劉星科 董浩 楊莎 王超 馮美臣 肖璐潔 宋曉彥 張美俊 楊武德

摘要：為實現(xiàn)基于圖像處理技術(shù)的多角度冬小麥氮素營養(yǎng)無損監(jiān)測，以不同氮運籌試驗的冬小麥作為研究對象，使用相機對冬小麥冠層進行多角度拍攝，基于openCV 圖像技術(shù)處理冬小麥冠層圖像并提取顏色特征參數(shù)，結(jié)合葉片氮含量指標，利用多元線性回歸、逐步多元線性回歸、BP-神經(jīng)網(wǎng)絡(luò)建立多角度條件下顏色特征參數(shù)的氮素監(jiān)測模型。結(jié)果表明，冬小麥冠層圖像與葉片氮含量存在一定的相關(guān)性，從冠層圖像獲取的RGB 顏色空間中的R、G、B、reG、lnG 等5 個顏色參數(shù)與冬小麥的葉片氮含量相關(guān)性均達到極顯著水平；不同的拍攝角度對基于圖像參數(shù)的冬小麥葉片含氮量光譜監(jiān)測精度造成影響，其中，與冠層水平面呈60°（逆光，與天頂方向夾角30°）拍攝的冠層圖像建模效果準確度最高，效果最優(yōu)（R2=0.896，RMSE=0.572），與冠層水平面呈30°（逆光，與天頂方向夾角60°）次之，與冠層水平面呈90°（逆光，垂直向下，與天頂方向夾角0°）最差。基于R、G、B、lnG、reG 等5 個顏色特征參數(shù)建立的60°冠層圖像的多元線性回歸模型整體表現(xiàn)最好。

關(guān)鍵詞：冬小麥；葉片氮含量；圖像處理；顏色特征參數(shù)；多角度

冬小麥是我國主要糧食作物[1]，氮素營養(yǎng)對于冬小麥生長和產(chǎn)量及品質(zhì)形成具有重要的影響。室內(nèi)化驗分析是獲取冬小麥氮素營養(yǎng)的傳統(tǒng)測定方法，該方法雖然準確，但存在耗時、費力、對植株有損傷的缺點。運用光譜遙感及圖像處理技術(shù)提取冠層圖像對農(nóng)作物氮素營養(yǎng)無損監(jiān)測是當前研究熱點[2-4]。研究發(fā)現(xiàn)，利用圖像處理技術(shù)對冬小麥冠層圖片進行處理，可以實現(xiàn)對冬小麥的氮素營養(yǎng)診斷，冬小麥的葉色、長勢等生理指標可以直接反映作物體內(nèi)氮含量等生化指標，而作物的生理生化指標又與冠層圖像參數(shù)值密切相關(guān)，因此，通過冠層圖像監(jiān)測作物氮素含量具有一定的可行性[4-7]。當前，相機使用已經(jīng)十分廣泛，運用相機獲取冬小麥冠層圖像，采用圖像處理技術(shù)將冠層圖像數(shù)字化，可在很大程度上解決人眼對作物冠層圖像顏色變化不敏感的問題[3]。史培華等[8]利用數(shù)碼相機采用垂直向下的拍攝姿態(tài)采集返青期和拔節(jié)期的冬小麥冠層圖像，并分析了R（紅色）、G（綠色）、B（藍色）顏色空間中各顏色指標的組合參數(shù)、色相以及冠層覆蓋度等與冬小麥氮素含量指標之間的相關(guān)性。張立周等[9-10]研究了基于數(shù)碼相機獲取夏玉米、冬小麥冠層圖像的色彩特征參數(shù)與傳統(tǒng)氮素營養(yǎng)指標之間的相關(guān)性，篩選出了藍光標準化值和綠光標準化值分別作為診斷其氮素營養(yǎng)狀態(tài)的敏感顏色參數(shù)。夏莎莎等[11]對玉米葉片采用垂直向下姿態(tài)進行拍照，獲取玉米葉片數(shù)字圖像，同時對圖像進行色彩參數(shù)的提取與處理，發(fā)現(xiàn)由RGB 所組成的顏色參數(shù)，可以作為玉米氮素營養(yǎng)診斷的色彩參數(shù)指標。前人對冠層圖像的采集多采用垂直向下的拍攝姿態(tài)，而不同拍攝角度獲取的冠層圖像會引起圖像色彩參數(shù)差異，從而對氮素診斷的準確性造成影響[12]?？梢?，雖然利用相機拍攝作物冠層圖像，提取顏色特征參數(shù)，在一定程度上提高了冬小麥氮素營養(yǎng)診斷精度，但是冠層圖像的覆蓋度和顏色特征參數(shù)提取的精度也受到了拍攝角度的影響。

本研究以冬小麥氮運籌試驗為研究對象，通過拍攝不同角度的冬小麥生長照片，采用openCV 圖像處理技術(shù)提取圖像參數(shù)，在測定對應(yīng)位置的冬小麥氮素含量的基礎(chǔ)上分析冬小麥圖像參數(shù)與葉片氮含量指標之間的相關(guān)性，并構(gòu)建基于圖像參數(shù)的冬小麥氮素營養(yǎng)的定量模型，實現(xiàn)基于圖像處理技術(shù)的冬小麥氮素營養(yǎng)快速、無損、便捷、低廉診斷。

1材料和方法

1.1 試驗材料

供試冬小麥品種為京冬22（蛋白質(zhì)17.4%）、京花12 號（蛋白質(zhì)14.0%），其中，京冬22 是由北京雜交小麥工程技術(shù)研究中心用品種太谷核不育輪選群體選育而成的小麥品種；京花12 號由北京雜交小麥工程技術(shù)研究中心通過京冬23/京冬17 獲得。

1.2 試驗設(shè)計

試驗于2020 年在山西省晉中市太谷區(qū)侯城鄉(xiāng)申奉村進行。采用多因素裂區(qū)設(shè)計，小區(qū)面積為2.5 m×6.0 m，主區(qū)為肥料，副區(qū)為氮梯度。主區(qū)肥料分別為腐熟雞糞（T1）、單施尿素（T2），其中，T1 按照當?shù)剞r(nóng)民常用量施入，副區(qū)設(shè)置5 個氮梯度處理，即0（N1）、40（N1）、80（N2）、120（N3）、160 kg/hm2 （N4）；T2 副區(qū)設(shè)置3 個氮梯度處理，即120（N5）、200（N6）、280 kg/hm2 （N7）。此外，不施肥作為對照（CK）。腐熟雞糞以基肥施入，氮肥基追比5∶5。試驗所用氮肥為尿素（含N 量46.1%），磷肥用量為120 kg/hm2，鉀肥為120 kg/hm2，且作為基肥施入。試驗重復3 次，田間管理同當?shù)卮筇铩?/p>

1.3 數(shù)據(jù)獲取

本研究采用佳能EOS6DMarkⅡ單反相機，于冬小麥的拔節(jié)后期（2019 年4 月4 日）、孕穗期（2019 年4 月15 日）和抽穗期（2019 年5 月1 日）對大田環(huán)境下的冬小麥冠層葉片進行數(shù)據(jù)采集，拍照時選擇晴朗的無風天氣拍攝，避免光線過強或過暗。拍照時間固定在11：00—13：00，此時太陽光線入射角度位于冬小麥正上方，將相機保持固定狀態(tài)并使相機鏡頭與冬小麥冠層保持1 m 距離，分別是與冠層水平面呈60°（逆光，與天頂方向夾角30°）、與冠層水平面呈30°（逆光，與天頂方向夾角60°）、與冠層水平面呈90°（逆光，垂直向下，與天頂方向夾角0°）3 個角度進行拍攝，在共計96 塊試驗田中，每塊試驗田選取3 個角度拍攝冬小麥冠層圖像，總共288 個圖像樣本數(shù)據(jù)。

1.4 數(shù)據(jù)處理與分析

為避免采集的圖像中類似土壤等無關(guān)背景信息以及處理圖像時誤分割造成的影響[13]，使用openCV 中的圖像處理函數(shù)[14]，將所獲取的每幅冬小麥冠層圖像進行圖像預(yù)處理（圖像分割、二值化、開運算等）。關(guān)鍵處理步驟有：（1）采用基于像素數(shù)值技術(shù)的圖像分割算法進行圖像分割。（2）將處理后的圖像轉(zhuǎn)化到HSV（色調(diào)、飽和度、亮度）顏色空間。（3）利用HSV 顏色空間下的綠色范圍值作為閾值進行圖像分割，并進行二值化處理。（4）對（3）所得圖像進行形態(tài)學開運算處理，平滑填補細小空隙（白色為目標圖像，黑色為背景圖像）。

冠層圖像分割及特征參數(shù)提取均通過openCV技術(shù)編程實現(xiàn)。采用openCV 圖像處理技術(shù)，提取分割處理后每幅葉片圖像非0 像素點的R、G、B 三原色，并進行相應(yīng)特征參數(shù)計算。

圖像獲取后，在每個小區(qū)的冬小麥圖像樣本拍攝區(qū)域隨機選擇30 cm×30 cm 的目標植株，并將目標植株的倒三葉的葉片取回用凱氏定氮法獲取對應(yīng)冬小麥葉片氮含量。

1.5 氮素估算模型

1.5.1 多元線性回歸（MLR） 運用多元線性回歸（Multiple Linear Regression，MLR）建立模型，通常要求自變量有2 個或2 個以上，利用多個變量最優(yōu)組合來實現(xiàn)因變量預(yù)測的目的。本研究中，將所提取的顏色特征參數(shù)作為自變量，將冬小麥葉片氮含量作為因變量，從而分析不同拍照角度冬小麥葉片氮含量與顏色特征參數(shù)的關(guān)系。

1.5.2 逐步多元線性回歸（SMLR） 逐步多元線性回歸（Stepwise Multiple Linear Regression，SMLR）是對所有自變量進行檢驗，依次對作用不大、無意義的變量進行剔除，并選入有效的、對因變量Y 影響較大的自變量進入方程，使其得到最佳方程[15]。本研究逐步提取與因變量密切相關(guān)的特征參數(shù)。利用SMLR 方法構(gòu)建多角度下冬小麥葉片氮含量的監(jiān)測模型。

1.5.3 BP- 神經(jīng)網(wǎng)絡(luò)（BP-NN） BP- 神經(jīng)網(wǎng)絡(luò)（Back-Propagation Neural Network，BP-NN）具有較強的非線性映射能力和良好的網(wǎng)絡(luò)容錯性，可以在很大程度上較好地解決現(xiàn)實場景中非線性建模問題[16]，選取提取的顏色特征參數(shù)作為輸入層，以冬小麥葉片氮含量作為輸出層，對各拍攝角度冬小麥葉片氮含量進行訓練，建立多角度下冬小麥葉片氮含量的BP-神經(jīng)網(wǎng)絡(luò)模型。

1.6 模型評價標準

模型選取決定系數(shù)（Coefficient of determination，R2）、均方根誤差（Root mean square error，RMSE）、相對分析誤差（Residual predictive deviation，RPD）進行綜合評定。R2 取值范圍為0～1，越接近1，表示模型預(yù)測精度越高，RMSE 越小，表示模型穩(wěn)定性越好。一般認為，RPD>2.0，模型具有極好的預(yù)測能力；2.0>RPD>1.5，模型具有可接受的預(yù)測能力；RPD<1.5，模型不具備預(yù)測能力[17]。

式中，n為樣本個數(shù)；Yi′與 Yi分別為樣本的預(yù)測值與實測值；-Yi 為樣本實測值的平均值；SD 為標準偏差。

2結(jié)果與分析

2.1 冬小麥葉片氮含量的描述性統(tǒng)計分析

研究冬小麥長勢指標與冠層圖像顏色特征參數(shù)之間的定量關(guān)系，將96 個長勢指標樣本數(shù)據(jù)隨機分成建模樣本（64 個）和驗證樣本（32 個），其中各樣本數(shù)據(jù)的長勢指標描述統(tǒng)計分析如表1所示。

由表1 可知，冬小麥冠層氮含量最小值與最大值的差值較大，校正數(shù)據(jù)集合和驗證數(shù)據(jù)集合共96 個樣本數(shù)據(jù)，基本可以表征冬小麥生育期內(nèi)的長勢狀況。葉片氮含量的最大值與最小值分別為6.458、2.126 mg/g，校正集與驗證集的全距分別為4.332、4.181 mg/g，葉片氮含量校正集數(shù)據(jù)全距涵蓋了驗證集全距，校正集樣本數(shù)量為驗證集2 倍。根據(jù)表1 中的偏度可知，校正集與驗證集中的葉片氮含量數(shù)據(jù)具有正偏態(tài)性，基本符合正態(tài)分布的特征（偏度<1），表明數(shù)據(jù)可以進行進一步統(tǒng)計分析。

2.2 多角度冠層圖像顏色特征參數(shù)與冬小麥葉片氮含量之間的相關(guān)性分析

研究多角度下所獲取的冠層圖像顏色特征參數(shù)與冬小麥葉片氮含量之間的相關(guān)關(guān)系，分析所獲取的顏色特征參數(shù)與葉片氮含量的相關(guān)性，結(jié)果如表2 所示。各拍攝角度的顏色特征參數(shù)與葉片氮含量的關(guān)系較為密切，并且60°的拍攝角度要優(yōu)于30°拍攝角度和90°拍攝角度，尤其是R、G、B、lnG、reG 這5 個參數(shù)相關(guān)性最優(yōu)，相關(guān)系數(shù)分別為0.845、0.862、0.861、0.855、-0.847，均達到極顯著相關(guān)（P<0.01），其中，60° 的單色分量G 相關(guān)性最高，為0.862，lnR、reR 這2 個參數(shù)在3 種觀測角度下與氮含量的相關(guān)性一般，呈顯著相關(guān)（P<0.05）。

2.3 基于冠層圖像顏色特征參數(shù)的葉片氮含量診斷模型

為研究冬小麥冠層圖像與長勢指標的定量關(guān)系，基于相關(guān)性最優(yōu)的R、G、B、lnG、reG，同時選擇5 個參數(shù)，運用MLR、SMLR、BP-NN 這3 類不同建模方法，構(gòu)建多角度冠層圖像條件下的葉片氮含量指標監(jiān)測模型，結(jié)果如表3 所示。

從表3 可以看出，對比同一角度下的不同建模方法發(fā)現(xiàn)，無論是校正集還是驗證集MLR 模型的R2 值與PRD 值均高于SMLR 和BP-NN 模型，RMSE 值均低于SMLR 和BP-NN 模型。同時發(fā)現(xiàn)，對于校正集基于60°冠層圖像與葉片氮含量的MLR 模型達到了最高精度（R2=0.896、RMSE=0.572、RPD=1.686），而表現(xiàn)最差的模型精度是基于90°冠層圖像與葉片氮含量的BP-NN 模型（R2=0.433、RMSE=1.012、RPD=0.953）。對于驗證模型來說，表現(xiàn)最好的是基于60°冠層圖像與葉片氮含量的MLR 模型（R2=0.863、RMSE=0.591、RPD=1.741），而表現(xiàn)最差的則是基于90°冠層圖像與葉片氮含量的BP-NN 模型（R2=0.466、RMSE=0.968、RPD=1.067）。

3結(jié)論與討論

已有的研究中，數(shù)碼相機已經(jīng)被廣泛地應(yīng)用到對作物進行營養(yǎng)診斷的技術(shù)方法中[18-21]。王玉娜等[22]和曲怡鈴等[23]利用多元線性回歸、逐步多元線性回歸、BP-神經(jīng)網(wǎng)絡(luò)進行建模對比，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)建模效果較好，而本研究發(fā)現(xiàn)多元線性回歸的建模效果最優(yōu)，擬合效果最好，可能是由于考慮的相關(guān)顏色特征參數(shù)樣本數(shù)相對偏少導致精度下降所造成的。李天馳等[24]和張佩等[25]在有限變量個數(shù)條件下，對多元線性回歸與BP-神經(jīng)網(wǎng)絡(luò)建模能力進行對比，發(fā)現(xiàn)在自變量較少時，多元線性回歸模型具有較高的預(yù)測能力，但伴隨著自變量的增加，多元線性回歸模型并不能消除不同自變量間的多重共線性問題，而BP-神經(jīng)網(wǎng)絡(luò)能夠以較高精度逼近任何線性或非線性連續(xù)函數(shù)，更適合于自變量較多時的預(yù)測模型的構(gòu)建。夏莎莎等[12]對于冬小麥冠層圖像監(jiān)測的研究表明，以俯視拍攝（與冠層呈60°夾角）時相關(guān)性較高，特別是逆光俯視拍攝相關(guān)性最高。本研究根據(jù)所得冠層圖像進行分析發(fā)現(xiàn)，60°拍攝的冠層圖像與葉片氮含量的模型精確度較好，優(yōu)于30°與90°冠層圖像的模型，與夏莎莎等[12]研究結(jié)論一致。分析原因可能是由于60°拍攝的冠層圖像成像完整度優(yōu)于30°與90°拍攝冠層圖像，拍攝時根部陰影面積不可避免會有產(chǎn)生，在60°拍攝角度的陰影面積最小，且由于光照角度的原因，使得葉片整體成像更為清晰，成像后葉片重疊現(xiàn)象減少，分析后相關(guān)性最優(yōu)；90°的冠層圖像顏色整體偏暗，顏色要比肉眼觀察顏色要深，由于垂直角度拍攝，所以，冠層葉片成像后不完整，葉片重疊過多，由于太陽光入射角度的原因，光照角度無法做到完全垂直，導致在90°拍攝時，冬小麥的根部由于光照原因產(chǎn)生大量陰影，根部的中部位置陰影面積偏大，顏色偏暗、成像不完整等原因使得相關(guān)性降低；30°拍攝的冠層圖像顏色亮度增加，整體偏翠綠色，圖像失真程度要大于60°小于90°，且由于距離相機近的冬小麥葉片會遮擋住之后的葉片，冠層圖像會顯示不完整，準確度會下降。不同的圖像獲取角度可能會導致獲取的圖像存在葉色、陰影等方面的差異[26-28]，所拍攝的冠層圖像的葉色、葉片覆蓋度、陰影等又會直接影響特征參數(shù)的提取，從而影響模型的精度。因此，不同的拍攝角度對研究冬小麥氮素營養(yǎng)的準確監(jiān)測具有重要意義，該研究可為分析冬小麥葉片顏色參數(shù)對冬小麥長勢的診斷提供一定參考。

本研究通過相機拍攝并提取大田環(huán)境下冬小麥冠層圖像的RGB 信息，構(gòu)建不同拍攝角度與冬小麥氮素營養(yǎng)的圖像特征評價指標，結(jié)果表明，各拍攝角度的顏色特征參數(shù)與葉片氮含量的關(guān)系較為密切，尤其是R、G、B、lnG、reG 這5 個參數(shù)的相關(guān)性最優(yōu)；對比不同的建模方法發(fā)現(xiàn)，選擇多元線性回歸建立的模型較優(yōu)；同時選擇R、G、B、lnG、reG 這5 個顏色特征參數(shù)建立的60°冠層圖像與冬小麥葉片氮含量多元線性回歸模型相關(guān)性最好（R2=0.896，RMSE=0.572，RPD=1.686），30°次之（R2=0.761，RMSE=0.763，RPD=1.264），90°最差（R2=0.552，RMSE=0.688，RPD=1.402）。