基于RGB偏態參數的煙草葉片氮含量估測

柯麗華, 趙羨波, 周 易, 胡鈺萍, 蘭立娟, 張 星, 董桂全, 胡智予, 盧彬榮

(1.龍巖市煙草公司長汀分公司,福建長汀 366300; 2.福建中煙工業有限責任公司,福建廈門 361012;3.福建省煙草公司龍巖市公司,福建龍巖 364000)

氮素是煙草生長發育所需的重要營養元素之一,是構成氨基酸、蛋白質、葉綠素、植物激素等物質的重要成分,氮肥的合理施用對提高煙草的產量和品質都有積極促進作用[1-2]。當氮肥施用不足時,植株生長發育遲緩,矮小細弱,葉片顏色變淺,甚至發黃枯萎;當氮肥施用過量時,植株營養生長旺盛,容易造成貪青晚熟[3]。氮肥施用量不僅影響著煙草的生長發育,也會影響煙葉品質。煙草是葉用為主的經濟作物,煙葉中的氮素主要存在于蛋白質、煙堿等含氮化合物中,氮素用量直接影響煙葉煙堿、總氮等的含量,進而影響氮堿比值、糖堿比值等化學成分協調性的指標[4]。因此,在煙草生長發育過程中,實時掌握其體內的氮素含量情況,有利于及時調整施肥管理措施,精準調控煙葉氮含量,以滿足不同卷煙品牌對原材料煙葉風格需求。

傳統的作物體內氮素含量測定主要是以實驗室內化學分析方法為主,該方法分析步驟繁復、周期長,且需要專業人員操作[5]。已有學者提出利用多光譜及高光譜遙感設備進行作物養分含量估測的方法,但所需設備專業性強、費用較高,限制了其在生產實際中的應用規模[6-7]。大量研究指出,可見光區域是影響作物葉片氮含量的主要敏感光譜[8],而通用性強、性價比高、簡單便攜的數碼相機成為植物表型學最為廣泛使用的一種可見光光譜信息采集設備[9-10]。葉春等開展了基于水稻冠層圖像RGB顏色模型參數的氮素營養無損監測研究,發現早稻冠層圖像顏色參數與氮素營養指標間具有較高的關聯性,并以此構建了冠層顏色-氮元素含量監測模型[11];張玨等通過分析冠層RGB各顏色分量對甜菜葉片氮含量的表征力,明確了高相關表征甜菜氮素含量的顏色指標類型[12]。在現有數碼圖像葉色特征參數與作物氮素含量擬合的研究中,研究人員主要以RGB顏色模型的3個參數指標(R均值、G均值、B均值)及其組合參數(如紅光標準化值NRI、綠藍光比值參數GDR、綠藍光差值參數GMR等)作為自變量進行擬合模型的構建,但這些自變量參數沒有徹底解決傳統RGB顏色模型信息量少的問題[13],這在很大程度上限制了RGB顏色模型的應用,導致傳統葉色-氮素擬合模型效果較差。此外,也有部分學者引入了HSV顏色模型和Lab顏色模型,希望能夠豐富葉色特征參數,提升模型的精度[14-16]。Chen等在其研究中首次提出了葉片數碼圖像的色階分布呈現偏態性,并構建了RGB圖像紅(R)、綠(G)、藍(B)3個顏色通道及灰度(Y)圖像的均值、中位數、眾數、偏度、峰度等5類20個參數,擴展了RGB顏色模型的參數維度[17],讓研究人員可以從顏色深淺度、分布偏向度和色彩集中度3個維度更為精準地描述葉色狀態,部分研究人員已驗證了偏態參數對作物產量評估、SPAD值擬合、葉色-積溫反演中的促進作用[17-19]。

綜上所述,為了能夠更準確地利用葉片數碼圖像對煙草氮素進行定量描述,本研究以煙草鮮葉作為研究對象,在獲取標準的葉色圖像基礎上,提取葉片RGB、HSV、Lab顏色模型參數及RGB顏色模型偏態參數作為煙草葉片的特征參數,以此作為自變量,采用逐步回歸法、反向傳遞神經網絡(BPNN)法分別構建基于不同顏色模型參數的葉片氮含量擬合模型,并分析比較不同類型參數與建模方式對模型擬合優度及精度的影響,進而確定最優葉色-氮素擬合模型,為煙草葉片氮含量的無損估測提供方法借鑒。

1 材料與方法

1.1 供試品種

本研究供試煙草品種為云煙87,試驗田位于福建省長汀縣河田鎮南塘村(25°39′N,116°25′E),煙田土質為輕沙壤,肥力中等且均勻,排水順暢,煙株生育期內長勢良好、無病蟲害。于2018年12月15日進行播種,于2019年1月31日進行移栽。于2019年6月4日(煙苗移栽后125 d)12：30,選取試驗田內長勢一致、葉色一致、正常生長且葉面無病蟲害、無斑點、無傷殘、無損壞的煙株50株,分別摘取植株第4、第7、第10葉位(從上往下數)的葉片各50張。其中,每個葉位30張樣品用于分析及建模(合計n=90),另外20張用于驗證模型擬合精度(合計n=60)。采摘下來的鮮煙葉封裝后,送至室內進行圖像采集,離體時長小于5 min。

1.2 葉片圖像采集

用吸水紙將采集到的葉片表面泥土及水珠擦拭干凈,放入便攜式葉片圖像采集箱[20]中進行拍攝。攝像頭選用300萬像素USB工業攝像頭,所得數碼圖像尺寸為2 592×1 944,圖片格式為JPEG。所得圖像實時保存到工控電腦中。

1.3 葉片全氮含量測定

將完成圖像采集后的鮮葉放入80 ℃恒溫烘箱中烘干。將烘干后的樣品送至南京農業大學農業農村部作物生理生態與生產管理重點實驗室,并采用間斷式分析儀法進行葉片全氮含量元素測定。

全氮含量元素測定采用間斷式分析儀法,具體步驟如下：

(1)磨樣：采用粉碎機進行磨樣。

(2)稱樣：采用萬分之一天平稱取干樣0.1 g,置于消煮管內,確保樣品干燥、無破損。

(3)消煮：向消煮管內以注射器加8 mL濃H2SO4,過夜,用250 ℃煮0.5 h,350 ℃煮2 h,加H2O2溶液搖晃至澄清透明后,再用350 ℃煮1 h。

(4)轉移定容：稍冷后,用漏斗轉移至50 mL容量瓶,適當加水稀釋至30 mL左右,加2,4-二硝基酚指示劑(0.25 g/100 mL)1滴,搖勻后滴加4 mol/L濃度NaOH溶液至溶液轉為淡黃色,加水定容至50 mL。

(5)上機檢測：采用南京賽吉科技有限公司生產的Clever Chem380Plus 全自動間斷化學分析儀進行上機檢測。其中,稀釋液和配制標準溶液均采用超純水。

1.4 葉色特征參數提取

本研究中的葉色特征參數主要由RGB顏色模型正態參數、HSV顏色模型參數、Lab顏色模型參數及RGB顏色模型偏態參數4類組成[21-22],具體情況見表1。

表1 葉色特征參數及其提取方式

1.5 數據分析

1.5.1 相關分析 以本研究“1.1”節中的90個樣品為分析對象,使用R語言進行煙葉氮含量與其對應顏色特征參數的Pearson相關分析,雙尾檢驗顯著性水平α=0.05。

1.5.2 回歸模型構建 以本研究“1.1”節中的90個樣品為建模對象,使用SPSS軟件,將葉片氮含量作為因變量,將RGB顏色模型正態參數、HSV顏色模型參數、Lab顏色模型參數、RGB顏色模型偏態參數及三顏色模型混合參數分別作為自變量,采用逐步回歸建模方式構建線性模型F1～F5(表2)。

表2 不同參數體系葉片氮含量擬合模型

F1～F5模型設定參數Probability ofF-to-enter≤0.05,Probability ofF-to-remove≥0.10(即當回歸方程顯著性檢驗P≤0.05時,自變量移入回歸方程;當回歸方程顯著性檢驗P≥0.1時,自變量移出回歸方程[18])。同時,采用沈平等的方法[22]對備選回歸模型進行優選和最佳回歸模型表達式的確定。

1.5.3 反向傳遞神經網絡(BPNN)模型構建 BPNN模型的構建參照沈平等[22]、張佩等[18]的研究執行。以本研究“1.1”節中的90個樣品為建模對象,使用MATLAB軟件的神經網絡工具箱,以葉片N含量為輸出因子,以RGB顏色模型偏態參數及三顏色模型混合參數為輸入因子構建BPNN模型F6、F7(表1)。其中,網絡中間層神經元傳遞函數采用Logsig函數,輸出層神經元傳遞函數采用線性函數Purelin,訓練函數采用Trainlm。將80%數據用于模型訓練,20%數據用于預測驗證,20%數據用于模型測試。設置模型的收斂誤差為0.000 1,學習速率為0.05,最大訓練輪數為1 000。

1.6 模型擬合精度分析

運用F1～F7模型分別對建模樣品(n=90)及預測樣品(n=60)的葉片氮含量進行擬合,并分別計算每個樣品的擬合精度,取各樣品擬合精度均值作為擬合模型精度。公式如下：

其中,擬合精度小于0%的樣品標記為異常樣品。

2 結果與分析

2.1 葉色特征參數與葉片氮含量的相關分析結果

對提取的4類26個葉色特征參數與鮮煙葉氮含量分別做相關性分析,結果如表3所示。葉片氮含量與22個葉色特征參數呈現顯著相關,與B中位數、B眾數、Y峰度、a特征值無顯著性相關。其中,R偏度、R峰度、G偏度、B偏度、B峰度、Y偏度、H等7個葉色特征參數與葉片氮含量呈顯著正相關,說明這些參數值隨著葉片氮含量的增加而同步提高;其余15個葉色特征參數則與葉片氮含量呈顯著負相關,說明這些參數值隨著葉片氮含量的增加而同步降低。分顏色模型來看,在RGB顏色模型參數體系中,R、G通道及Y圖像的偏度與葉片氮含量相關性最高,B通道的峰度相關性最高,相關系數絕對值分別為0.463、0.503、0.276、0.486,說明氮素含量越高,葉片的R、G通道及Y圖像色階分布的偏向度越大,而B通道的色階集中度越高;在HSV顏色模型參數體系中,S特征值與葉片氮含量相關性最高,相關系數絕對值為0.486,說明葉片氮含量越多,圖像飽和度越低;在Lab顏色模型參數體系中,b特征值與葉片氮含量相關性最高,相關系數絕對值為0.480,說明葉片氮含量越高,其葉片越偏向藍色。綜上所述,葉色特征參數與葉片氮含量存在一定關聯性,而且這種關聯性不只是體現在顏色深淺程度上,也表現在顏色分布的偏向性和集中度上,故這些顯著相關的葉色特征參數為利用葉片圖像顏色信息進行鮮煙葉葉片氮含量無損估測模型的構建提供了可能。

表3 葉色特征參數與葉片氮含量的相關分析結果(n=90)

2.2 不同參數體系葉片氮含量擬合模型的構建

通過模型構建結果(表4)可以看出,在采用逐步回歸方式構建的模型F1～F5中,模型F1自變量為RGB顏色模型中的G通道均值(GMean),模型F2自變量為HSV顏色模型中的S,模型F3、F5自變量由Lab顏色模型中的a通道值及b通道值構成,模型F4自變量由RGB顏色模型中的G通道偏度(GSkewness)、R通道峰度(RKurtosis)及R通道眾數(RMode)構成;在采用BPNN方式建立的模型F6～F7中,基于RGB模型偏態參數構建的模型F6的最優BPNN組合為20-11-1,即輸入層因子數為20、隱含層因子數為11、輸出層因子數為1,基于三顏色模型混合參數構建的模型F7的最優BPNN組合為 9-11-1,即輸入層因子數為9、隱含層因子數為11、輸出層因子數為1,說明基于RGB模型偏態參數構建的模型信息量更豐富,分析的維度更廣。從模型的擬合優度來看,模型F1～F5中,基于RGB顏色模型偏態參數所建立的模型F4的決定系數R2為0.352,在回歸模型中R2中最大;模型F6～F7中,基于RGB顏色模型偏態參數所建立的模型F6的決定系數R2為0.419,在BPNN模型中R2中最大,說明相較于其他參數,葉色偏態參數與葉片氮含量之間的關系更加密切。由此可見,基于RGB顏色模型偏態參數所建立的模型包含更多的顏色信息,葉色偏態參數能夠更好地定量描述煙草葉片氮含量。此外,BPNN算法模型優于逐步回歸模型。

表4 不同參數體系葉片氮含量擬合模型(n=90)

2.3 不同參數體系葉片氮含量擬合模型的精度

通過對模型擬合精度的進一步分析(表5)可以看出,從參數體系來看,在回歸模型中,與其他顏色參數模型相比,基于葉色偏態參數建立的模型F4對葉片氮含量的擬合精度更高,相較于基于葉色正態參數建立的模型F1、混合參數的模型F5,模型F4對建模組氮含量的擬合精度提高了1.84%、2.09%,對預測組氮含量的擬合精度提高了4.96%、2.39%;在BPNN模型中,基于葉色偏態參數建立的模型F6相較于混合參數模型對建模組、預測組氮含量的擬合精度分別提高了4.16%、1.98%。從建模方式來看,在參數體系相同的情況下,使用BPNN方式建立的模型F6、F7,相比使用逐步回歸方式建立的模型F4、F5,對建模組氮含量的擬合精度提高了3.76%、1.69%,對預測組氮含量的擬合精度提高了1.45%、1.86%。綜合以上2個結果可以看出,采用RGB顏色模型偏態參數,且采用BPNN方式構建的葉片氮含量擬合模型的精度最高。

表5 不同參數體系葉片氮含量擬合模型精度

3 討論

煙草是我國重要的經濟作物之一,在煙草栽培過程中做到及時診斷體內含氮量、按需精準施用氮肥對于煙葉的產量和品質都具有重要的意義[25]。葉片是作物進行光合作用、氣體交換和水分蒸騰的重要器官,營養元素的盈虧直接影響作物葉片顏色,葉色特征值與營養元素含量之間具有較好的相關性[26],因此基于葉片圖像的顏色特征進行作物養分含量無損估測成為熱點和趨勢。不同葉齡的煙草葉片氮含量有所不同,并且能夠直觀反映在其葉色上[27-28],使其成為學者常用于研究的模式作物。在作物營養估測研究中,RGB、HSV、Lab等3種顏色模型參數經常被作為自變量進入葉色-氮素擬合模型中,但也有學者發現,RGB顏色模型偏態參數相較傳統顏色模型參數的擬合效果更好,精度更優[17]。基于此,本研究首先分析了RGB、HSV、Lab等3種顏色模型參數及RGB顏色模型偏態參數共計26個葉色特征參數與葉片氮含量的相關性,結果表明,大部分特征參數與葉片氮含量具有顯著或極顯著相關,這為使用葉色特征參數建立鮮煙葉片氮含量無損擬合模型提供了思路。本研究進一步比較了不同建模方式、不同參數體系下7種模型的擬合精度,發現在相同建模方式下,使用RGB顏色模型偏態參數建立的模型F4、F6較基于其他參數構建的模型R2值更大、擬合精度更高,這可能與偏態參數包含更豐富的葉片圖像顏色信息有關,能夠從顏色深淺度、分布偏向度性和色階集中3個維度全面、系統地描述葉色。另外,相同參數體系下,使用BPNN建模方式建立的模型F6、F7相比使用逐步回歸建模方式建立的模型F4、F5的R2值更大、擬合精度更高、擬合效果更好,這可能是與BPNN本身強大的非線性映射能力有關。通過對建模組、預測組的模型擬合精度結果分析后發現,采用RGB顏色模型偏態參數且采用BPNN方式構建的葉片氮含量擬合模型的精度最高,其對建模組90個樣本的擬合精度達82.73%,對預測組60個樣本的擬合精度達82.57%。

4 結論

作物葉片顏色與氮含量密切相關,本研究基于RGB顏色模型正態參數、HSV顏色模型參數、Lab顏色模型參數及RGB顏色模型偏態參數等4類葉色特征參數,采用逐步回歸及BPNN等2種方法分別構建了葉色-葉片氮含量擬合研究,并比較其擬合效果,結果如下：

(1)RGB顏色模型參數、HSV顏色模型參數、Lab顏色模型參數及RGB顏色模型偏態參數等葉色特征參數與葉片氮含量具有顯著或極顯著相關,這些參數可很好地表征葉片氮含量。

(2)在相同建模方法下,利用RGB顏色模型偏態參數與葉片氮含量構建的擬合模型決定系數R2最大,模型擬合精度最高,擬合效果最佳。而使用BPNN法構建葉色-葉片氮含量擬合模型優于逐步回歸法。

綜上所述,采用RGB顏色模型偏態參數作為自變量,且使用BPNN方式構建的葉色-葉片氮含量擬合模型為最佳模型,整體表現最優。