葉林蔚, 唐榮年, 李創(chuàng)

(海南大學(xué)機(jī)電工程學(xué)院, 海口 570228)

天然橡膠為四大工業(yè)原料之一，對(duì)于促進(jìn)我國經(jīng)濟(jì)發(fā)展至關(guān)重要。橡膠樹是天然橡膠的直接來源,我國橡膠樹主要種植于華南地區(qū)，海南是主要植膠區(qū)。提高橡膠產(chǎn)量對(duì)生態(tài)保護(hù)和國民經(jīng)濟(jì)發(fā)展都有重要意義。磷在橡膠樹的生長和產(chǎn)膠過程中起著重要作用，磷缺乏會(huì)導(dǎo)致橡膠樹早衰、割膠期縮短，且抗病能力明顯下降。相反，過量施用磷肥會(huì)導(dǎo)致橡膠樹成熟緩慢、產(chǎn)膠質(zhì)量下降且容易污染土壤和水源。合理施用磷肥是管理橡膠樹的重要環(huán)節(jié)。海南農(nóng)墾橡膠樹診斷施肥已開展多年，其中，判斷施肥量以葉片養(yǎng)分含量為主，土壤養(yǎng)分含量為輔。這為以橡膠樹葉片的養(yǎng)分含量判斷橡膠樹的整體養(yǎng)分含量提供了依據(jù)[1]。同時(shí)，土壤磷含量與橡膠樹葉片磷含量有強(qiáng)線性關(guān)系[2]，而施用肥料后葉片相應(yīng)元素和葉綠素含量均出現(xiàn)相同的增加趨勢(shì)，對(duì)橡膠樹的生長發(fā)育起到重要影響[3]。

橡膠樹葉片的磷含量能夠指導(dǎo)肥料的施用。傳統(tǒng)的理化分析方法精度較高，但其對(duì)葉片樣本具有破壞性，且操作流程復(fù)雜，需要專業(yè)的實(shí)驗(yàn)儀器和分析人員[4]。利用近紅外光譜和高光譜對(duì)植株、土壤、葉片等樣本的磷元素含量進(jìn)行快速無損檢測(cè)是近幾年的研究重點(diǎn)，相關(guān)研究主要圍繞特征選擇和模型建立，提出的方案主要結(jié)合線性回歸算法和波段選擇方法。其中，如何特征選擇能夠得到最具關(guān)聯(lián)性的特征組合及線性回歸算法能否建立磷元素和高光譜之間的關(guān)聯(lián)機(jī)制值得探究。

高光譜技術(shù)作為快速無損的檢測(cè)技術(shù)，雖然已在植物磷素營養(yǎng)診斷方面取得了較為成熟的應(yīng)用，但相關(guān)研究大多使用線性回歸算法。如利用支持向量機(jī)回歸和偏最小二乘回歸建立柑橘葉片磷含量的回歸模型[5]，利用敏感波段、隨機(jī)森林建立蘋果葉片磷含量診斷模型[6]及利用一元線性回歸建立土壤磷含量的高光譜估測(cè)模型[7]。但橡膠樹葉片磷含量與高光譜之間不僅存在線性信息，還存在非線性信息[8]。因此，引入非線性模型診斷橡膠樹葉片磷含量，有利于將線性和非線性信息考慮在內(nèi)。

目前，深度學(xué)習(xí)因其能提取光譜深層特征，逐漸被應(yīng)用到光譜的快速檢測(cè)。除了對(duì)蔬菜水果進(jìn)行分類[9]，通過改變獲取數(shù)據(jù)窗口的大小，卷積神經(jīng)網(wǎng)絡(luò)還應(yīng)用于藍(lán)藻的藻藍(lán)蛋白與葉綠素a定量檢測(cè)[10]。堆疊自適應(yīng)加權(quán)自編碼器同樣可提取特征作為分類器的輸入[11]。此外，卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法也可用于光譜的波長選擇[12]。因此，應(yīng)用深度學(xué)習(xí)建立高光譜和磷元素含量之間的關(guān)聯(lián)機(jī)制，可以有效將非線性信息考慮在內(nèi)。

此外，波段選擇作為特征提取的思路已有大量研究。針對(duì)橡膠樹葉片磷含量的檢測(cè)效果不佳，特征提取旨在減少數(shù)據(jù)維度，并提取出有效的特征供后續(xù)使用以提升模型的效果。其中，除MC-UVE-SPA法(monte carlo-uniformative variable elimination-successive projections algorithm, 蒙特卡洛-無信息變量消除法-連續(xù)投影算法)挑選特征波長提升了橡膠樹葉片的檢測(cè)精度外[13]，AIRF-CARS(adaptive interval random frog-competitive adaptive reweighting algorithm, 自適應(yīng)間隔隨機(jī)蛙-競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法)和CARS-SPA(competitive adaptive reweighting algorithm-successive projections algorithm, 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法-連續(xù)投影算法)等聯(lián)用方法也被用來提取樣本氮元素的光譜特征[14-15]。另外，環(huán)境因素與高光譜的結(jié)合能夠有效提升營養(yǎng)元素的診斷效果[16]。

針對(duì)以上問題，本文擬使用深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)解決磷元素與近紅外光譜之間線性關(guān)系較弱的問題。綜合深度學(xué)習(xí)和特征提取方法的優(yōu)勢(shì)，本文使用自編碼器(AE)對(duì)橡膠樹葉片的高光譜進(jìn)行特征提取和降維，將變換后的光譜特征作為前饋神經(jīng)網(wǎng)絡(luò)(FFNN)的輸入，應(yīng)對(duì)不同精細(xì)程度的分類任務(wù)，建立橡膠樹葉片磷含量高光譜定性分析模型，并與傳統(tǒng)線性分類器樸素貝葉斯和非線性分類器支持向量機(jī)和隨機(jī)森林比較。

1 材料與方法

1.1 試驗(yàn)材料

1.1.1試驗(yàn)樣本 供試橡膠樹品種為RY-7-33-97，種植于中國熱帶農(nóng)業(yè)科學(xué)院海南省儋州市試驗(yàn)基地。

1.1.2儀器設(shè)備 通過FieldSpec3光譜儀(美國ASD公司)采集橡膠葉片樣品的近紅外高光譜。該儀器具有高分辨率、高靈敏度、采集速度快等特點(diǎn)，因此被國內(nèi)外學(xué)者廣泛應(yīng)用于采集光譜圖像數(shù)據(jù)。整個(gè)系統(tǒng)可分為三個(gè)部分：①光譜采集系統(tǒng)，波長范圍為926～1 678 nm，光譜采樣間隔為3.25 nm，共230個(gè)光譜點(diǎn)；②信息處理系統(tǒng)；③運(yùn)動(dòng)控制平臺(tái)，包括步進(jìn)電機(jī)和底部有光源的透射光譜采樣平臺(tái)。運(yùn)動(dòng)控制平臺(tái)和光譜采集系統(tǒng)被置于暗箱中，使整個(gè)系統(tǒng)不受外界光源的干擾。

1.2 試驗(yàn)數(shù)據(jù)采集

在自然生長環(huán)境下，隨機(jī)選取不同橡膠樹植株，采集完整、無蟲害的健康成熟葉片作為實(shí)驗(yàn)樣本，總計(jì)147個(gè)。首先，使用光譜儀掃描整個(gè)葉片，通過式(1)校正圖像獲得葉片的高光譜數(shù)據(jù)。

(1)

式中，Ic為校正后的高光譜，Io為光譜儀掃描得到的高光譜，B為黑幀，W為白幀。

測(cè)定光譜反射率后，為了得到葉片磷含量真實(shí)值，首先將每個(gè)葉片樣品105 ℃干燥30 min，70 ℃干燥8 h，然后將干燥的葉片磨碎并通過1 mm的篩網(wǎng)。干燥和研磨后的樣品用濃硫酸和30%過氧化氫的混合物消化。最后用鉬銻比色法[17]測(cè)定147個(gè)葉片的磷含量。

1.3 分析方法

本文所提出的核心思路是對(duì)近紅外高光譜進(jìn)行非線性特征分析，即先對(duì)光譜進(jìn)行特征提取和降維，然后使用光譜特征建立分類模型。本文提出了AE進(jìn)行特征的第一步提取，然后使用FFNN[18]對(duì)提取的特征進(jìn)行建模。最后使用十則交叉驗(yàn)證(10-fold cross-validation)測(cè)試模型準(zhǔn)確性。進(jìn)行10次十折交叉驗(yàn)證，再求其均值，作為對(duì)模型準(zhǔn)確性的估計(jì)。

自動(dòng)編碼器由MATLAB2020a實(shí)現(xiàn)，其結(jié)構(gòu)如圖1所示，自動(dòng)編碼器的隱藏層作為前饋神經(jīng)網(wǎng)絡(luò)的輸入。自編碼器通過編碼提取特征解碼重構(gòu)樣本，隱藏層神經(jīng)元即為提取的特征。

本實(shí)驗(yàn)根據(jù)中國國家標(biāo)準(zhǔn)GB/T 29570—2013[19]對(duì)橡膠樹葉片進(jìn)行分類，指標(biāo)如表1所示。

表1 海南省主要品種橡膠樹葉片營養(yǎng)診斷指標(biāo)Table 1 Leaf nutrition diagnosis index of main rubber varieties in Hainan Province

均方根誤差(root mean square error,RMSE)是預(yù)測(cè)值與真實(shí)值偏差的平方與觀測(cè)次數(shù)n比值的平方根。RMSE越小，說明預(yù)測(cè)值和真實(shí)值越接近。

1.4 分析軟件

本文中數(shù)據(jù)處理和算法計(jì)算都使用MATLAB2020a。

2 結(jié)果與分析

2.1 葉片掩模效果分析

圖像校正后，提取每個(gè)葉片樣本的光譜。從圖2可以看出，樣本原圖含有樣本數(shù)據(jù)和背景冗余數(shù)據(jù)，需要從背景中分離出葉片像素點(diǎn)。利用1 300和1 446 nm的灰度圖像構(gòu)建了掩模圖像，其中樣品的反射率值與背景值有較大差異?？梢钥闯觯撗谀D基本上把樣本從背景中提取出來，去掉背景，保留樣本數(shù)據(jù)。然后，將每個(gè)葉片樣本的像素級(jí)光譜平均為葉片光譜。

2.2 樣本磷含量分析

經(jīng)過化學(xué)分析，147個(gè)葉片樣本磷含量分布如圖3所示。其中，樣本磷元素含量最大值為0.330 3%，最小值為0.122 4%，樣本的磷元素平均含量為0.234 1%，標(biāo)準(zhǔn)差為0.049 2%，從磷元素含量標(biāo)準(zhǔn)差值來看比較均勻。對(duì)磷含量執(zhí)行kolmogorov-smirnov(K-S)檢驗(yàn)，確定樣本服從5%的正態(tài)分布，這與自然生長環(huán)境下磷元素含量的分布一致，實(shí)驗(yàn)有效。

根據(jù)國家標(biāo)準(zhǔn)GB/T 29570—2013[19]，橡膠樹葉片磷含量可分為五個(gè)水平。其中小于0.18%屬于“極缺磷”、0.18%～0.21%屬于“缺磷”、0.21%～0.23%屬于“正?！?、0.23%～0.27%屬于“富磷”和大于0.27%屬于“極富磷”，各級(jí)別樣本數(shù)如表2所示。而針對(duì)較為粗放的要求，簡(jiǎn)單判斷磷含量缺乏、正常和富有的狀態(tài)。把“極缺磷”和“缺磷”統(tǒng)稱為“缺磷”，“極富磷”和“富磷”統(tǒng)稱為“富磷”。本研究將樣本劃分為：小于0.21%屬于“缺磷”，樣本數(shù)35個(gè)；0.21%～0.23%屬于“正?！?，樣本數(shù)27個(gè)，而大于0.23%屬于“富磷”，樣本數(shù)85個(gè)。

表2 橡膠葉片磷含量精細(xì)診斷結(jié)果Table 2 Phosphorus content fine diagnosis index of rubber leaves

2.3 分類結(jié)果分析

采用樸素貝葉斯(naive bayesian model，NBM)線性判別分析、支持向量機(jī)和隨機(jī)森林非線性判別分析與前饋神經(jīng)網(wǎng)絡(luò)對(duì)粗細(xì)分類效果進(jìn)行比較，結(jié)果如表3所示。可以看出，不管粗細(xì)分類任務(wù)，非線性分類器都優(yōu)于線性分類器，均已AE-FENN模型的最高。

表3 不同分類模型效果比較Table 3 Comparison of different classification models

2.3.1粗分類結(jié)果分析 由表3可見，以支持向量機(jī)和隨機(jī)森林為代表的非線性分類器整體優(yōu)于樸素貝葉斯為代表的線性分類器。由此可見，橡膠樹葉片光譜與磷元素的相關(guān)性并不強(qiáng)，傳統(tǒng)的分類器對(duì)磷元素檢測(cè)效果具有局限性。在此基礎(chǔ)上，F(xiàn)FNN發(fā)揮其善于提取非線性模型的特點(diǎn)，提升了針對(duì)橡膠樹磷含量水平的檢測(cè)精度。FFNN的識(shí)別率為84.99%，Kappa值為0.720 9，與傳統(tǒng)分類器相比模型性能有很大提升。而AE-FFNN模型的識(shí)別率是91.10%，Kappa值為0.761 8，除了識(shí)別精度比FFNN更高外，AE-FFNN的模型所用到的變量比FFNN更少，模型更簡(jiǎn)單。

2.3.2細(xì)分類結(jié)果分析 由表3可見，由于細(xì)分類比粗分類目標(biāo)更明確，要求更精細(xì)，所有細(xì)分類模型的效果都不免有所下降。但同時(shí)，F(xiàn)FNN的識(shí)別率為67.95%，Kappa值為0.558 0，而AE-FFNN模型的識(shí)別率是81.48%，Kappa值為0.664 0，識(shí)別精度雖然低于粗分類模型，但依然領(lǐng)先于傳統(tǒng)分類模型。

2.3.3交叉驗(yàn)證次數(shù)的影響 對(duì)FFNN和AE-FFNN進(jìn)行比較，結(jié)果如表4所示。在粗分類中，AE-FFNN的平均識(shí)別率為91.10%，Kappa值為0.761 8。在細(xì)分類中，AE-FFNN的平均識(shí)別率為81.48%，Kappa值為0.664 0。無論粗細(xì)分類要求，AE-FFNN較FFNN分類的效果更好。

表4 交叉驗(yàn)證次數(shù)對(duì)FFNN和AE-FFNN分類結(jié)果的影響Table 4 Influence of cross-validation fold on classification results of FFNN and AE-FFNN (%)

其中，F(xiàn)FNN和AE-FFNN第一次交叉驗(yàn)證時(shí)，無論粗細(xì)分類任務(wù)，分類效果有所下降，這與樣本的劃分具有很大關(guān)系。同時(shí)，隨著交叉驗(yàn)證次數(shù)的增多，分類效果提升明顯并較為穩(wěn)定。

2.3.4最優(yōu)模型與分析 從表3可以看出，傳統(tǒng)模型中無論線性模型樸素貝葉斯分類器還是非線性模型支持向量機(jī)和隨機(jī)森林，都遜于FFNN和AE-FFNN，其原因在于FFNN和AE-FFNN都是通過神經(jīng)網(wǎng)絡(luò)提取較為深層的特征。在不清楚磷元素含量和橡膠樹葉片高光譜之間有著怎樣的聯(lián)系的情況下，F(xiàn)FNN讓網(wǎng)絡(luò)自學(xué)習(xí)。通過迭代學(xué)習(xí)，建立穩(wěn)定的磷元素和橡膠樹葉片高光譜關(guān)系模型。

另外，相較于FFNN模型，AE-FFNN方法在三個(gè)方面具有明顯優(yōu)勢(shì)：①AE相較普通波長點(diǎn)選擇方法，不依賴標(biāo)簽而避免了強(qiáng)制建立線性關(guān)系；②進(jìn)一步利用FFNN建立分類模型，F(xiàn)FNN的非線性與AE提取的非線性特征契合；③大大提高了建模效率，使得特征與磷元素的關(guān)聯(lián)更加緊密。這說明，AE-FFNN可以提取出有效的深層特征，改善橡膠樹葉片磷含量的分類精度。

2.4 特征數(shù)對(duì)分類效果的影響

從圖4可以看出，無論分類目的是粗分類還是細(xì)分類，提取10個(gè)特征之后，RMSE降低不明顯。同樣無論是粗分類還是細(xì)分類，特征數(shù)在8之后，分類效果逼近極限且出現(xiàn)波動(dòng)，而特征數(shù)在30、90個(gè)左右都有不錯(cuò)的分類效果。而同時(shí)考慮到模型的復(fù)雜度，本文選擇31個(gè)特征，特征數(shù)從230降低到31，使用的數(shù)據(jù)量?jī)H占總光譜的13.48%。

3 討論

本研究根據(jù)國家標(biāo)準(zhǔn)對(duì)橡膠樹葉片磷元素含量進(jìn)行分類。通過比較粗分類和細(xì)分類在同一水平下不同模型的診斷結(jié)果，最終確定AE-FFNN為最佳模型。

在預(yù)處理過程中，通過單波長特征圖像的閾值分割和主成分分析能夠獲得樣本固定大小的感興趣區(qū)域[20]。但橡膠樹葉片的磷含量與整個(gè)葉片的大小和每個(gè)像素點(diǎn)的磷濃度有關(guān)。因此，本研究通過葉片的反射率變化和背景的反射率變化不同，利用1 300和1 446 nm兩個(gè)敏感波段，從冗雜的原始樣本高光譜圖像中提取到精確完整的葉片高光譜圖像。這相較傳統(tǒng)人工劃分運(yùn)行速度更快，并確保葉片區(qū)域分離完整。其次，根據(jù)國家標(biāo)準(zhǔn)劃分的葉片高光譜訓(xùn)練不同模型。模型包括傳統(tǒng)線性模型貝葉斯線性判別器、支持向量機(jī)和隨機(jī)森林以及本文提出的FFNN和AE-FFNN。由于磷元素和葉片高光譜數(shù)據(jù)相關(guān)性不強(qiáng)，傳統(tǒng)的線性分類器檢測(cè)效果(粗分類50.00%、細(xì)分類42.86%)較差。而傳統(tǒng)非線性模型支持向量機(jī)(粗分類60.42%、細(xì)分類38.76%)和隨機(jī)森林(粗分類66.67%、細(xì)分類65.42%)通過其模型建立磷元素和高光譜非線性關(guān)系，使檢測(cè)效果相較貝葉斯判別器得到提升。最后，本研究提出的FFNN(粗分類84.99%、細(xì)分類67.95%)和AE-FFNN(粗分類91.10%、細(xì)分類81.48%)利用神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)特點(diǎn)，經(jīng)過網(wǎng)絡(luò)變換，結(jié)合高光譜和磷元素之間線性和非線性特征，融合得到深層次穩(wěn)定且相關(guān)性較高的特征，建立了磷元素和高光譜之間較強(qiáng)的聯(lián)系，極大提升了橡膠樹葉片磷元素的檢測(cè)水平。

神經(jīng)網(wǎng)絡(luò)比SVM等傳統(tǒng)分類器具有較強(qiáng)較快的學(xué)習(xí)速度，且精度適當(dāng)或更高。但神經(jīng)網(wǎng)絡(luò)參數(shù)都是隨機(jī)選擇的，很大程度上造成了模型不穩(wěn)定[21]。為了保證模型的穩(wěn)定性，本研究加入了十次交叉驗(yàn)證。通過對(duì)樣本多次劃分，采用不同的訓(xùn)練集和測(cè)試集，防止模型過擬合并保持模型穩(wěn)定。結(jié)果表明，F(xiàn)FNN和AE-FFNN融合了線性和非線性特征，無論如何變換樣本集合，分類效果都明顯優(yōu)于傳統(tǒng)分類模型。同時(shí)，本研究通過AE提取特征，將建模的變量從FFNN的230個(gè)減少到31個(gè)。傳統(tǒng)的橡膠樹磷元素光譜診斷方法不僅對(duì)磷元素的敏感波段解釋不夠充分，且沒有考慮到高光譜的非線性特征。本研究提出的自編碼器提取特征結(jié)合前饋神經(jīng)網(wǎng)絡(luò)建模，同時(shí)考慮線性和非線性特征，從大量高光譜數(shù)據(jù)中挖掘低共線性的非線性特征，建立基于神經(jīng)網(wǎng)絡(luò)的磷元素含量診斷模型。該研究有望從特征融合的角度為診斷模型提供有力的解釋支撐。

無論是自編碼器還是前饋神經(jīng)網(wǎng)絡(luò)，都具有較強(qiáng)的魯棒性，且實(shí)現(xiàn)簡(jiǎn)單，本研究針對(duì)橡膠樹葉片磷含量的分類任務(wù)將兩者結(jié)合。因此，通過簡(jiǎn)單變換網(wǎng)絡(luò)的層數(shù)和神經(jīng)元個(gè)數(shù)能夠應(yīng)對(duì)不同檢測(cè)任務(wù),這給未來面對(duì)其他定性任務(wù)提供模型框架。該模型有望應(yīng)對(duì)復(fù)雜的田間情況，結(jié)合手持式等設(shè)備將在田間實(shí)現(xiàn)快速的在線識(shí)別?？傊珹E-FFNN能夠簡(jiǎn)化橡膠樹磷元素含量高光譜檢測(cè)模型且提升模型檢測(cè)效果，為快速、精準(zhǔn)地估算橡膠樹磷含量水平提供思路。