劉 林 苑 進(jìn) 張 巖 劉雪美

(1.山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院， 泰安 271018； 2.山東省農(nóng)業(yè)裝備智能化工程實(shí)驗(yàn)室， 泰安 271018)

0 引言

設(shè)施栽培中作物鮮質(zhì)量動態(tài)變化作為生長發(fā)育的指示性特征，是蔬菜長勢無損監(jiān)測的重要指標(biāo)之一[1-2]。蔬菜鮮質(zhì)量作為最重要的生理性狀表征之一，可為蔬菜生長狀況提供更準(zhǔn)確的評估信息[3]，如用于預(yù)測蔬菜生長期、確定最佳采收時間和預(yù)測蔬菜產(chǎn)量等[4-5]，為栽培數(shù)字化管理提供精準(zhǔn)數(shù)據(jù)支撐。

國內(nèi)外學(xué)者對鮮質(zhì)量估算做了深入研究，REYES-YANES等[6]提出了一種深度學(xué)習(xí)圖像分割方法用于在水培生菜鮮質(zhì)量估算中以冠層圖像獲取信息，建立作物尺寸與鮮質(zhì)量間的回歸模型。JUNG等[5]在環(huán)境可控的循環(huán)水水培生菜系統(tǒng)中，研究了基于機(jī)器視覺的形態(tài)學(xué)分析方法，將圖像處理后的生菜冠層投影圖像的像素?cái)?shù)與離水稱量的生菜實(shí)際鮮質(zhì)量直接關(guān)聯(lián)，建立了生菜冠層投影面積與實(shí)際測量鮮質(zhì)量的關(guān)系模型。由于其離水鮮質(zhì)量稱量精度高，因而該模型預(yù)測精度高，由此也證明了植株冠層投影面積與其鮮質(zhì)量間存在顯著相關(guān)性?；谏鲜鲱A(yù)測模型，JIANG等[7]開發(fā)了基于在線實(shí)時影像處理的水培生菜鮮質(zhì)量估算系統(tǒng)，在生產(chǎn)環(huán)境控制質(zhì)量較高的狀況下，實(shí)現(xiàn)了生菜鮮質(zhì)量的高精度估算。水培蔬菜生長條件下，植株允許暫時脫離營養(yǎng)液而直接稱量，且不妨礙其繼續(xù)生長，因而方便對鮮質(zhì)量進(jìn)行無損標(biāo)定，容易實(shí)現(xiàn)無損的高精度鮮質(zhì)量估算；但土培或基質(zhì)培蔬菜條件下，雖然植株離開基質(zhì)直接稱量也能得到準(zhǔn)確的即時鮮質(zhì)量，但植株已無法繼續(xù)生長，即無法對該植株生長過程中的鮮質(zhì)量進(jìn)行連續(xù)采集[8-9],難以直接建立該植株樣本生長過程中冠層投影面積與其鮮質(zhì)量變化序列的相關(guān)關(guān)系，因而使土培或基質(zhì)培蔬菜在生長過程中的在線無損鮮質(zhì)量估算成為技術(shù)難點(diǎn)。

另一方面，因?yàn)槿展鉁厥噎h(huán)控手段少、調(diào)控穩(wěn)定性差，造成溫室內(nèi)的環(huán)境存在高低溫、弱光多發(fā)頻發(fā)等問題，使得蔬菜的生長發(fā)育受到影響，難以一直處于健康的生長狀態(tài)[10]。溫度和輻射是影響生菜光合作用的2個重要因子，即顯著影響生菜生長過程中的體內(nèi)含水率，也對葉片干物質(zhì)積累和產(chǎn)量形成起著重要作用[11]。因而生菜鮮質(zhì)量受溫度和光照輻射的影響較大，從而最終顯著影響生菜產(chǎn)量。與受控環(huán)境下的水培生菜不同，日光溫室在溫度和輻射變化較大，蔬菜生長難以維持在最佳生長狀態(tài)，因而在葉厚等方面存在顯著差異，因此沿用水培生菜的冠層投影圖像面積很難準(zhǔn)確估算日光溫室條件下的生菜鮮質(zhì)量。

日光溫室條件下，不同批次種植的生菜所處的溫度和輻射環(huán)境不同，存在相同冠層投影面積的生菜，可能存在葉片厚度、顏色、紋理等參數(shù)的差別，造成鮮質(zhì)量差異。這些特征又很難通過冠層投影面積表征，造成日光溫室基質(zhì)培蔬菜難以僅僅依靠冠層投影面積估算鮮質(zhì)量。本文提出基于生菜表型特征參數(shù)和生長過程環(huán)境參數(shù)融合的鮮質(zhì)量估算方法，用于日光溫室基質(zhì)培環(huán)境下生菜個體和群體的鮮質(zhì)量無損估算。

1 試驗(yàn)與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)地點(diǎn)(圖1)為山東農(nóng)業(yè)大學(xué)科技創(chuàng)新園(園藝實(shí)驗(yàn)站)的6號日光溫室，跨度約8 m，高度約4 m，東西長約50 m(36.16°N，117.16°E)。溫室北墻為實(shí)體墻，主采光面附有塑料薄膜，形成封閉小氣候環(huán)境，留有通風(fēng)口，用于換氣除濕降溫。冬季早晚依靠卷簾機(jī)提供動力完成棉被鋪卷任務(wù)。試驗(yàn)材料為意大利生菜(河北茂華種業(yè)有限公司)。品種主要特性為：耐寒、耐濕、耐熱、晚抽苔、株半直立、葉片近圓形、顏色翠綠、散葉不接球。將生菜種子放入穴盤中進(jìn)行培育，待幼苗生長到“五葉一心”時，將生菜定植到基質(zhì)槽中，選用蔬菜通用型基質(zhì)作為生菜生長載體。緩苗成功后，選用山崎配方營養(yǎng)液連續(xù)澆灌，保證生菜正常生長，進(jìn)行兩批次生菜種植試驗(yàn)。

1.2 數(shù)據(jù)采集

生菜鮮質(zhì)量受多種因素的影響，與生菜形狀、顏色、紋理等表型特征因素和環(huán)境因素有關(guān)[12]。因此，利用這些特征快速估算生菜的鮮質(zhì)量具有重要意義。為了能夠低成本獲取溫室中生菜形狀、顏色和紋理信息，待生菜緩苗成功后，每隔一段時間，利用可見光成像技術(shù)，獲取隨機(jī)樣本的俯視圖像和側(cè)視圖像。利用傳感器實(shí)時獲取溫室內(nèi)溫度和光合有效輻射。

如圖2所示，采用攝像頭獲取生菜的兩類圖像樣本。俯視圖像是生菜冠層垂直映射到基質(zhì)表面的投影，側(cè)視圖像是生菜映射到豎直平面中的投影。兩類圖像經(jīng)過數(shù)字圖像處理技術(shù)得到生菜的形狀、顏色和紋理等表型特征信息。形狀特征選取冠層投影面積、冠層投影周長和株高。顏色特征選取生菜冠層圖像中生菜區(qū)域H通道和S通道圖像的特征值。紋理特征選取生菜區(qū)域H通道和S通道圖像的熵值。采用溫度傳感器和光合有效輻射傳感器獲取溫室內(nèi)環(huán)境信息，經(jīng)過數(shù)學(xué)運(yùn)算得到累積輻熱積作為環(huán)境特征。每次采集完樣本圖像后，將樣本去除根部，用電子秤(精度0.01 g)稱其質(zhì)量，得到鮮質(zhì)量。整個生長期中總共獲取260株樣本用于模型的建立和驗(yàn)證。為了驗(yàn)證模型的泛化能力和可靠性，從第2批次生菜中挑選3個時間(代表不同的生長階段)采集10株樣本數(shù)據(jù)作為模型的測試集。

1.3 特征提取

利用計(jì)算機(jī)(CPU：i7-8750，內(nèi)存16 GB，顯卡GTX1060，Windows 10操作系統(tǒng))，對樣本圖像進(jìn)行處理得到生菜的形狀、顏色和紋理等特征參數(shù)。

1.3.1特征分割

由于獲取的圖像中生菜與背景有明顯的區(qū)別，為了能夠獲取冠層輪廓圖像和株高圖像，采用超綠色法分割圖像。RGB顏色空間是當(dāng)前使用最廣泛的顏色系統(tǒng)之一，幾乎包含了人類能感知的所有顏色[13]。超綠色法作為一種作物識別或者雜草識別最常用的灰度化方法，在RGB顏色空間中經(jīng)過計(jì)算，圖像中陰影、草和土壤等均能較明顯地被抑制，提取綠色植物圖像效果好，使得葉片圖像更為突出[14]。超綠色法計(jì)算式為

Exg=2g-r-b

(1)

式中Exg——像素點(diǎn)經(jīng)過計(jì)算后的值

r、g、b——像素點(diǎn)的R分量、G分量和B分量

利用超綠色法對生菜初步分割后，提取組合圖像像素值分布直方圖，如圖3所示。從圖3中看出，葉片像素值聚集在中間區(qū)域，背景像素值聚集在兩側(cè)，葉片與背景有明顯區(qū)別。將兩側(cè)背景區(qū)域和葉片區(qū)域像素值的交界處作為閾值分割點(diǎn)，組合圖像經(jīng)過兩次圖像閾值處理后得到生菜冠層投影的二值圖像。

為了驗(yàn)證分割方法的分割效果，參考GEORGE等[15]建立的圖像分割性能指標(biāo)，應(yīng)用重合度和識別率作為分割性能評價(jià)指標(biāo)[16]，計(jì)算式為

(2)

(3)

式中e——識別區(qū)域與人工提取區(qū)域識別重合度，%

Fkq——分割圖像的二值圖

k——圖像序號

q——分割方法序號

Fkp——Photoshop人工提取植物圖像二值圖

i0——圖像行號j0——圖像列號

m0——圖像行數(shù)n0——圖像列數(shù)

f——分割方法識別率，%

試驗(yàn)期間選擇圖像5幅，以在Photoshop軟件中采用套繩工具人工提取的生菜區(qū)域作為參考依據(jù)[16-17]，從表1看出，圖像分割重合度不小于98.3%，識別率不小于97.9%。

表1 圖像分割性能

1.3.2形狀特征提取

生菜形狀特征提取包括生菜冠層投影面積、周長和株高特征的提取，其中生菜冠層投影面積和周長特征提取過程如圖4所示。首先，讀取俯視投影原圖信息，并提取RGB通道圖像，將三通道圖像信息按照超綠色法處理后得到組合圖像，組合圖像經(jīng)過閾值處理后得到生菜冠層投影的二值圖像。利用二值圖像提取冠層輪廓并計(jì)算面積和周長。

生菜株高特征提取過程如圖5所示。首先，讀取側(cè)視投影原圖信息，并提取RGB通道圖像，將三通道圖像信息按照超綠色法處理得到組合圖像，組合圖像經(jīng)過閾值處理分割后得到生菜高度二值圖像。如果將生菜高度二值圖像置于平面直角坐標(biāo)系中，其中水平向右為x軸正方向，豎直向上為y軸正方向，則在直角坐標(biāo)系中，二值圖像像素點(diǎn)最低點(diǎn)為生菜基部，橫坐標(biāo)相同縱坐標(biāo)最大的點(diǎn)形成的區(qū)域代表生菜冠層上部區(qū)域。將生菜冠層上部區(qū)域點(diǎn)的橫坐標(biāo)值不變，其縱坐標(biāo)值減去生菜基部點(diǎn)的縱坐標(biāo)值，構(gòu)造的新點(diǎn)形成生菜高度輪廓曲線。因?yàn)樯松⑷~呈現(xiàn)的高度也不一樣，為了能夠更全面反映植株高度，計(jì)算高度曲線輪廓上所有點(diǎn)縱坐標(biāo)的平均值，將計(jì)算結(jié)果作為生菜植株高度的特征值。

為驗(yàn)證圖像方法測量株高的準(zhǔn)確性，從生菜高度輪廓曲線中選擇3個點(diǎn)，用米尺人工測量實(shí)際生菜3個點(diǎn)對地高度，圖像測量與人工測量株高如表2所示，其結(jié)果相對誤差在2.5%以內(nèi)。

表2 圖像測量與人工測量株高比較Tab.2 Comparison of image measurement and artificial measurement of plant height

1.3.3顏色特征提取

由于人的視覺對亮度的敏感程度明顯高于對顏色濃度的敏感程度，所以使用HSI顏色空間更能反映人類觀察彩色的方式。在HSI顏色空間中，H和S都不受光強(qiáng)變化影響[18]，因而用于描述生菜圖像時能夠更好地表征生菜的顏色和紋理情況。I表示強(qiáng)度或亮度，極易受到光強(qiáng)變化的影響，不易作為表征生菜的顏色和紋理情況。RGB轉(zhuǎn)HSI通道[18]計(jì)算式為

(4)

式中h、s、i——像素點(diǎn)H分量、S分量和I分量

在提取生菜的顏色特征和紋理特征時，減少因?yàn)椴杉^程中光強(qiáng)對成像圖像質(zhì)量的影響，選取用于描述生菜圖像時能夠更好地表征生菜顏色情況的H通道和S通道圖像作為計(jì)算圖形[18]。生菜顏色特征提取過程如圖6所示。首先，將RGB通道圖像(圖4b～4d)，利用式(4)得到H通道和S通道分量圖像，如圖6a、6d所示。由于背景在整個圖像中所占的比例比較大，在實(shí)際計(jì)算中，必須將背景部分去除，只提取生菜區(qū)域的H通道和S通道圖像。將圖6a、6d分別做掩膜運(yùn)算，得到背景為黑色的圖6b、6e。

掩膜運(yùn)算是指用選定的物體、圖形或圖像,遮擋待處理的全部或局部圖像,來控制圖像處理區(qū)域，其中用于覆蓋的特定圖像稱為掩膜圖像[19]。如圖7所示，以3×3的圖像與3×3的掩膜圖像進(jìn)行運(yùn)算為例：原圖中的每個像素和掩膜圖像中的對應(yīng)像素進(jìn)行運(yùn)算，如果掩膜圖像中的像素點(diǎn)為1，則原圖中的像素點(diǎn)保留；如果掩膜圖像中的像素點(diǎn)為0，則原圖中的像素點(diǎn)被設(shè)置為0。

利用掩膜運(yùn)算原理，將圖4f中的冠層二值圖像進(jìn)行處理得到掩膜圖像(將白色區(qū)域的像素點(diǎn)設(shè)置為0，黑色區(qū)域的像素點(diǎn)設(shè)置為1)，在圖6a和圖6d做掩膜運(yùn)算時，保留的像素點(diǎn)為生菜區(qū)域圖像，其像素的頻率分布直方圖如圖6c、6f所示。為了兼顧運(yùn)算效率，選取生菜區(qū)域H通道和S通道像素值的眾數(shù)作為顏色的特征值。

1.3.4紋理特征提取

紋理特征是一種區(qū)域性特征，用于表征像素的分布規(guī)律和變化規(guī)律，并能代表像素與其鄰域的空間關(guān)系，在反映物體的表面粗糙度、顆粒度、光滑度、規(guī)范程度和隨機(jī)性等方面較為客觀，可以很好地兼容圖像宏觀性質(zhì)與微觀結(jié)構(gòu)，可用于描述物體表面的結(jié)構(gòu)組織排列信息及其與環(huán)境的關(guān)系[20]。在眾多紋理特征中，熵值能夠反映圖像中紋理特征的非均勻程度，其值越大表示圖像紋理越復(fù)雜[21]，生菜的紋理特征選取生菜區(qū)域圖像的H通道和S通道圖像的熵值作為特征值。計(jì)算式為

(5)

式中ENT——熵值P(i,j)——圖像像素

1.3.5生長環(huán)境特征提取

溫度和輻射是影響生菜葉片生長的兩個重要因子，對植物的光合作用、植株生長和產(chǎn)量形成起著重要作用。鮮質(zhì)量作為衡量作物產(chǎn)量的重要指標(biāo)，受溫度和輻射的累積影響，溫度和輻射對生菜鮮質(zhì)量的影響可用累積輻熱積來度量，具體計(jì)算公式為[22-23]

(6)

TEP=∑RTEP

(7)

(8)

式中Tb——生長下限溫度，℃

Tm——生長上限溫度，℃

Tob——生長最適溫度下限，℃

Tou——生長最適溫度上限，℃

T——環(huán)境溫度，℃

RTE——相對熱效應(yīng)

RTEP——每日相對輻熱積，MJ/(m2·d)

RTEi——第i小時內(nèi)的相對熱效應(yīng)

PARi——第i小時平均光合有效輻射，MJ/(m2·d)

TEP——累積輻熱積，MJ/m2

在栽培階段，根據(jù)生菜生長發(fā)育期知識[11]，本文設(shè)定Tb、Tob、Tou和Tm分別為5、15、30、40℃。

為了提高鮮質(zhì)量估算精度和減小計(jì)算復(fù)雜度，將樣本采集時刻前5 d的累積輻熱積作為估算生菜鮮質(zhì)量的生菜生長環(huán)境特征。

生菜樣本部分表型中的形狀、顏色、紋理特征和環(huán)境中累積輻熱積如表3所示。

表3 部分生菜樣本表型和環(huán)境信息Tab.3 Phenotypic and environmental information of some lettuce samples

1.4 模型建立

1.4.1數(shù)據(jù)集劃分

數(shù)據(jù)集劃分是模型實(shí)用性的關(guān)鍵，選擇合適的訓(xùn)練集，能使模型預(yù)測能力增強(qiáng)[24]。一般訓(xùn)練集包括總樣本50%～75%，試驗(yàn)共采集到樣本260個，將數(shù)據(jù)按照7∶3的比例分為訓(xùn)練集和驗(yàn)證集。其中訓(xùn)練集數(shù)為182，驗(yàn)證集數(shù)為78。

1.4.2高斯過程回歸

機(jī)器學(xué)習(xí)的高斯過程是一個通用的監(jiān)督學(xué)習(xí)方法，高斯過程回歸是使用高斯過程先驗(yàn)對數(shù)據(jù)進(jìn)行回歸分析的非參數(shù)模型。高斯過程回歸中預(yù)測是對觀察值的插值且?guī)в懈怕?，可以用來?jì)算經(jīng)驗(yàn)置信區(qū)間和超越概率，以便重新擬合預(yù)測，在小樣本上能夠獲得泛化能力強(qiáng)的模型[25]。

1.4.3支持向量機(jī)回歸

支持向量機(jī)回歸是一種通過引入一個損失函數(shù)，使經(jīng)驗(yàn)風(fēng)險(xiǎn)與置信風(fēng)險(xiǎn)之和最小化的回歸分析方法，其遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，可以巧妙解決小樣本、高維度、非線性問題，模型對未來數(shù)據(jù)具有較好的泛化能力[26]。

1.4.4線性回歸

線性回歸是利用線性回歸方程的最小平方函數(shù)對一個或多個自變量和因變量之間關(guān)系進(jìn)行建模的一種回歸分析，數(shù)據(jù)使用線性預(yù)測函數(shù)來建模，并且未知的模型參數(shù)也是通過數(shù)據(jù)來估計(jì)[27]。

1.4.5嶺回歸

嶺回歸是一種旨在消除最小二乘估計(jì)因多重共線性而引起的不良后果的回歸估計(jì)方法，是一種有偏估計(jì)，由HOERL和KENNARD提出的一套改進(jìn)方法[28]。

1.4.6神經(jīng)網(wǎng)絡(luò)回歸

神經(jīng)網(wǎng)絡(luò)回歸是模擬人腦神經(jīng)元進(jìn)行預(yù)測的一種經(jīng)典機(jī)器學(xué)習(xí)算法，其特點(diǎn)是預(yù)測精度高，應(yīng)用廣泛，具備非常良好的非線性收斂能力， 并且在訓(xùn)練過程中具有簡單高效的特點(diǎn)，可以模擬系統(tǒng)的非線性特征[29-32]。

1.5 模型評價(jià)指標(biāo)

1.5.1決定系數(shù)

決定系數(shù)用于考察數(shù)據(jù)集樣本預(yù)測值和真實(shí)值之間的相關(guān)程度，取值范圍為0～1，越接近1，表明模型對數(shù)據(jù)擬合越好。

1.5.2誤差

因?yàn)樯嗽诓煌纳L階段，樣本鮮質(zhì)量差別很大，所以不適合采用平方根誤差、均方根誤差作為模型的評價(jià)指標(biāo)。相對誤差RE是測量所造成的絕對誤差與被測量真值的比值，更能反映生菜鮮質(zhì)量樣本點(diǎn)測量的可信程度。相對誤差平均值MRE是所有樣本點(diǎn)的相對誤差的平均值，所以采用相對誤差的平均值更適合描述生菜鮮質(zhì)量估算模型，其值越小，表明模型對樣本預(yù)測能力越高。相對誤差標(biāo)準(zhǔn)差σ是所有樣本點(diǎn)相對誤差的標(biāo)準(zhǔn)差，采用相對誤差標(biāo)準(zhǔn)差能夠反映模型預(yù)測樣本相對誤差的波動程度，其值越小，表明模型對樣本預(yù)測能力越高。

2 結(jié)果與討論

2.1 生菜鮮質(zhì)量預(yù)測最優(yōu)模型

選用機(jī)器學(xué)習(xí)中的高斯過程回歸、支持向量機(jī)回歸、線性回歸、嶺回歸和神經(jīng)網(wǎng)絡(luò)回歸模型對訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，建立訓(xùn)練模型。將驗(yàn)證集數(shù)據(jù)導(dǎo)入訓(xùn)練的模型中，用決定系數(shù)、相對誤差平均值和標(biāo)準(zhǔn)差評價(jià)5種模型，選出最優(yōu)模型。

從圖8可以看出，日光溫室生菜鮮質(zhì)量估算的最優(yōu)模型為高斯過程回歸建立的模型。模型的決定系數(shù)為0.949 3，高于支持向量機(jī)、線性回歸、嶺回歸和神經(jīng)網(wǎng)絡(luò)回歸模型。模型相對誤差的平均值和標(biāo)準(zhǔn)差分別為11.50%和11.21%，明顯小于支持向量機(jī)回歸、線性回歸、嶺回歸和神經(jīng)網(wǎng)絡(luò)模型。這主要因?yàn)楦咚惯^程回歸模型中預(yù)測值是對觀察值的插值，預(yù)測是帶有概率，可以用來計(jì)算經(jīng)驗(yàn)置信區(qū)間和超越概率，以便重新擬合預(yù)測，特別適用于小數(shù)據(jù)集預(yù)測模型[26-27]。其中線性回歸模型和嶺回歸模型當(dāng)生菜鮮質(zhì)量比較小時，預(yù)測出的鮮質(zhì)量有負(fù)值出現(xiàn)；神經(jīng)網(wǎng)絡(luò)回歸當(dāng)生菜鮮質(zhì)量低于50 g時，預(yù)測出的鮮質(zhì)量誤差比較大。所以，利用高斯過程回歸方法預(yù)測的生菜個體鮮質(zhì)量更準(zhǔn)確。

2.2 不同輸入特征下模型比較

將模型輸入分別去除顏色、紋理和環(huán)境特征后，利用剩余特征數(shù)據(jù)訓(xùn)練得到相關(guān)模型，分別定義為模型a、模型b和模型c，其中將模型輸入原特征(帶有顏色、紋理和環(huán)境特征)數(shù)據(jù)訓(xùn)練得到的模型定義為模型d。用決定系數(shù)、相對誤差平均值和標(biāo)準(zhǔn)差，評價(jià)顏色、紋理和環(huán)境參數(shù)在生菜鮮質(zhì)量估算中的作用。

如表4所示，對比模型d，模型a的R2減小0.020 9、MRE增加5.01個百分點(diǎn)、σ增加8.37個百分點(diǎn)，模型b的R2減小0.012 8、MRE增加1.97個百分點(diǎn)、σ增加2.01個百分點(diǎn)，模型c的R2減小0.015 0、MRE增加0.98個百分點(diǎn)、σ增加0.10個百分點(diǎn)，說明顏色、紋理和環(huán)境特征在生菜鮮質(zhì)量估算中具有一定作用。一般來說，生菜外層葉子外輪廓表現(xiàn)為整株生菜冠層輪廓特征(冠層面積和冠層周長)，中層或內(nèi)層葉子很難通過整株生菜冠層輪廓特征表征。當(dāng)生菜冠層輪廓特征比較接近時，如果生菜缺水，呈現(xiàn)的紋理和顏色特征會發(fā)生變化。另一方面，假設(shè)生菜歷經(jīng)5 d輻射和溫度累積的影響后，如果生菜健康生長，葉片表現(xiàn)較厚，如果生菜不健康生長，葉片表現(xiàn)較薄。同時，由于葉片存在相互遮擋，葉片厚度將很難通過主視或俯視二維圖像呈現(xiàn)。上述情況下若僅依靠冠層投影輪廓將很難準(zhǔn)確估算生菜鮮質(zhì)量，因此，顏色、紋理和環(huán)境特征參數(shù)在生菜鮮質(zhì)量估算中有不可替代的作用。

表4 不同輸入特征下回歸模型性能參數(shù)比較Tab.4 Comparison of performance parameters of regression models under different input characteristics

2.3 生菜鮮質(zhì)量模型分段預(yù)測能力

將驗(yàn)證集中生菜樣本按照鮮質(zhì)量分成3個區(qū)間，代表生菜生長不同階段樣本。評估利用高斯過程回歸方法建立的模型對生菜不同生長階段個體鮮質(zhì)量的預(yù)測能力。

將驗(yàn)證集數(shù)據(jù)按照鮮質(zhì)量真實(shí)值劃分為0～55 g、55～102 g、102～300 g 3個鮮質(zhì)量區(qū)間，每個區(qū)間26個樣本數(shù)據(jù)，分別編號，得到樣本區(qū)間的相對誤差的平均值和標(biāo)準(zhǔn)差。從圖9可以看出，0～55 g區(qū)間的預(yù)測生菜鮮質(zhì)量相對誤差的平均值和標(biāo)準(zhǔn)差明顯大于55～102 g、102～300 g 2個區(qū)間，而且出現(xiàn)一個相對誤差為74.06%的數(shù)據(jù)，表明當(dāng)生菜鮮質(zhì)量比較小時，鮮質(zhì)量估算相對誤差比較大，主要是因?yàn)楫?dāng)生菜比較小時，葉片薄且數(shù)量少，形狀特征參數(shù)很容易受到外界環(huán)境(例如溫度、光照、風(fēng)速等)變化的影響；當(dāng)生菜比較大時，生菜的葉片相對較厚、數(shù)量多且緊湊，形狀特征參數(shù)不易受到外接環(huán)境變化的影響，由圖9b生菜預(yù)測鮮質(zhì)量的相對誤差的平均值和標(biāo)準(zhǔn)差居中可以得到驗(yàn)證；在生菜生長后期，由于生菜的葉面積較大，根部吸收的水分和葉片蒸散的水分比較大，對生菜鮮質(zhì)量的影響較前一階段影響大，由圖9c預(yù)測生菜鮮質(zhì)量的相對誤差的平均值和標(biāo)準(zhǔn)差比55～102 g區(qū)間大可以得到驗(yàn)證。

2.4 驗(yàn)證模型的泛化能力

在第2批次生菜的生長期內(nèi)選擇3個階段，每個階段選取10個樣本數(shù)據(jù)，預(yù)測生菜群體的鮮質(zhì)量，驗(yàn)證模型的泛化能力和可靠性。個體可以看作樣本數(shù)量為1的群體，為了能夠利用有限的樣本獲得不同數(shù)量的群體樣本，將每階段生菜樣本做組合處理，具體步驟如下：

(2)計(jì)算第1階段預(yù)測生菜群體鮮質(zhì)量樣本數(shù)為l的相對誤差的平均值和標(biāo)準(zhǔn)差。

(3)依次選取第2、3階段的樣本，分別循環(huán)步驟(1)～(2)，得到第2階段和第3階段的預(yù)測生菜群體鮮質(zhì)量樣本數(shù)為l(l=1，2，…，10)的相對誤差的平均值和標(biāo)準(zhǔn)差。

如圖10所示，可以看出模型預(yù)測個體(l=1)生菜鮮質(zhì)量相對誤差的平均值和標(biāo)準(zhǔn)差較大，預(yù)測生菜群體鮮質(zhì)量的相對誤差的平均值和標(biāo)準(zhǔn)差較小，預(yù)測生菜群體(l=10)鮮質(zhì)量相對誤差的平均值與預(yù)測的生菜個體(l=1)鮮質(zhì)量相對誤差的平均值在3個生長階段分別相差4.44、5.71、5.89個百分點(diǎn)；隨著群體樣本數(shù)的增多，預(yù)測生菜群體鮮質(zhì)量相對誤差的平均值和標(biāo)準(zhǔn)差逐漸減小，其中相對誤差的平均值最終趨于穩(wěn)定，相對誤差的標(biāo)準(zhǔn)差逐漸減小。主要因?yàn)樯藰颖緜€體差異，預(yù)測的生菜個體鮮質(zhì)量有正偏離，有負(fù)偏離，經(jīng)過求和，抵消了一部分鮮質(zhì)量差異，使得預(yù)測群體鮮質(zhì)量的相對誤差明顯減小。

在實(shí)際的應(yīng)用過程中，比較容易獲取群體生菜的冠層投影圖像信息，群體生菜的株高參數(shù)卻不易獲取[33]。所以在群體鮮質(zhì)量估算時，研究去除株高特征參數(shù)的模型具有重要的意義。因此，將數(shù)據(jù)集中的株高特征參數(shù)去除，僅利用冠層投影圖像中的形狀特征(冠層投影面積和周長)、顏色特征、紋理特征和環(huán)境信息，采用高斯過程回歸方法建立模型，驗(yàn)證模型對生菜群體鮮質(zhì)量的預(yù)測能力，并將兩種模型(有株高(模型1)、無株高(模型2))的預(yù)測能力做比較。生菜群體樣本數(shù)量為10。

從圖11可看出，模型1和模型2預(yù)測生菜群體鮮質(zhì)量的相對誤差比較接近，最大不超過1.54個百分點(diǎn)，說明采用模型2能夠達(dá)到模型1估算生菜群體鮮質(zhì)量的目的。模型2的輸入數(shù)據(jù)集中去除了生菜株高這一維度的特征數(shù)據(jù)，導(dǎo)致模型2預(yù)測的個體鮮質(zhì)量比模型1預(yù)測的相對誤差波動大，表明模型2預(yù)測生菜個體鮮質(zhì)量能力有所下降。然而，對于生菜群體鮮質(zhì)量來說，較大的個體鮮質(zhì)量誤差，最終對群體的預(yù)測能力有可能增加，從圖11b中模型2比模型1預(yù)測的生菜群體鮮質(zhì)量的相對誤差小得到驗(yàn)證。所以，模型1和模型2都能夠達(dá)到準(zhǔn)確預(yù)測生菜群體鮮質(zhì)量的目的。對于實(shí)時監(jiān)測生菜群體鮮質(zhì)量的場所，采用模型2更具有優(yōu)勢。因?yàn)椴恍枰@得生菜的株高信息，而僅需要獲得生菜群體冠層圖像就可以準(zhǔn)確預(yù)測出群體鮮質(zhì)量。因此，在無損監(jiān)測生菜群體鮮質(zhì)量方面，模型2比模型1更具有優(yōu)勢。利用上述方法預(yù)測的群體鮮質(zhì)量，可為基質(zhì)培綠葉菜類作物的栽培管理決策提供數(shù)據(jù)支撐。

3 結(jié)論

(1)提出了基于表型特征參數(shù)和生長過程環(huán)境參數(shù)融合的鮮質(zhì)量估算方法，并用于日光溫室基質(zhì)培環(huán)境下生菜個體和群體的鮮質(zhì)量無損估算。利用具有少樣本建模優(yōu)勢的高斯過程回歸方法，以生菜生長過程為對象，建立了表型參數(shù)和環(huán)境參數(shù)與生菜鮮質(zhì)量的回歸關(guān)系模型。

(2)通過采集同批次生菜樣本個體在不同生長階段的表型特征參數(shù)及其鮮質(zhì)量，用于表征該生長點(diǎn)的作物表型參數(shù)與鮮質(zhì)量的回歸關(guān)系，通過在生菜全生育期上密集取樣，獲得了整個生長期上表型參數(shù)與鮮質(zhì)量的完備表達(dá)。

(3)日光溫室基質(zhì)培生菜鮮質(zhì)量估算，最優(yōu)模型為高斯過程回歸建立的模型，模型的決定系數(shù)R2為0.949 3，相對誤差平均值為11.50%，相對誤差標(biāo)準(zhǔn)差為11.21%。與支持向量機(jī)回歸、線性回歸、嶺回歸和神經(jīng)網(wǎng)絡(luò)回歸模型相比，高斯過程回歸模型更適用于小樣本數(shù)據(jù)集建立的鮮質(zhì)量估算模型，預(yù)測精度更高，相對誤差更小。

(4)本文生菜鮮質(zhì)量估算模型，可以預(yù)測出生菜在生長過程中個體鮮質(zhì)量和群體鮮質(zhì)量。雖然生菜的個體鮮質(zhì)量預(yù)測相對誤差比較大，但是生菜群體鮮質(zhì)量預(yù)測相對誤差較小，預(yù)測生菜群體鮮質(zhì)量相對誤差的平均值與預(yù)測的生菜個體鮮質(zhì)量相對誤差的平均值在3個生長階段分別相差4.44、5.71、5.89個百分點(diǎn)；隨群體數(shù)量的增加，預(yù)測生菜群體鮮質(zhì)量相對誤差的平均值和標(biāo)準(zhǔn)差逐漸減小。利用預(yù)測的群體鮮質(zhì)量數(shù)據(jù)可為基質(zhì)培綠葉菜類作物的栽培管理決策提供數(shù)據(jù)支撐。