摘要：為推進富含花青素的紫蘇品種選育，指導逆境脅迫下的紫蘇生產管理，以紫蘇為研究對象，采集田間葉片并使用數(shù)碼相機拍照，結合紅綠藍色彩空間（red green blue color space，RGB）和CIELab色彩空間（CIELabcolor space）2種圖像色彩分析手段處理圖片，與葉片花青素含量進行相關性和顯著性分析，篩選出相關系數(shù)較高的色彩參數(shù)，建立單變量回歸反演模型，最終綜合建模得到預測效果最優(yōu)的紫蘇葉片花青素含量預測模型。結果表明，在RGB 色彩空間中，紅光標準化值（normalized redness intensity，NRI）、綠光標準化值（normalizedgreenness intensity，NGI）與花青素含量呈極顯著相關，其中NGI的相關系數(shù)大于NRI。當葉片正反面色彩貢獻比為2∶1時，NGI與花青素含量的相關性最大，相關系數(shù)為0.853 2。對比不同模型發(fā)現(xiàn)，以NGI為自變量建立的指數(shù)模型擬合效果最好，相關系數(shù)為0.838 1，決定系數(shù)（R2）達0.755 0。在CIELab色彩空間中，紅度（a*）與花青素含量的相關性最好，且相關系數(shù)同樣在葉片正反面色彩貢獻比為2∶1時達最大，為0.735 6?；赼*建立的冪模型擬合效果最好，相關系數(shù)和R2分別為0.743 8和0.679 8。分別使用NGI模型和a*模型對葉片花青素含量進行估測，驗證后發(fā)現(xiàn)a*模型的預測效果更好，準確性和穩(wěn)定性更高，因此以a*模型為預測紫蘇葉片花青素含量的最優(yōu)模型。

關鍵詞：紫蘇；RGB；CIELab；花青素；數(shù)碼相機

doi：10.13304/j.nykjdb.2023.0164

中圖分類號：S126 文獻標志碼：A 文章編號：1008?0864（2024）07?0103?08

紫蘇[Perilla frutescens （L.） Britt.]是唇形科、紫蘇屬一年生草本植物，在我國分布廣泛[1]。紫蘇植株的適應性較強，對土壤要求不嚴[2]，除平原地區(qū)外，山地、丘陵及河灘鹽堿地均可種植[3?4]。紫蘇作為一種藥食同源作物，具有獨特的食味性和廣泛的藥用價值，紫蘇梗、紫蘇葉、紫蘇子由于功效的不同可應用于多種中醫(yī)藥方劑和保健品中，因此，栽培種植紫蘇可以取得較好的經濟效益[5]。自然狀態(tài)下，紫蘇葉片的顏色在基因表達的作用下通常存在3 種表型：全綠型、單面紫型和全紫型。紫蘇的葉片之所以呈紫色，主要原因是葉片中含有大量的花青素，其中以全紫型紫蘇葉片的花青素含量最高[6]。花青素是一種水溶性黃酮類次生代謝物[7]，通常以花色苷的形式儲存在植物細胞的液泡中[8]，具有清除自由基、抗氧化、預防癌癥、保護心腦血管、改善視力等功效[9-12]。不同紫蘇品種葉片的花青素含量不同，同時生物脅迫與非生物脅迫均會影響花青素的合成與降解[13-16]，因此，建立快速、準確的花青素無損檢測方法對提高富含花青素的紫蘇新品種選育效率、適時優(yōu)化生產管理措施，進而提高紫蘇的產量與品質具有重要意義。

近年來，隨著數(shù)碼圖像采集設備和計算機圖像處理技術的快速發(fā)展和積極應用，衍生出許多新的植物色素研究方法。王方永等[17]結合數(shù)碼相機和成像光譜儀估測了棉花葉片的葉綠素含量；張沛健等[18]、王詣等[19]以數(shù)碼相機拍攝得到的圖像信息對紅樹樹葉、青岡櫟樹葉的葉綠素含量進行了檢測；賀英等[20]將數(shù)碼相機搭載在無人機平臺上，實現(xiàn)了玉米冠層SPAD的估算；李修華等[21]、劉煒[22]則進一步簡化圖像采集設備，基于手機拍攝的圖像完成了甘蔗、乳瓜葉片葉綠素含量的預測。因此，本研究以紫蘇為目標作物，使用數(shù)碼相機采集不同花青素含量紫蘇葉片的圖像信息，分別基于紅綠藍色彩空間（red green blue colorspace，RGB）和CIELab 色彩空間（CIELab colorspace）分析構建紫蘇葉片花青素含量的估算預測模型，以期為調查紫蘇葉片花青素含量變化情況和生理狀態(tài)診斷提供一種成本低廉、操作簡單、工作效率高、預測精度好的技術方法和理論依據(jù)。

1 材料與方法

1.1 葉片樣品收集

以全紫型紫蘇種質‘PZSD8’為試驗材料，由河南省農業(yè)科學院長垣分院園藝研究所提供，試驗于河南省長垣市現(xiàn)代農業(yè)示范園進行。在大田種植生產模式下，隨機選擇150株紫蘇植株，采集不同葉位、不同形態(tài)、不同葉齡的健康完整葉片，標記編號置于塑封袋密封，并放入配置冰袋的保溫箱內，在保證葉片新鮮、無變質的前提下迅速帶回實驗室做進一步處理。

1.2 圖像信息采集

如圖1 所示，在實驗室內，將田間收集的紫蘇葉片樣品置于白板上，按編號逐一進行拍照保存。照片采集使用的相機為1 200萬像素，相機鏡頭垂直于樣品上方30 cm處，拍照期間保持相機穩(wěn)定，遮擋四周并使用同一光源補光，對葉片正、反兩面分別拍照保存，進而獲得紫蘇葉片的圖像信息。

1.3 花青素含量測定

根據(jù)花青素在酸性溶液中顯紅色且花青素含量的高低與溶液顏色的深淺呈正比的原理[23]，以鹽酸甲醇溶液為溶劑，放入研磨離心后的葉片樣品，于室溫下避光靜置，待花青素完全析出，8 000 r·min-1 離心5 min，取上清液，使用分光光度法[24]測定葉片花青素含量。

1.4 基于RGB 的參數(shù)計算

使用R軟件對圖像進行RGB提取[25]，獲得紫蘇葉片圖像中紅色（red，R）、綠色（green，G）、藍色（blue，B）像元分量的均值，然后計算紅光標準化值（normalized redness intensity，NRI）、綠光標準化值（normalized greenness intensity，NGI）和藍光標準化值（normalized blueness intensity，NBI），公式如下。

NRI=R/（R+G+B） （1）

NGI=G/（R+G+B） （2）

NBI=B/（R+G+B） （3）

1.5 基于CIELab 的參數(shù)計算

基于CIELab色彩空間使用R軟件對葉片圖像信息進行分析處理[25]，結合CIELab色彩空間的相關參數(shù)公式計算取得相應的CIELab參數(shù)數(shù)據(jù)。主要公式如下。

L*=116f（Y/Yn）-16 （4）

a*=500[f（X/Xn）-f（Y/Yn）] （5）

b*=200[f（Y/Yn）-f（Z/Zn）] （6）

式中，L*表示亮度；X、Y、Z 為顏色樣品的3個刺激值；Xn、Yn、Zn為CIE標準照明體照射在完全漫反射體上得到的3個刺激值；a*和b*是色度通道，分別表示紅度和黃度。

1.6 數(shù)據(jù)分析

在所有樣本中隨機抽取65個樣本作為建模樣本，用于建立紫蘇葉片花青素含量的預測模型；剩余樣本留作對預測模型的驗證和測試。使用R軟件進行圖像RGB和CIELab色彩參數(shù)信息的識別和分析處理[25]，使用SPSS 22.0 和Excel2007進行數(shù)據(jù)處理和制圖。

2 結果與分析

2.1 基于RGB 的色彩指數(shù)與花青素含量相關性分析

將葉片正、反面的RGB 色彩指數(shù)與葉片的花青素含量分別擬合做相關性分析，結果（表1）表明，葉片的花青素含量與正、反面的紅光標準化值（NRI）和綠光標準化值（NGI）呈極顯著相關（Plt;0.01），與藍光標準化值（NBI）的相關性較差。其中，NRI 與花青素含量呈極顯著正相關關系；NGI與花青素含量呈極顯著負相關關系，且NGI與花青素含量的相關系數(shù)均大于NRI，最高可達0.84以上。因此，選取NGI作為建立花青素預測模型的參數(shù)。

2.2 不同正反比例下NGI 的變化

紫蘇葉片正、反兩面的顏色變化程度存在差異，因此，在與葉片花青素含量建立關系時，需結合正、反兩面的NGI變化調節(jié)綜合分析。將正、反兩面按照不同比例結合，NGI的變化情況如圖2所示。當正面占比逐漸增大時，NGI與葉片花青素含量的相關性呈現(xiàn)出先升后降的趨勢；在正、反比例為2∶1 時達到最大，此時的相關系數(shù)為0.853 2；隨著反面占比的逐漸增大，NGI與花青素含量的相關性則呈現(xiàn)出逐漸降低的趨勢；NGI與不同比例下花青素含量相關性的誤差棒為0.02。因此，葉片正、反色彩比例為2∶1 時的NGI可作為建?；A，用于進一步建立葉片花青素含量的預測模型。

2.3 基于NGI 建立葉片的花青素含量預測模型

以葉片正、反色彩比例為2∶1條件下的NGI為自變量，構建基于不同函數(shù)模型的葉片花青素含量預測模型。由表2中可知，各類型函數(shù)模型的決定系數(shù)（R2）均在0.72以上，說明擬合性較好。其中指數(shù)模型的R2 最高，為0.755 0。將NGI代入指數(shù)模型計算葉片花青素含量預測值，模型的均方根誤差（root mean square error，RMSE）和平均相對誤差（mean relative error，MRE）分別為2.32和15.55%，說明該模型的穩(wěn)定性和準確性較好。因此，以NGI為自變量建立的指數(shù)模型可作為基于NGI 的葉片花青素含量預測模型。

2.4 基于CIELab 的色彩參數(shù)與葉片花青素含量的相關性分析

由圖3可知，亮度（L*）與葉片花青素含量呈負相關關系，且相關系數(shù)隨著正面色彩比例的提高而增大；紅度（a*）與葉片花青素含量呈正相關關系，相關系數(shù)的變化趨勢為先增后降，在正、反比例為2∶1 時達到最大；黃度（b*）與L*相同，相關系數(shù)隨反面比例的提高而降低。三者間相比，a*與葉片花青素含量的相關系數(shù)顯著大于L*和b*，因此以a*作為參數(shù)建立模型。

2.5 基于a*建立葉片花青素含量預測模型

以a*為自變量，構建基于不同函數(shù)模型的葉片花青素含量預測模型。如表3所示，不同函數(shù)模型間的R2浮動較大，其中對數(shù)模型的擬合效果最差，R2為0.524 8；線性模型、多項式模型次之，R2為0.55左右；冪模型和指數(shù)模型的R2 較為接近，分別為0.679 8和0.679 5。將a*依次代入到冪模型和指數(shù)模型計算葉片花青素含量的預測值，并檢驗模型的預測精度和穩(wěn)定性，結果如表4所示。冪模型的RMSE和MRE分別為2.80和16.65%，均略優(yōu)于指數(shù)模型。因此，將冪模型作為基于a*的葉片花青素含量預測模型。

2.6 基于RGB 和CIELab 預測模型的花青素含量估測

隨機抽取樣本，利用不同預測模型進行花青素含量估測，結果如表5 所示。在一些樣本中，NGI模型的花青素含量估測值與實測值之間出現(xiàn)了較大的偏差，而a*模型則保持了較好的準確性。2種模型的預測值與實測值之間均存在一定的上下浮動，但a*模型的整體結果浮動更小，穩(wěn)定性優(yōu)于NGI模型。

3 討論

花青素作為一種來源于植物體的天然水溶性色素，因其較優(yōu)的生物功效而受到人們的廣泛關注。傳統(tǒng)的植物體花青素檢測方法多采用化學手段，如高效液相色譜法[26]、分光光度法[27]、香草醛法[28]、4-二甲基氨基肉桂醛法[29]、pH示差法[30]等。使用化學分析方法測得的花青素含量結果準確性高、穩(wěn)定性好，但對更多的農業(yè)種植者而言，其操作過程較復雜，需要一定的試驗基礎和平臺，在樣品較多時效率不足，生產成本也會因此提高。隨著數(shù)字圖像技術的發(fā)展和應用，已有研究著眼于通過圖像信息分析植物生理狀態(tài)、預測植物體內物質含量、關注植物營養(yǎng)變化[31-34]，并建立了一些相應的植物分析方法。其中，關于植物體內色素的研究多集中于葉綠素，對其他植物色素的報道較少，基于圖像信息建立的預測模型多為線性模型[35-37]。

本研究以數(shù)碼相機為圖像采集設備，基于不同色彩處理方式對紫蘇葉片花青素含量進行預測。相較于化學分析方法，本研究方法的穩(wěn)定性較好、準確性較高，且操作簡便、成本較低，但預測結果與實際值無法完全擬合，因此，不能作為產品質量定量指標使用。在本研究中，不僅使用了常用的RGB 色彩空間，還引入了CIELab色彩空間，建立了基于不同顏色模型的紫蘇葉片花青素估算預測模型，并探究了二者之間的差別，發(fā)現(xiàn)NGI、a*與葉片花青素含量的相關性優(yōu)于NRI、NBI、L*和b*，其中NGI與葉片花青素含量呈負相關關系，a*與葉片花青素含量呈正相關關系；當葉片正、反面色彩比例為2∶1 時，NGI、a*與葉片花青素含量的相關系數(shù)分別達到0.853 2 和0.735 6。在今后的研究中，可進一步細化葉片正、反兩面的色彩貢獻，以提高花青素估算預測模型的準確性和穩(wěn)定性。在建立紫蘇葉片花青素預測模型時發(fā)現(xiàn)，NGI 模型的R2、RMSE 和MRE分別為0.755 0、2.32和15.55%，優(yōu)于a*模型的0.679 8、2.80 和16.65%，但從估測結果上看，與NGI模型相比，a*模型的估測值與實測值更接近、更穩(wěn)定，這一點與婁衛(wèi)東等[38]對葉綠素的研究結果相反。

參考文獻

［1］ 魏長玲，郭寶林，張琛武，等.中國紫蘇資源調查和紫蘇葉揮發(fā)油化學型研究[J].中國中藥雜志，2016，41（10）：1823-1834.

WEI C L， GUO B L， ZHANG C W， et al .. Perilla resources ofChina and essential oil chemotypes of Perilla leaves [J]. China J.Chin. Materia Med.， 2016， 41（10）：1823-1834.

［2］ 崔新爽.中國不同種源地紫蘇在哈爾濱的適應性研究[D].哈爾濱：東北林業(yè)大學，2020.

CUI X S. Adaptability of Perilla from different provenances inChina in Harbin [D]. Harbin： Northeast Forestry University， 2020.

［3］ 魏國江，潘冬梅，劉淑霞，等.黑龍江省大慶市鹽堿地種植紫蘇技術研究[J].黑龍江農業(yè)科學，2011（2）：26-29.

WEI G J， PAN D M， LIU S X， et al .. Study on planting techniqueof Perilla in saline land in Daqing of Heilongjiang [J].Heilongjiang Agric. Sci.， 2011（2）：26-29.

［4］ 徐創(chuàng)軍，楊立中，唐家良，等.紫色土坡地不同種植模式生態(tài)經濟效益綜合評價[J]. 中國生態(tài)農業(yè)學報，2008，16（1）：196-199.

XU C J， YANG L Z， TANG J L， et al .. Comprehensiveevaluation of eco-economic benefits of different cropping systems in slope-land purple soils [J]. Chin. J. Eco-Agric.，2008， 16（1）：196-199.

［5］ 賈瑞海.食藥兼用植物紫蘇的應用研究與發(fā)展前景[J].農技服務，2007，24（2）：102-104.

［6］ 王仙萍，李敏，張敏琴，等.貴州紫蘇資源收集以及葉色多樣性分析[J].中國農學通報，2013，29（10）：132-136.

WANG X P， LI M， ZHANG M Q， et al .. Resources collectionand leaf color diversity analysis of Perilla frutescens （L.） inGuizhou province [J]. Chin. Agric. Sci. Bull.， 2013， 29（10）：132-136.

［7］ 陳道宗.油菜及其近緣種不同組織花青素累積的分子機制研究[D].武漢：華中農業(yè)大學，2020.

CHEN D Z. Molecular mechanism studies on anthocyaninaccumulation in various tissues of rapeseed and its relatedspecies [D]. Wuhan： Huazhong Agricultural University， 2020.

［8］ 姜秀娟，劉海霞，徐愛，等.花色苷提取的最新研究進展[J].農業(yè)技術與裝備，2021（11）：54-55.

JIANG X J， LIU H X， XU A， et al .. Recent advances inextraction of anthocyanins [J]. Agric. Technol. Equip.， 2021（11）：54-55.

［9］ WALLACE T C， GIUSTI M M. Anthocyanins-nature’s bold，beautiful， and health-promoting colors [J/OL]. Foods， 2019， 8（11）：550 [2023-02-05]. https：//doi.org/10.3390/foods8110550.

［10］ LIU Y， ZHANG X M， LI H， et al .. Technologies for extractinganthocyanins from the red raspberry and their free radicalscavenging ability [J]. Adv. J. Food Sci. Technol.， 2018， 14（6）：166-180.

［11］ XU L， TIAN Z Z， CHEN H， et al .. Anthocyanins， anthocyaninrichberries， and cardiovascular risks： systematic review andmeta-analysis of 44 randomized controlled trials and 15prospective cohort studies [J/OL]. Front Nutr.， 2021， 8：747884[2023-02-05]. https：//doi.org/10.3389/fnut.2021.747884.

［12］ YURI N， KEIKO I K， HITOSHI M， et al.. Therapeutic effects ofanthocyanins for vision and eye health [J/OL]. Molecules，2019， 24（18）：3311 [2023-02-05]. https：//doi.org/10.3390/molecules24183311.

［13］ AUNG H N， TRINH N A， KI B L， et al .. .Overexpression ofrosea1 from snapdragon enhances anthocyanin accumulationand abiotic stress tolerance in transgenic tobacco [J/OL]. Front.Plant Sci.， 2018， 9： 1070 [2023-02-05]. https：//doi.org/10.3389/fpls.2018.01070.

［14］ 柯燚，高飛，金韜，等.溫度對植物花青素苷合成影響研究進展[J].中國農學通報，2015，31（19）：101-105.

KE Y， GAO F， JIN T， et al .. Review of temperature effect onanthocyanin synthesis [J]. Chin. Agric. Sci. Bull.， 2015， 31（19）：101-105.

［15］ 西拉.果實發(fā)育過程中轉色期前后水分脅迫對原花青素和花青素積累的影響[J].中外葡萄與葡萄酒，2011（11）：76-76.

［16］ RYU J H， SEO K S， CHOI G L， et al .. Effects of LED lightillumination on germination， growth and anthocyanin content ofDandelion （Taraxacum officinale） [J]. Kr. J. Plant Res.， 2012，25（6）：731-738.

［17］ 王方永，王克如，李少昆，等.利用數(shù)碼相機和成像光譜儀估測棉花葉片葉綠素和氮素含量[J]. 作物學報，2010，36（11）：1981-1989.

WANG F Y， WANG K R， LI S K， et al .. Estimation ofchlorophyll and nitrogen contents in cotton leaves using digitalcamera and imaging spectrometer [J]. Acta Agron. Sin.， 2010，36（11）：1981-1989.

［18］ 張沛健，尚秀華，吳志華.基于圖像處理技術的5種紅樹林葉片形態(tài)特征及葉綠素相對含量的估測[J]. 熱帶作物學報，2020，41（3）：496-503.

ZHANG P J， SHANG X H， WU Z H. Morphologicalcharacteristics of leaves and estimation of relative chlorophyllcontent in five species of mangrove based on image processingtechnology [J]. Chin. J. Trop. Crops， 2020， 41（3）：496-503.

［19］ 王詣，閆志勇.基于圖像處理的青岡櫟葉綠素含量檢測系統(tǒng)研究[J].中國農業(yè)科技導報，2017，19（4）：59-64.

WANG Y， YAN Z Y. Detection system of chlorophyll content ofCyclobalanopsis glauca using image processing technology [J].J. Agric. Sci. Technol.， 2017， 19（4）：59-64.

［20］ 賀英，鄧磊，毛智慧，等.基于數(shù)碼相機的玉米冠層SPAD遙感估算[J].中國農業(yè)科學，2018，51（15）：2886-2897.

HE Y， DENG L， MAO Z H， et al .. Remote sensing estimationof canopy SPAD value for maize based on digital camera [J].Sci. Agric. Sin.， 2018， 51（15）：2886-2897.

［21］ 李修華，盧顯杰，奚金陽，等.智能手機RGB圖像檢測植物葉片葉綠素含量的通用方法[J]. 農業(yè)工程學報，2021，37（22）：145-151.

LI X H， LU X J， XI J Y， et al ..Univeisal method to detect thechlorophyll content in plant leaves with RGB images captured bysmart phones [J]. Trans. Chin. Soc. Agric. Eng.， 2021， 37（22）：145-151.

［22］ 劉煒.基于圖像處理的乳瓜葉片葉綠素含量預測研究[D].銀川：寧夏大學，2020.

LIU W. Prediction of chlorophyll content in leaves of cucumisbased on image processing [D]. Yinchuan： Ningxia University，2020.

［23］ 包劉媛，李香勇，李洪相，等.環(huán)境條件對花青素苷穩(wěn)定性的影響[C]//2016 中國大理國際茶花大會論文集.大理，2016：346-355.

［24］ 黎瑞珍，吳麗，劉美然，等.分光光度法測定火龍果中花青素的含量[J].海南熱帶海洋學院學報，2023，30（2）：115-121.

LI R Z， WU L， LIU M R， et al .. Determination of anthocyanincontent in Pitaya fruit by spectrophotometry [J]. J. HainanTrop. Ocean Univ.， 2023， 30（2）：115-121.

［25］ NULL R C T R， TEAM R， NULL R C T， et al .. R： a languageand environment for statistical computing [J]. Computing，2011， 1：12-21.

［26］ 殷麗琴，彭云強，鐘成，等.高效液相色譜法測定8個彩色馬鈴薯品種中花青素種類和含量[J]. 食品科學，2015，36（18）：143-147.

YIN L Q， PENG Y Q， ZHONG C， et al .. Determination ofanthocyanidin composition of different pigmented potato（Solanum tuberosum L.） cultivars by HPLC [J]. Food Sci.，2015， 36（18）：143-147.

［27］ 劉長姣，鄭霞，熊湘煒，等.分光光度法測定黑米花青素方法的建立[J].糧食與油脂，2019，32（1）：73-77.

LIU C J， ZHENG X， XIONG X W， et al .. Detection ofanthocyanin in black rice by spectrophotometry [J]. Cereals Oils， 2019， 32（1）：73-77.

［28］ 張寒俊，汪海波，習羽.改進香草醛法測定葡萄提取物中的原花青素[J].中國釀造，2010（8）：147-149.

ZHANG H J， WANG H B， XI Y. Improved method fordetermination of proanthocyanidin in grape extracts [J]. Chin.Brewing， 2010（8）：147-149.

［29］ 朱甜甜，胡玲，童金枝，等.秀麗莓莖、葉中原花青素測定[J].青海大學學報（自然科學版），2020，38（1）：38-43.

ZHU T T， HU L， TONG J Z， et al .. Determination ofproanthocyanidins in stems and leaves of Rubus amabilisfocke [J]. J. Qinghai Univ. （Nat. Sci.）， 2020， 38（1）：38-43.

［30］ 王貝，侯益明.pH示差法測定花青素含量的方法研究[J].山東化工，2021，50（21）：94-96.

WANG B， HOU Y M. Study on the method of determininiganthocyanin content by pH-differential method [J]. ShandongChem. Ind.， 2021， 50（21）：94-96.

［31］ 彭可為，李嬋，曹學仁，等.數(shù)字圖像技術在植物病害自動識別中的研究進展[J].江西農業(yè)學報，2012，24（9）：69-71.

PENG K W， LI C， CAO X R， et al .. Research advance inapplication of digital image technology in automatic recognition ofplant diseases [J]. Acta Agric. Jiangxi， 2012， 24（9）：69-71.

［32］ 郭倫麗.基于近紅外和可見光圖像的植物水分利用率測量方法研究[D].西安：西安理工大學，2021.

GUO L L. Research on mesurement method of plant water useefficiency based on near infrared and visible images [D]. Xi’an：Xi’an University of Technology， 2021.

［33］ 魏全全，李嵐?jié)?，任濤，?基于數(shù)字圖像技術的冬油菜氮素營養(yǎng)診斷[J].中國農業(yè)科學，2015，48（19）：3877-3886.

WEI Q Q， LI L T， REN T， et al .. Diagnosing nitrogen nutritionstatus of winter rapeseed via digital image processingtechnique [J]. Sci. Agric. Sin.， 2015，48（19）：3877-3886.

［34］ 夏莎莎，張聰，李佳珍，等.基于手機相機獲取冬小麥冠層數(shù)字圖像的氮素診斷與推薦施肥研究[J]. 中國生態(tài)農業(yè)學報，2018，26（4）：538-546.

XIA S S， ZHANG C， LI J Z， et al .. Study on nitrogen nutritiondiagnosis and fertilization recommendation of winter wheatusing canopy digital images from cellphone camera [J]. Chin. J.Eco-Agric.， 2018， 26（4）：538-546.

［35］ 劉子恒，敏乾，李海翼.數(shù)字圖像技術在苦菜葉綠素含量測量中的應用[J].貴州大學學報（自然科學版），2017，34（6）：11-13，38.

LIU Z H， MIN Q， LI H Y. The application of digital imageprocessing technique in measuring chlorophyll concentration inbitter leaf [J]. J. Guizhou Univ.（Nat. Sci.）， 2017， 34（6）：11-13， 38.

［36］ 董淼.蘋果葉片和冠層葉綠素含量高光譜估算模型[D].烏魯木齊：新疆農業(yè)大學，2018.

DONG M. Models of estimating chlorophyll in leaves andcanopy of Malus pumila ‘Hongfushi’ using hyperspectraldata [D]. Urumqi： Xinjiang Agricultural University， 2018.

［37］ 張穎，陳芳，郝遠強，等.智能手機光譜儀檢測紫薯花青素[C]//河南省化學會2020年學術年會論文集.許昌，2020：1-1.

［38］ 婁衛(wèi)東，林寶剛，周洪奎，等.基于圖像特征的油菜葉綠素含量快速估算[J].浙江農業(yè)科學，2022，63（3）：480-484.

基金項目：河南省農業(yè)科學院“四優(yōu)四化”科技支撐行動計劃項目（20220901005）。