基于Lab顏色空間的小麥成熟度監測模型研究

趙巧麗　臧賀藏　李國強　張杰　王猛　趙威　鄭國清

摘要：為快速、準確監測小麥成熟度，合理制訂收割時間，本研究以不同品種小麥為研究對象，在灌漿中后期獲取試驗區無人機RGB影像和多光譜影像。對RGB圖像進行Lab空間轉換，提取a分量值，分析小麥籽粒形成期、乳熟期、蠟熟末期、籽粒形成期倒伏和乳熟期倒伏不同狀態下小麥a值的變化特征，對小麥從籽粒形成期到乳熟期的a值進行歸一化處理，構建成熟度監測指標MCI。通過多光譜影像分析不同成熟度小麥的光譜特征變化規律，基于優選波段特征，選用比值植被指數（RVI）和歸一化植被指數（NDVI）分別作為反演MCI的自變量，構建小麥成熟度監測模型。結果表明，基于NDVI構建的小麥成熟度監測模型的決定系數為0.718 7，擬合效果良好。研究采用2021年和2022年RGB影像和多光譜影像對小麥成熟度監測模型進行了驗證，MCI預測值和參考值的均方根誤差（RMSE）2021年為 0.029 8，2022年為0.040 5，驗證結果表明通過構建的小麥成熟度監測模型反演小麥成熟度空間分布是可行的。研究結果可為高空遙感大范圍監測小麥成熟度，確定小麥適收順序提供依據。

關鍵詞：無人機；小麥；成熟度；監測；RGB影像；多光譜影像

中圖分類號：S126文獻標志碼：A

文章編號：1002-1302（2023）21-0194-06

小麥收獲是小麥生產過程中的一個關鍵環節。小麥適收期短，成熟度掌握不當，過早過晚收獲都會嚴重影響小麥產量和品質。精準監測小麥成熟度，合理調配機收設備，適時收獲，是精準農業研究的重要內容。

作物成熟度監測主要通過遙感技術實現，一類方法是通過時序監測作物生育期［1-3］，確定成熟期。其次通過遙感數據量化作物成熟特征相關參數，如水分等，進而實現成熟度評估［2-5］。但是遙感影像受大氣、云層等影響，容易造成預測結果誤差偏大，對于精準預測收獲時間節點難以保證精度。杜穎采用地面設備采集小麥灌漿期麥穗數碼圖像和熱紅外圖像，基于顏色衰老指數初步評價小麥成熟情況；基于熱紅外圖像提取溫度特征表征小麥籽粒含水量，對其歸一化計算后作為小麥成熟度指標，量化評價不同水處理下小麥成熟度，以籽粒含水量為中間值建模反演小麥花后天數，為動態監測小麥灌漿進程提供監測思路［6］。隨著無人機遙感的廣泛應用，周立鳴等利用消費級無人機搭載數碼相機，分析了水稻的千粒質量、淀粉含量等長勢信息與顏色指數之間的關系，研究了無人機監測水稻成熟度的可行性［7］。關于遙感實時監測小麥成熟度的研究還不多見。顏色特征是小麥成熟過程中的重要形態特征，小麥成熟過程也是顏色褪綠的過程。Lab顏色模式以數字化方式描述人的視覺感應，與設備無關，評估顏色變化更為客觀。本研究基于Lab顏色空間，對小麥成熟過程的顏色變化進行量化，構建小麥成熟度監測指標。基于植被指數構建監測指標的反演模型，旨在為高空遙感大范圍監測小麥成熟度空間分布差異，確定適收期順序提供依據。

1 材料與方法

1.1 研究區概況

試驗區位于河南省新鄉市原陽縣現代農業開發基地（35°0′44″ N，113°41′44″ E），海拔78.9 m。地處中緯度地帶，屬暖溫帶大陸性季風氣候。夏季炎熱多雨，冬季寒冷干燥，春季干燥多風，秋季冷熱適宜。作物種植制度1年2熟，種植的農作物主要是冬小麥和夏玉米。冬小麥一般10月1日左右播種，翌年5月底收獲。試驗區屬于小麥區域試驗的一部分，共種植82個品種（系）小麥，品種小區和對照小區總數共計540個。試驗區域長158 m，寬 57 m，研究區位置見圖1。

1.2 數據獲取

1.2.1 影像數據獲取 分別于2020年5月15日、2021年5月22日和2022年5月20日采集了同一試驗區小麥RGB影像和多光譜影像。RGB影像采用大疆精靈4 Pro無人機，1英寸（13.2 mm×8.8 mm）CMOS傳感器，2 000萬有效像素。多光譜影像采用八旋翼無人機，多光譜相機包括藍（475 nm，帶寬20 nm）、綠（560 nm，帶寬20 nm）、紅（668 nm，帶寬10 nm）、紅邊（717 nm，帶寬10 nm）、近紅外（840 nm，帶寬40 nm）5個波段，數碼相機和多光譜相機主要參數見表1。試驗設計飛行高度 50 m，航向重疊度為80%，旁向重疊度為80%，試驗區規劃4條航線。拍攝當天，天氣晴朗，無風，滿足航拍要求。

1.2.2 小麥成熟度調查 無人機獲取影像時，同步調查了試驗區各品種小麥的成熟度，調查標準按籽粒形成期、乳熟期、蠟熟末期判斷。

籽粒形成期：植株全綠色，麥粒外形基本形成，籽粒呈綠色，含水量達70%以上。乳熟期：植株下部葉片、葉鞘枯黃，中部葉片也開始變黃，上部葉、莖、穗仍保持綠色，麥粒呈現綠色，含水量為50%以上。

蠟熟末期：植株變黃，僅葉鞘莖部略帶綠色，莖稈仍有彈性，籽粒黃色稍硬，內含物呈蠟狀，含水率為20%～25%。

1.3 研究方法

1.3.1 數據預處理 采用Pix4D mapper軟件對獲取的小麥RGB影像和多光譜影像進行正射校正和圖像拼接。首先進行航片對齊，并計算航片的空中三角測量數據，然后根據自動空三和區域網平差技術，自動校準影像，最終獲取數字正射影像。

1.3.2 小麥不同成熟度樣區選擇 依據成熟度調查結果，兼顧品種多樣化，便于選擇受品種影響小的顏色特征，提高模型的適用性。根據試驗區狀況，除確定特征典型的籽粒形成期、乳熟期和蠟熟末期的樣區外，試驗區域內倒伏發生較多，增加了籽粒形成期倒伏、乳熟期倒伏2類代表性小區。由于蠟熟末期小麥倒伏與否，顏色特征不受影響，不再單獨分類。每個樣區包括5個小區。樣區分布情況見圖2。

1.3.3 不同成熟度小麥顏色模式轉換及顏色特征值提取 Lab色域廣，RGB轉換為Lab顏色模式，不會丟失任何顏色信息。Lab顏色模式中，L代表明暗度；a代表紅綠色，取值范圍為-128～127，負值代表綠色，正值代表紅色；b代表黃藍色，取值范圍 -128～127，負值代表藍色，正值代表黃色。

RGB與Lab顏色空間轉換公式如下：

1.3.4 小麥成熟度監測模型構建 以適宜收獲的蠟熟末期的顏色特征值為成熟度上限，籽粒形成期及以前生育階段的顏色特征值為成熟度下限，對籽粒形成期到蠟熟末期的顏色特征值進行線性歸一化，構建成熟度監測指標。線性歸一化公式如下：

式中：x為籽粒形成期到蠟熟末期任一時間的顏色特征值；min（x）為籽粒形成期的顏色特征值；max（x） 為蠟熟末期的顏色特征值；X′為成熟度監測指標。

1.3.5 光譜特征選擇 分別計算多光譜影像數據中5類樣區各波段的反射率均值，繪制每個類別的光譜反射率曲線，統計5類樣區在各波段上反射率的平均差異，選擇平均差異大的波段作為構建植被指數的優選波段。

1.3.6 成熟度監測模型構建 基于優選波段，選擇2種對顏色變化敏感的植被指數。在Arcgis軟件中，對多光譜影像數據和RGB影像數據進行配準，保證數據的空間一致性。以RGB影像為底圖繪制試驗小區圖。通過分區統計提取試驗小區的2種植被指數平均值。分析2種植被指數與成熟度監測指標的相關性，構建小麥成熟度監測模型。

1.3.7 模型評價 采用決定系數（r2）、均方根誤差（RMSE）進行精度評價，決定系數越大，RMSE越小，模型的準確性越高。

2 結果與分析

2.1 不同成熟度小麥顏色特征分析

小麥籽粒形成期、乳熟期、蠟熟末期、籽粒形成期倒伏和乳熟期倒伏的b值變化不明顯，a分量頻數統計結果見圖3。同一時間不同成熟度小麥，籽粒形成期的a值在-10處有1個明顯峰值，乳熟期的a值頻數分布出現2個峰值，分別在-6和-2。蠟熟末期的a值在-3處有1個明顯峰值。隨著成熟進程的推進，a值波峰位置逐漸向0移動，表明植株綠色特征在逐漸消失。乳熟期和蠟熟末期在-2和-3處各有1個峰值，但是蠟熟末期的頻數高于乳熟期，且蠟熟末期在正值方向開始出現紅色波峰。表明a值的變化可以反映不同小麥成熟度在顏色特征上的差異。

倒伏狀態下，a值頻數分布在籽粒形成期和乳熟期沒有明顯的峰，籽粒形成期在-18～-13間以及蠟熟末期在-10～-6間頻數分布差距較小，但是隨著成熟度推進，頻數最高的a值向正值方向移動的趨勢沒有改變。主要原因在于倒伏發生后，葉片背面顏色、植株莖稈顏色和葉片正面顏色均成為影響a值頻數分布峰值的主要因素。但是無論小麥正常狀態還是倒伏狀態，a值的變化均可以表征小麥的成熟度差異。

2.2 小麥成熟度監測指標構建

以a值為顏色特征構建小麥成熟度監測指標。蠟熟末期小麥植株莖葉全黃時的a值作為成熟度上限，小麥籽粒形成期莖葉全綠時的a值作為成熟度下限。對a值進行線性歸一化，構建成熟度監測指標MCI。MCI公式為

式中：amax為植株莖葉全黃時的a值，取值39，amin為植株灌漿期莖葉全綠時的a值，取值-32。MCI=0，代表小麥處于籽粒形成期及以前生育階段；MCI=1，代表小麥處于蠟熟末期，適于收獲。

2.3 不同成熟度小麥光譜特征分析

小麥籽粒形成期、乳熟期、蠟熟末期、籽粒形成期倒伏和乳熟期倒伏5種狀態下的光譜反射率變化特征見圖4。正常生長狀態下，小麥從籽粒形成期、乳熟期到乳熟末期，隨著成熟度推進，紅光、藍光波段反射率逐漸上升，其中紅光波段反射率變化大于藍光波段，在可見光波段內，光譜特性受葉綠素影響較大，葉綠素吸收紅光和藍光較多。成熟度逐漸升高，葉綠素含量逐漸下降，紅光、藍光吸收率隨之下降；近紅外波段反射率逐漸下降，近紅外波段反射率主要與葉片內部結構有關，不同成熟度下小麥葉片由綠變黃，葉片結構變化較大，近紅外波段反射差異大于紅光波段反射差異。倒伏狀態下，籽粒形成期和乳熟期在紅光、藍光和近紅外波段的反射變化規律一致，但是由于倒伏發生后，冠層葉片背部面積增加，葉片背面葉綠素含量低于葉片正面，因此，相同成熟度小麥，倒伏狀態下的紅光、藍光反射率高于正常狀態；籽粒形成期倒伏狀態的紅光、藍光反射率低于乳熟期倒伏。葉片背部內部結構與葉片內部也有很大不同，且倒伏狀態下葉片背部面積遠大于正常狀態，近紅外波段反射差異明顯高于正常狀態。

2.4 小麥成熟度監測模型構建

選擇不同成熟度光譜反射率平均差異大的紅光和近紅外波段作為植被指數的優選波段。在常用植被指數中，包含紅光和近紅外的波段的植被指數中，比值植被指數（RVI，RVI=NIR/RED）與葉綠素含量相關性高，是綠色植物的靈敏指示參數［8］。歸一化植被指數［NDVI，NDVI=（NIR-RED）/（NIR+RED）］是公認的表征植被變化最有效的參數之一，可較好地反映植被綠度變化［8］。分別以RVI、NDVI為自變量，MCI為因變量，構建小麥成熟度監測模型。基于RVI構建的成熟度監測模型決定系數r2為0.475 8（圖5），預測精度較低。基于NDVI構建的成熟度監測模型決定系數r2為0.718 7，擬合一致性高，其監測模型為y=-0.337 8x+0.936 1（圖6）。

2.5 模型預測結果及驗證

采用2021年、2022年小麥RGB影像和多光譜影像對成熟度監測模型的預測結果進行驗證。2021年、2022年小麥RGB影像見圖7-a、圖7-c。提取2021年、2022年多光譜影像的NDVI，采用成熟度監測模型預測小麥成熟度，MCI預測結果的空間分布見圖7-b、圖7-d。基于2021年、2022年RGB影像提取MCI，作為模型評價的參考值。為便于定量驗證模型，以小區矢量圖疊加MCI參考值圖層、MCI預測結果圖層，提取540個小區的MCI參考值和預測值的小區平均值。計算MCI預測值和參考值的均方根誤差（RMSE），2021年RMSE為0.029 8，2022年RMSE為0.040 5，預測精度較高。

3 討論與結論

本研究以不同成熟度小麥為研究對象，采用Lab顏色空間的a分量作為小麥成熟度變化的特征值，對籽粒形成期到蠟熟末期的a值進行歸一化處理，構建了小麥成熟度監測指標。分析了成熟度監測指標與RVI、NDVI的相關性，構建了小麥成熟度監測模型。用2021年和2022年同一試驗區小麥影像數據對小麥成熟度監測模型進行了驗證，2021年MCI預測值與參考值的均方根誤差（RMSE）為0.029 8，2022年RMSE為0.040 5，表明構建的小麥成熟度監測模型監測小麥成熟度空間分布是可行的，研究結果可為高空遙感大范圍監測小麥成熟度空間分布，確定小麥適收順序提供依據。

Lab顏色空間在病害區域提取［9-10］，作物田間信息提取［11-13］上已有較多應用研究。有研究表明，a分量對不同成熟度小麥褪綠顏色變化反應敏感，這與符運陽等研究的a分量能很好地反映植物病害葉片褪綠的顏色狀態的結論［9］類似。

小麥成熟度監測目的主要是為了合理制訂收割計劃，盡可能保證小麥適時收獲。無人機雖然使用靈活方便，但是受續航時間、飛行高度等的影響，在大范圍應用時受到一定的限制。本研究將小麥成熟度和植被指數關聯 未來可通過高空遙感獲取的植被指數圖像反演小麥成熟度空間差異，為合理制訂收割順序提供依據。

隨著大數據時代的到來，圖像識別技術逐漸成為人工智能研究領域的熱點。基于圖像的采收成熟度識別在經濟作物（如水果、蔬菜、烤煙等）上均有較多研究［14-20］。梁帆等基于神經網絡對油菜的成熟度等級進行了測定［21］；汪睿琪等基于YOLO v5構建了鮮煙葉成熟度識別模型，對于與背景顏色差異較大的目標果實，利用顏色特征提取圖像中的目標果實區域是較為簡單的方法［22］。本研究基于Lab顏色特征對小麥不同成熟度顏色變化進行量化，構建小麥成熟度監測指標，用于小麥成熟度監測。成熟度監測指標不受地區環境、品種特性、栽培條件等的影響，具有廣泛的適用性。此外，區域試驗中小麥品種較多，成熟度差異明顯，顏色豐富，為成熟度監測模型構建提供了大樣本，模型普適性更好。

當下人工智能發展迅速，深度學習是其中最有影響的關鍵技術。深度學習的特征提取效果能充分表征目標的本質屬性，避免人為對目標的底層視覺特征的主觀判斷，在目標識別上具有很大的優異性［23］。未來可結合深度學習的方法獲取顏色特征，考慮更多的顏色特征信息，提高識別精確度。

參考文獻：

［1］黃健熙，牛文豪，馬鴻元，等. 衛星遙感和積溫-輻射模型預測區域冬小麥成熟期［J］. 農業工程學報，2016，32（7）：152-157.

［2］Sakamoto T，Yokozawa M，Toritani H，et al. A crop phenology detection method using time-series MODIS data［J］. Remote Sensing of Environment，2005，96（3/4）：366-374.

［3］蒙繼華，吳炳方. 基于衛星遙感預測作物成熟期的可行性分析［J］. 遙感技術與應用，2013，28（2）：165-173.

［4］蒙繼華，吳炳方，杜 鑫，等. 基于HJ-1A/1B數據的冬小麥成熟期遙感預測［J］. 農業工程學報，2011，27（3）：225-230.

［5］Han-ya I，Ishii K，Noguchi N. Acquisition and analysis of wheat growth information using satellite and aerial vehicle imageries［C］//China Agricultural University，China National Engineering Research Center for Information Technology in Agriculture，Asian Conference on Precision Agriculture，International Federation for Information Processing Luxemburg. Proceedings of the Joint International Agricultural Conference. Beijing，2009：84-89.

［6］杜 穎. 基于多源遙感數據的冬小麥灌漿進程及成熟度監測研究［D］. 揚州：揚州大學，2019.

［7］周立鳴，邵小龍，徐 文. 基于消費級無人機監測水稻成熟度研究［J］. 糧食科技與經濟，2019，44（12）：44-48.

［8］梁博明，劉 新，郝媛媛，等. 基于5種植被指數的荒漠區植被生物量提取研究［J］. 干旱區研究，2023，40（4）：647-654.

［9］符運陽，郭勝娜，王 兵，等. 基于LAB顏色空間的植物病變區域提取［J］. 電子世界，2017（20）：105-106.

［10］許高建，沈 杰，徐浩宇. 基于Lab顏色空間下的小麥赤霉病圖像分割［J］. 中國農業大學學報，2021，26（10）：149-156.

［11］牛亞曉，張立元，韓文霆. 基于Lab顏色空間的棉花覆蓋度提取方法研究［J］. 農業機械學報，2018，49（10）：240-249.

［12］張秀麗，周湘銘，趙任重，等. 基于3種不同顏色空間的作物行提取方法比較研究［J］. 江蘇農業科學，2023，51（10）：211-219.

［13］曹英麗，林明童，郭忠輝，等. 基于Lab顏色空間的非監督GMM水稻無人機圖像分割［J］. 農業機械學報，2021，52（1）：162-169.

［14］黨 淼，庫祥臣. 基于ARM的杏果成熟度檢測和體積估計系統研究［J］. 農機化研究，2021，43（5）：230-234.

［15］李天華，孫 萌，丁小明，等. 基于YOLO v4+HSV的成熟期番茄識別方法［J］. 農業工程學報，2021，37（21）：183-190.

［16］劉劍君，楊鐵釗，朱寶川，等. 基于數字圖像數據的烤煙成熟度指數研究［J］. 中國煙草學報，2013，19（3）：61-66.

［17］劉曉洋，趙德安，賈偉寬，等. 基于超像素特征的蘋果采摘機器人果實分割方法［J］. 農業機械學報，2019，50（11）：15-23.

［18］路曉崇，楊 超，王松峰，等. 基于圖像分析技術的烤煙上部葉采收成熟度判別［J］. 煙草科技，2021，54（5）：31-37.

［19］王 菁，范曉飛，趙智慧，等. 基于YOLO算法的不同品種棗自然環境下成熟度識別［J］. 中國農機化學報，2022，43（11）：165-171.

［20］馮俊惠，李志偉，戎有麗，等. 基于改進Hough圓變換算法的成熟番茄果實識別［J］. 中國農機化學報，2021，42（4）：190-196.

［21］梁 帆，楊莉莉，崔世鋼，等. 基于神經網絡的油菜成熟度等級視覺檢測方法［J］. 江蘇農業科學，2015，43（8）：403-405.

［22］汪睿琪，張炳輝，顧 鋼，等. 基于YOLO v5的鮮煙葉成熟度識別模型研究［J］. 中國煙草學報，2023，29（2）：46-55.

［23］LeCun Y，Bengio Y，Hinton G.Deep learning［J］. Nature，2015，521（7553）：436-444.

收稿日期：2023-03-31

基金項目：國家重點研發計劃（編號：2022YFD2001005）；河南省科技攻關項目（編號：222102110142、232102110295）；中央引導地方項目（編號：Z20221341073）；河南省重大科技專項（編號：221100110800）；河南省農業科學院科技創新團隊項目（編號：2023TD10）。

作者簡介：趙巧麗（1982—），女，河南林州人，碩士，助理研究員，從事農業信息技術研究。E-mail：zhaoqiaoli1009@163.com。

通信作者：臧賀藏，博士，副研究員，從事農業信息技術研究，E-mail：zanghecang@163.com；李國強，博士，研究員，從事農業信息技術研究，E-mail：gqli@hnagri.org.cn。