何東健 熊虹婷 蘆忠忠 劉建敏

(1.西北農(nóng)林科技大學機械與電子工程學院， 陜西楊凌 712100；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室， 陜西楊凌 712100；3.陜西省農(nóng)業(yè)信息感知與智能服務重點實驗室， 陜西楊凌 712100)

0 引言

玉米是我國主要糧食作物之一，2018年我國玉米產(chǎn)量達2.573億t，西北旱區(qū)是我國玉米的主要種植區(qū)。研究表明，永久或暫時干旱比其他環(huán)境因子更能改變玉米的生理過程并影響其最終產(chǎn)量[1]。在營養(yǎng)生長期，即使僅受短暫的水分脅迫，玉米葉片的伸展速率也會減慢直至停止，對最終葉面積產(chǎn)生永久性影響，同時加速葉片老化，影響玉米葉片進行光合作用，這是玉米受水分脅迫減產(chǎn)的主要原因[2]。快速檢測玉米植株水分脅迫程度可為大田玉米的快速調(diào)控提供依據(jù)，對防止玉米作物受水分脅迫而導致的減產(chǎn)、提高干旱及半干旱地區(qū)的玉米產(chǎn)量具有重要意義。

目前，檢測植物水分脅迫程度的方法主要有基于生理特性指標(植物莖流、水勢、蒸騰速度、莖體水分)和基于形態(tài)(2D圖像、3D圖像、光譜特征)兩類[3]?；谏硖匦灾笜说姆椒m具有較高的檢測精度，但操作復雜，并且對植物具有不同程度的損害。因此，采用基于形態(tài)的水分脅迫檢測方法更適合于大田作物。SRITARAPIPAT等[4]采用圖像處理技術測量田間水稻的高度，具有較高的準確性。FONT等[5]通過計算葉片和莖稈的夾角來判斷植物的水分脅迫狀況。為解決基于2D圖像的植株參數(shù)獲取因缺失深度信息而造成不準確的問題，宗澤等[6]使用光學混合傳感器(Photonics mixer device, PMD)深度相機提取了生長良好的苗期玉米株高、莖粗及葉傾角，但并未涉及葉片彎折等非正常生長狀態(tài)的玉米。勞彩蓮等[7]利用消費級深度相機獲取1.0、1.4、1.9 m的塑料玉米植株模型點云，通過點云拼接實現(xiàn)了三維重建。由于深度相機根據(jù)飛行時間法測量物體的三維坐標值，因此對使用環(huán)境要求較高，在強光照或風擾動時成像效果較差。而且，由于玉米葉片較薄、存在褶皺及彎曲后產(chǎn)生遮擋，對玉米點云圖的成像也會產(chǎn)生影響。此外，工業(yè)深度相機獲取的點云數(shù)量龐大，后期處理花費時間較多，不利于玉米植株株高、節(jié)間高度及葉長的快速獲取。綜上，目前玉米植株水分脅迫檢測存在操作復雜、損傷植物，以及因環(huán)境條件受限而導致準確率低、處理時間長等問題。

為了快速準確地檢測玉米水分脅迫程度，本文提出基于多視角立體視覺的ECOC-SVM拔節(jié)期玉米水分脅迫預測方法，獲取拔節(jié)期不同水分脅迫玉米樣本的多視角RGB圖像，利用SURF特征點檢測及匹配恢復玉米植株的三維空間點，將多視角玉米點云進行數(shù)據(jù)融合，并提取出玉米點云骨架，基于該骨架準確檢測玉米株高、葉長、節(jié)間高度等參數(shù)，并建立上述參數(shù)與玉米水分脅迫程度之間的預測模型，為玉米水分脅迫快速檢測提供有效手段。

1 材料與方法

1.1 試驗材料和設備

1.1.1供試品種

玉米品種為掖豐203(原福地203)，甘肅省張掖市福地種業(yè)有限責任公司選育的玉米雜交種，生育期為96～125 d，具有出苗整齊、苗壯、抗病、抗倒伏能力強等特點。

1.1.2計算機軟硬件

試驗用計算機為Think Center M8600t-D138型，處理器為Intel Core i7-6700，主頻為3.40 GHz，8 GB內(nèi)存。主程序在Matlab下編寫，子程序用C++語言編寫后用Mex進行編譯。

1.1.3儀器設備

圖像拍攝系統(tǒng)由佳能70D型相機、18～200 mm鏡頭、云騰690型三腳架、帶30°均分刻線的水平旋轉平臺及3 m×3 m黑色吸光布組成。土壤含水率用順科達TR-6型土壤溫濕度計測量，其測量范圍為0～100%，測量精度為±2%；采用金選T-02A型電子秤稱量土壤，精度為0.01 kg。種植玉米所用盆缽直徑48 cm、高35 cm，玉米株高、節(jié)間高度及葉片長度采用卷尺及軟尺測量，其測量精度為1 mm。采用艾沃斯數(shù)字溫濕度計和數(shù)字照度儀測量玉米生長環(huán)境溫度、相對濕度和光照強度，其精度分別為±1℃、±5%、±1 lx。

1.2 試驗方法

1.2.1水分控制

試驗用土為西北農(nóng)林科技大學農(nóng)作一站試驗田耕層土，田間最大持水量為38.9%，基肥用量為每千克干土折合純N 0.15 g、P2O50.10 g和K2O 0.15 g[8]。水分脅迫試驗共分為3組：中度脅迫、輕度脅迫及正常對照組，其土壤含水率分別為15%、25%、35%[9]。玉米拔節(jié)期水分控制通過土壤含水率公式推導每日所需施水量[10]，種植玉米前，通過電子秤稱量可得空盆缽質(zhì)量m0及裝土盆質(zhì)量m1，土壤濕度計測定3次土壤濕度取平均值，每盆盆缽中土壤干質(zhì)量mDW為

mDW=(m1-m0)/(1+Ra)

(1)

式中Ra——土壤實際平均含水率，%

種植玉米后，每天使用土壤濕度計測量3次土壤實際含水率取平均值，計算每盆盆缽所需施水量

W=mDW(Rg-Ra)

(2)

式中Rg——土壤目標含水率，%

根據(jù)計算得出的施水量判斷玉米植株是否需要補充水分。

1.2.2玉米種植方法

于西北農(nóng)林科技大學農(nóng)作一站玻璃溫室內(nèi)盆栽種植玉米，5月9日—6月17日每天16：00記錄玉米生長環(huán)境，玉米生長期間日最高溫度為38.9℃，最低溫度為28.6℃，平均溫度35.8℃；空氣相對濕度最高為39.8%，最低為35.3%，平均相對濕度為37.2%；光照強度最高為11 906 lx，最低為6 046 lx，平均為8 932 lx。種植前對溫室進行消毒滅菌處理，每盆各播種3粒已催芽種子；玉米長至3葉期，進行間苗處理，每盆僅留下1株長勢均勻的玉米，間苗處理后共24株玉米；待玉米全展葉為5葉時，分3組進行不同土壤含水率控制，每組各8株，繼續(xù)土壤水分控制7 d后采集玉米圖像。

1.2.3玉米多視角圖像采集系統(tǒng)

圖1為玉米多視角圖像采集系統(tǒng)，圖中紅色圓點為間隔30°的標記，相機放置在與玉米葉片展開面垂直的位置，距離水平旋轉平臺中心230 cm處，相機等效拍攝位置為水平旋轉平臺旋轉后，相機拍攝的玉米植株視角位置，從圖中可見通過旋轉水平圓盤拍攝玉米圖像的3個視角。圖像采集時將玉米植株放置在可水平旋轉的旋轉平臺上，旋轉軸中心與相機光軸中心在同一垂直平面上且固定不變。規(guī)定玉米葉片展開平面為0°方向，每株玉米拍攝-30°、0°和30° 共3幅圖像。采集時間為玉米全展葉5葉期至拔節(jié)期結束，每2 d采集一次，共采集16次數(shù)據(jù)。每株玉米共采集48幅圖像，3種水分脅迫共采集1 152幅圖像。

圖1 玉米多視角圖像采集系統(tǒng)Fig.1 Multi-view image acquisition system of maize1.三腳架 2.相機 3.幕布 4.盆缽 5.間隔30°標記水平旋轉平臺 6.水平旋轉平臺 7.30°標記 8.花盆 9.玉米葉片展開平面 10、12.相機等效位置 11.相機實際擺放位置

單株玉米采集圖像如圖2所示，由圖可見，間隔30°拍攝玉米圖像，相鄰兩幅圖像變化不大，便于后期特征點的檢測及匹配；每株玉米3幅圖像可以體現(xiàn)出玉米由于彎曲而造成的遮擋部分，為后期準確建立玉米植株點云模型奠定了基礎。

圖2 3個角度拍攝的玉米植株圖像Fig.2 Maize images taken at three angles

在拍攝玉米圖像的同時，人工測量葉長、節(jié)間高度及玉米株高。葉長為采用軟尺沿著葉莖測量從葉基部至葉尖的距離；節(jié)間高度為采用直尺測量相鄰葉基部中間的直線距離；玉米株高為葉片最高位置到第6葉片葉基位置的垂直高度。

2 基于多視角圖像的玉米參數(shù)提取方法

2.1 相機內(nèi)外部參數(shù)標定

為了獲取相機幾何成像模型內(nèi)外部參數(shù)，利用Matlab軟件Stereo Camera Calibrator工具箱，采用張正友標定法對相機進行標定[11-12]。標定圖像共45組，每組2幅圖像，將尺寸為600 mm×450 mm的棋盤格標定板固定位置拍攝1幅圖像后，保證標定板相對位置不變將標定板旋轉30°再次拍攝1幅圖像，2幅圖像可等效為雙目立體視覺的左、右攝像機拍攝，再次改變標定板位置重復上述過程進行拍攝標定圖像。經(jīng)標定可得相機內(nèi)部參數(shù)矩陣K、平移矩陣T及旋轉矩陣R為

(3)

(4)

(5)

經(jīng)過參數(shù)標定可得誤差為2.08像素；幾何標定系數(shù)(標定板距相機2.30 m時，5 cm長度需117.86像素表示)為0.42 mm/像素，計算可知真實值誤差為0.87 mm，符合精度要求。

2.2 玉米植株圖像邊緣提取

為了減少由于玉米葉片過薄對特征點檢測及匹配效果的影響，圖像預處理過程如圖3所示。處理流程為：①采用HSV模型，經(jīng)試驗設置歸一化的H分量范圍為(0.16，0.56)、S分量范圍為(0.16，1)、V分量范圍為(0.18，1)，如圖3b所示。②計算剩余區(qū)域連通域面積，將連通域按照面積大小排序，并刪除除最大面積外的剩余連通域，得到圖3c。③膨脹處理，用一個沿水平和垂直軸擴展5個像素平坦的圓盤型結構元素對玉米植株進行膨脹處理，以消除葉片上的空洞，且使葉片輪廓線更加平滑，如圖3d所示。④玉米植株邊緣檢測，用內(nèi)核尺寸為3、邊界模式為BORDER_DEFAULT的Scharr濾波器檢測，得到玉米植株邊緣線如圖3e所示。

圖3 玉米圖像邊緣檢測過程Fig.3 Edge detection process of maize image

2.3 玉米植株點云模型建立

2.3.1基于SURF算法的立體視覺三維重建

特征點檢測與匹配的關鍵是找出投影到2幅不同視角的玉米葉片邊緣像素點的對應關系，特征點匹配的效果直接影響到后續(xù)玉米植株參數(shù)的測量[13-15]?？紤]到基于SURF算法的特征點匹配具有計算復雜度低、耗時短等優(yōu)點，故采用該方法進行匹配，步驟如下[16-18]：①構建Hessian矩陣。②構建尺度空間。③特征點定位。④確定特征點主方向。⑤生成特征點描述子。由于玉米葉片薄并且整株玉米在提取邊緣信息后紋理特征相近，利用SURF算法生成特征描述子后，結合快速最近鄰逼近搜索函數(shù)庫(Fast library for approximate nearest neighbors, FLANN)進行特征匹配，會產(chǎn)生較多的誤匹配。根據(jù)文獻[19]提出的特征點檢測和匹配結果的評價準則，本文特征點匹配召回率為0.23，準確率為42.96%，F(xiàn)1值為29.97%。為進一步提高匹配準確率，采用隨機樣本一致性(Random sample consensus, RANSAC)方法減少錯誤匹配，即減少將非對應特征點檢測為匹配成功的情況。在刪除錯誤匹配后，特征點匹配準確率提高到98.95%，F(xiàn)1值為37.32%，雖然檢測到的正確匹配點對數(shù)較少，但是較高的特征點匹配準確率可以保證重建的玉米點云模型的準確性。圖4為圖2中-30°和0°玉米圖像經(jīng)預處理后匹配效果圖，該結果表明，本文方法可有效將玉米植株葉片進行特征點檢測及匹配，為下文通過匹配特征點及立體視覺原理恢復玉米點云模型奠定基礎。

圖4 SURF特征點檢測匹配圖Fig.4 Match plots of SURF feature point detection

將特征點匹配成功的點對，根據(jù)雙目視覺原理恢復出該特征點的三維坐標[20-22]，由圖4c中匹配成功的特征點根據(jù)坐標系之間的關系，可以恢復出玉米植株三維坐標點云圖，如圖5a所示，采用同樣的方法處理玉米30°視角拍攝的玉米植株，可以恢復出0°～30°視角的玉米植株的三維坐標點云圖，如圖5b所示。由圖5可見本文方法重建的玉米點云模型很好地表現(xiàn)出玉米葉片的形態(tài)特征，為后續(xù)提取點云骨架奠定了良好的基礎。

圖5 玉米植株點云圖Fig.5 Maize point cloud maps

2.3.2基于Kd-tree的ICP點云配準

由圖5可知，由于玉米葉片薄并且彎曲，單一方向的玉米點云會出現(xiàn)斷痕的情況，不利于后期玉米點云骨架的提取，并影響玉米植株葉長、節(jié)間高度的提取，因此需要將不同角度的玉米點云進行配準，從而進行點云數(shù)據(jù)的融合。ICP算法具有原理簡單、適應性廣和精度高等優(yōu)點[23-27]，故采用PCL(Point cloud library)點云庫中的ICP算法進行配準。設置ICP算法迭代終止條件為最大迭代次數(shù)為160次或前后兩次誤差小于0.01 mm。將圖5a中玉米點云設置為原始點云，圖5b中點云設置為目標點云，其配準效果如圖6所示，經(jīng)過86次迭代時達到迭代終止條件，經(jīng)ICP點云配準后點云數(shù)目平均增長率為53.7%，配準誤差小于迭代終止條件(0.01 mm)。

圖6 玉米點云ICP配準圖Fig.6 Maize point cloud ICP registration maps

2.4 玉米植株參數(shù)提取

2.4.1基于L1-中值算法的玉米點云骨架提取

為建立玉米水分脅迫預測模型，準確提取出玉米葉長、節(jié)間高度及株高，需先提取玉米點云骨架，根據(jù)骨架再計算出玉米葉長、節(jié)間高度及株高參數(shù)?？紤]到L1-中值骨架構建算法可以直接應用于具有顯著噪聲、異常值和大面積缺失的稀疏點云數(shù)據(jù)[28]，可以有效彌補由于玉米葉片彎曲或相互遮擋而造成的點云缺失、分層等問題，故采用該算法，其核心是采樣點迭代收縮為一個迭代求解過程[29-31]。設輸入的散亂點云為Q，下采樣的點云為X。

(1)玉米點云隨機下采樣。點云下采樣的作用是通過把采樣點收縮為骨架點，從而指導骨架的建立，采樣點數(shù)越少，計算量越少。本文采用洗牌算法進行下采樣[32]，經(jīng)試驗觀察設置采樣點數(shù)為1 000時骨架提取效果較好。

(2)采樣點迭代收縮并提取骨架。當采用同一個鄰域半徑進行收縮時，采樣鄰域半徑對收縮結果影響較大，故本文采用自適應鄰域法，先用較小的鄰域半徑，之后不斷擴大鄰域半徑直至迭代結束。初始較小的鄰域半徑h0計算式為

(6)

式中dbb——玉米點云包圍盒對角線長度，mm

J——玉米點云Q的點數(shù)目，個

鄰域半徑的增長速率為Δh=h0/2。設置鄰域半徑增長條件為：①2次迭代之間平均移動距離小于0.000 05倍玉米點云包圍盒。②在該鄰域半徑下迭代次數(shù)超過50次。玉米采樣點集X經(jīng)多次迭代收縮后，骨架點會逐漸形成較明顯的曲線骨架分布，將這些骨架點連接可以形成一條骨架分支；對仍未形成骨架分支的少數(shù)采樣點，則做刪除處理。玉米點云骨架迭代過程如圖7所示。迭代20次時每次迭代移動距離縮小為0.072 mm，表明采用該算法可以使用較少迭代次數(shù)得到較好的骨架。

(3)點云骨架增強。為使玉米點云骨架更接近真實形狀，需要對獲得的點云骨架進行平滑及中心化[33]。本文用移動最小二乘法(Moving least squares，MLS)算法進行點云重采樣實現(xiàn)點云平滑，利用PCL庫實現(xiàn)算法，設置擬合2階多項式，Kd-tree作為搜索方法，擬合的鄰域半徑為0.05 mm。在骨架收縮過程中，由于玉米輸入點集存在部分面積缺失，從而導致提取骨架偏離玉米點云中軸位置。針對該問題，采用局部橢圓擬合方法，自動調(diào)整偏離中心的骨架，將點云骨架點移動到橢圓中心。骨架提取效果如圖8所示，可正確體現(xiàn)玉米植株形態(tài)。

圖7 玉米點云骨架迭代過程Fig.7 Maize point cloud skeleton iteration process

圖8 玉米植株原始點云及提取骨架Fig.8 Maize point cloud and extraction skeleton of maize

2.4.2基于點云骨架的玉米參數(shù)提取

得到玉米植株骨架模型后，便可對玉米葉長、節(jié)間高度及株高進行提取[34]。玉米葉片骨架葉基部與玉米莖稈骨架交點為骨架連接點，提取參數(shù)為玉米受到水分脅迫后全展葉長、節(jié)間高度及株高，圖9為玉米參數(shù)提取示意圖。

圖9 玉米參數(shù)提取示意圖Fig.9 Schematic of maize parameter extraction

(1)葉長

葉長為玉米骨架連接點至玉米葉片骨架尖端歐氏距離之和，提取方法為：①調(diào)用VLfeat庫計算玉米骨架表面法向量，根據(jù)玉米葉片和莖稈表面法向量之間的差異，剔除玉米莖稈骨架。②刪除玉米前5片全展葉骨架。③尋找玉米葉片骨架z坐標最小點，設該點為p11(x11,y11,z11),并將該點劃分為葉片Y1中。④計算p11到剩余點的歐氏距離d，計算式為

(7)

將距離p11最近的點記為p12，p11和p12之間的距離記為dmin，設置閾值為dTh=5dmin。⑤葉片Y1長度更新為p11與p12之間的歐氏距離。⑥以p12為起始點重復步驟④及步驟⑤，直至計算距離d>dTh，則將該點劃分為葉片Y2中。⑦重復計算，直至所有點被劃分到所屬葉片Yi中，并計算出每片葉子長度。

(2)節(jié)間高度

節(jié)間高度為每個葉片骨架起始點之間的直線距離，即p11與p21之間的歐氏距離為玉米植株第1節(jié)節(jié)間高度，依此類推可求得玉米植株的節(jié)間高度。

(3)株高

玉米株高為玉米植株最高點與玉米第6片葉葉基部的垂直高度距離，提取方法為尋找玉米點云骨架z坐標最大的點，設該點為pTOP(xTOP,yTOP,zTOP)，則玉米株高L=zTOP-z11。玉米株高每日增長量為相鄰兩天玉米株高之差。

3 試驗結果及分析

3.1 重建效果分析

分別用本文特征點檢測方法、BRISK算法、MSER算法、FAST算法、Harris算法、MinEigen算法，對圖4a、4b進行特征點檢測，特征點檢測及匹配結果如圖10所示，不同算法的特征點檢測數(shù)量及成功匹配對數(shù)如表1所示。

由圖10及表1可見，本文特征點檢測及匹配算法對于玉米葉片有較高的匹配精度，可有效檢測出玉米葉片尖部且成功匹配特征點數(shù)目最多，因此本文特征點檢測方法較好?；诒疚乃惴▽μ卣鼽c匹配后，利用雙目立體視覺原理恢復出該視角下的玉米點云植株，分別采用本文方法、FPFH配準方法、3DSC配準方法、NDT配準方法、PFH配準方法將2個視角的玉米點云植株模型配準到同一坐標軸下，配準結果及配準所需時間如表2所示。由表2可知，本文方法在配準精度及配準時間上均優(yōu)于其他配準方法。

3.2 玉米植株參數(shù)測定精度分析

為驗證本文方法參數(shù)測量的準確性，進行了基于點云骨架提取的玉米株型參數(shù)和人工測量值比較試驗。人工測量值和提取值之間吻合情況如圖11所示，株高、節(jié)間高度與葉片長度的決定系數(shù)R2分別為0.994 5、0.993 8和0.995 1，RMSE分別為1.82、0.42、0.84 cm，具有較高的測定精度。

圖10 不同算法重建玉米植株效果對比圖Fig.10 Comparisons of effects of rebuilding maize in different ways

表1 不同特征點檢測算法準確率Tab.1 Accuracy of different feature point detection algorithms

表2 點云配準結果及配準用時
Tab.2 Point cloud registration results and registration time

3.3 玉米水分脅迫預測模型

3.3.1基于單一參數(shù)的玉米水分脅迫預測模型

(1)基于玉米節(jié)間高度的水分脅迫預測模型。試驗可知，與土壤含水率35%相比，土壤含水率25%平均節(jié)間高度降低33.5%，土壤含水率15%平均節(jié)間高度降低了76.7%。表明水分脅迫對玉米節(jié)間高度有較大影響，因此可以利用玉米植株節(jié)間高度預測水分脅迫情況。采用線性擬合方法構建基于節(jié)間高度的玉米水分脅迫預測模型，如圖12所示。其決定系數(shù)R2為0.994 9，具有較高的相關性，可用于水分脅迫的預測。

(2)基于玉米株高每日增長量的水分脅迫預測模型。當土壤含水率高時，玉米植株體內(nèi)水分充盈，細胞伸長率高，表現(xiàn)為玉米株高增加快，玉米處于拔節(jié)期時每天生長高度明顯，因此可用玉米株高每日增長量來判斷土壤含水率。以玉米株高每日增長量為自變量，土壤含水率為因變量建立玉米水分脅迫模型，如圖13所示，回歸方程決定系數(shù)R2為0.843 3，具有較強的相關性。

圖11 玉米植株參數(shù)測定值和人工測量值間的相關性Fig.11 Correlation between parameter determination of maize and artificial measurement

圖12 基于節(jié)間高度的玉米水分脅迫預測模型Fig.12 Maize moisture stress prediction model based on inter-sectional height

圖13 基于株高每日增長量的玉米水分脅迫預測模型Fig.13 Maize moisture stress prediction model based on high daily growth of corn strains

圖14 玉米葉片長度平均值Fig.14 Average length of maize leaves

(3)基于玉米全展葉葉長的水分脅迫預測模型。玉米葉片長度為全展葉長度，在玉米拔節(jié)期間長度基本無變化，故分別測量同一水分處理下的玉米不同葉片長度的平均值(圖14)。由圖14可知，玉米前6片葉子未遭受水分脅迫，故長度無明顯差異。從第7片葉片開始，土壤含水率35%的玉米葉片長度均大于土壤含水率25%和15%下的玉米葉片長度，因此玉米葉片長度可以反映土壤含水率情況。

以第7、9、11、13片葉子為例，以葉片長度為自變量，土壤含水率為因變量，建立玉米水分脅迫預測模型，如圖15所示。由圖可知，玉米葉片長度與土壤含水率具有較高的相關性，決定系數(shù)平均值為0.828 1，具有較強的相關性。

圖15 基于玉米葉長的玉米水分脅迫預測模型Fig.15 Prediction model of maize moisture stress based on length of corn leaves

(4)單一參數(shù)土壤含水率預測值預測精度分析。為驗證單一參數(shù)建立的玉米水分脅迫預測模型精度，進行了土壤含水率預測值預測精度分析。每株玉米隨機選取節(jié)間高度、株高每日增長量各1組，以及第7、9、11、13全展葉葉長，通過單一玉米參數(shù)水分脅迫預測模型計算出土壤含水率預測值，土壤含水率預測值與實測值吻合情況如圖16所示，基于節(jié)間高度、株高每日增長量、全展葉葉長的土壤含水率預測的決定系數(shù)R2分別為0.892 2、0.892 8和0.817 6，RMSE分別為2.92%、2.53%和2.76%，具有一定的預測準確度，但基于單一參數(shù)的預測值之間存在較大差異。

3.3.2基于多參數(shù)的玉米水分脅迫預測模型

圖16 土壤含水率預測值與實測值間的相關性Fig.16 Correlation between soil moisture prediction and real values

為了準確將玉米受到水分脅迫情況劃分為輕度脅迫組(土壤含水率25%)、中度脅迫組(土壤含水率15%)、無水分脅迫組(土壤含水率35%)，建立基于ECOC-SVM的多參數(shù)的玉米水分脅迫預測模型[35]。模型構建步驟如下：①構建數(shù)據(jù)集，以6月3日至6月17日采集的8 d數(shù)據(jù)為樣本，每種水分處理下有8株玉米，共64個樣本，刪除數(shù)據(jù)最大值2組和最小值2組，即每種水分處理下共選取60個樣本，3種水分處理共180個樣本。將180個樣本中的135個(75%)作為訓練集，剩余45個(25%)作為測試集。②選擇特征參數(shù)，考慮到15%土壤含水率種植的玉米葉片最大數(shù)為9，因此以葉片長度差異明顯的第7、8、9片葉長、節(jié)間高度及株高每日增長量為特征向量，其中7、8、9片葉長為每日數(shù)據(jù)采集測量值，節(jié)間高度為當日測量時玉米植株最新完全長出的節(jié)間高度值，株高每日增長量為當日數(shù)據(jù)測量值與前一次測量值之差。③ECOC-SVM模型采用線性核函數(shù)，并利用交叉驗證選擇(K-fold cross validation, K-CV)方法優(yōu)化核函數(shù)參數(shù)。④設置網(wǎng)絡訓練終止條件的誤差為0.000 1。

用訓練集對ECOC-SVM進行訓練得到分類模型，用測試集對訓練好的模型進行檢驗，測試集分類結果如圖17所示。由圖可知，45個測試集正確分類的個數(shù)為42個，該模型的準確率為93.33%，誤差為6.67%。上述結果表明，用玉米葉長、節(jié)間高度及株高每日增長量3個參數(shù)建立ECOC-SVM模型預測水分脅迫程度的準確率較高，彌補了使用單一參數(shù)預測模型判斷玉米水分脅迫情況存在差異的問題。

在玉米處于拔節(jié)期時，只需知道玉米節(jié)間高度、株高每日增長量及全展葉葉長，根據(jù)多參數(shù)玉米水分脅迫模型可以判斷玉米受到水分脅迫程度，以指導大田玉米灌溉，為精細農(nóng)業(yè)提供技術支持。

圖17 測試集分類結果Fig.17 Test set classification result graph

4 結論

(1)采用非接觸的方式提取玉米株型參數(shù)，建立了基于ECOC-SVM的玉米水分脅迫預測模型，該模型測試集預測準確率為93.33%，具有較高的準確性，可較好地預測玉米植株受到的水分脅迫程度。

(2)通過拍攝的3幅圖像進行玉米點云的重建，減少了傳統(tǒng)基于RGB圖像重建方法需要序列圖像的數(shù)量，從而極大提高了提取參數(shù)的速度。

(3)本試驗在溫室中采用盆栽方式模擬進行，在大田試驗中需考慮風速等實際情況，需進一步研究改進。