張娟利++韓文霆++楊六生++曹高欽++李小梅++張超越

摘要 為探討利用圖像處理檢測(cè)烤煙鮮煙葉含水率的方法，采用1 600萬(wàn)像素的數(shù)碼相機(jī)采集處于旺長(zhǎng)期的烤煙葉片的圖像信息，用烘干法測(cè)量葉片的含水率；通過(guò)Matlab軟件圖像處理中的灰度直方圖提取葉片圖像的灰度均值和熵值特征值，并測(cè)量了烤煙葉片的最大長(zhǎng)度、最大寬度、伸縮率、濕重等參數(shù)。結(jié)果表明，利用提取的15組煙葉葉片數(shù)據(jù)進(jìn)行多項(xiàng)式曲線擬合，建立了圖像灰度均值與烤煙葉片含水率的線性擬合預(yù)測(cè)模型，模型的相關(guān)系數(shù)R2達(dá)到了0.796 5。由此表明，利用煙葉圖像的灰度均值可以對(duì)其含水率進(jìn)行診斷。

關(guān)鍵詞 烤煙鮮煙葉；圖像處理；葉片含水率；灰度均值；預(yù)測(cè)模型

中圖分類號(hào) S572 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-5739（2017）09-0003-03

Abstract In order to discuss the method of evaluating tobacco leaf water based on image processing，the digital camera with 16 million pixels was used to capture the images of tobacco leaves after being picked from the plants during the vigorous growing stage，and then the moisture content of the leaves was detected by using drying method.The gray mean and entropy of leaf images were calculated by Matlab，and the max-length，max-width，expansion rate and wet weight of tobacco leaves were measured. The data of 15 groups of tobacco leaves were extracted by polynomial curve fitting，linear fitting prediction model were set up between the leaf water content and the gray mean of leaf image.The R2 of the model was up to 0.796 5. It was concluded that of the gray average of leaf images could be used to predict the moisture content in tobacco leaves.

Key words flue-cured tobacco fresh leaf；image processing；leaf moisture content；gray mean；prediction model

烤煙是貴州省各地區(qū)農(nóng)戶的主要經(jīng)濟(jì)作物之一，種植質(zhì)量的好壞直接影響其產(chǎn)量和農(nóng)戶的收成。葉片作為作物進(jìn)行光合作用和蒸騰作用的主要器官，其大小、紋理和顏色等外觀形態(tài)特征反映了作物的生長(zhǎng)狀態(tài)。如在生長(zhǎng)期水分不足時(shí)，會(huì)在葉片大小和顏色等外部形態(tài)上表現(xiàn)出來(lái)[1-3]，此時(shí)利用圖像處理的方法可以發(fā)現(xiàn)肉眼很難分辨出的一些細(xì)小差別[2-3]，及早對(duì)烤煙葉片含水率進(jìn)行診斷，以降低缺水對(duì)煙葉生長(zhǎng)的影響。

圖像處理與分析技術(shù)在作物水分檢測(cè)方面得到了一定的研究與應(yīng)用[4]。目前，相關(guān)的研究主要集中在葡萄、玉米、棉花、黃瓜等作物的水分檢測(cè)上。顏色作為圖像最直觀的視覺(jué)特征之一，在基于顏色特征的水分虧缺診斷研究中，大多是提取農(nóng)作物的圖像R、G、B、H、I、S分量的值，對(duì)其進(jìn)行多種組合變換，從而分析它們與作物水分狀況的相關(guān)關(guān)系，建立相應(yīng)的數(shù)學(xué)模型。勞東青等[2]提取溫棚葡萄葉片的灰度均值，基于MATLAB軟件，建立了均值與葉片含水率的估算模型，結(jié)果表明，葉片圖像灰度均值可以對(duì)葡萄葉片的含水率進(jìn)行診斷。徐騰飛等[3]通過(guò)改變灌溉不同水量的盆栽試驗(yàn)，利用玉米葉片圖像的灰度直方圖提取葉片的各種特征值，采用線性回歸的方法建立各種特征值與葉片含水率之間的關(guān)系模型，結(jié)果表明，葉片灰度直方圖均值參數(shù)可以對(duì)玉米的葉片含水率進(jìn)行預(yù)測(cè)。王方永等[5]分析了顏色參數(shù)與棉花水分含量及水分含量指數(shù)的預(yù)測(cè)模型，預(yù)測(cè)精度達(dá)到了90%以上，證明了基于數(shù)字化圖像技術(shù)診斷棉花水分狀況是可行的。孫瑞東等[6]繪制了最適合背景光下黃瓜葉片含水量與圖像特征參數(shù)關(guān)系曲線，并采用非線性最小二乘擬合法建立了葉片含水量與特征區(qū)域圖像灰度梯度的回歸模型，實(shí)現(xiàn)了通過(guò)黃瓜葉片圖像特征判斷缺水狀態(tài)的無(wú)損檢測(cè)目的。

本文以需要高水量的旺長(zhǎng)期烤煙鮮煙葉為例，對(duì)基于圖像處理的烤煙葉片含水率診斷方法進(jìn)行探討，旨在探討圖像處理應(yīng)用于煙葉水分檢測(cè)的可行性，為實(shí)現(xiàn)農(nóng)戶種植烤煙的精準(zhǔn)灌溉提供技術(shù)依據(jù)。

1 材料與方法

1.1 試驗(yàn)概況

試驗(yàn)在黔西南州興義市黔龍古鎮(zhèn)落紅組進(jìn)行，供試烤煙品種是本地區(qū)使用比較廣的云煙87。采用田間覆膜種植，土壤質(zhì)地為黃土壤[7]。采摘處于旺長(zhǎng)期的煙葉，并進(jìn)行編號(hào)。此時(shí)土壤相對(duì)含水量為73.68%，晴，氣溫為24 ℃。

1.2 圖像采集

使用1 600萬(wàn)像素的數(shù)碼相機(jī)在晴天室外自然光條件下采集煙葉葉片圖像。拍攝時(shí)，將葉片平放置于水平白板上，在葉片上方垂直高度約為0.6 m處拍攝圖像，相機(jī)平面與葉片平面平行，每次拍攝均采用自動(dòng)曝光模式控制曝光時(shí)間和色彩平衡，避免陽(yáng)光直射，也避免身體及其他物體在葉片上產(chǎn)生陰影。采集時(shí)間為北京時(shí)間9：00—11：00，圖像采用JPG的統(tǒng)一存儲(chǔ)格式。

1.3 煙葉含水率測(cè)定

圖像采集后，量取最大葉長(zhǎng)度與最大葉寬度，隨后迅速放入保鮮袋中密封，帶回實(shí)驗(yàn)室測(cè)定煙葉含水率。首先利用精度為0.01 g的電子天平稱取煙葉的鮮重，再放入型號(hào)為AM-HG40電熱鼓風(fēng)烘箱中，調(diào)整烘干機(jī)溫度為107 ℃，進(jìn)行烘干，由于葉片的大小不一，所以烘干時(shí)間為5～8 h，當(dāng)間隔1 h重量恒定時(shí)，此重量即為葉片的干重。根據(jù)下式計(jì)算烤煙葉片的含水率。

式中，w0為葉片含水率，w1為葉片濕重，w2為葉片干重。

1.4 圖像預(yù)處理

將數(shù)碼相機(jī)中的圖像文件導(dǎo)入計(jì)算機(jī)，并調(diào)整擺放方向使所有的圖像統(tǒng)一。由于圖像在采集、傳輸和量化等過(guò)程中可能會(huì)引入各種噪聲，會(huì)導(dǎo)致圖像質(zhì)量下降，降低分析結(jié)果的準(zhǔn)確性，所以必須對(duì)圖像進(jìn)行濾波降噪處理。

采用線性空間濾波來(lái)對(duì)圖像進(jìn)行濾波處理。這一過(guò)程可以使用Matlab圖像處理工具箱中的imfilter函數(shù)來(lái)實(shí)現(xiàn)[3，8]。

濾波降噪處理后，利用ACDsee軟件中編輯功能的魔術(shù)棒工具和快速選擇工具選擇葉片部分，去除多余且復(fù)雜的背景和陰影。處理前后的圖像對(duì)比如圖1和圖2所示。

1.5 圖像特征參數(shù)提取

采用Matlab中的imread（）函數(shù)讀取經(jīng)過(guò)預(yù)處理的葉片圖像，用rgb2gray（）函數(shù)將彩色圖像轉(zhuǎn)化為灰度圖像如圖3所示，然后對(duì)灰度圖像取反如圖4所示，再利用Matlab的圖像處理中的灰度直方圖提取其灰度均值和反映灰度均勻性的熵值特征值[8-10]。

2 結(jié)果與分析

2.1 葉片的含水率和對(duì)應(yīng)的特征值

各煙葉葉片的含水率、灰度均值和熵值如表1所示。

2.2 預(yù)測(cè)參數(shù)提取

測(cè)量并計(jì)算出葉片的各種參數(shù)（葉片的最大寬度、最大長(zhǎng)度、伸縮率、濕重、含水率、灰度均值和熵值）。煙葉樣本含水率處于84%～87%之間，根據(jù)含水率大小分成2組共15個(gè)樣本進(jìn)行參數(shù)分析。

從圖5可以看出，葉片不同含水率的灰度均值特征參數(shù)的區(qū)分效果比較理想，而其他參數(shù)（葉片的最大寬度、最大長(zhǎng)度、伸縮率、濕重和熵值）的區(qū)分效果都不太明顯。并且含水率大的葉片灰度均值較含水率小的葉片的灰度均值要大，2條曲線沒(méi)有交叉，可以利用均值作為區(qū)分葉片含水率的特征值。因此，提取灰度均值參數(shù)作為對(duì)煙葉葉片含水率預(yù)測(cè)的特征值。

2.3 預(yù)測(cè)模型建立

為了分析煙葉含水率與灰度均值之間的關(guān)系，采用一元一次多項(xiàng)式和一元二次多項(xiàng)式擬合，擬合結(jié)果如圖6和圖7所示。

葉片含水率與其灰度均值之間的一元一次多項(xiàng)式預(yù)測(cè)模型為：

y=0.053 4x+83.12，R2=0.796 5。

葉片含水率與其灰度均值之間的一元二次多項(xiàng)式預(yù)測(cè)模型為：

y=0.000 5x2+0.002 1x+84.31，R2=0.803 8。

式中，x為提取的灰度均值，y為根據(jù)灰度均值預(yù)測(cè)的葉片含水率。相關(guān)系數(shù)越接近1，說(shuō)明回歸線對(duì)觀測(cè)值的擬合效果越好。

從圖6和圖7可以看出，煙葉葉片的灰度均值與其含水率呈正相關(guān)關(guān)系，灰度均值越大，含水率越大。一次多項(xiàng)式和二次多項(xiàng)式擬合的相關(guān)系數(shù)值表明，使用二次多項(xiàng)式擬合的效果較一次多項(xiàng)式的擬合效果要好些，但2次的相關(guān)系數(shù)的值差別很小，而一次多項(xiàng)式預(yù)測(cè)模型運(yùn)算要簡(jiǎn)單些。因此，選擇一元一次多項(xiàng)式預(yù)測(cè)模型作為烤煙煙葉含水率的預(yù)測(cè)和評(píng)價(jià)指標(biāo)。

3 結(jié)論

研究結(jié)果表明，在烤煙葉片的最大長(zhǎng)度、最大寬度、伸縮率、濕重、含水率、灰度均值和熵值等參數(shù)中，灰度直方圖中的灰度均值可以對(duì)烤煙葉片含水率進(jìn)行預(yù)測(cè)；并建立了灰度均值與烤煙葉片含水率的線性擬合預(yù)測(cè)模型；該模型的預(yù)測(cè)結(jié)果相對(duì)比較理想，所以應(yīng)用圖像處理診斷煙葉的含水率是可行的。今后可對(duì)圖像的預(yù)處理方法和更多的灰度特征值與葉片含水率的相關(guān)關(guān)系等進(jìn)行研究，以期建立擬合程度更高的葉片含水率預(yù)測(cè)模型。

4 參考文獻(xiàn)

[1] 宋亞杰，謝守勇.機(jī)器視覺(jué)技術(shù)在金蓮花灌溉中的應(yīng)用研究[J].西南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2006，28（4）：659-662.

[2] 勞東青，李發(fā)永.基于圖像處理的葡萄葉片含水率診斷初探[J].節(jié)水灌溉，2015（3）：5-7.

[3] 徐騰飛，韓文霆，孫瑜.基于圖像處理的玉米葉片含水率診斷方法研究[J].干旱地區(qū)農(nóng)業(yè)研究，2013，31（1）：95-100.

[4] 梁改梅，楊錦忠.計(jì)算機(jī)圖像處理與分析技術(shù)在作物領(lǐng)域的應(yīng)用[J].科技情報(bào)開(kāi)發(fā)與經(jīng)濟(jì)，2006，16（12）：222-224.

[5] 王方永，王克如，王崇桃，等.基于圖像識(shí)別的棉花水分狀況診斷研究[J].石河子大學(xué)學(xué)報(bào)，2007，25（4）：404-407.

[6] 孫瑞東，于海業(yè)，于常樂(lè)，等.基于圖像處理的黃瓜葉片含水量無(wú)損檢測(cè)研究[J].農(nóng)機(jī)化研究，2008（7）：87-89.

[7] 黔西南州煙草土壤區(qū)劃[EB/OL].[2017-03-20].http：//www.doc88.com/p-732455683377.html.

[8] 張掙，倪紅霞.精通matlab數(shù)字圖像處理與識(shí)別[M].北京：人民郵電出版社，2013.

[9] 劉益新，郭依正.灰度直方圖特征提取的Matlab實(shí)現(xiàn)[J].電腦知識(shí)與技術(shù)，2009，5（32）：9032-9034.

[10] 章毓晉.實(shí)用MATLAB圖像和視頻處理[M].北京：清華大學(xué)出版社，2013.