楊一璐，汪小旵，李成光，趙博，白如月

(南京農(nóng)業(yè)大學工學院，江蘇 南京210031)

基于葉綠素熒光圖像的辣椒葉片氮含量的預(yù)測

楊一璐，汪小旵*，李成光，趙博，白如月

(南京農(nóng)業(yè)大學工學院，江蘇 南京210031)

提取辣椒葉片的25個葉綠素熒光圖像的特征參數(shù)，其中18個特征參數(shù)與氮含量呈極顯著相關(guān)(P<0.01)。用主成分分析法(PCA)提取主要特征參數(shù)，將其結(jié)果作為遺傳算法優(yōu)化的反向傳播人工神經(jīng)網(wǎng)絡(luò)(BPNN)、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)和多元線性回歸(MLR)模型的輸入變量，分別建立辣椒葉片氮含量的預(yù)測模型，建模集的相關(guān)系數(shù)分別為0.959 2、0.963 3、0.943 5，預(yù)測集的相關(guān)系數(shù)分別為0.914 5、0.821 3、0.774 1。

辣椒葉片；氮含量；葉綠素熒光圖像；數(shù)字圖像處理技術(shù)

設(shè)施農(nóng)業(yè)種植技術(shù)的迅速發(fā)展依賴于作物生長過程中的營養(yǎng)監(jiān)測，對作物葉片氮含量進行無損、快速診斷，對合理施肥、提高作物產(chǎn)量和品質(zhì)至關(guān)重要。

李方一[1]采用圖像處理技術(shù)預(yù)測油菜葉片氮含量，建立了油菜葉片顏色特征值與氮含量的相關(guān)關(guān)系，20個回歸方程的決定系數(shù)均約為0.5；李金夢等[2]采用高光譜成像技術(shù)預(yù)測柑橘植株葉片的含氮量，建模相關(guān)系數(shù)達0.906 5，預(yù)測相關(guān)系數(shù)達0.860 9；P.SCHARPF等[3]用玉米葉片顏色特征值預(yù)測土壤需氮量，準確率達0.6以上。

葉片氮含量與葉綠素含量緊密相關(guān)，葉綠素熒光信息可較全面反映作物的生長狀況[4–6]。魏紅艷等[7]通過獲取葉綠素熒光的信息，分析作物葉綠素含量，得出葉綠素含量與葉綠素熒光強度具有高相關(guān)性的結(jié)論；曹寧等[8]通過獲取作物葉綠素熒光圖像的特征參數(shù)，分析作物的生長情況，結(jié)果表明，葉綠素熒光圖像在營養(yǎng)脅迫下十分敏感。葉片氮含量的差異會引起葉片葉綠素含量的變化，葉綠素含量不同，會引起葉綠素熒光圖像的特征參數(shù)產(chǎn)生差異[9–14]。筆者提取辣椒葉片葉綠素熒光圖像的特征參數(shù)，建立了葉綠素熒光主要特征參數(shù)與葉片氮含量的相關(guān)模型，以期實現(xiàn)葉片葉綠素含量的預(yù)測?，F(xiàn)將結(jié)果報道如下。

1 材料與方法

1.1 材料

供試辣椒品種為‘蘇椒5號’。

1.2 方法

試驗于2016年3—6月在南京農(nóng)業(yè)大學工學院venlo玻璃溫室中進行。3月2日播種，4月18日選取長有6片真葉且長勢一致的辣椒苗移栽至椰殼基質(zhì)中。

1.2.1 辣椒葉片葉綠素熒光圖像的獲取及預(yù)處理

為避免陽光直射和周圍冗余物對捕獲葉綠素熒光圖像的影響，在暗室搭建了葉綠素熒光圖像采集系統(tǒng)，其硬件主要包括CCD相機、LED激光光源、濾光片、載物平臺、計算機、滑軌、相機工作平臺。相機工作平臺垂直鑲嵌于滑軌，隨滑軌上下移動，滑軌由電機驅(qū)動，CCD相機安放于模組平臺上，鏡頭垂直向下，直接采集圖像。LED同軸光源為465~485 nm波段的同軸光源[15–16]。

于辣椒移栽后的第4周，隨機采集葉片，獲取葉綠素熒光圖像后，將每3片葉組成1個樣本，總共設(shè)置老葉80個、壯葉80個和新葉80個共240個樣本，于冰箱中冷藏。

為最大程度降低和消除機器誤差和環(huán)境中灰塵的影響，在數(shù)據(jù)處理前，對樣本圖像進行預(yù)處理，以達到去噪的目的[17]。使用減背景的方法[1]用MATLAB軟件對圖片進行預(yù)處理，增強圖像信息的準確性，從而獲取有效的圖像信息。剔除由于老壞破損而影響完整成像的10個樣本圖像，用其余230個總樣本進行建模，按2∶1的比率隨機將230個總樣本分為建模集(154個樣本)和預(yù)測集(76個樣本)。

1.2.2 辣椒葉片氮含量的測定

將獲取熒光圖像后的辣椒葉片于 105 °C殺青30 min，在80 °C左右烘干至恒重。每個樣本碾磨后，取50 mg，用凱式定氮法[1]測定氮含量。

1.2.3 建模

采用主成分分析法(PCA)對多個與氮含量相關(guān)性較高的變量進行降維處理，將其結(jié)果作為建模的輸入變量，分別運用基于遺傳算法優(yōu)化的反向傳播人工神經(jīng)網(wǎng)絡(luò)(BPNN)、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)和多元線性回歸(MLR)3種方法建模。

通過分析比較模型的預(yù)測集樣本相關(guān)系數(shù)(Rp)、預(yù)測集均方根誤差(RMSEP)和建模集樣本相關(guān)系數(shù)(Rc)、建模集均方根誤差(RMSEC)，驗證模型的穩(wěn)定性并對結(jié)果進行評估，模型相關(guān)系數(shù)越接近1，均方根誤差越小，則模型性能越好。

2 結(jié)果與分析

2.1 辣椒葉片葉綠素熒光圖像的預(yù)處理及特征參數(shù)的提取

如圖1所示，在圖像預(yù)處理時，先對擺放有被測對象的背景進行激發(fā)拍攝，如圖1–a，再對沒有被測對象的背景進行激發(fā)拍攝，如圖1–b，減背景運算之后的圖像如圖1–c。由圖1–c可清晰地看出，經(jīng)過減背景運算之后的圖像，有效地去除了周圍冗余環(huán)境的影響。

圖1 辣椒葉片熒光圖像的預(yù)處理結(jié)果Fig.1 The results of pepper leaf fluorescence image preprocessing

用MATLAB軟件提取的顏色空間特征值只有單一的分量數(shù)據(jù)，其顯示圖像為黑白圖像，由于對黑白圖像的識別能力遠低于對彩色圖像的識別，因此在分析時對各特征分量進行偽彩色處理，以分明的梯度色彩表示每個像素點的數(shù)值大小，從而獲得更加直觀的圖像。偽彩色處理的部分特征分量如圖2所示。

圖2 部分特征分量的偽彩色圖像Fig.2 The pseudo-color image of some characteristic parameters

在特征參數(shù)的提取過程中，根據(jù)顏色表達的RGB、HIS、HSV空間系統(tǒng)特征參數(shù)和參數(shù)間算法的變化[18–21]，用MATLAB軟件共提取了25個特征值：R、G、B、GRAY、H、S、V、R/G、G/R、R/B、R/B、B/G、G/B、R/(G+B)、G/(R+B)、B/(R+G)、r、g、b、NID、ExR、ExG、ExG – ExR 、Exr、Exg。用 SPSS軟件分析各特征值與葉片氮含量的相關(guān)性，發(fā)現(xiàn)R、G、B、GRAY、H、S、V、R/G、G/R、R/(G+B)、G/(R+B)、B/(R+G)、r、g、b、NID、Exr、Exg 18個特征值與氮含量相關(guān)系數(shù)均高于0.5，呈極顯著相關(guān)。

對18個相關(guān)特征值采用PCA進行數(shù)據(jù)降維，得出的新變量不僅互不相關(guān)，而且保留了原始變量的主要信息。由表1可知，采用PCA提取特征變量，模型的自變量由18個降至3個有效變量，這3個有效變量的特征根均大于 1，表明降維后的這 3個主成分與目標參數(shù)相關(guān)性較好，同時這3個新的變量包含了原18個變量98.638%的信息。

表1 主成分的總方差解釋Table 1 The explained of principal component analysis

2.2 辣椒葉片熒光特征參數(shù)對氮含量的預(yù)測模型

總樣本、建模集樣本、預(yù)測集樣本葉片氮含量的范圍、均值和標準偏差列于表2。

表2 辣椒葉片樣本的氮含量Table 2 Nitrogen content of pepper leaf sample

為判斷提取的辣椒葉片熒光特征變量對氮含量的預(yù)測能力，以PCA提取的3個主要特征變量作為建模和預(yù)測模型的自變量，葉片氮含量作為因變量，分別建立精簡的BPNN、GRNN、MLR模型，其中，經(jīng)反復(fù)訓(xùn)練確定BPNN反向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為：隱含層神經(jīng)元10個，訓(xùn)練速率0.5，允許誤差0.000 01，最大迭代次數(shù)1 000。

由表3可知，BPNN、GRNN、MLR 3種模型的Rc都在0.94以上。MLR的均方根為3個模型中誤差最小的，但是它的預(yù)測集Rp比BPNN、GRNN都小，效果不理想；GRNN的均方根誤差為3個模型中最大的，而且Rc不如BPNN的大，不是理想模型。BPNN的均方根誤差雖然比MLR的稍大，但是BPNN的Rc為3個模型中最大的。綜合看來，3個模型以BPNN的預(yù)測效果最好。

表3 3種預(yù)測模型的比較Table 3 Comparative analysis of three prediction models

[1]李方一.基于數(shù)字圖像處理技術(shù)的油菜葉片氮素營養(yǎng)檢測研究[D].長沙：湖南農(nóng)業(yè)大學，2009.

[2]李金夢，葉旭君，王巧男，等.高光譜成像技術(shù)的柑橘植株葉片含氮量預(yù)測模型[J].光譜學與光譜分析，2014，34(1)：212–216.

[3]SCHARPF P C，LORY J A.Calibrating corn color from aerial photographs predict side dress nitrogen needs[J].Agronomy Journal，2002，94：397–404.

[4]王植，周連第，李紅，等.桃樹葉片氮素含量的高光譜遙感監(jiān)測[J].中國農(nóng)學通報，2011，27(4)：85–90.

[5]張瑤，鄭立華，李民贊，等.蘋果葉片氮素含量快速檢測模型[J].農(nóng)業(yè)機械學報，2012，43(增刊)：301–302.

[6]READ J J，TARPLEY L，MCKINION J M.Narrow–waveband reflectance rations for remote estimation of nitrogen status in cotton[J].Journal of Environmental Quality，2002，31(5)：1442–1452.

[7]魏紅艷.葉綠素熒光檢測技術(shù)及儀器的研究[D].天津：天津大學，2009.

[8]曹寧.現(xiàn)場葉綠素熒光圖像信息分析方法研究[D].西安：西安理工大學，2013.

[9]盧曉鵬，李靜，黃成能，等.氮素脅迫對枳生長發(fā)育及其氨基酸含量的影響[J].湖南農(nóng)業(yè)大學學報(自然科學版)，2013，39(6)：615–620.

[10]馮偉，李曉，王永華，等.小麥葉綠素熒光參數(shù)葉位差異及其與植株氮含量的關(guān)系[J].作物學報，2012，38(4)：657–664.

[11]黃成能.氮脅迫對柑橘營養(yǎng)生長及GS/GOGA循環(huán)酶基因表達影響的研究[D].長沙：湖南農(nóng)業(yè)大學，2014.

[12]BLACKMER T M，SCHEPERS J S，VARVEL G E.Light reflectance compared with other nitrogenstress measurements in corn leaves[J].Agronomy Journal，1994，86：934–936.

[13]YANG W H，PENG S B，HUANG J L，et al.Using leaf color charts to estimate leaf nitrogen status of rice[J].Agronomy Journal，2003，95：212–215.

[14]蔡象元.現(xiàn)代蔬菜溫室設(shè)施和管理[M].上海：上海科學技術(shù)出版社，2000.

[15]沈麗.激光誘導(dǎo)葉綠素熒光光譜分析[D].長春：吉林大學，2009.

[16]楊昊諭.基于葉綠素熒光光譜分析的植物生理信息檢測技術(shù)研究[D].長春：吉林大學，2010.

[17]楊瑋，李民贊，孫紅.溫室黃瓜葉片近紅外圖像消噪算法與含氮量快速檢測[J].農(nóng)業(yè)機械學報，2013，44(7)：216–221.

[18]孫國祥，汪小旵，閆婷婷，等.基于機器視覺的植物群體生長參數(shù)反演方法[J].農(nóng)業(yè)工程學報，2014，30(20)：187–195.

[19]王連軍，邢宇.數(shù)字圖像技術(shù)在草莓氮素營養(yǎng)診斷中的應(yīng)用研究[J].華南農(nóng)業(yè)大學學報，2010，31(2)：19–21.

[20]GEORGR E M，JOAO C N.Verification of color vegetation indices for automated crop imaging applications[J].Computer and Electronics in Agriculture，2008，63(2)：292–293.

責任編輯：羅慧敏

英文編輯：吳志立

Detection of pepper leaves nitrogen content in greenhouse based on chlorophyll fluorescence image

YANG Yilu, WANG Xiaochan*, LI Chengguang, ZHAO Bo, BAI Ruyue
(College of Engineering,Nanjing Agricultural University, Nanjing 210031,China)

25 feature parameters were extracted from chlorophyll fluorescence image of pepper leaf, including 18 parameters which was significantly correlated with the nitrogen content at the 0.01 level.Principal component analysis (PCA) was used to extract the main parameters as input variables of genetic algorithm to optimize back–propagation artificial neural network (BPNN), generalized regression neural network (GRNN) and multiple linear regression (MLR), to establish the forecast model of hot pepper leaf nitrogen content, respectively.The correlation coefficient of three model set were 0.959 2, 0.963 3, 0.943 5, and correlation coefficient of prediction set were 0.914 5, 0.821 3, 0.774 1, respectively.

pepper leaf ;nitrogen content; chlorophyll fluorescence image; digital image processing technology

TP274.+5

：A

：1007-1032(2017)01-0108-04

2016–06–28

2016–10–09

國家自然科學基金項目(61273227)；江蘇省青年基金項目(BK20150686)；江蘇省科學技術(shù)廳項目(BN2013051)

楊一璐(1992—)，女，云南德宏人，碩士研究生，主要從事農(nóng)業(yè)生物環(huán)境檢測與控制研究，709628122@qq.com；*通信作者，汪小旵，教授，主要從事農(nóng)業(yè)生物環(huán)境模擬與調(diào)控方向研究，wangxiaochan@njau.edu.cn