向夾角60°）次之，與冠層水平面呈90°（逆光，垂直向下，與天頂方向夾角0°）最差。基于R、G、B、lnG、reG 等5 個顏色特征參數建立的60°冠層圖像的多元線性回歸模型整體表現最好。

關鍵詞：冬小麥；葉片氮含量；圖像處理；顏色特征參數；多角度

冬小麥是我國主要糧食作物[1]，氮素營養對于冬小麥生長和產量及品質形成具有重要的影響。室內化驗分析是獲取冬小麥氮素營養的傳統測定方法，該方法雖然準確，但存在耗時、費力、對植株有損傷的缺點。運用光譜遙感及圖像處理技術提取冠層圖像對農作物氮素營養無損監測是當前研究熱點[2-4]。研究發現，利用圖像處理技術對冬小麥冠層圖片進行處理，可以實現對冬小麥的氮素營養診斷，冬小麥的葉色、長勢等生理指標可以直接反映作物體內氮含量等生化指標，而作物的生理生化指標又與冠層圖像參數值密切相關，因此，通過冠層圖像監測作物氮素含量具有一定的可行性[4-7]。當前，相機使用已經十分廣泛，運用相機獲取冬小麥冠層圖像，采用圖像處理技術將冠層圖像數字化，可在很大程度上解決人眼對作物冠層圖像顏色變化不敏感的問題[3]。史培華等[8]利用數碼相機采用垂直向下的拍攝姿態采集返青期和拔節期的冬小麥冠層圖像，并分析了R（紅色）、G（綠色）、B（藍色）顏色空間中各顏色指標的組合參數、色相以及冠層覆蓋度等與冬小麥氮素含量指標之間的相關性。張立周等[9-10]研究了基于數碼相機獲取夏玉米、冬小麥冠層圖像的色彩特征參數與傳統氮素營養指標之間的相關性，篩選出了藍光標準化值和綠光標準化值分別作為診斷其氮素營養狀態的敏感顏色參數。夏莎莎等[11]對玉米葉片采用垂直向下姿態進行拍照，獲取玉米葉片數字圖像，同時對圖像進行色彩參數的提取與處理，發現由RGB 所組成的顏色參數，可以作為玉米氮素營養診斷的色彩參數指標。前人對冠層圖像的采集多采用垂直向下的拍攝姿態，而不同拍攝角度獲取的冠層圖像會引起圖像色彩參數差異，從而對氮素診斷的準確性造成影響[12]。可見，雖然利用相機拍攝作物冠層圖像，提取顏色特征參數，在一定程度上提高了冬小麥氮素營養診斷精度，但是冠層圖像的覆蓋度和顏色特征參數提取的精度也受到了拍攝角度的影響。

本研究以冬小麥氮運籌試驗為研究對象，通過拍攝不同角度的冬小麥生長照片，采用openCV 圖像處理技術提取圖像參數，在測定對應位置的冬小麥氮素含量的基礎上分析冬小麥圖像參數與葉片氮含量指標之間的相關性，并構建基于圖像參數的冬小麥氮素營養的定量模型，實現基于圖像處理技術的冬小麥氮素營養快速、無損、便捷、低廉診斷。

1材料和方法

1.1 試驗材料

供試冬小麥品種為京冬22（蛋白質17.4%）、京花12 號（蛋白質14.0%），其中，京冬22 是由北京雜交小麥工程技術研究中心用品種太谷核不育輪選群體選育而成的小麥品種；京花12 號由北京雜交小麥工程技術研究中心通過京冬23/京冬17 獲得。

1.2 試驗設計

試驗于2020 年在山西省晉中市太谷區侯城鄉申奉村進行。采用多因素裂區設計，小區面積為2.5 m×6.0 m，主區為肥料，副區為氮梯度。主區肥料分別為腐熟雞糞（T1）、單施尿素（T2），其中，T1 按照當地農民常用量施入，副區設置5 個氮梯度處理，即0（N1）、40（N1）、80（N2）、120（N3）、160 kg/hm2 （N4）；T2 副區設置3 個氮梯度處理，即120（N5）、200（N6）、280 kg/hm2 （N7）。此外，不施肥作為對照（CK）。腐熟雞糞以基肥施入，氮肥基追比5∶5。試驗所用氮肥為尿素（含N 量46.1%），磷肥用量為120 kg/hm2，鉀肥為120 kg/hm2，且作為基肥施入。試驗重復3 次，田間管理同當地大田。

1.3 數據獲取

本研究采用佳能EOS6DMarkⅡ單反相機，于冬小麥的拔節后期（2019 年4 月4 日）、孕穗期（2019 年4 月15 日）和抽穗期（2019 年5 月1 日）對大田環境下的冬小麥冠層葉片進行數據采集，拍照時選擇晴朗的無風天氣拍攝，避免光線過強或過暗。拍照時間固定在11：00—13：00，此時太陽光線入射角度位于冬小麥正上方，將相機保持固定狀態并使相機鏡頭與冬小麥冠層保持1 m 距離，分別是與冠層水平面呈60°（逆光，與天頂方向夾角30°）、與冠層水平面呈30°（逆光，與天頂方向夾角60°）、與冠層水平面呈90°（逆光，垂直向下，與天頂方向夾角0°）3 個角度進行拍攝，在共計96 塊試驗田中，每塊試驗田選取3 個角度拍攝冬小麥冠層圖像，總共288 個圖像樣本數據。

1.4 數據處理與分析

為避免采集的圖像中類似土壤等無關背景信息以及處理圖像時誤分割造成的影響[13]，使用openCV 中的圖像處理函數[14]，將所獲取的每幅冬小麥冠層圖像進行圖像預處理（圖像分割、二值化、開運算等）。關鍵處理步驟有：（1）采用基于像素數值技術的圖像分割算法進行圖像分割。（2）將處理后的圖像轉化到HSV（色調、飽和度、亮度）顏色空間。（3）利用HSV 顏色空間下的綠色范圍值作為閾值進行圖像分割，并進行二值化處理。（4）對（3）所得圖像進行形態學開運算處理，平滑填補細小空隙（白色為目標圖像，黑色為背景圖像）。

冠層圖像分割及特征參數提取均通過openCV技術編程實現。采用openCV 圖像處理技術，提取分割處理后每幅葉片圖像非0 像素點的R、G、B 三原色，并進行相應特征參數計算。

圖像獲取后，在每個小區的冬小麥圖像樣本拍攝區域隨機選擇30 cm×30 cm 的目標植株，并將目標植株的倒三葉的葉片取回用凱氏定氮法獲取對應冬小麥葉片氮含量。

1.5 氮素估算模型

1.5.1 多元線性回歸（MLR） 運用多元線性回歸（Multiple Linear Regression，MLR）建立模型，通常要求自變量有2 個或2 個以上，利用多個變量最優組合來實現因變量預測的目的。本研究中，將所提取的顏色特征參數作為自變量，將冬小麥葉片氮含量作為因變量，從而分析不同拍照角度冬小麥葉片氮含量與顏色特征參數的關系。

1.5.2 逐步多元線性回歸（SMLR） 逐步多元線性回歸（Stepwise Multiple Linear Regression，SMLR）是對所有自變量進行檢驗，依次對作用不大、無意義的變量進行剔除，并選入有效的、對因變量Y 影響較大的自變量進入方程，使其得到最佳方程[15]。本研究逐步提取與因變量密切相關的特征參數。利用SMLR 方法構建多角度下冬小麥葉片氮含量的監測模型。

1.5.3 BP- 神經網絡（BP-NN） BP- 神經網絡（Back-Propagation Neural Network，BP-NN）具有較強的非線性映射能力和良好的網絡容錯性，可以在很大程度上較好地解決現實場景中非線性建模問題[16]，選取提取的顏色特征參數作為輸入層，以冬小麥葉片氮含量作為輸出層，對各拍攝角度冬小麥葉片氮含量進行訓練，建立多角度下冬小麥葉片氮含量的BP-神經網絡模型。

1.6 模型評價標準

模型選取決定系數（Coefficient of determination，R2）、均方根誤差（Root mean square error，RMSE）、相對分析誤差（Residual predictive deviation，RPD）進行綜合評定。R2 取值范圍為0～1，越接近1，表示模型預測精度越高，RMSE 越小，表示模型穩定性越好。一般認為，RPD>2.0，模型具有極好的預測能力；2.0>RPD>1.5，模型具有可接受的預測能力；RPD<1.5，模型不具備預測能力[17]。

式中，n為樣本個數；Yi′與 Yi分別為樣本的預測值與實測值；-Yi 為樣本實測值的平均值；SD 為標準偏差。

2結果與分析

2.1 冬小麥葉片氮含量的描述性統計分析

研究冬小麥長勢指標與冠層圖像顏色特征參數之間的定量關系，將96 個長勢指標樣本數據隨機分成建模樣本（64 個）和驗證樣本（32 個），其中各樣本數據的長勢指標描述統計分析如表1所示。

由表1 可知，冬小麥冠層氮含量最小值與最大值的差值較大，校正數據集合和驗證數據集合共96 個樣本數據，基本可以表征冬小麥生育期內的長勢狀況。葉片氮含量的最大值與最小值分別為6.458、2.126 mg/g，校正集與驗證集的全距分別為4.332、4.181 mg/g，葉片氮含量校正集數據全距涵蓋了驗證集全距，校正集樣本數量為驗證集2 倍。根據表1 中的偏度可知，校正集與驗證集中的葉片氮含量數據具有正偏態性，基本符合正態分布的特征（偏度<1），表明數據可以進行進一步統計分析。

2.2 多角度冠層圖像顏色特征參數與冬小麥葉片氮含量之間的相關性分析

研究多角度下所獲取的冠層圖像顏色特征參數與冬小麥葉片氮含量之間的相關關系，分析所獲取的顏色特征參數與葉片氮含量的相關性，結果如表2 所示。各拍攝角度的顏色特征參數與葉片氮含量的關系較為密切，并且60°的拍攝角度要優于30°拍攝角度和90°拍攝角度，尤其是R、G、B、lnG、reG 這5 個參數相關性最優，相關系數分別為0.845、0.862、0.861、0.855、-0.847，均達到極顯著相關（P<0.01），其中，60° 的單色分量G 相關性最高，為0.862，lnR、reR 這2 個參數在3 種觀測角度下與氮含量的相關性一般，呈顯著相關（P<0.05）。

2.3 基于冠層圖像顏色特征參數的葉片氮含量診斷模型

為研究冬小麥冠層圖像與長勢指標的定量關系，基于相關性最優的R、G、B、lnG、reG，同時選擇5 個參數，運用MLR、SMLR、BP-NN 這3 類不同建模方法，構建多角度冠層圖像條件下的葉片氮含量指標監測模型，結果如表3 所示。

從表3 可以看出，對比同一角度下的不同建模方法發現，無論是校正集還是驗證集MLR 模型的R2 值與PRD 值均高于SMLR 和BP-NN 模型，RMSE 值均低于SMLR 和BP-NN 模型。同時發現，對于校正集基于60°冠層圖像與葉片氮含量的MLR 模型達到了最高精度（R2=0.896、RMSE=0.572、RPD=1.686），而表現最差的模型精度是基于90°冠層圖像與葉片氮含量的BP-NN 模型（R2=0.433、RMSE=1.012、RPD=0.953）。對于驗證模型來說，表現最好的是基于60°冠層圖像與葉片氮含量的MLR 模型（R2=0.863、RMSE=0.591、RPD=1.741），而表現最差的則是基于90°冠層圖像與葉片氮含量的BP-NN 模型（R2=0.466、RMSE=0.968、RPD=1.067）。

3結論與討論

已有的研究中，數碼相機已經被廣泛地應用到對作物進行營養診斷的技術方法中[18-21]。王玉娜等[22]和曲怡鈴等[23]利用多元線性回歸、逐步多元線性回歸、BP-神經網絡進行建模對比，結果表明，神經網絡建模效果較好，而本研究發現多元線性回歸的建模效果最優，擬合效果最好，可能是由于考慮的相關顏色特征參數樣本數相對偏少導致精度下降所造成的。李天馳等[24]和張佩等[25]在有限變量個數條件下，對多元線性回歸與BP-神經網絡建模能力進行對比，發現在自變量較少時，多元線性回歸模型具有較高的預測能力，但伴隨著自變量的增加，多元線性回歸模型并不能消除不同自變量間的多重共線性問題，而BP-神經網絡能夠以較高精度逼近任何線性或非線性連續函數，更適合于自變量較多時的預測模型的構建。夏莎莎等[12]對于冬小麥冠層圖像監測的研究表明，以俯視拍攝（與冠層呈60°夾角）時相關性較高，特別是逆光俯視拍攝相關性最高。本研究根據所得冠層圖像進行分析發現，60°拍攝的冠層圖像與葉片氮含量的模型精確度較好，優于30°與90°冠層圖像的模型，與夏莎莎等[12]研究結論一致。分析原因可能是由于60°拍攝的冠層圖像成像完整度優于30°與90°拍攝冠層圖像，拍攝時根部陰影面積不可避免會有產生，在60°拍攝角度的陰影面積最小，且由于光照角度的原因，使得葉片整體成像更為清晰，成像后葉片重疊現象減少，分析后相關性最優；90°的冠層圖像顏色整體偏暗，顏色要比肉眼觀察顏色要深，由于垂直角度拍攝，所以，冠層葉片成像后不完整，葉片重疊過多，由于太陽光入射角度的原因，光照角度無法做到完全垂直，導致在90°拍攝時，冬小麥的根部由于光照原因產生大量陰影，根部的中部位置陰影面積偏大，顏色偏暗、成像不完整等原因使得相關性降低；30°拍攝的冠層圖像顏色亮度增加，整體偏翠綠色，圖像失真程度要大于60°小于90°，且由于距離相機近的冬小麥葉片會遮擋住之后的葉片，冠層圖像會顯示不完整，準確度會下降。不同的圖像獲取角度可能會導致獲取的圖像存在葉色、陰影等方面的差異[26-28]，所拍攝的冠層圖像的葉色、葉片覆蓋度、陰影等又會直接影響特征參數的提取，從而影響模型的精度。因此，不同的拍攝角度對研究冬小麥氮素營養的準確監測具有重要意義，該研究可為分析冬小麥葉片顏色參數對冬小麥長勢的診斷提供一定參考。

本研究通過相機拍攝并提取大田環境下冬小麥冠層圖像的RGB 信息，構建不同拍攝角度與冬小麥氮素營養的圖像特征評價指標，結果表明，各拍攝角度的顏色特征參數與葉片氮含量的關系較為密切，尤其是R、G、B、lnG、reG 這5 個參數的相關性最優；對比不同的建模方法發現，選擇多元線性回歸建立的模型較優；同時選擇R、G、B、lnG、reG 這5 個顏色特征參數建立的60°冠層圖像與冬小麥葉片氮含量多元線性回歸模型相關性最好（R2=0.896，RMSE=0.572，RPD=1.686），30°次之（R2=0.761，RMSE=0.763，RPD=1.264），90°最差（R2=0.552，RMSE=0.688，RPD=1.402）。