劉玉嬋　胡陽

摘要：[目的]探討基于普通數(shù)碼影像的單株桃樹估產(chǎn)方法，為實現(xiàn)桃樹產(chǎn)量的高精度、低成本估測提供參考。[方法]以安徽省滁州市張山桃園為試驗區(qū)，利用數(shù)碼相機分別從西北、東南兩個方向對抽取的成熟期單株桃樹進行拍攝，通過改進的分割算法和特征空間的優(yōu)化進行果實信息提取，進而選取斑塊數(shù)量、周長和面積作為特征參數(shù)估測單株桃樹產(chǎn)量。[結果]采用雙方向拍攝的斑塊數(shù)量之和的建模（y=0.9748x+0.3995）精度最高，預測值與實際值間的決定系數(shù)（R²）達0.9049，均方根誤差（RMSE）達0.21，而僅采用西北方向拍攝的斑塊數(shù)量作為建模參數(shù)的效果最差，R²僅0.0687，RMSEJ為30.64。[結論]可以利用普通數(shù)碼影像提取斑塊數(shù)量作為特征參數(shù)構建估產(chǎn)模型對成熟期果樹進行產(chǎn)量預測，其精度較高，該方法具有一定科學性和應用前景。

關鍵詞：桃樹；數(shù)碼影像；模型；估產(chǎn)

中圖分類號：S662.1 文獻標志碼：A 文章編號：2095-1191（2018）03-0606-06

0引言

[研究意義]近年來，隨著我國農(nóng)業(yè)遙感等信息技術的發(fā)展，為果品的自動化監(jiān)測提供了便利（易時來等，2009；吳尚蓉等，2013）。對果樹產(chǎn)量進行預測可幫助果農(nóng)根據(jù)市場實際需求量制訂合理的生產(chǎn)計劃和銷售方向（劉軍弟和霍學喜，2010）。目前，果樹估產(chǎn)的準確性及可推廣性仍是限制其發(fā)展與應用的主要因素（雷彤等，2010；劉璐等，2012；盧軍和桑農(nóng)，2014）。利用普通數(shù)碼攝影技術對單株果樹產(chǎn)量進行估測，具有操作簡單、成本低、可推廣性強的特點，可為實現(xiàn)果樹生產(chǎn)現(xiàn)代化提供科學依據(jù)。[前人研究進展]已有學者利用普通數(shù)碼攝影技術對蘋果（Elfving and Schechter，1993；Linker et a1.，2012；程洪等，2015）、獼猴桃（Wijethunga et a1.，2008）、柑橘（張亞靜等，2009）、芒果（Payne et a1.，2013）進行了產(chǎn)量估測研究，其結果均表明基于圖像處理技術提取的個數(shù)、面積等特征參數(shù)與產(chǎn)量問存在著較高的相關性，尤其在蘋果估產(chǎn)方面研究諸多。何傳江和唐利明（2007）通過對果樹進行單方向攝影，提取面積、周長、個數(shù)作為特征參數(shù)，構建單株果樹產(chǎn)量估算模型，取得了較好生產(chǎn)效益；蘇哲斌（2009）結合灰色系統(tǒng)與馬爾柯夫鏈理論，建立灰色馬爾柯夫估測模型，以陜西省為試驗區(qū)進行了蘋果產(chǎn)量估測；雷彤等（2010）通過實測蘋果冠層反射光譜，估測了山東省棲霞市的蘋果產(chǎn)量；Rozman等（2012）利用蘋果果樹多個時期的圖像，以提取的蘋果個數(shù)為輸入值，成功建立了基于神經(jīng)網(wǎng)絡模型的蘋果成熟期單株果樹實際產(chǎn)量估測方法；錢建平等（2013）利用圖像處理技術，對識別出的成熟期蘋果數(shù)碼影像果實圖斑構建產(chǎn)量估測模型。[本研究切入點]雖然前人的研究均構建出不同果實在特定區(qū)域的估產(chǎn)模型，但由于果實的生長存在不均衡性，單一方向的影像數(shù)據(jù)估產(chǎn)難免會產(chǎn)生較大誤差，導致現(xiàn)有的理論模型無法落實在具體的果樹估測應用中。[擬解決的關鍵問題]針對當前研究存在的不足，以桃樹為研究對象，對單株桃樹的西北、東南兩個方向的成熟期果樹進行數(shù)碼攝影，通過分割算法的改進和特征空間的優(yōu)化進行果樹信息提取，進而選取特征參數(shù)構建單株桃樹產(chǎn)量估測模型，實現(xiàn)對桃樹產(chǎn)量的高精度、低成本估測。

1數(shù)據(jù)來源與研究方法

1.1數(shù)據(jù)來源

試驗區(qū)位于安徽省滁州市來安縣張山桃園，面積約5 ha，桃園內(nèi)桃樹南北縱向成行分布，樹形為改良杯狀形，大部分樹齡為5年。通過分析該桃園2012～2016年的生產(chǎn)和管理記錄，單株桃樹產(chǎn)量平均為100kg。本研究在桃樹成果期進行圖像數(shù)據(jù)的采集，選取50株生長較好的健壯桃樹，對每株進行編號。本研究使用佳能EOS 600D數(shù)碼相機采集數(shù)據(jù)，有效像素1800萬，傳感器尺寸22.3mm×4.9mmCMOS。于2016年9月8～9日12：00～14：00對每株桃樹分別從西北和東南方向進行照片拍攝，要求整株果樹都能拍攝到，且焦距一致，共獲取100幅影像。為提高處理影像的效率，進行批量裁剪以去除影像多余部分，保留目標區(qū)域，裁剪后的像素為640x640。2016年9月12～20日采摘50株桃樹的果實，同時詳細記錄每株桃樹的實際產(chǎn)量，將50株果樹的產(chǎn)量按從低到高順序排列，并分為奇數(shù)和偶數(shù)兩組，每組各25株（表1）。

1.2基于幾何活動輪廓模型的影像分割

幾何活動輪廓模型（Geodesic active contour，GAC）基于水平集方法及曲線進化理論，曲線進化與參數(shù)無關。曲線進化的基本原理：首先將作為零水平集的曲線插入到高一維的函數(shù)中，再對其進行不斷更新，從而完成對其中隱含曲線的進化?；镜腉AC模型滿足以下方程：

對于傳統(tǒng)GAC模型，g函數(shù)是定義在影像梯度場上的非負單調(diào)遞減函數(shù)，其目的是使演化曲線在目標邊界上的速度為零。然而，根據(jù)g函數(shù)的定義，演化曲線在目標邊界上的速度不僅不會為零，還會在弱邊界上較大，造成邊界泄露，即演化曲線會陷進目標內(nèi)部。針對基本擴散模型在演化曲線方面的缺陷，通過總結前人關于閾值研究的經(jīng)驗（何傳江和唐利明，2007），本研究定義控制參數(shù)6c為0.35，β為0.55。

2結果與分析

2.1特征空間構建及果實信息提取

顏色信息、形狀信息和紋理信息是識別果實目標與背景的重要因子，也是遙感數(shù)據(jù)識別的基礎。通過選取顏色、形狀和紋理信息構建特征空間，可準確、有效地將果實從背景中識別出來。本研究選取比值特征（某波段影像斑塊的均值光譜除以全部波段的斑塊均值光譜之和）和亮度特征（將光譜層的均值亮度與影像對象數(shù)量相除）作為顏色指標；選取斑塊周長、面積、最小外接矩形長和寬及圓形度等作為形狀指標；選取小梯度優(yōu)勢、梯度不均勻性、灰度均方差、慣性、灰度不均勻性、能量不均勻性、相關和逆差距等作為紋理指標。對成熟期的桃樹利用改進GAC模型的影像分割方法進行影像分割，得到分割后的果實信息提取結果如圖1所示。

2.2特征參數(shù)選取及單株產(chǎn)量估測模型構建

基于前人采用影像分割結果的斑塊個數(shù)、周長和總面積等3個特征參數(shù)對單株果實產(chǎn)量進行估測研究（張亞靜等，2009），其中，識別斑塊個數(shù)是從圖像中識別到的成熟桃數(shù)量，即從數(shù)量方面反映桃的產(chǎn)量；識別總周長是圖像中識別到的桃子輪廓像素和；識別面積是圖像中識別到的桃子面積。周長越長、面積越大，桃子的體積可能就越大，即以重量反映桃子的產(chǎn)量。綜上所述，本研究提出以下9個特征參數(shù)為自變量：（1）從西北方向提取的斑塊數(shù)；（2）從東南方向提取的斑塊數(shù)；（3）從西北和東南方向提取的斑塊數(shù)之和；（4）從西北方向提取的斑塊周長；（5）從東南方向提取的斑塊周長；（6）從西北和東南方向提取的斑塊周長之和；（7）從西北方向提取的斑塊面積；（8）從東南方向提取的斑塊面積；（9）從西北和東南方向提取的斑塊面積之和。同時，采用奇數(shù)組的25株實測桃樹單株產(chǎn)量作為因變量，構建桃樹單株產(chǎn)量估測回歸模型。

本研究采用預測值與實際值問的決定系數(shù)R²和均方根誤差RMSE兩個指標來評價估產(chǎn)模型的性能，R²越大表明預測值與實際值相關性越好，RMSE越小說明估算模型估測精度越高。計算公式如下：式中，y_i為樣本實際產(chǎn)量，y_ie為樣本預測產(chǎn)量。由構建的模型（圖2）及評價結果（表2）可知，采用斑塊數(shù)量為估產(chǎn)建模參數(shù)時，總體效果比斑塊面積和斑塊周長優(yōu)，其中，采用東南和西北雙方向拍攝斑塊數(shù)量之和的建模精度最高，R²達0.9049，RMSE達0.21，通過F=O.01顯著性檢驗；而僅采用西北方向的斑塊數(shù)量作為建模參數(shù)時效果最差，R²僅為0.0687，RMSE為0.64。在采用斑塊面積作為建模參數(shù)時，不管是采用西北或東南單方向的斑塊面積，還是雙方向斑塊面積之和，建模的效果相差不明顯；而采用其他兩種參數(shù)建模時，西北方向參數(shù)的建模效果明顯比東南方向和雙方向之和參數(shù)的建模效果差。其原因可能是拍攝果樹影像時，東南方向獲取的影像光線較佳，果實斑塊識別更準確；也可能是樹木本身的生長特性所致，東南方向果實的生長較好，該方向的影像能反映整棵果樹的大致產(chǎn)量。

2.3單株產(chǎn)量估測模型分析

2.3.1模型驗證 基于前期試驗中構建的9個特征參數(shù)模型，采用精度最高的雙方向斑塊數(shù)量之和為特征參數(shù)，對奇數(shù)組的25株果樹的產(chǎn)量進行預測，同時利用實際產(chǎn)量進行精度驗證，結果如圖3所示。由圖3可知，總體上果樹產(chǎn)量預測值與實際產(chǎn)量值差距較小，單株果樹實際產(chǎn)量平均值為56.3kg，預測產(chǎn)量平均值為56.1kg，二者基本一致。但單株果樹產(chǎn)量預測值與實際產(chǎn)量值問仍存在或大或小的差異，其中，編號為11的果樹差異最明顯，預測值比實際產(chǎn)量低12.0kg，其次是編號為17的果樹，預測值比實際產(chǎn)量高11.0kg。

2.3.2模型誤差分析 從整體上看，單株果樹產(chǎn)量預測值偏低的有14株，偏高的有11株。通過對研究過程進行分析，認為產(chǎn)生誤差的因素大致分為以下幾種：（1）對于預測產(chǎn)量偏低的情況：一方面可能是果實被樹葉遮擋使得影像無法識別果實斑塊；另一方面可能是若干果實擠在一起生長使得影像分割時將其識別為一個整體斑塊（圖4-a）；（2）對于預測產(chǎn)量偏高的情況：一方面是由于雙方向影像采集時，會將同一果實進行重復數(shù)據(jù)獲取，導致重復計算；另一方面是由于單個果實被樹枝或樹葉遮擋，在影像分割時將單個果實識別為多個斑塊（圖4-b）。

3討論

本研究以桃樹為研究對象，利用數(shù)碼相機分別從西北、東南兩個方向對成熟期的單株桃樹進行數(shù)碼拍照，通過改進后的分割算法和特征空間的優(yōu)化，進行果實信息提取，選取了斑塊數(shù)量、斑塊周長、斑塊面積作為特征參數(shù)，進行單株桃樹產(chǎn)量估測。結果表明，在單株桃樹產(chǎn)量估測模型構建時采用斑塊數(shù)量作為估產(chǎn)建模參數(shù)效果最優(yōu)，其中采用雙方向斑塊數(shù)量之和的建模精度最高，R²達0.9049，RMSE達0.21，其模型為y=0.9748x+0.3995。因此，本研究選用y=0.9748x+0.3995模型作為單株桃樹產(chǎn)量預測模型。

在前人關于構建特征空間研究的基礎上，本研究選取顏色、形狀、紋理指標作為特征空間構建因子，研究結果與以往單純依靠圖像中的果實個數(shù)與大小信息構建的估測模型（周嶸，2011；程洪等，2015）相比，提取的準確度有所提高，且更加全面地反映了果實信息。從與桃樹的實際產(chǎn)量比較來看，總體上預測值與實際值基本一致，說明利用普通數(shù)碼相機對成熟期果樹進行產(chǎn)量預測的方法具有一定的科學性和良好的應用前景，預測結果可為果農(nóng)根據(jù)市場實際需求量提前制訂合理的生產(chǎn)計劃和銷售方向，從而增加經(jīng)濟收益。但針對單株果樹產(chǎn)量預測仍存在部分誤差，因此，該模型在今后研究中需結合多種誤差因素，進一步提高本模型預測準確度，修正和完善估產(chǎn)模型。

4結論

利用普通數(shù)碼像片提取斑塊數(shù)量作為特征參數(shù)構建估產(chǎn)模型對成熟期果樹進行產(chǎn)量預測，其精度較高，該方法具有一定科學性和應用前景。

（責任編輯 鄧慧靈）