李 波 ，葛 東 ，魏新光 ，鄭思宇 ，孫 君 ，楊昕宇

（1.沈陽農業(yè)大學 水利學院，沈陽 110161；2.通遼市水利技術推廣站，內蒙古通遼 028000）

東北地區(qū)不僅是我國的農業(yè)大糧倉，也是我國設施農業(yè)的主要分布區(qū)域[1]。 以遼沈系列為代表的日光溫室由于節(jié)能、集約、高產、優(yōu)質、可控等特點[2]，已經成為區(qū)域現代農業(yè)的主要表現形式。 遼寧省是東北設施農業(yè)的核心分布區(qū)域，設施種植面積達7．46×105hm2，居全國第二位[3]。 葡萄是遼寧省最重要的設施果樹，早在20 世紀70 年代，遼寧省果樹科學研究所就開始進行葡萄的設施栽培方面的研究，從而開啟了我國設施葡萄研究的先河[4]。 1990 年以來發(fā)展迅速，截止2018 年，遼寧省日光溫室種植面積達3．994×105hm2[5]，其中日光溫室葡萄種植面積達 1．0×105hm2，種植面積均居全國首位，創(chuàng)造經濟效益 2．0×109元[6]，日光溫室葡萄已經成為區(qū)域現代農業(yè)的重要組成部分和農民增收的主要途徑。

在日光溫室種植條件下，植株生長空間受限，優(yōu)化溫室內植株冠層分布，提高光能利用率是提高日光溫室葡萄產量和品質的關鍵。而冠層的綠色分數（Green Fraction）指標是衡量植株冠層分布的重要指標，并能在一定程度上反映植株活力與植株信息[7-8]。 近年來，表型監(jiān)測技術憑借其靈活性高、圖像數據分辨率高等優(yōu)勢，在表型監(jiān)測平臺上搭載傳感器越來越多地應用于植株生物量、表型信息監(jiān)測中[9-10]。 前人對作物綠色分數的提取主要利用表型監(jiān)測平臺、無人機遙感等搭載數碼相機或多光譜相機，監(jiān)測作物主要包括玉米[11]、冬小麥[12]、水稻[13]等大田作物。但是大尺度的遙感技術在環(huán)境人為調控的日光溫室環(huán)境中的適應性還有待進一步研究。通過計算機視覺技術或植被指數建模反演等方法得到作物的綠色分數信息，關鍵一步是對獲取的冠層圖像進行閾值分割。 常見的閾值分割方法主要為：自適應閾值方法[14]、直方圖雙峰法、最大類間方差(Otsu)法[15-16]、最大熵法[17]、迭代法等。 刁智華等[18]提出一種基于改進的模糊邊緣檢測的圖像閾值分割算法，比傳統(tǒng)固定閾值分割算法提高了分割正確率。 劉立波等[19]研究出一種基于邏輯回歸算法的自適應閾值分割方法，優(yōu)于顯著性分割方法。 劉媛媛等[20]提出一種基于圖像多閾值的自動分割方法(DH-GWO)，相比于改進粒子群算法(PSO)和灰狼算法(GWO)，DH-GWO 算法精確度更高。 目前閾值分割方法眾多，但對背景環(huán)境信息復雜的溫室作物還沒有一種能夠普遍適用的分割方法。近年來，基于植被指數的經驗統(tǒng)計作物信息被廣泛應用。迄今為止，國內外提出的植被指數有上百種，較為常用的可見光植被指數[4]有植被顏色提取指數（color index of vegetation，CIVH）[21]、歸一化綠紅差異指數（normalized green-red difference index，NGRDI）[22]、歸一化綠藍差異指數（normalized green-blue difference index，NGBDI）[23]、可見光波段差異植被指數（visible-band difference vegetation index，VDVI）[8]、過綠指數（excess green，HXG）[24]和歸一化植被指數（normalized difference vegetation index，NDVI）。 朱婉雪等[12]利用植被指數對冬小麥主要生育期的多光譜影像進行研究。孫國祥等[25]僅捕獲5～6 月溫室內黃瓜的冠層圖像，采用3 種植被指數指標分割冠層。 方益杭等[26]拍攝大田內3 個關鍵生育期油菜圖像，利用顏色特征進行分割。 前人大多針對特定生育階段進行研究，全生育期動態(tài)監(jiān)測作物的綠色分數信息研究較少。 牛亞曉等[27]采用歸一化植被指數結合監(jiān)督分類對航向及旁向重疊度為60%的冬小麥植被覆蓋度信息進行提取。 張智韜等[28]采集大田玉米冠層正射影像，利用多種植被指數建模。滕佳昆等[29]對天頂角為90°的刺槐進行適應季節(jié)變化的指數研究。上述研究雖然對作物全生育期進行了動態(tài)研究，但是圖像采集與分析僅局限于特定角度。 前人在大田下對黃瓜[25]、水稻[30]、小麥[31]、甜菜[32]、夏玉米[33]的冠層覆蓋度進行了探究，針對日光溫室內作物研究較少，對溫室內葡萄植株圖像提取全生育期不同生長部位作物信息的研究更不多見。

本研究以萌芽期、抽蔓期、開花坐果期、漿果膨大期和著色成熟期及不同生長部位的溫室內葡萄植株為研究對象，根據所研究溫室的結構特征、葡萄棚架形式與生長特征，定制了phenofix 型植物表型監(jiān)測平臺（phe鄄nofix-1，France），并利用該平臺所搭載的RGB 傳感器對葡萄生育期內的生長狀況進行監(jiān)測，利用多種植被指數結合閾值分割對葡萄植株進行分割，采用CIVH、HXG、VDVI3 種方法對葡萄不同生育階段的綠色分數進行提取研究，并對不同生育階段的結果進行比較，確定較優(yōu)的葡萄植株不同生育階段綠色分數的提取方法，從而提取葡萄植株全生育期的綠色分數，以期為日光溫室內生物量監(jiān)測、作物估產、溫室管理等提供參考。

1 材料與方法

1.1 表型RGB 多角度原始圖像獲取

本研究采用2018 年所拍攝的葡萄全生育期不同生長部位的冠層圖像數據進行分析，圖像信息采集地點位于（41°49′N，123°33′H）沈陽農業(yè)大學北山科研基地 44號溫室。 所使用的高通量作物表型監(jiān)測平臺（phenofix，法國）實物圖如圖1，平臺主要由RGB 成像傳感器、主控制箱、可調支架、多角度旋轉圓盤、可控傳送帶4 部分組成，允許采樣 3．5m，采樣速度 0～2．00m·s-1，可通過主控制箱上的旋鈕調節(jié)，本試驗采樣速度為0．14m·s-1，平均每次采樣34 幅RGB 圖像。 可移動監(jiān)測平臺以獲取大面積葡萄表型RGB 圖像，利用多角度旋轉圓盤手動設定 4 個天頂角：90°，70°，50°，30°，可以獲取葡萄冠層底部、中下部、中上部及頂部等不同生長部位的RGB圖像（圖2）。 Phenofix 研究平臺搭載的相機影像傳感器為堡盟VLG-40C，鏡頭搭載的為LM25HC。圖像拍攝時間為 2018 年 4～8 月， 采集時間為上午 9∶00～11∶00 拍攝圖像分辨率為 1022×1020 像素， 存儲格式為 *．TIF格式。

圖1 作物表型監(jiān)測平臺Figure 1 Crop phenotypic monitor apparatus

圖2 研究區(qū)域的葡萄植株RGB 圖像Figure 2 RGB Image of grape canopy in the study area

1.2 研究方法

本研究利用Photoshop 獲取目標圖像，選中植株區(qū)域，計算顏色直方圖中所選區(qū)域像素值，作為植株綠色分數實測值。 采用閾值提取結合植被指數的方法進行葡萄植株綠色分數提取，方法流程如圖3。

圖3 方法流程圖Figure 3 Crop process flowchart

1.2.1 閾值分割方法確定及評價 本研究利用迭代法、大津法和雙峰法[34]分別確定RGB 圖像的閾值，并比較3種方法得到閾值的提取精度，將提取精度高的閾值確定為最終閾值。 為進一步客觀評價3 種閾值確定方法，采用相對目標誤差率E 和總體平均匹配率M 對分割質量進行定量評價。 其計算公式為：

式中：M 為總體平均匹配率；E 為平均相對目標面積誤差率；Xi為分割圖像的目標像素值；Yi為實際的目標像素值，其中，Yi值由Photoshop 手動標準分割獲得；N 為樣本圖像數目。

1.2.2 溫室葡萄植株綠色分數的提取方法 植被指數是利用綠色植被在不同波段的反射特性， 對圖像不同分量進行組合運算，增強植被的信息。 結合各地物在3 個通道的反射特性，選用VDVI、CIVH、HXG 作為葡萄植株綠色分數提取的植被指數。 VDVI、CIVH、HXG 計算公式為：

式中：G 為地物綠色波段反射率或像素值；B 為地物藍色波段反射率或像素值；R 為地物紅色波段反射率或像素值。

1.2.3 植株綠色分數提取精度的評價方法 可用自動分割與手動標準分割的提取誤差對植被指數提取的葡萄植株綠色分數提取精度進行評價，以像素統(tǒng)計方法計算獲得兩者的值。 計算表達式為：

式中：EG為植株綠色分數提取誤差；Gsup為由人工通過Photoshop 手動標準分割獲得的葡萄植株綠色分數；GVI為通過植被指數法獲取的葡萄植株綠色分數。

1.2.4 估測模型評價指標 選取決定系數R2、均方根誤差（RMSH）、一致性指數d（其取值范圍為0～1，值越大表示實測值與預測值的一致性程度越高）來評價綠色分數估測模型的估測效果。 其計算公式為：

式中：Xi、為實測值、實測值均值；Yi、Y 為估測值、估測值均值；n 為估測模型的樣本數量。

1.3 數學形態(tài)學濾波

冠層RGB 圖像分割過程中，由于存在閾值誤差等原因，使得分割結果圖像的部分區(qū)域存在孤立的毛刺、小的孤立點、噪點等錯誤分割情況，可采用形態(tài)學濾波方法開閉運算[35]對分割結果進行優(yōu)化，本研究使用半徑為5 像素的圓盤形結構元得到的先閉后開操作結果（圖4）。

2 結果與分析

2.1 閾值分割方法的確定

本研究分別利用大津法（Otsu 閾值分割法）、迭代法和直方圖雙峰法（以下簡稱為“雙峰法”）對15 幅試驗葡萄植株圖像進行閾值提取，并對3 種閾值確定方法的分割性能進行比較（表1）。 由表1 可知，大津法平均相對面積誤差率最?。?．59%），平均匹配率最高（97．78%），其誤差率和平均匹配率顯著高于雙峰法（16．08%，96%）和迭代法（12．75%，97．28%），分割效果最好；在分割時間上，3 種方法的平均處理時間分別為 3．73，2．25，2．82s，大津法和迭代法處理時間均較短，雙峰法則較長。雖然大津法比迭代法處理時間略長，但差別不大，且其分割效果遠好于迭代法，綜合考慮，大津法在分割時間和分割效果整體優(yōu)于其他兩種分割方法。 因此本研究采用大津法進行閾值分割。

圖4 葡萄植株分割圖像形態(tài)學處理效果Figure 4 Morphological processing effect of grape canopy segmentation image

表1 不同閾值分割方法提取性能比較Table 1 Comparison of extraction performance of different threshold segmentation methods

2.2 不同生育階段葡萄綠色分數提取精度比較

利用大津法結合CIVH、HXG、VDVI 等3 種常用的植被指數，對葡萄底部冠層不同生育階段（葡萄萌芽期，2018-4-22；抽蔓期，2018-5-1；開花坐果期，2018-6-6；漿果膨大期，2018-7-10;著色成熟期，2018-8-3）的綠色分數進行提取，并與Photoshop 提取的葡萄綠色分數真值進行比較，不同方法提取結果如圖5。 其中，除VDVI外的其余植被指數提取結果中黑色部分代表植株，白色部分代表非植株。 由圖5 可知，葡萄植株綠色分數從萌芽期到漿果膨大期明顯增大，葡萄在著色成熟期生長階段出現衰敗現象，導致植株綠色分數下降，基本符合葡萄全生育期的生長特征。

利用式（6）的植株綠色分數提取精度驗證方法，以Photoshop 標準分割結果為實測值，對植被指數法提取的葡萄植株綠色分數進行精度驗證，統(tǒng)計結果如表2。

通過對上述3 種方法提取的綠色分數精度比較， 發(fā)現CIVH 指數在葡萄生長萌芽期和抽蔓期階段的綠色分數提取精度最高， 相對提取誤差僅為 8．45%和 5．27%， 遠小于 HXG 和 VDVI 指數的 22．35%、33．22%和21．35%、11．94%。 但其在開花坐果期、漿果膨大期和著色成熟期的提取精度并不高，本研究同時發(fā)現，在葡萄的開花坐果期、 漿果膨大期和著色成熟期這3 個生長階段提取精度最高的方法是HXG， 該指數的提取誤差在0．56%～6．39%，而其他兩種指數在這3 個生長階段內的相對提取誤差均大于7．73%，因此在葡萄的不同生育階段，綠色分數的最佳提取方法存在差異。在葡萄的萌芽期和抽蔓期，CIVH 指數提取精度最高，而在開花坐果期、漿果膨大期和著色成熟期則采用HXG 指數提取效果最佳。

為了進一步比較兩種方法在整個葡萄冠層綠色分數的提取精度，利用改變天頂角的方式，對典型植株不同生長部位的圖像進行獲取， 并分別采用CIVH、HXG2 種植被指數對全生育期整個葡萄冠層的綠色分數值進行確定，結果如圖6。 其提取精度如表3。 由圖6 和表3 可知，兩種方法在葡萄全生育期提取效果良好，R2、RMSH分別為 0．814，0．029 和 0．82，0．028。 但如果分段提取，生育前期（萌芽期、抽蔓期）用 CIVH 指數、生育后期采用HXG 指數，提取精度會進一步提高。 利用CIVH 對葡萄生育前期（萌芽期、抽蔓期）綠色分數進行提取，R2達0．953 顯著地高于 HXG 法（R2=0．713）以及兩種方法在全生育期的提取精度（R2分別為 0．814 和 0．820）；而在生育后期（開花坐果期、漿果膨大期和著色成熟期）HXG的提取效果亦優(yōu)于 CIVH，（R2分別為 0．948 和 0．646），且HXG 的RMSH 約為CIVH 法的1/2； 就本研究而言，單一方法的提取精度良好，如果采用分段提取方法，提取精度會進一步提取。 因此，本研究確定采用CIVH、HXG 指數及分段提取法等3 種方法對葡萄的綠色分數進行提取。 其中分段提取法中前兩階段（萌芽期、抽蔓期）利用大津法結合CIVH 監(jiān)測綠色分數信息，后3 個生長階段（開花坐果期、漿果膨大期和著色成熟期）利用大津法結合HXG 進行監(jiān)測。

圖5 不同生育期提取圖像Figure 5 Extract images of different growth periods

表2 植株綠色分數提取精度Table 2 Plant green fraction extraction accuracy

2.3 葡萄綠色分數提取方法精度驗證

分別采用3 種方法對溫室監(jiān)測范圍內所有植株（除典型植株）全生育期整個葡萄冠層的綠色分數均值進行提取，并對其提取精度進行對比分析（表4）。 由表4 可知，分段提取法對全生育期綠色分數的提取精度最高，R2、d 分別為 0．979 和 0．957，顯著高于 CIVH 法、HXG 法 （R2、d 分別為 0．832 和 0．825；0．875 和 0．888）。并且 RMSH（0．019）遠低于其他兩種方法（0．038，0．030），由此可見，分段提取法是葡萄冠層綠色分數提取的最佳方法。

圖6 典型植株不同生長部位綠色分數均值Figure 6 Mean green fraction of different parts of typical plants

表3 典型植株不同生長部位均值提取精度Table 3 Verification for accuracy of plant green

表4 全生育期綠色分數提取精度驗證Table 4 Verification table for accuracy of plant green

由于葡萄冠層分布范圍較廣，為進一步明確分段提取法在不同冠層部位的提取效果，利用改變天頂角的方式，對葡萄不同冠層部位綠色分數進行提取精度比較（圖 7），圖 7 中 a、b、c、d 依次為植株底部、中下部、中上部、頂部植株綠色分數信息提取值。 總體來看，采用分段提取方法能夠較好地反映葡萄植株各部分冠層綠色分數的變化趨勢，其中植株中下部和底部提取精度都非常高（R2＞0．94），方程的一致性指數 d＞0．98，中上部和頂部提取效果也較為良好，R2分別為 0．854 和 0．813。 標準均差 RMSH 和一致性指數 d 分別 0．039，0．067和0．957，0．940，相對而言，利用分段提取方法對葡萄植株底部和中下部的提取精度要高于中上部和頂部。 主要是由于，在葡萄生長過程中需要利用修剪技術控制每枝新梢的葉片數量，從而達到營養(yǎng)均衡的目的，故在整個生育期內需根據實際情況對冠層進行修整，中上部及頂部修剪頻率和強度均較大，導致綠色分數波動較為劇烈。 萌芽期至開花坐果期，葡萄植株底部冠層的綠色分數增長迅速，開花坐果期至果實膨大期增長較緩慢，著色成熟期后綠色分數呈現下降趨勢，符合葡萄植株的生長狀況。

圖7 基于分段提取法的葡萄冠層不同部位綠色分數監(jiān)測結果Figure 7 Mean green fraction of different parts of typical plants

3 討論與結論

從全生育期提取精度對比結果中可以看出，基于單一植被指數方法提取綠色分數時，CIVH 指數在葡萄生育前期提取精度較高，而HXG 指數在葡萄生育后期提取精度較高，這可能與不同生育階段葡萄的綠色分數大小差異有關。 一方面隨著生育期的推進，植株完全長成，葉片交錯縱橫，進而影響到光吸收與葉片反射率[36]；另一方面生育后期葉片逐漸枯萎，葉傾角降低，葉向值變大，高密度冠層中上部及頂部葉面積較少，也可能會影響綠色分數提取[37]。 ZHANG 等[21]發(fā)現CIVH 對甘蔗、玉米、水稻、棉花4 種作物提取的綠色分數較高，上述作物的綠色分數提取主要集中于生育期前期，綠色分數值普遍較低；而趙靜等[38]研究發(fā)現，HXG 在玉米生長后期的植被覆蓋度提取效果最好，這與本研究結論不一致。此外，伍艷蓮等[39]研究表明CIVH、HXG 聯(lián)合進行分割玉米、棉花、小麥等綠色作物時，分割時間明顯變長，效果沒有提升，與本研究結論不一致。 這可能是因為該研究是從大田的土壤、雜草等背景中將作物分離出來，而本研究主要是從溫室內的紅色磚墻及棚架、棚膜等背景中分割出葡萄冠層，由于圖像背景顏色特點不同，導致采用的顏色指數分割效果不同。 本研究所得結果主要著重于日光溫室內不同生育階段及不同生長部位的植株綠色分數提取， 由于分段提取法實現了植株高精度綠色分數的無損監(jiān)測，成本低廉，易于實現與推廣，具有良好地應用前景。 對于該方法在大田條件下的適應性將是下一步研究的重點。

本研究結果表明，利用大津法進行閾值分割誤差率最?。?．5%），匹配率最高（97．78%），精度高于迭代法和直方圖雙峰法。 在不同的葡萄生育階段，綠色分數的最佳提取方法存在差異，在葡萄的萌芽期和抽蔓期，CIVH法提取精度最高，而在開花坐果期、漿果膨大期和著色成熟期則采用HXG 法提取效果最佳。在葡萄不同生長部位，采用CIVH 和HXG 結合的分段提取法，其綠色分數的提取精度均優(yōu)于單一方法提取結果，但不同生長部位的效果也存在差異，其中葡萄冠層中下部和底部的提取精度最高（R2＞0．94，d＞0．98），中上部和頂部次之，模型的一次性指數分別為 0．957 和 0．940。