秦小立 葉露 李玉萍 劉燕群 謝錚輝
摘 要 近年來,隨著農(nóng)業(yè)化肥濫用問題的日益突出,圖像處理技術(shù)在作物營(yíng)養(yǎng)診斷上的應(yīng)用研究越來越多。通過對(duì)作物營(yíng)養(yǎng)診斷研究背景的闡述,指出圖像處理技術(shù)在作物營(yíng)養(yǎng)診斷上應(yīng)用的重要意義,介紹作物圖像營(yíng)養(yǎng)診斷研究的總體情況和基本思路,論述作物圖像采集、圖像預(yù)處理、特征提取與優(yōu)化、分類識(shí)別4個(gè)環(huán)節(jié)所用技術(shù)方法以及取得的成果,并分析作物圖像營(yíng)養(yǎng)診斷方面存在的問題。
關(guān)鍵詞 作物營(yíng)養(yǎng)診斷 ;圖像處理 ;特征提取 ;分類識(shí)別
中圖分類號(hào) S126 文獻(xiàn)標(biāo)識(shí)碼 A Doi:10.12008/j.issn.1009-2196.2016.09.021
Abstract In recent years overuse of chemical fertilizer has become an increasingly prominent issue, and crop nutrition diagnosis based on image processing technology has been developed to solve this issue. The paper describes the research background of crop nutrition diagnosis, points out the significance of application of crop nutrient diagnosis based on image processing technology, and summarizes the overall situation and the basic ideas of crop image nutrition diagnosis. It also describes the technical methods and results of crop image acquisition, image preprocessing, feature extraction and optimization, classification and identification. The problems arising from the diagnosis of crop nutrition based on image processing are discussed, based on which the main directions of future research are proposed.
Keywords crop nutrition diagnosis ; image processing; feature extraction ; classification and identification
隨著科學(xué)技術(shù)的快速發(fā)展,當(dāng)前農(nóng)業(yè)生產(chǎn)的目標(biāo)和對(duì)農(nóng)產(chǎn)品質(zhì)量的要求也越來越高。農(nóng)業(yè)生產(chǎn)中盲目使用化肥是造成耕地質(zhì)量和農(nóng)產(chǎn)品質(zhì)量下降的重要原因之一。因此,開展作物營(yíng)養(yǎng)診斷對(duì)合理施肥改良耕地、提升農(nóng)產(chǎn)品質(zhì)量等方面都有重要意義。近年來,作為一種無損害的作物營(yíng)養(yǎng)診斷新手段,圖像處理及模式識(shí)別等技術(shù)在設(shè)施農(nóng)業(yè)、農(nóng)業(yè)物聯(lián)網(wǎng)、作物營(yíng)養(yǎng)診斷、作物病蟲害診斷、農(nóng)產(chǎn)品檢測(cè)等方面的應(yīng)用研究都取得一定進(jìn)展,引起越來越多學(xué)者的關(guān)注。作物營(yíng)養(yǎng)診斷是作物科學(xué)施肥的重要環(huán)節(jié),利用圖像識(shí)別進(jìn)行營(yíng)養(yǎng)預(yù)測(cè)或診斷是無損傷檢測(cè)的重要方法之一。利用圖像營(yíng)養(yǎng)診斷技術(shù)指導(dǎo)生產(chǎn)施肥追肥,不僅有利于提高設(shè)施農(nóng)業(yè)的智能化水平,也有利于產(chǎn)品質(zhì)量的提高。對(duì)于知識(shí)水平有限的種植戶,通過移動(dòng)智能終端采集圖像,并上傳到相關(guān)作物營(yíng)養(yǎng)診斷系統(tǒng)進(jìn)行診斷,是一種便利的作物營(yíng)養(yǎng)診斷模式,對(duì)以小規(guī)模經(jīng)營(yíng)為主的農(nóng)業(yè)生產(chǎn)具有很好的應(yīng)用前景。
目前,作物圖像營(yíng)養(yǎng)診斷主要集中在水稻[1-18]、小麥[19-31]、玉米[32-41]、棉花[42-49]、蔬菜瓜果[50-65]等作物。在氮磷鉀肥含量方面的診斷,也有少量喬木[66-69]葉片營(yíng)養(yǎng)預(yù)測(cè)研究。本文主要從作物圖像采集與預(yù)處理、特征提取與優(yōu)化、分類識(shí)別等環(huán)節(jié)所用主要技術(shù)方法和研究成果進(jìn)行分類介紹,基本涵蓋了國(guó)內(nèi)外圖像處理技術(shù)應(yīng)用在作物營(yíng)養(yǎng)診斷領(lǐng)域的最新理論、手段和研究方法,避免重復(fù)研究,有助于后續(xù)學(xué)者快速尋找切入點(diǎn)和突破點(diǎn),提高科學(xué)研究的意義和價(jià)值。
1 基于圖像處理的作物營(yíng)養(yǎng)診斷研究的基本思路
目前,國(guó)內(nèi)外很多學(xué)者利用相關(guān)技術(shù)理論進(jìn)行作物圖像營(yíng)養(yǎng)診斷研究,根本目的是通過預(yù)測(cè)或估算作物氮磷鉀養(yǎng)分含量指導(dǎo)作物施肥追肥[24-27,35,61,63-65]。因研究對(duì)象和目的差異,所用方法有所不同,但基于圖像處理的作物營(yíng)養(yǎng)診斷研究的基本流程一般都包括作物(冠層或葉片)圖像采集、圖像預(yù)處理、特征提取與優(yōu)化、分類識(shí)別等[70]主要環(huán)節(jié),基本思路如圖1所示。
2 圖像采集與預(yù)處理
2.1 圖像采集
采集清晰的圖像是圖像處理和特征提取獲得良好效果的重要前提,也是提高分類識(shí)別準(zhǔn)確度的必要環(huán)節(jié)。隨著數(shù)碼相機(jī)的普及,進(jìn)行田間作物圖像采集具有便攜、靈活的特點(diǎn)。許多研究者在使用數(shù)碼相機(jī)進(jìn)行作物冠層或葉片圖像獲取時(shí),設(shè)置固定的拍攝模式、高度、與地面夾角、時(shí)間段、存儲(chǔ)格式、分辨率以及天氣情況等。為減少光照強(qiáng)度對(duì)顏色的影響,還出現(xiàn)了許多效果較好的圖像采集輔助方法,如自制有固定光源和背景板的圖像采集裝置[13,15,31,47,48,52]、統(tǒng)一顏色采集板(白色[23,60,61]、黑色[56]、18%-灰色[4,16,58])或比色卡[21,33,39,57]等,還有利用智能手機(jī)[17,18,24,33,70-71]的拍照功能在固定拍攝背景條件下,靈活方便地進(jìn)行作物圖像采集。石媛媛[3]利用無人機(jī)載平臺(tái)裝載數(shù)碼相機(jī)進(jìn)行大田環(huán)境水稻冠層圖像采集,取得很好的冠層圖像。張立周等[24]、Li Y等[26]分別進(jìn)行數(shù)碼相機(jī)與智能手機(jī)以及不同數(shù)碼相機(jī)之間的比較實(shí)驗(yàn),結(jié)果表明,高質(zhì)量圖像有利于進(jìn)行作物營(yíng)養(yǎng)診斷。Robert等[38]在玉米葉片圖像氮素含量識(shí)別中,對(duì)圖像采集時(shí)的相機(jī)選擇、光線強(qiáng)弱等環(huán)境參數(shù)進(jìn)行比較,取得很好的診斷效果。
當(dāng)前圖像采集的主要是利用數(shù)碼相機(jī),但采集時(shí)進(jìn)行的多種設(shè)置和輔助物品給其應(yīng)用造成了一定的不便。因此,在小規(guī)模農(nóng)業(yè)生產(chǎn)為主的中國(guó)具有便捷特點(diǎn)的智能終端進(jìn)行圖像采集或許更具有推廣意義。
2.2 圖像預(yù)處理
圖像預(yù)處理是盡可能多地去掉干擾特征提取的因素,主要有圖像增強(qiáng)、去噪、分割等。作物葉片或冠層圖像增強(qiáng)則是增強(qiáng)圖像內(nèi)葉片或冠層部分更好地分離出作物和背景。作物圖像處理主要通過灰度變換、低通濾波、高通濾波、中值濾波、鄰域均值、小波去噪等方法進(jìn)行去噪。
作物冠層或葉片圖像分割主要方法有,改進(jìn)最大類間方差[55]、G-R閾值[15]、灰度雙峰閾值和超綠全閾值[52]等閾值分割法,Roberts 算子、Sobel 算子、Log算子、Canny 算子、Zerocross算子等邊緣檢測(cè)[61],K均值聚類[20,28-29,72]、模糊聚類[29]、PAM聚類[29],Mean-shift聚類[73]等聚類方法,神經(jīng)網(wǎng)絡(luò)模型[74]以及高斯分布模型[30,73]等方法。馬莉莉[55]利用多種閾值分割法進(jìn)行大豆葉片圖像分割比較,提出利用縮小閾值區(qū)間的方法改進(jìn)最大類間方差法,提高了算法效率;Michael Schirrmann等[29]利用前3種聚類方法開展小麥冠層圖像分割的比較實(shí)驗(yàn),結(jié)論是K均值聚類效率最好;龐曉丹[19]通過計(jì)算圖像像素的馬氏距離構(gòu)建模式識(shí)別分類器進(jìn)行小麥冠層圖像分割;徐勝勇等[53]利用GrabCut算法進(jìn)行油菜葉片圖像分割,效果較好。
圖像去噪和閾值分割是圖像預(yù)處理過程中最重要的環(huán)節(jié),目前進(jìn)行作物葉片或冠層圖像處理的方法是基于傳統(tǒng)的圖像處理方法,缺乏適合大田環(huán)境下土壤、綠色植被等復(fù)雜背景條件的圖像去噪和圖像分割的新方法,去噪方法和分割算法的普適性也不足,對(duì)交差重疊的葉片部分處理效果也很差,甚至很多學(xué)者都避開這一問題,但這也是未來進(jìn)行作物營(yíng)養(yǎng)診斷需要解決的重要問題。
3 特征提取與優(yōu)化
3.1 特征提取
特征提取是將圖像的視覺特征轉(zhuǎn)化為計(jì)算機(jī)能夠識(shí)別的數(shù)學(xué)形式的過程[70],圖像特征提取是利用計(jì)算機(jī)進(jìn)行圖像點(diǎn)的分類,是決定一個(gè)像素點(diǎn)是否屬于一個(gè)特征的過程。作物冠層或葉片圖像特征提取的研究主要集中在顏色特征和綜合特征的提取。顏色特征是描述圖像或其內(nèi)部區(qū)域所對(duì)應(yīng)景物表面性質(zhì)的一種全局特征,主要通過顏色空間變換、統(tǒng)計(jì)直方圖等方法提取,具有旋轉(zhuǎn)不變性。因作物葉片視覺上多呈現(xiàn)綠色、黃色,所以,顏色特征的提取對(duì)作物營(yíng)養(yǎng)識(shí)別起重要作用。作物圖像顏色特征主要是RGB、HSI、HSV、YIQ等4種顏色空間模型的顏色分量及其運(yùn)算值和歸一化模型rgb值。
在研究小麥冠層圖像與氮含量指標(biāo)關(guān)系時(shí),李紅軍等[22]、肖焱波等[23]的結(jié)論是小麥冠層圖像歸一化特征r與其氮含量常規(guī)指標(biāo)相關(guān)性最好;張立周等[24]認(rèn)為,g最能表征小麥冠層圖像特征;龐曉丹[19]發(fā)現(xiàn),藍(lán)色最能表征不同小麥品種之間的差異。開展玉米圖像特征分析的研究人員[33,35]大多認(rèn)為,b與營(yíng)養(yǎng)含量的相關(guān)性最好。分析可知,依據(jù)作物種類的不同有所差異,表征作物氮磷鉀含量指標(biāo)主要是RGB歸一化特征。
紋理特征主要是能量、熵、對(duì)比度、角、相關(guān)性均值、方差等特征,而形狀特征則因研究對(duì)象的多樣化,主要有葉片的長(zhǎng)度、寬度、周長(zhǎng)、面積、偏心率、矩形度、面積凸凹比、圓形度以及這些參數(shù)的一些算術(shù)值等。通過提取多類型特征進(jìn)行作物營(yíng)養(yǎng)診斷研究主要集中在水稻[1-3]、油菜[50]、大豆[55-56]、生菜[61]等。陳利蘇[1]、顧清[2]通過提取水稻的顏色特征和葉片形狀特征進(jìn)行綜合應(yīng)用;石媛媛[3]除提取顏色、形狀特征,還提取了葉片圖像的直方圖均值、方差、傾斜度、峭度、能量、直方圖熵、對(duì)比度、方向角二階矩、差分熵、差分均值等10個(gè)紋理特征,在特征組合以及營(yíng)養(yǎng)診斷方面都起到一定的作用;馬莉莉[55]在大豆葉片氮營(yíng)養(yǎng)診斷中提取顏色、形態(tài)、紋理3類特征,綜合應(yīng)用效果較好;高洪燕[61]提取顏色和紋理特征以及冠層投影面積、冠幅周長(zhǎng)、株高等長(zhǎng)勢(shì)特征,取得較好的效果;Mao Hanping等[62]提取顏色和紋理特征,經(jīng)過特征組合后開展生菜冠層圖像氮含量測(cè)量,后續(xù)應(yīng)用效果較好。
綜上所述,特征提取是識(shí)別的主要環(huán)節(jié)之一,葉片圖像的顏色特征越來越精確、紋理和形態(tài)特征越來越多,但目前主要通過多種特征的綜合應(yīng)用來提高識(shí)別模型效率的,多特征的提取與選擇客觀上增加了算法的復(fù)雜度,降低了效果。因此,需要采用一些優(yōu)化方法改善特征提取的數(shù)量和多特征融合的方法,進(jìn)而提高識(shí)別準(zhǔn)確度和效率,是該領(lǐng)域今后發(fā)展的重要方向。
3.2 特征優(yōu)化
特征優(yōu)化是為了減少用于診斷識(shí)別的特征數(shù)量,剔除冗余特征,提高圖像識(shí)別效率。作物冠層或葉片圖像提取特征的優(yōu)化一般是利用主成分分析、智能優(yōu)化算法、相關(guān)性篩選等方法進(jìn)行的特征降維,減少診斷過程中的計(jì)算復(fù)雜度。陳利蘇[1]在特征評(píng)價(jià)的基礎(chǔ)上利用基于支持向量的特征篩選方法進(jìn)行多特征的優(yōu)化;顧清[2]、石媛媛[3]采用了Cfs(Correlation-based Feature seleetion)過濾算法與Ss(Scatter search)搜索方法相結(jié)合進(jìn)行特征優(yōu)選;祝錦霞[4]、Saberioon等[13]、馬莉莉[55]、康小燕[60]、高洪燕[61]、Mao Hanping等[62]、吳志華等[69]利用主成分分析法進(jìn)行將多個(gè)特征值組合成一個(gè)或幾個(gè)主成分。
總之,作物圖像特征優(yōu)化是從提取的多特征中選擇最能表征作物營(yíng)養(yǎng)信息的一個(gè)或幾個(gè)圖像特征,提高作物營(yíng)養(yǎng)診斷效率和準(zhǔn)確率。因此,選擇高效的優(yōu)化算法和穩(wěn)定的特征指標(biāo)是進(jìn)行特征優(yōu)化和選擇的重要目標(biāo)。陳佳悅等[37]通過多種特征相關(guān)性分析,發(fā)現(xiàn)線性組合特征優(yōu)于單分量特征,同時(shí)開展圖像營(yíng)養(yǎng)評(píng)價(jià)指標(biāo)的擬合研究,提出了顏色組合標(biāo)準(zhǔn)化指數(shù)(Normalized color mix index,NCMI)和相應(yīng)的計(jì)算方法,該指標(biāo)在營(yíng)養(yǎng)評(píng)價(jià)方面穩(wěn)定性較好,還有進(jìn)一步研究和應(yīng)用的空間。
4 分類識(shí)別方法
4.1 支持向量機(jī)
支持向量機(jī)是將向量映射到一個(gè)更高維空間的非線性映射,是通過將空間內(nèi)數(shù)據(jù)分成兩類的最大間隔超平面進(jìn)行數(shù)據(jù)分類,兩類數(shù)據(jù)的間隔或差距越大,分類器誤差就越小。支持向量機(jī)在處理回歸問題和模式識(shí)別(分類問題、判別分析)等方面取得很好的效果,也可推廣到預(yù)測(cè)和綜合評(píng)價(jià)等領(lǐng)域。
支持向量機(jī)就是用來解決模式識(shí)別分類問題或數(shù)據(jù)預(yù)測(cè)問題,其分類識(shí)別的基本流程如圖2所示。顧清[2]采用支持向量機(jī)建立的模型進(jìn)行水稻不同氮素含量葉片圖像識(shí)別,結(jié)論是識(shí)別率氮素含量按極缺、微缺、正常、豐富的分類,識(shí)別精準(zhǔn)度由100%降低到50%左右,識(shí)別效果不穩(wěn)定;楊雪[50]采用支持向量機(jī)模型進(jìn)行油菜葉片缺素圖像分類識(shí)別研究,并利用遺傳算法進(jìn)行支持向量機(jī)的參數(shù)優(yōu)化,識(shí)別準(zhǔn)確率從91.7%提高到98.3%。關(guān)海鷗等[59]利用遺傳算法和最小二乘支持向量機(jī)進(jìn)行大豆葉片缺素癥狀的診斷識(shí)別,進(jìn)行覆蓋范圍廣的正常、缺氮、缺鉀及缺磷四種營(yíng)養(yǎng)情況進(jìn)行分類診斷,準(zhǔn)確率達(dá)90%,其效果和穩(wěn)定性都得到了提高。總之,支持向量機(jī)是從有限的樣本信息獲取模型復(fù)雜度和學(xué)習(xí)能力之間的最佳平衡,遺傳算法等優(yōu)化方法在提高效率和精度方面都起到一定作用。
4.2 神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)也稱為人工神經(jīng)網(wǎng)絡(luò)(ANNs),是基于傳統(tǒng)統(tǒng)計(jì)學(xué)方法進(jìn)行基礎(chǔ)神經(jīng)元數(shù)據(jù)的歸納總結(jié)、獲取其內(nèi)在規(guī)律,具有很強(qiáng)的非線性映射能力[55],在處理分析復(fù)雜的不確定性推理、判斷、識(shí)別和分類問題方面較為適合。
依據(jù)神經(jīng)元特征、學(xué)習(xí)規(guī)則、網(wǎng)絡(luò)結(jié)構(gòu)等的不同,它包含誤差向后傳播神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF神經(jīng)網(wǎng)絡(luò))等多種,其中BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的一種,其基本的應(yīng)用流程如圖3所示。李小正等[47]利用線性網(wǎng)絡(luò)、BP以及RBF三種神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測(cè)棉花葉片圖像氮含量,比較發(fā)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果最好。馬莉莉[55]利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行大豆葉片氮含量識(shí)別,構(gòu)建圖像特征與氮素超缺診斷模型,發(fā)現(xiàn)不同生長(zhǎng)期識(shí)別率有所不同。關(guān)海鷗等[58]利用模糊邏輯推理規(guī)則改進(jìn)了神經(jīng)網(wǎng)絡(luò),設(shè)計(jì)一種大豆葉片和冠層圖像缺素識(shí)別的正則化自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型,改進(jìn)模型在缺氮、缺磷、缺鉀條件的分類識(shí)別率非常好,識(shí)別效率也得到了提高,但是其在正常狀態(tài)方面的效果未曾提及。因此,神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)能力和分類識(shí)別應(yīng)用方面效果很好,但是針對(duì)作物營(yíng)養(yǎng)識(shí)別的應(yīng)用還有不足,需要利用優(yōu)化算法或推理規(guī)則完善模型的應(yīng)用,也是神經(jīng)網(wǎng)絡(luò)在作物營(yíng)養(yǎng)診斷方面應(yīng)用研究的一個(gè)重要方向。
4.3 貝葉斯分類法
樸素貝葉斯分類是一種基于概率統(tǒng)計(jì)理論、簡(jiǎn)單且易于實(shí)現(xiàn)的分類算法,通過計(jì)算待分類項(xiàng)在已知條件下出現(xiàn)在各種類別的概率,哪個(gè)概率最大就將此項(xiàng)歸于哪個(gè)類別。樸素貝葉斯分類法應(yīng)用領(lǐng)域很多,經(jīng)常在模式識(shí)別、預(yù)測(cè)、圖像處理等領(lǐng)域與神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等非線性模型進(jìn)行比較。貝葉斯分類法在作物營(yíng)養(yǎng)圖像分類識(shí)別或預(yù)測(cè)方面應(yīng)用的基本流程如圖4所示。徐勝勇等[53]采用貝葉斯分類器進(jìn)行油菜葉片缺素圖像識(shí)別,其缺氮磷鉀的評(píng)價(jià)識(shí)別率達(dá)到87.5%,其中缺磷的正確率達(dá)100%。由此可見,樸素貝葉斯分類法在作物圖像營(yíng)養(yǎng)診斷方面的應(yīng)用效率較高,但是與SVM、ANNS相比,其應(yīng)用略有不足。
4.4 其他回歸方法
除上述提到的支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、貝葉斯分類等方法,開展數(shù)據(jù)分類預(yù)測(cè)還有常用回歸分析建模法。目前,國(guó)內(nèi)外很多學(xué)者采用線性與非線性回歸的數(shù)學(xué)建模方法進(jìn)行數(shù)據(jù)擬合,構(gòu)建作物營(yíng)養(yǎng)診斷數(shù)學(xué)模型,達(dá)到實(shí)現(xiàn)作物營(yíng)養(yǎng)診斷的目的。
線性回歸是利用數(shù)理統(tǒng)計(jì)、回歸建模方法,確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法,應(yīng)用領(lǐng)域十分廣泛。在作物圖像營(yíng)養(yǎng)識(shí)別方面,主要是通過線性回歸建立圖像特征與營(yíng)養(yǎng)含量的數(shù)學(xué)模型,并進(jìn)行模型校驗(yàn)和營(yíng)養(yǎng)診斷。劉江桓[7]、Confalonieri等[17]、魏全全等[54]利用一元線性回歸方法擬合了回歸模型;Wang Yuan等[16]、李方一[52]等利用多元線性回歸方法建立了線性模型,且整體比一元回歸模型的較好;袁道軍等[51]利用逐步回歸法建立油菜冠層圖像特征與葉綠素和全氮含量的多種數(shù)據(jù)模型,都達(dá)到顯著相關(guān)性水平,效果優(yōu)于多元線性回歸。
非線性回歸是對(duì)變量間非線性相關(guān)問題的曲線擬合,主要包括利用多項(xiàng)式和函數(shù)回歸分析方法建立的數(shù)據(jù)回歸模型。非線性回歸模型最貼近我們的現(xiàn)實(shí)生活,應(yīng)用領(lǐng)域很廣,在作物營(yíng)養(yǎng)診斷建模方面應(yīng)用很多,主要有多項(xiàng)式[3-5,14,45,68]以及雙曲線函數(shù)、指數(shù)函數(shù)[2-3,11-12,16-17,43]、對(duì)數(shù)函數(shù)[7,11,45]、冪函數(shù)等回歸方法。李嵐?jié)萚8]、周華杰等[37]、Robert等[39]通分別對(duì)線性回歸、逐步回歸、非線性回歸模型進(jìn)行比較,發(fā)現(xiàn)線性模型優(yōu)于非線性模型。
此外,還有利用Logistic回歸建模和灰色關(guān)聯(lián)度方法。高洪燕[61]利用非線性算法ELM和主成分分析法,構(gòu)建多信息融合的生菜營(yíng)養(yǎng)及水分檢測(cè)模型,利用生菜冠幅投影面積、株高及冠幅周長(zhǎng)等長(zhǎng)勢(shì)特征,建立Gomportz、Logistic和Verilulst生長(zhǎng)模型,發(fā)現(xiàn)Logistic回歸模型效果較好,并利用灰色關(guān)聯(lián)度分析法,建立依據(jù)長(zhǎng)勢(shì)信息進(jìn)行時(shí)域變量施肥的數(shù)學(xué)模型。
5 討論
與傳統(tǒng)診斷方法相比,基于圖像處理技術(shù)的作物圖像營(yíng)養(yǎng)診斷方法具有快速、靈活、智能、對(duì)作物無損傷等優(yōu)點(diǎn),隨著技術(shù)方法的不斷改進(jìn),已逐漸應(yīng)用到更多作物上,但該方法在實(shí)際生產(chǎn)應(yīng)用方面還不夠成熟,很多問題需要進(jìn)一步研究和探討。
5.1 缺乏統(tǒng)一的作物營(yíng)養(yǎng)圖像庫和特征庫
不同的學(xué)者在進(jìn)行作物圖像營(yíng)養(yǎng)識(shí)別研究過程中,選用的作物不同、圖像不同、采集環(huán)境不同、甚至發(fā)育期不同,特征提取也有不同。因此,研究成果之間難以比較,無法更好的推進(jìn)此類研究進(jìn)展。
5.2 作物圖像營(yíng)養(yǎng)識(shí)別理論基礎(chǔ)不夠
該領(lǐng)域是一個(gè)跨學(xué)科的交叉研究領(lǐng)域,涉及到作物營(yíng)養(yǎng)學(xué)、土壤學(xué)、土壤營(yíng)養(yǎng)學(xué)、計(jì)算機(jī)科學(xué)、圖像處理等多個(gè)學(xué)科,不同方向的研究者具有的學(xué)科知識(shí)構(gòu)成不同,很難同時(shí)發(fā)揮多學(xué)科發(fā)展的優(yōu)越性。目前,還沒有更好的作物圖像處理和分割方法既能夠滿足多樣化的作物類型,也能從復(fù)雜自然環(huán)境條件下提取很好的作物圖像及其特征。
5.3 圖像采集環(huán)境與背景對(duì)診斷結(jié)果影響較大
雖然有很多學(xué)者提出一些規(guī)范采集條件和環(huán)境的因素,降低干擾因素,但圖像采集設(shè)備、采集環(huán)境條件等因素的輕微變化可能都影響到識(shí)別的準(zhǔn)確度,還有因作物不同、發(fā)育期不同導(dǎo)致營(yíng)養(yǎng)需求、作物顏色變化。因此,需要在采集條件和圖像處理方面做更深入的研究,降低圖像采集復(fù)雜度。
此外,在實(shí)際生產(chǎn)應(yīng)用中,由于營(yíng)養(yǎng)元素之間的脅迫及病蟲害的干擾,也給作物營(yíng)養(yǎng)診斷提出了難題。
總之,當(dāng)前大多數(shù)圖像營(yíng)養(yǎng)識(shí)別研究都是在實(shí)驗(yàn)室條件或人工定制的自然環(huán)境條件下開展的,對(duì)自然條件復(fù)雜的大田作物研究極少。要形成一套完善的可廣泛應(yīng)用于大田環(huán)境的作物圖像營(yíng)養(yǎng)識(shí)別系統(tǒng)或方案,還需要進(jìn)一步深入研究與探討,推動(dòng)該領(lǐng)域快速發(fā)展。
參考文獻(xiàn)
[1] 陳利蘇. 基于機(jī)器視覺技術(shù)的水稻氮磷鉀營(yíng)養(yǎng)識(shí)別和診斷[D]. 杭州:浙江大學(xué),2014.
[2] 顧 清,鄧勁松,陸 超,等. 基于光譜和形狀特征的水稻掃描葉片氮素營(yíng)養(yǎng)診斷[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(8):170-174,159.
[3] 石媛媛. 基于數(shù)字圖像的水稻氮磷鉀營(yíng)養(yǎng)診斷與建模研究[D]. 杭州:浙江大學(xué),2011.
[4] 祝錦霞,陳祝爐,石媛媛,等. 基于無人機(jī)和地面數(shù)字影像的水稻氮素營(yíng)養(yǎng)診斷研究[J]. 浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版),2010,36(1):78-83.
[5] 孫 棋. 基于數(shù)字圖像處理技術(shù)的水稻氮素營(yíng)養(yǎng)診斷研究[D]. 杭州:浙江大學(xué),2008.
[6] 祝錦霞,鄧勁松,石媛媛,等. 基于水稻掃描葉片圖像特征的氮素營(yíng)養(yǎng)診斷研究[J]. 光譜學(xué)與光譜分析,2009,29(8):2 171-2 175.
[7] 劉江桓. 基于機(jī)器視覺技術(shù)的水稻營(yíng)養(yǎng)快速診斷研究[D]. 南昌:江西農(nóng)業(yè)大學(xué),2011.
[8] 李嵐?jié)瑥?萌,任 濤,等. 應(yīng)用數(shù)字圖像技術(shù)進(jìn)行水稻氮素營(yíng)養(yǎng)診斷[J]. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào),2015,21(1):259-268.
[9] 李錦衛(wèi). 基于計(jì)算機(jī)視覺的水稻、油菜葉色—氮營(yíng)養(yǎng)診斷機(jī)理與建模[D]. 長(zhǎng)沙:湖南農(nóng)業(yè)大學(xué),2010.
[10] 賈良良,范明生,張福鎖,等. 應(yīng)用數(shù)碼相機(jī)進(jìn)行水稻氮營(yíng)養(yǎng)診斷[J]. 光譜學(xué)與光譜分析,2009,29 (8):2 176-2 179.
[11] Lee K J, Lee B W. Estimation of rice growth and nitrogen nutritionstatus using color digital camera image analysis[J]. European Journalof Agronomy,2013, 48(3): 57-65.
[12] Wang Y, Wang D J, Zhang G, et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research, 2013, 149: 33-39.
[13] Saberioon M M, Amin M S M, Anuar A R, et al. Assessmentof rice leaf chlorophyll content using visible bands at differentgrowth stages at both the leaf and canopy scale[J]. InternationalJournal of Applied Earth Observation and Geoinformation, 2014, 32(10): 35-45.
[14] Shibayama M, Sakamoto T, Takada E, et al. Estimating rice leaf greenness (SPAD) using Fixed-Point continuous observations of visible red and near infrared narrow-band digital images[J]. Plant Production Science, 2012, 15(4): 293-309.
[15] 王 遠(yuǎn),王德建,張 剛,等. 基于數(shù)碼相機(jī)的水稻冠層圖像分割及氮素營(yíng)養(yǎng)診斷[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(17):131-136.
[16] Wang Y, Wang D J, Shi P H, et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camera under natural light[J]. Plant Methods, 2014, 10:233-239.
[17] Confalonieri R, Paleari L, Movedi E, et al. Improving in vivo plant nitrogen content estimates from digital images:Trueness and precision of a new approach as compared to other methods and commercial devices[J]. Biosystems Engineering, 2015, 135: 21-30.
[18] Intaravanne Y, Sumriddetchkajorn S. Android-based rice leaf color analyzer for estimating the needed amount of nitrogen fertilizer[J] Computers and Electronics in Agriculture, 2015, 116: 228-233
[19] 龐曉丹. 基于圖像處理技術(shù)的小麥營(yíng)養(yǎng)狀況遠(yuǎn)程監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 鄭州:河南農(nóng)業(yè)大學(xué),2014.
[20] 陳佳悅,姚 霞,黃 芬,等. 基于圖像處理的冬小麥氮素監(jiān)測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(4):163-170.
[21] 文新亞,宋振偉,孔凡磊,等. 基于數(shù)字圖像技術(shù)的冬小麥不同施氮處理顏色特征分析[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,15(2):82-87.
[22] 李紅軍,張立周,陳曦鳴,等. 應(yīng)用數(shù)字圖像進(jìn)行小麥氮素營(yíng)養(yǎng)診斷中圖像分析方法的研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2011,19(1):155-159.
[23] 肖焱波,賈良良,陳新平,等. 應(yīng)用數(shù)字圖像分析技術(shù)進(jìn)行冬小麥拔節(jié)期氮營(yíng)養(yǎng)診斷[J]. 中國(guó)農(nóng)學(xué)通報(bào),2008,24(8):448-453.
[24] 張立周,侯曉宇,張玉銘,等. 數(shù)字圖像診斷技術(shù)在冬小麥氮素營(yíng)養(yǎng)診斷中的應(yīng)用[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2011,19(5):1 168-1 174.
[25] Jia L L, Chen X, Zhang F, et al. Optimum Nitrogen Fertilization of Winter Wheat Based on Color Digital Camera Images [J]. Communications in Soil Science and Plant Analysis, 2007, 38(11-12): 1 385-1 394 .
[26] Li Y, Chen D, Walker C N, et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research, 2010, 118(3): 221-227.
[27] 朱 虹,鄭麗敏,尹健玲,等. 基于冠層圖像顏色特征提取的小麥氮營(yíng)養(yǎng)水平評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2010,26(S2):16-20.
[28] 黃 芬,于 琪,姚 霞,等. 小麥冠層圖像H分量的K均值聚類分割[J]. 計(jì)算機(jī)工程與應(yīng)用,2014,50(203):129-134.
[29] Schirrmann M, Hamdorf A, Garz A, et al. Estimating wheat biomass by combining image clustering with crop height[J]. Computers and Electronics in Agriculture, 2016, 121: 374-384.
[30] Kirk K, Andersen H J, Thomsen A G, et al. Estimation of leaf area index in cereal crops using red-green images[J]. Biosystems Engineering, 2009, 104(3): 308-317.
[31] Pagola M, Ortiz R, Irigoyen I, et al. New method to assess barley nitrogen nutrition status based on image color analysis Comparison with SPAD-502[J]. Computers and electronics in agriculture, 2009, 65(2): 213-218.
[32] 王 訪. 作物診斷的葉片圖像多重分形方法與建模[D]. 長(zhǎng)沙:湖南農(nóng)業(yè)大學(xué),2013.
[33] 周超超. 基于Android手機(jī)平臺(tái)的玉米葉片含氮量檢測(cè)方法研究[D]. 楊凌:西北農(nóng)林科技大學(xué),2014.
[34] 劉 穎,李志洪. 利用數(shù)字圖像技術(shù)進(jìn)行玉米氮素營(yíng)養(yǎng)診斷的研究[J]. 玉米科學(xué),2010,18(4):147-149,152.
[35] 張立周,王殿武,張玉銘,等. 數(shù)字圖像技術(shù)在夏玉米氮素營(yíng)養(yǎng)診斷中的應(yīng)用[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2010,18(6):1 340-1 344.
[36] 白金順,曹衛(wèi)東,熊 靜,等. 應(yīng)用數(shù)碼相機(jī)進(jìn)行綠肥翻壓后春玉米氮素營(yíng)養(yǎng)診斷和產(chǎn)量預(yù)測(cè)[J]. 光譜學(xué)與光譜分析,2013,33(12):3 334-3 338.
[37] 周華杰,劉亞東,付金東,等. 基于冠層數(shù)碼圖像的玉米長(zhǎng)勢(shì)和氮素營(yíng)養(yǎng)狀態(tài)分析[J].青島農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,32(1):1-7.
[38] Rorie R L, Purcell L C, Karcher D E, et al. The Assessment of Leaf Nitrogen in Corn from Digital Images[J]. Crop Science, 2011, 51(5): 2 174-2 180.
[39] Rorie R L, Purcell L C, Mozaffari M, et al. Association of “Greenness” in Corn with Yield and Leaf Nitrogen Concentration [J]. Agronomy Journal, 2011, 103(2):529-535.
[40] 孫欽平,李吉進(jìn),鄒國(guó)元,等. 應(yīng)用數(shù)字圖像技術(shù)對(duì)有機(jī)肥施用后玉米氮營(yíng)養(yǎng)診斷研究[J]. 光譜學(xué)與光譜分析,2010,30(9):2 447-2 450.
[41] Sakamoto T, Gitelson A A, Nguy-Robertson A L, et al. An alternative method using digital cameras for continuous monitoring of crop status[J]. Agricultural and Forest Meteorology, 2012, S154-155(6): 113-126.
[42] 賈 彪. 基于計(jì)算機(jī)視覺技術(shù)的棉花長(zhǎng)勢(shì)監(jiān)測(cè)系統(tǒng)構(gòu)建[D]. 石河子:石河子大學(xué),2014.
[43] 賈 彪,馬富裕. 基于機(jī)器視覺的棉花氮素營(yíng)養(yǎng)診斷系統(tǒng)設(shè)計(jì)與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(3):305-310.
[44] 王 娟,雷詠雯,張永帥,等. 應(yīng)用數(shù)字圖像分析技術(shù)進(jìn)行棉花氮素營(yíng)養(yǎng)診斷的研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào),2008,16(1):145-149.
[45] 王曉靜,張 炎,李 磐,等. 地面數(shù)字圖像技術(shù)在棉花氮素營(yíng)養(yǎng)診斷中的初步研究[J]. 棉花學(xué)報(bào),2007,19(2):106-113.
[46] 荊立奇. 基于圖像技術(shù)的南疆高產(chǎn)棉田長(zhǎng)勢(shì)監(jiān)測(cè)模型的應(yīng)用[D]. 石河子:石河子大學(xué),2015.
[47] 李小正,謝瑞芝,王克如,等. 利用神經(jīng)網(wǎng)絡(luò)提取棉花葉片數(shù)字圖像氮素含量的初步研究[J]. 作物學(xué)報(bào),2007,33(10):1 662-1 666.
[48] 王方永,王克如,李少昆,等. 利用數(shù)碼相機(jī)和成像光譜儀估測(cè)棉花葉片葉綠素和氮素含量[J]. 作物學(xué)報(bào),2010,36(11):1 981-1 989.
[49] Jia B, He H B, Ma F Y, et al. Use of a Digital Camera to Monitor the Growth and Nitrogen Status of Cotton[J]. The Scientific World Journal, 2014(6): 171-192.
[50] 楊 雪. 基于數(shù)字圖像處理的植株缺素種類識(shí)別技術(shù)研究[D]. 天津:天津理工大學(xué), 2015.
[51] 袁道軍,劉安國(guó),原保忠,等. 基于計(jì)算機(jī)視覺技術(shù)的油菜冠層營(yíng)養(yǎng)信息監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2009,25(12):174-179.
[52] 李方一. 基于數(shù)字圖像處理技術(shù)的油菜葉片氮素營(yíng)養(yǎng)檢測(cè)研究[D]. 長(zhǎng)沙:湖南農(nóng)業(yè)大學(xué),2009.
[53] 徐勝勇,林衛(wèi)國(guó),伍文兵,等. 基于顏色特征的油菜缺素癥圖像診斷[J]. 中國(guó)油料作物學(xué)報(bào),2015,37(4):576-582.
[54] 魏全全,李嵐?jié)?,?濤,等. 基于數(shù)字圖像技術(shù)的冬油菜氮素營(yíng)養(yǎng)診斷[J]. 中國(guó)農(nóng)業(yè)科學(xué),2015,48(19):3 877-3 886.
[55] 馬莉莉. 大豆葉片視覺信息提取及氮素缺超診斷模型研究[D]. 哈爾濱:東北農(nóng)業(yè)大學(xué),2011.
[56] 王立舒,陳月華,房俊龍,等. 基于模式識(shí)別的大豆?fàn)I養(yǎng)元素智能診斷系統(tǒng)研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2009,40(7):106-110.
[57] Vollmanna J, Waltera H, Satoa T, et al.Digital image analysis and chlorophyll metering for phenotyping the effects of nodulation in soybean[J]. Computers and Electronics in Agriculture, 2011, 75(1): 190-195
[58] 關(guān)海鷗,衣淑娟,焦峰,等. 農(nóng)作物缺素癥狀診斷的正則化模糊神經(jīng)網(wǎng)絡(luò)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(5):162-167,156.
[59] 關(guān)海鷗,馬曉丹,黃 燕,等.基于支持向量機(jī)的農(nóng)作物缺素癥狀診斷方法[J]. 科技創(chuàng)新與應(yīng)用,2016,153(5):43.
[60] 康小燕. 基于計(jì)算機(jī)視覺的生菜氮素營(yíng)養(yǎng)檢測(cè)的研究[D]. 南京:南京農(nóng)業(yè)大學(xué),2013.
[61] 高洪燕. 生菜生長(zhǎng)信息快速檢測(cè)方法與時(shí)域變量施肥研究[D]. 鎮(zhèn)江:江蘇大學(xué),2015.
[62] Mao H P, Gao H Y, Zhang X D, et al. Nondestructive measurement of total nitrogen in lettuce by integrating spectroscopy and computer vision[J]. Scientia orticulturae, 2015, 184: 1-7.
[63] 李井會(huì),朱麗麗,宋述堯. 應(yīng)用數(shù)字圖像技術(shù)進(jìn)行馬鈴薯氮素營(yíng)養(yǎng)診斷的研究[J]. 安徽農(nóng)業(yè)科學(xué),2012,40(6):3 303-3 305.
[64] 宋述堯,王秀峰. 數(shù)字圖像技術(shù)在黃瓜氮素營(yíng)養(yǎng)診斷上的應(yīng)用研究[J]. 吉林農(nóng)業(yè)大學(xué)學(xué)報(bào),2008,30(4):460-465.
[65] 王連君,邢 宇. 數(shù)字圖像技術(shù)在草莓氮素營(yíng)養(yǎng)診斷中的應(yīng)用研究[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,31(2):19-21.
[66] 趙 靜,韓甜甜,張鮮鮮,等. 應(yīng)用數(shù)碼圖像技術(shù)對(duì)梨樹葉片營(yíng)養(yǎng)診斷的初探[J]. 中國(guó)農(nóng)學(xué)通報(bào),2011,27(13):272-276.
[67] 孫毅明. 基于圖像識(shí)別的橡膠幼苗缺氮診斷模型研究[D]. ??冢汉D洗髮W(xué),2013.
[68] 張培松,孫毅明,郭澎濤,等.基于數(shù)字圖像分析技術(shù)的橡膠樹葉片氮含量預(yù)測(cè)[J]. 熱帶作物學(xué)報(bào),2015,36(12):2 120-2 124.
[69] 吳志華,趙桂香,謝耀堅(jiān),等. 缺素桉樹葉片圖像特征提取研究[J]. 熱帶作物學(xué)報(bào),2011,32(4):618-622.
[70] 姚 青,呂 軍,楊保軍,等. 基于圖像的昆蟲自動(dòng)識(shí)別與計(jì)數(shù)研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科學(xué),2011,44(14):2 886-2 899.
[71] 張立周. 數(shù)字圖像技術(shù)在作物氮營(yíng)養(yǎng)診斷中的應(yīng)用研究[D]. 保定:河北農(nóng)業(yè)大學(xué),2011.
[72] 徐黎明,呂繼東. 基于同態(tài)濾波和K均值聚類算法的楊梅圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(14):202-208.
[73] 翟瑞芳,方益杭,林承達(dá),等. 基于高斯HI顏色算法的大田油菜圖像分割[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(8):142-147.
[74] Zheng L Y, Zhang J T, Wang Q Y. Mean-shift-based color segmentation of images containing green vegetation[J]. Computers and Electronics in Agriculture, 2009, 65(1): 93-98.