基于RGB模型的草莓葉片光合作用指標估測

樊小雪 李德翠 李遠 任妮

摘要：為了研究基于圖像紅（R）、綠（G）、藍（B）顏色參數和葉片SPAD值預測光合作用指標的可行性，以草莓葉片為試驗材料，構建多元線性回歸模型和反向傳播（BP）神經網絡模型，對葉片蒸騰速率、氣孔導度、凈光合速率、胞間CO2濃度進行估測，并對其精度進行評價和驗證。結果表明，基于BP神經網絡模型，使用圖像RGB顏色參數和SPAD值對葉片蒸騰速率進行預測的效果較好，其次是氣孔導度。BP神經網絡模型的估測精度高于多元線性回歸模型，蒸騰速率、氣孔導度、凈光合速率和胞間CO2濃度的模型預測準確率分別達到91.5%、83.3%、74.4%和71.5%。BP神經網絡的蒸騰速率模型、氣孔導度模型的決定系數（R2）分別為0.922 2、0.842 3，均方根誤差（RMSE）分別為0.000 2、0.025 9，平均絕對誤差（MAE）分別為0.000 1、0.000 6。由結果可知，通過數碼相機采集圖像，并構建RGB模型，可簡易快速估測草莓葉片蒸騰速率、氣孔導度，能用于生產中草莓光合指標的估測。

關鍵詞：草莓葉片；RGB模型；光合指標；反向傳播（BP）神經網絡模型

中圖分類號：S668.401文獻標識碼：A文章編號：1000-4440（2024）04-0675-07

Estimation of photosynthetic indexes in strawberry leaves based on RGB model

FAN Xiao-xue1，2，LI De-cui1，2，LI Yuan1，2，REN Ni1，2

（1.Institute of Agricultural Information， Jiangsu Academy of Agricultural Sciences， Nanjing 210014， China；2.Key Laboratory of Smart Agricultural Technology （Yangtze River Delta）， Ministry of Agriculture and Rural Affairs， Nanjing 210014， China）

Abstract：In order to explore the feasibility of using RGB image feature and SPAD value in photosynthetic indexes prediction， strawberry leaves were selected as experimental materials in this study. Multiple linear regression model and back propagation （BP） neural network model were constructed to estimate leaf transpiration rate， stomatal conductance， net photosynthetic rate and intercellular CO2 concentration， and their accuracy was evaluated and verified. The results showed that the prediction of leaf transpiration rate by using RGB color parameters and SPAD values based on BP neural network model was better， followed by stomatal conductance. The estimation accuracy of BP neural network model was higher than that of multiple linear regression model， and the prediction accuracy of transpiration rate， stomatal conductance， net photosynthetic rate and intercellular CO2 concentration reached 91.5%， 83.3%， 74.4% and 71.5%， respectively. The determination coefficients （R2） of transpiration rate model and stomatal conductance model based on BP neural network were 0.922 2 and 0.842 3， the root mean square errors （RMSE） were 0.000 2 and 0.025 9， and the mean absolute errors （MAE） were 0.000 1 and 0.000 6， respectively. Therefore， the transpiration rate and stomatal conductance of strawberry leaves can be easily and quickly estimated by using digital camera to collect images and construct RGB model， which can be used to predict photosynthetic indexes of strawberry in production.

Key words：strawberry leaves；RGB model；photosynthetic index；back propagation （BP） neural network model

光合作用是植物最重要的生命活動，目前獲得植物葉片光合作用指標的主要方式是使用精密儀器——光合儀，大部分為美國LI-COR公司生產的LI-6400、LI-6800儀器。通過儀器測量可獲得葉片的蒸騰速率、氣孔導度、凈光合速率和胞間CO2濃度4個指標作為反映植物葉片光合能力的重要指標。目前，在作物規模化生產中，對于植物生長狀態的快速診斷需求日益增加[1-8]。因此，探索簡便易行、快速高效的作物生長狀態測定方法是當前的研究趨勢。

近年來，隨著數字圖像處理技術的飛速發展，數碼相機作為便捷快速的工具逐漸在雜草識別、作物葉綠素含量監測、作物營養監測、農產品自動分級、逆境脅迫程度估測、病蟲害監測等農業信息領域得到廣泛應用[1-8]。其中，以通過圖像紅（R）、綠（G）、藍（B）顏色特征值進行無損估測作物葉綠素含量的研究較為廣泛。植物葉片中葉綠素的顯現與可見光紅、綠、藍顏色參數密切相關，與數碼相機紅、綠、藍3個顏色通道的色階數值相對應。前人在對番茄[9-10]、大豆[11]、烤煙[12]、棉花[13]、油菜[14]、水稻[15]、馬鈴薯[16]、蘋果[17]、各種樹木[3，18]的研究中，提取作物樣本葉片顏色特征RGB參數，通過運算組合構造RGB顏色特征參數并與葉綠素含量或SPAD值構建一元或者多元回歸模型、反向傳播（BP）神經網絡模型、向量機回歸模型等，進一步實現了對植物葉片葉綠素含量或葉片SPAD值的預測。研究發現，通過數碼相機采集圖像后，基于RGB顏色參數構建葉綠素預測模型的可行性高、準確度佳，可快速預測作物葉片的葉綠素含量。葉片的葉綠素含量或者SPAD值與植物光合作用指標密切相關，因此通過提取圖像RGB顏色參數預測葉片光合作用具有較高可行性。

本研究擬以數碼相機為工具，通過圖像視覺分析技術分析草莓葉片圖像顏色特征參數與植株光合氣體交換參數之間的相關性，篩選出敏感的顏色特征，并對蒸騰速率、氣孔導度、凈光合速率和胞間CO2濃度與顏色特征參數進行模擬預測，構建適合分析葉片光合作用指標的估算模型，以期為準確、快速、低成本檢測草莓光合作用指標提供科學依據。

1材料與方法

1.1材料準備

本研究所用草莓（Lycopersicon esculentum Mill.）品種為江蘇省農業科學院草莓創新團隊提供的寧玉。試驗于2022年2-5月在江蘇省農業科學院智能科研溫室中進行，使用椰糠條作為栽培基質（品牌COIRPLUS），椰糠條尺寸為100 cm×20 cm×10 cm，粒徑6～10 mm。灌溉使用水肥一體機進行，營養液使用德沃多草莓專用液體肥料，電導率為1.0 mS/cm，pH值為5.5～6.5，根據天氣情況每天灌溉3～4次，每次10 min。本研究選取長勢一致、葉片數7～8張的健壯草莓苗進行數據采集。

1.2光合作用指標的測定

草莓葉片的蒸騰速率、氣孔導度、凈光合速率和胞間CO2 濃度使用便攜式光合作用系統LI-6800（LI-COR Inc.，美國）進行測定。試驗選取晴天的上午進行，避開11：00-14：00光合午休時間。在測量過程中，葉室參數設置參考溫室內環境參數，光照度、溫度、相對濕度、二氧化碳濃度分別設置為 400 mol/（m2·s）、25 ℃、65%、300 μmol/mol。

1.3圖像采集

在本試驗中，采集25個樣品作為重復。將標記的25張草莓葉片平鋪在背景灰板上，在自然光照下，采用自然曝光模式，用普通數碼相機（EOS600D Canon）拍攝葉片圖像。相機設置為光圈優先模式，相機鏡頭呈90°垂直距葉片50 cm，關閉相機閃光燈，采用近拍模式。每次拍攝前用18%灰卡紙（Mennon）作為背景，預處理時對不同樣品的圖像進行曝光度校正。圖像分辨率為3 072×4 096像素，圖像以JPG格式儲存并傳輸至計算機[5，8]。

1.4圖像處理與數據分析

本研究使用Photoshop CS6（Adobe System，Inc.）軟件處理圖像。首先去除草莓葉片圖像背景，剪裁掉葉柄，只保留葉片主體部分。然后利用Photoshop CS6軟件的直方圖中提取葉片圖像的紅光值（R）、綠光值（G）和藍光值（B），根據原始參數進行數據歸一化處理，得到24種相關參數（表1）[3，19-20]。

1.5模型的構建與精度檢驗

1.5.1多元線性回歸模型使用IBM SPSS 22（Chicago，Illinois，USA）構建模型。經過數據處理得到24個顏色特征參數，加上SPAD值共25個模型因子。用多元線性回歸分析對草莓葉片的4個光合指標建立預測模型。通過Pearson相關性分析獲得與光合指標顯著相關的多個敏感指標，并進行多元線性回歸擬合，最終獲得最優建模方程。試驗共測定25組樣本，其中建模樣本15組，驗證樣本10組。

1.5.2BP神經網絡模型的構建使用SPSS model 18.0（Chicago，IL，USA）中的神經網絡模塊，神經網絡包含1個輸入層、1個輸出層和1個隱含層。構建神經網絡模型時使用與回歸模型相同的25個因子作為輸入層變量，以蒸騰速率、氣孔導度、凈光合速率和胞間CO2 濃度4個指標作為輸出層變量。構建BP神經網絡模型所用輸入設置參數如表2所示。

1.5.3模型預測精度的驗證BP神經網絡模型的準確率通過SPSS model 18.0計算獲得。采用均方根誤差（RMSE）、決定系數（R2）和平均絕對誤差（MAE）對模型進行檢驗。RMSE越小，R2越接近1，模型的預測精度越高，反之亦然。RMSE、R2、MAE的計算公式如下[21]：

RMSE=∑Ni=1（Pi-Oi）2N

式中，Pi為模擬值；Oi為對應的實測值；N為樣本量。

R2=1-∑ni=1（Oi-Pi）2∑ni=1（Oi-Oi）2

式中，n為測試樣本個數；Pi為模擬值；Oi為實測值；Oi為測量值的平均值。

MAE=1n∑ni=1Oi-Pi

式中，n為測試樣本個數；Pi為模擬值；Oi為實測值。

2結果與分析

2.1RGB顏色參數與蒸騰速率的相關性分析

將草莓葉片圖像的R、G、B通道值進行組合計算，以得到的顏色參數與葉片葉綠素SPAD值作為模型因子，將25個因子分別與蒸騰速率、氣孔導度、凈光合速率、胞間CO2濃度進行Pearson相關性分析。由表3可知，蒸騰速率與G/B、（G-B）/（G+B）參數具有顯著相關性（P<0.05），與G/R、標準綠光值（NGI）的相關性達到極顯著水平（P<0.01）；氣孔導度與G/R、NGI具有顯著相關性（P<0.05）；胞間CO2濃度與（R-B）/（R+G+B）、（R-G-B）/（R+B）具有顯著相關性（P<0.05），與標準紅光值（NRI）、（R-G-B）/（B+G）、G-1的相關性達到極顯著水平（P<0.01）。未發現與凈光合速率具有顯著或極顯著相關性的顏色參數。

2.2光合作用指標多元線性回歸模型的構建

使用草莓葉片圖像提取的24個RGB特征參數和SPAD值，與光合作用指標（蒸騰速率、氣孔導度、凈光合速率、胞間CO2濃度）構建多元線性回歸模型。模型輸入因子選擇SPAD值以及Pearson相關系數較高且具有顯著性的顏色指標。由于凈光合速率與選擇的顏色參數間沒有具有顯著相關性，因此模型輸入因子為全部變量。如表4所示，蒸騰速率、氣孔導度、凈光合速率、胞間CO2濃度4個多元線性回歸模型的R2分別為0.661、0.280、0.474、0.466，其中蒸騰速率、凈光合速率和胞間CO2濃度模型決定系數在0.05水平上顯著（P<0.05）。在構建的4個多元線性回歸模型中，氣孔導度、凈光合速率和胞間CO2濃度預測模型的R2低于0.500，說明自變量無法較好地解釋因變量變化，回歸方程擬合度較差。由此可見，用葉片顏色特征參數來預測葉片光合速率具有一定可行性，但是模型準確度還需要進一步優化。

2.3光合作用指標BP神經網絡模型的構建

經過輸入因子和模型參數優化后，對于不同目標變量而言，每個模型的最佳輸入變量、訓練集和測試集的比例、隱含層神經元數量見表2。在構建蒸騰速率、凈光合速率模型時，將所有變量作為輸入因子，模型的準確率較高；在構建氣孔導度模型時，將刪除R-1、G-1、B-1的全部變量作為輸入因子，模型的準確率較高。由圖1可以看出，使用BP神經網絡模型對蒸騰速率、氣孔導度、凈光合速率和胞間CO2濃度進行建模的準確率較高，準確率分別達到91.5%、83.3%、74.4%和71.5%。由此可見，BP神經網絡設置的隱含層能夠不斷修改各層神經元的連接權值，因此訓練出的神經網絡模型模擬效果較好。

2.4BP神經網絡模型性能的驗證

為進一步驗證數碼相機圖像對草莓葉片光合指標預測的可行性，本研究對BP神經網絡模型性能進行檢驗。由圖2可以看出，采用RMSE、R2、MAE對模型擬合度進行驗證，模型擬合度排序為蒸騰速率>氣孔導度>凈光合速率>胞間CO2濃度。蒸騰速率模型的R2、RMSE、MAE分別為0.922 2、0.000 2、0.000 1，擬合度較高。其次是氣孔導度模型，R2、RMSE、MAE分別為0.842 3、0.025 9、0.000 6。凈光合速率模型的R2為0.745 8，RMSE、MAE偏大，分別為2.365 9、0.820 7。胞間CO2濃度模型的R2為0.736 6，RMSE、MAE偏大，分別為75.523 2、23.686 7。上述結果說明，凈光合速率模型和胞間CO2濃度模型的擬合結果欠穩定。

3討論

多元線性回歸模型是統計學中最常用的模型之一，具有顯著的統計學意義，目前在農業學科領域的應用十分廣泛[21]。前人研究發現，使用線性回歸模型對小麥[21]、藜麥[22]、莧菜[22]葉片的葉綠素含量進行估測的精確度較高，對水稻[5，20]、小麥[23]氮素營養進行預測也取得了較好的試驗效果。本研究使用多元線性回歸模型構建光合指標模型，其中蒸騰速率、胞間CO2濃度2個模型的R2分別為0.661、0.466，且模型有效；氣孔導度、胞間CO2濃度和凈光合速率的模型R2均低于0.500，擬合性較差。出現上述結果，可能是由于多元線性回歸模型在構建時會刪除一些建模因子，如果刪除的因子對模型也有重要意義，且具有非線性關系，可能會使模型產生較大誤差[24]。與多元線性回歸模型相比，BP神經網絡模型只需要確定輸入因子和輸出因子，對線性或非線性連續函數沒有限制。本研究使用BP神經網絡對模型進行了再次構建，結果發現BP神經網絡模型的準確率和R2有所提升，但是胞間CO2濃度模型的RMSE、MAE偏高，擬合效果欠佳。目前，對于通過圖像參數預測深層次生理指標仍有很多問題需要進一步研究。

本研究探索了用RGB圖像參數對草莓葉片光合氣體交換參數進行快速預測。模型因子通過提取草莓照片的RGB顏色參數，并對RGB顏色參數進行進一步反演和計算獲得。通過對比分析蒸騰速率、氣孔導度、凈光合速率、胞間CO2濃度與RGB參數的相關性，發現與蒸騰速率有顯著或極顯著相關性的指標為G/B、G/R、NGI、（G-B）/（G+B），與氣孔導度有顯著相關性的指標為G/R、NGI。本研究發現的與蒸騰速率、氣孔導度相關性較強的參數均是綠光值占主要比例的參數，這可能與綠光調控植物生理代謝的特性相關。氣孔是植物進行氣體交換的通道，氣孔導度會影響植物葉片的光合、蒸騰、呼吸等生理過程。綠光可以刺激植物葉綠素含量發生變化，觸發相關基因的表達，減少氣孔開放，提高水分利用效率和葉肉電導率[25]，這也暗示植物本身生理代謝特性會不同程度地在圖像中得到反映，具體邏輯關系需要進一步研究。在本研究中，凈光合速率與圖像參數間的相關系數較低，在使用的RGB參數中沒有發現與其有顯著相關性的指標，這可能與影響光合速率的因素較復雜有關。

綜上所述，草莓葉片的蒸騰速率與圖像G/B、（G-B）/（G+B）參數具有顯著性相關性；與G/R、NGI的相關性達到極顯著水平。氣孔導度與G/R、NGI具有顯著相關性；胞間CO2濃度與NRI、（R-B）/（R+G+B）、（R-G-B）/（R+B）、（R-G-B）/（B+G）、G-1參數具有顯著或極顯著相關性。研究結果說明，基于RGB顏色參數估測葉片光合指標在統計學意義上是可靠的，具有一定可行性。本研究發現，基于核心顏色參數構建的多元線性回歸模型預測精度低于BP神經網絡模型的預測精度，使用BP神經網模型對蒸騰速率、氣孔導度、凈光合速率、胞間CO2濃度進行建模，準確率分別達到91.5%、83.3%、74.4%、71.5%；R2分別為0.922 2、0.842 3、0.745 8、0.736 6，RMSE分別為0.000 2、0.025 9、2.365 9、75.523 2，MAE分別為0.000 1、0.000 6、0.820 7、23.686 7。本研究結果表明，以圖像RGB顏色參數和SPAD值作為建模因子時，使用BP神經網絡模型對葉片蒸騰速率和氣孔導度進行預測的效果較好，這也體現了BP神經網絡模型在小樣本建模中的優勢。

參考文獻：

[1]LOU H Q， HU Y， ZHANG L Y， et al. Nondestructive evaluation of the changes of total flavonoid，total phenols，ABTS and DPPH radical scavenging activities，and sugars during mulberry （Morus alba L.） fruits development by chlorophyll fluorescence and RGB intensity values[J]. LWT-Food Science and Technology，2012，47（1）：19-24.

[2]李修華，盧顯杰，奚金陽，等. 智能手機RGB圖像檢測植物葉片葉綠素含量的通用方法[J]. 農業工程學報，2021，37（22）：145-151.

[3]張沛健，尚秀華，吳志華. 基于圖像處理技術的5種紅樹林葉片形態特征及葉綠素相對含量的估測[J]. 熱帶作物學報，2020，41（3）：496-503.

[4]ZHANG J， WANG R J， XIE C J， et al. Crop pests image recognition based on multi-features fusion[J]. Journal of Computational Information Systems，2014，10（12）：5121-5129.

[5]葉春，劉瑩，李艷大，等. 基于RGB顏色空間的早稻氮素營養監測研究[J]. 中國農業大學學報，2020，25（8）：25-34.

[6]HUMPLK J F， LAZR D， HUSICKOV A， et al. Automated phenotyping of plant shoots using imaging methods for analysis of plant stress responses-a review[J]. Plant Methods，2015，11：29.

[7]王永芳，王克如，王少芬，等. 利用數碼相機和成像光譜儀估測棉花葉片葉綠素和氮素含量[J]. 作物學報，2010，36（11）：912-915.

[8]史培華，王遠，袁政奇，等. 基于冠層RGB圖像的冬小麥氮素營養指標監測[J]. 南京農業大學學報，2020，43（5）：829-837.

[9]趙陽. 基于番茄葉片圖像的葉綠素含量研究[D]. 銀川：寧夏大學，2021.

[10]李麗，程靈. 基于RGB模型建立快速檢測番茄葉片葉綠素含量的方法[J]. 分子植物育種，2021，19（20）：6906-6909.

[11]費麗君，譚峰. 機器視覺技術在大豆葉片葉綠素含量測算上的應用[J]. 農機化研究，2010，32（3）：199-201.

[12]徐光輝，虎曉紅，熊淑萍，等. 烤煙葉片葉綠素含量與顏色特征的關系[J]. 河南農業大學報，2007，41（6）：600-604.

[13]王娟，危常州，王肖娟，等. 采用灰板校正的計算機視覺預測棉花葉綠素含量[J]. 農業工程學報，2013，29（24）：173-180.

[14]婁衛東，林寶剛，周洪奎，等. 基于圖像特征的油菜葉綠素含量快速估算[J]. 浙江農業科學，2022，63（3）：480-484.

[15]龔剛猛，楊珺，何火嬌，等. 水稻葉色RGB 組分與SPAD的關系研究[J]. 中國農學通報，2015，31（24）：19-24.

[16]GUPUTA S D， IBARAKI Y， PATTANAYAK A K. Development of a digital image analysis method for real-time estimation chlorophyll content in micro propagated potato plants[J]. Plant Biotechnology Reports，2013，7（1）：91-97.

[17]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.

[18]王詣，閏志勇. 基于圖像處理的青岡櫟葉綠素含量檢測系統研究明[J]. 中國農業科技導報，2017，19（4）：59-64.

[19]張若宇，坎雜，馬蓉，等. 基于RGB模型的脫絨棉種顏色特征與發芽狀況的關系[J]. 農業工程學報，2010，26（10）：172-177.

[20]ZHAO K C， YE Y， MA J， et al. Dynamic variation characteristics of rice nitrogen status after anthesis based on the RGB color index[J]. Agronomy，2021，11（9）：1739.

[21]SONG Y F， TENG G F， YUAN Y C， et al. Assessment of wheat chlorophyll content by the multiple linear regression of leaf image features[J]. Information Processing in Agriculture，2021，8（2）：232-243.

[22]RICCARDI M， MELE G， PULVENTO C， et al. Non-destructive evaluation of chlorophyll content in quinoa and amaranth leaves by simple and multiple regression analysis of RGB image components[J]. Photosynthesis Research，2014，120（3）：263-272.

[23]TAVAKOLI H， GEBBERS R. Assessing nitrogen and water status of winter wheat using a digital camera[J]. Computers and Electronics in Agriculture，2019，157：558-567.

[24]張佩，陳鄭盟，劉春偉，等. 冬小麥產量結構要素預報方法[J]. 農業工程學報，2020，36（8）：78-87.

[25]BIAN Z H， YANG Q C， LI T， et al. Study of the beneficial effects of green light on lettuce grown under short-term continuous red and blue light-emitting diodes[J].Physiologia Plantarum，2018，164（2）：226-240.

（責任編輯：徐艷）

收稿日期：2023-03-07

基金項目：江蘇省農業科技自主創新基金項目[CX（22）5007]

作者簡介：樊小雪（1983-），女，山東淄博人，博士，副研究員，研究方向為蔬菜栽培生長調控及相關機理模型。（Tel）025-84391912；（E-mail）fxx@jaas.ac.cn

通訊作者：任妮，（Tel）025-84391658；（E-mail）rn@jaas.ac.cn