李 莉 藍(lán) 天 趙奇慧 孟繁佳

(1.中國農(nóng)業(yè)大學(xué)農(nóng)業(yè)信息獲取技術(shù)農(nóng)業(yè)農(nóng)村部重點(diǎn)實(shí)驗(yàn)室， 北京 100083；2.中國農(nóng)業(yè)大學(xué)現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100083)

0 引言

基質(zhì)栽培番茄的氮元素含量直接影響番茄生長(zhǎng)狀況和果實(shí)品質(zhì)。番茄苗期、花期、果期3個(gè)時(shí)期的正常生長(zhǎng)對(duì)氮元素含量有不同的需求[1-4]。其中花期最容易產(chǎn)生氮元素缺乏現(xiàn)象，原因是這一階段既需要完成第1花序開花坐果，又需要保證植株莖干和葉片生長(zhǎng)以及第2、3花序開花，因此需要在花期進(jìn)行實(shí)時(shí)監(jiān)測(cè)以保障番茄的正常生長(zhǎng)[5-10]。

通過葉綠素含量、葉片光譜數(shù)據(jù)等參數(shù)結(jié)合葉片顏色、形狀特征能很好地判別氮元素缺乏程度[11-18]。胡昊等[19]利用手持式GreenSeeker型作物傳感器和SPAD-502型葉綠素儀分析不同氮處理?xiàng)l件下冬小麥葉片SPAD和冠層NDVI，結(jié)果表明三者相關(guān)系數(shù)均很高。鄭一力等[20]采用波段為350～2 500 nm的地物光譜儀獲取金鑲玉竹葉片光譜數(shù)據(jù)，對(duì)比4種估測(cè)模型校驗(yàn)，結(jié)果表明在光譜反射率的對(duì)數(shù)一階微分變化下，采用拓?fù)浣Y(jié)構(gòu)為6-10-1的基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)估測(cè)模型，校驗(yàn)環(huán)節(jié)決定系數(shù)為0.838，均方根誤差為0.045 2。王遠(yuǎn)等[21]利用數(shù)碼相機(jī)依據(jù)水稻數(shù)字圖像綠色通道和紅色通道差值設(shè)定閾值對(duì)圖像進(jìn)行分割，分割后圖像中提取的紅光標(biāo)準(zhǔn)化NRI與SPAD值、葉片含氮量相關(guān)系數(shù)達(dá)到-0.87和-0.65。基于光譜學(xué)判斷植物組織氮含量設(shè)備價(jià)格昂貴，測(cè)量過程易受環(huán)境光線因素制約。

CHEN等[22]基于靜態(tài)掃描技術(shù)獲取稻米葉片和鞘的圖像顏色和形狀特征，通過支持向量機(jī)(SVM)鑒定水稻氮含量4個(gè)不同生長(zhǎng)階段準(zhǔn)確率分別為94%、98%、96%和100%，使用不同年份數(shù)據(jù)進(jìn)行驗(yàn)證，識(shí)別準(zhǔn)確率分別為88%、98%、90%和100%。提取的形狀特征雖然增加了識(shí)別準(zhǔn)確率，但是采集過程過于繁瑣且僅能在實(shí)驗(yàn)室環(huán)境采集。

上述研究只關(guān)注信息獲取和處理本身，并未考慮葉片本身生理特征對(duì)圖像信息的影響。經(jīng)研究發(fā)現(xiàn)，春季育苗、夏季種植的番茄幼苗半數(shù)以上會(huì)在表面覆蓋有粘質(zhì)腺毛。若采取原有的顏色特征建模判別會(huì)降低模型準(zhǔn)確率。本文以溫室番茄葉片為研究對(duì)象，基于形狀特征和顏色特征采用隨機(jī)森林機(jī)器學(xué)習(xí)算法，開展番茄葉片氮含量差異分析，建立氮含量缺乏分級(jí)預(yù)測(cè)模型，以指導(dǎo)科學(xué)施肥。

1 材料與方法

1.1 數(shù)據(jù)采集

2020年3—7月在中國農(nóng)業(yè)大學(xué)精細(xì)農(nóng)業(yè)研究中心的日光溫室進(jìn)行了番茄氮元素缺乏程度判別試驗(yàn)。所用氮肥為四水合硝酸鈣和硝酸鉀。采集不同氮離子濃度施肥策略下番茄葉片表面RGB圖像和SPAD-502型葉綠素儀測(cè)定的番茄葉片氮含量。

灌溉系統(tǒng)采用中國農(nóng)業(yè)大學(xué)日光溫室封閉式栽培水肥智能調(diào)控系統(tǒng)。利用JZH-0xx型集成傳感器采集溫室內(nèi)光照強(qiáng)度、空氣相對(duì)濕度、空氣溫度。采集時(shí)間為每天07:00—21:00，采集間隔為1 h。連續(xù)采集番茄花期開始前至結(jié)束后共40 d(包含花期30 d)環(huán)境參數(shù)數(shù)據(jù)。2020年春季，溫室內(nèi)部平均溫度保持在(23.7±0.3)℃(白天)/(19.7±0.1)℃(夜晚)，相對(duì)濕度為52%。2020年夏季，溫室保持平均溫度為(28.3±0.2)℃(白天)/(23.5±0.4)℃(夜晚)，相對(duì)濕度為69%。白天光照強(qiáng)度在1 125～9 543 lx范圍內(nèi)變化。

1.2 試驗(yàn)方案設(shè)計(jì)

番茄幼苗高度為15～20 cm(包含根系長(zhǎng)度)，兩個(gè)品種幼苗區(qū)別是植株表面是否覆蓋粘質(zhì)腺毛(白色絨毛)。盆栽容量為7 L，基質(zhì)配比按體積分?jǐn)?shù)分別為20%珍珠巖、20%蛭石、60%泥炭。

當(dāng)植株生長(zhǎng)至第一花序開花即番茄花期開始時(shí)，將所有植株分成3個(gè)試驗(yàn)組，使用質(zhì)量濃度70、140、210 mg/L營養(yǎng)溶液分別對(duì)3組植株進(jìn)行施肥灌溉。質(zhì)量濃度210 mg/L氮營養(yǎng)溶液配方見表1。每周在固定時(shí)間用新配置肥料溶液對(duì)番茄植株施肥，其余時(shí)間每隔1 d用去離子水灌溉保證植株水分供需。依據(jù)以上施肥灌溉策略，可保證不同試驗(yàn)組番茄植株中組織氮水平具備明顯差異。

表1 營養(yǎng)溶液各物質(zhì)種類和含量Tab.1 Types and dosages of various substances in nutrient solution

1.3 RGB圖像采集

現(xiàn)場(chǎng)圖像數(shù)據(jù)采集使用樹莓派3b+微處理器，樹莓派官方8×106像素?cái)z像模塊，樹莓派鋰電池?cái)U(kuò)展模塊以及塑料樹莓派外殼共同組成RGB圖像采集單元。通過直徑41 mm的圓形云臺(tái)和三腳架調(diào)節(jié)圖像采集單元的高度和角度。樹莓派上安裝Apache Web服務(wù)器用來為RPi-Cam-Web-Interface提供服務(wù)，使其通過唯一的地址連接樹莓派。智能手機(jī)使用RPi-Cam-Web-Interface控制樹莓派捕獲番茄植株RGB彩色圖像。智能手機(jī)與圖像采集單元和本地計(jì)算機(jī)使用WiFi或4G網(wǎng)絡(luò)進(jìn)行交互連接。圖像獲取系統(tǒng)結(jié)構(gòu)如圖1所示。

為了盡量消除環(huán)境光線對(duì)RGB彩色圖像的影響，在番茄開花期30 d內(nèi)固定每日11:00采集不同氮濃度處理下番茄主干中部枝杈上生長(zhǎng)的葉片圖像。采集圖像中至少包括該枝杈最前端葉片在內(nèi)6片葉子。調(diào)節(jié)三腳架高度保證RGB圖像采集攝像頭清晰聚焦，拍攝位置保持在植物斜側(cè)方距目標(biāo)葉片約0.3 m處，圖像分辨率為3 648像素×2 736像素。為了準(zhǔn)確提取葉片形狀特征，拍攝時(shí)需要使用厚度為3 mm長(zhǎng)方形透明亞克力板置于葉片背面使葉片盡可能平整展開。采集的圖像以特定文件名傳輸至云平臺(tái)存儲(chǔ)。

1.4 葉片氮含量測(cè)定

整個(gè)番茄花期，每日16:00使用SPAD-502型葉綠素儀分別對(duì)番茄植株的目標(biāo)葉片進(jìn)行葉綠素含量測(cè)定。每棵植株至少選取主干中部的兩個(gè)枝杈上各5個(gè)葉片，總計(jì)10個(gè)葉片進(jìn)行采集。重復(fù)測(cè)量每個(gè)葉片3次取平均值以降低因儀器操作帶來的誤差，最大程度保證葉綠素含量準(zhǔn)確測(cè)量。

1.5 圖像預(yù)處理

分割植物前需要消除采集圖像時(shí)因陰天、多云、少云等天氣原因造成環(huán)境光線過暗對(duì)圖像亮度的影響，使用直方圖均衡化或?qū)?shù)變化方法只提高圖像亮度，不改變圖像色度。從背景中分割植物分為2個(gè)步驟：①使用OpenCV中的TenenGrad評(píng)價(jià)函數(shù)實(shí)現(xiàn)圖像分割。②使用“2g-r-b”算法[23]得到背景為黑色僅含有目標(biāo)葉片的RGB彩色圖像。圖像預(yù)處理流程如圖2所示。

1.6 模型輸入特征提取

覆蓋粘質(zhì)腺毛的番茄葉片單個(gè)葉面積、周長(zhǎng)均小于未覆蓋粘質(zhì)腺毛的番茄葉片，并且前者葉片在整個(gè)花期因組織氮素缺乏產(chǎn)生顏色變化程度明顯低于后者。若將二者提取出的輸入特征共同放入判別模型會(huì)極大降低模型準(zhǔn)確率，因此需要在輸入特征中添加形狀特征(葉面積和葉片周長(zhǎng))進(jìn)行種類區(qū)分。此處選取單個(gè)枝葉(尖端葉片)提取形狀特征。形狀特征提取分為4個(gè)步驟：①高斯模糊消除圖像中的噪點(diǎn)。②二值化得到葉片對(duì)象。③形態(tài)學(xué)閉操作(先腐蝕后膨脹)填充葉片中間的小洞。④RETR_EXTERNAL函數(shù)確定葉片輪廓后，用contourArea函數(shù)和arcLength函數(shù)分別計(jì)算葉片像素面積和像素周長(zhǎng)。

顏色特征通過RGB彩色圖像獲取，分別使用minMaxLoc函數(shù)、mean函數(shù)、meanStdDev函數(shù)獲得R、G、B三通道各自最大值、平均值、標(biāo)準(zhǔn)差共9個(gè)變量顏色特征作為模型輸入特征參數(shù)。獲取葉片紋理特征同樣僅使用尖端葉片，過程見圖3。

2 結(jié)果與分析

2.1 數(shù)據(jù)集

番茄花期圖像采集時(shí)間為2020年3月14日—4月15日(共32 d)；夏季番茄花期圖像采集時(shí)間為2020年5月15日—6月17日(共32 d)。整個(gè)番茄花期共獲得576幅不同氮元素濃度的RGB彩色圖像。其中覆蓋粘質(zhì)腺毛和未覆蓋粘質(zhì)腺毛番茄植株圖像分別為192幅和384幅，包含3個(gè)不同營養(yǎng)液離子梯度。整個(gè)圖像采集周期內(nèi)不同營養(yǎng)液離子梯度下兩種番茄葉片圖像如圖4所示。

由圖4可知，營養(yǎng)溶液中所含氮元素減少，葉片黃化過程加快，反之葉片逐漸變成深綠。同時(shí)能夠看出植株表面是否覆蓋粘質(zhì)腺毛對(duì)其產(chǎn)生的影響。

2.2 覆蓋粘質(zhì)腺毛對(duì)模型分級(jí)準(zhǔn)確率的影響

隨機(jī)森林屬于集成學(xué)習(xí)的一個(gè)重要分支，特點(diǎn)是將各個(gè)沒有依賴關(guān)系的弱學(xué)習(xí)器(CART決策樹)并行擬合以提升整體模型分級(jí)判別準(zhǔn)確率，如圖5所示。

對(duì)于一個(gè)樣本，它在含m個(gè)樣本的訓(xùn)練集隨機(jī)采樣中，每次被采集到的概率為1/m。不被采集到的概率是1-1/m。m次采樣都沒有被采集到的概率是(1-1/m)m。當(dāng)m趨近于無窮大時(shí)，(1-1/m)m趨近于1/e，約等于0.368。Bagging每輪隨機(jī)采樣中，數(shù)據(jù)集中約有36.8%的數(shù)據(jù)沒有被采樣集采集到。對(duì)于這部分約36.8%的沒有被采樣到的數(shù)據(jù)，稱之為袋外數(shù)據(jù)(Out of bag, OOB)。這些數(shù)據(jù)沒有參與訓(xùn)練集模型的擬合，因此可以用來檢測(cè)模型的泛化能力。

傳統(tǒng)隨機(jī)森林模型每棵決策樹投票權(quán)重相等，低分級(jí)準(zhǔn)確率的單棵決策樹會(huì)影響整個(gè)森林分級(jí)準(zhǔn)確率。解決這一問題的方法是提前確定每棵樹的權(quán)重，投票時(shí)每棵樹均乘以對(duì)應(yīng)權(quán)重。獲得對(duì)應(yīng)權(quán)重需要將訓(xùn)練樣本分為兩部分，即訓(xùn)練集和測(cè)試集。訓(xùn)練完成后對(duì)每棵樹進(jìn)行測(cè)試，分類正確率計(jì)算式為

式中Xright,i——第i棵樹分類正確樣本數(shù)

Xi——測(cè)試部分樣本數(shù)

分類正確率即為對(duì)應(yīng)權(quán)重。基于傳統(tǒng)窮舉搜索的網(wǎng)格尋優(yōu)無法匹配機(jī)器學(xué)習(xí)種類愈發(fā)繁多的超參數(shù)，而基于隨機(jī)搜索的貝葉斯優(yōu)化恰好可解決這一問題。本文使用其優(yōu)化模型參數(shù)，使判別準(zhǔn)確率達(dá)到最優(yōu)[24-27]。使用2020年春季試驗(yàn)數(shù)據(jù)集中的384幅未覆蓋粘質(zhì)腺毛番茄圖像構(gòu)成第1類數(shù)據(jù)集，并依據(jù)葉面顏色特征進(jìn)行氮元素缺乏分級(jí)建模。再將2020年夏季試驗(yàn)數(shù)據(jù)集中192幅覆蓋粘質(zhì)腺毛番茄圖像和192幅未覆蓋粘質(zhì)腺毛番茄圖像組成第2類數(shù)據(jù)集，使用同樣方式建模。分別使用真正率和假正率作為縱坐標(biāo)和橫坐標(biāo)繪制ROC曲線，計(jì)算ROC曲線下面積(Area under the curve，AUC)作為模型評(píng)價(jià)標(biāo)準(zhǔn)。

ROC曲線越接近縱坐標(biāo)軸點(diǎn)(0,1)且AUC越接近1，則模型分級(jí)效果越好。SVM是機(jī)器學(xué)習(xí)經(jīng)典分級(jí)算法，將其作為對(duì)照模型。使用準(zhǔn)確率對(duì)兩種數(shù)據(jù)模型進(jìn)行多次測(cè)試，結(jié)果如圖6所示。

由圖6可以得出，圖6a整體ROC曲線面積遠(yuǎn)高于圖6b且ROC曲線更加靠近點(diǎn)(0,1)。圖6a模型測(cè)試準(zhǔn)確率均值0.82，圖6b測(cè)試準(zhǔn)確率均值僅0.65。

2.3 基于形狀特征和顏色特征的氮元素缺乏分級(jí)模型構(gòu)建

氮含量通過葉片中葉綠素含量可間接反映，見圖7。葉綠素含量作為監(jiān)督學(xué)習(xí)模型的響應(yīng)變量確定判別準(zhǔn)確率。其中，SPAD值大于33時(shí)定義為高氮輸出變量，SPAD值在28～33內(nèi)定義為中氮輸出變量，SPAD值小于28定義為低氮輸出變量。

同第2類數(shù)據(jù)集相同的384幅圖像構(gòu)成第3類數(shù)據(jù)集，依據(jù)訓(xùn)練集和測(cè)試集7∶3比例劃分。訓(xùn)練集包含269幅圖像，測(cè)試集115幅圖像，將訓(xùn)練集269幅圖像按照7∶3再次劃分得到加權(quán)隨機(jī)森林模型相應(yīng)權(quán)重。將反映該組特征的11個(gè)參數(shù)(顏色特征9個(gè)，形狀特征2個(gè))作為模型的自變量，依據(jù)葉綠素儀判別出的植物組織氮缺乏程度作為響應(yīng)變量，建立番茄花期組織氮含量缺乏程度加權(quán)隨機(jī)森林判別模型，并將加權(quán)模型判別結(jié)果同隨機(jī)森林模型及SVM模型判別結(jié)果進(jìn)行對(duì)比。使用sklearn庫中RandomForestClassifier函數(shù)，乘以相應(yīng)權(quán)重實(shí)現(xiàn)加權(quán)隨機(jī)森林分類算法。為了確保模型分類準(zhǔn)確率，需要進(jìn)行貝葉斯參數(shù)(n_estimators、max_depth、max_features、min_samples_leaf)調(diào)優(yōu)。加權(quán)隨機(jī)森林模型輸入特征參數(shù)調(diào)整后ROC曲線如圖8所示。SVM模型、隨機(jī)森林模型、加權(quán)隨機(jī)森林模型在3類數(shù)據(jù)集上的AUC如圖9所示。

由圖8、9可知，SVM模型、隨機(jī)森林模型和加權(quán)隨機(jī)森林模型在添加形狀參數(shù)后模型整體ROC曲線和AUC都有提高；加權(quán)隨機(jī)森林模型在3類數(shù)據(jù)集上表現(xiàn)優(yōu)于SVM和隨機(jī)森林模型。加權(quán)隨機(jī)森林模型訓(xùn)練集判別準(zhǔn)確率為0.84～0.88，測(cè)試集判別準(zhǔn)確率為0.80～0.83。比第2類數(shù)據(jù)集單獨(dú)使用顏色特征作為模型自變量提升判別準(zhǔn)確率近0.2。

3 結(jié)論

(1)建立了一種基于樹莓派攝像模塊、RPi-Cam-Web-Interface軟件以及云平臺(tái)的溫室番茄葉片圖像采集單元，圖像采集單元可以通過智能手機(jī)控制樹莓派攝像模塊采集所需圖像。試驗(yàn)結(jié)果表明，該圖像采集單元能夠適用溫室環(huán)境，操作簡(jiǎn)便易學(xué)。相比基于光譜學(xué)圖像采集單元受環(huán)境光線影響較小。

(2)番茄因?yàn)橹仓瓯砻娓采w粘質(zhì)腺毛會(huì)對(duì)不同氮離子濃度營養(yǎng)溶液產(chǎn)生不同的葉片形狀和顏色特征變化。原因是覆蓋粘質(zhì)腺毛番茄對(duì)氮元素需求量較少，整個(gè)缺素試驗(yàn)期內(nèi)葉片葉綠素含量相對(duì)未覆蓋粘質(zhì)腺毛葉片更高。通過增加葉片周長(zhǎng)和葉面積兩個(gè)形狀參數(shù)有效解決覆蓋粘質(zhì)腺毛番茄葉片影響整體模型判別準(zhǔn)確率的問題，加權(quán)隨機(jī)森林判別模型測(cè)試集準(zhǔn)確率可達(dá)0.80～0.83。