基于数字图像分析技术的橡胶树叶片氮含量预测

张培松　孙毅明　郭澎涛　袁忠志　杨红竹　贝美容　罗微

摘 要 为建立橡胶树氮素营养快速诊断技术，利用数码相机获取橡胶树叶片图像，运用数字图像处理技术提取叶片图像的颜色特征参数，分析颜色特征参数与橡胶树叶片氮含量的相关性，并建立回归模型。结果表明，9个颜色特征参数R/B、B/（R+G）、R/（G+B）、R/（R+G+B）、B/（R+G+B）、（B+G）/（R+G+B）、（R-B）/（R+G+B）、（R-B）/（B+R）和G/（R-B）与橡胶树叶片氮含量相关性较好，综合评价得出G/（R-B）所建立的橡胶树热研7-33-97叶片氮含量二次多项式估测模型最优，模型校正决定系数为81.04%，预测相对误差和均方根误差分别为10.91%和0.31%，表明利用数字图像分析技术可以进行成龄橡胶树热研7-33-97叶片氮素含量营养诊断。

关键词 数码相机；图像识别；橡胶树；氮素；营养诊断

中图分类号 S794.1 文献标识码 A

Study on Predicting Nitrogen Content of Rubber Tree

Leaf by Digital Image Analysis

ZHANG Peisong1， SUN Yiming1， GUO Pengtao1， YUAN Zhongzhi2，

YANG Hongzhu1， BEI Meirong1， LUO Wei1 *

1 Rubber research Institute， CATAS， Danzhou， Hainan 571737， China

2 Hainan Xiao Chen Technology Co.， Haikou， Hainan 570125， China

Abstract Predicting nitrogen content of leaf based on digital image analysis， is one of the rapid diagnostic technology of rubber tree nitrogen content. This study extracted the color feature of rubber tree leaf by digital image processing techniques， which were acquired by digital camera. The regression models were estabilished base on analysised the correlation between these parameters with rubber tree leaf nitrogen content. The result showed that， the 9 color feature parameters， R/B， B/（R+G）， R/（G+B）， R/（R+G+B）， B/（R+G+B），（B+G）/（R+G+B），（R-B）/（R+G+B），（R-B）/（B+R）and G/（R-B）， had good correlation with the nitrogen content of rubber tree leaf. The model based on G/（R-B）was the best one of the 9 parameters for predicting nitrogen content of reyan 7-33-97， which the correction coefficient was 81.04%， the relative error and the root mean square error were 10.91% and 0.31%， respectively， which indicated that the digital image analysis technology could be used for diagnosis nitrogen content of aged rubber tree leaves reyan 7-33-97.

Key words Digital camera； Image recognition； Rubber tree； Nitrogen； Nutrient diagnosis

doi 10.3969/j.issn.1000-2561.2015.12.002

橡胶树的营养诊断和推荐施肥都是以传统的田间叶片采集和实验室化验分析为基础，虽然具有较高的准确性，但是也存在费时、费力、耗财等缺陷，很难在大面积胶园营养诊断上推广应用。近些年，随着信息技术的飞速发展，数字图像分析技术在植物营养诊断方面得到了广泛研究，与传统营养诊断方法相比，该方法具有快速、无损、耗费低等优势，因此，更易于在实际应用中进行推广。

最近，国内外利用数字图像分析技术进行植物营养诊断的研究主要集中于水稻[1-6]、玉米[7-9]、小麦[10-12]、棉花[13-15]等大田作物以及蔬菜瓜果[17-20]等园艺作物上。如Lee等[1]利用图像分析技术，从彩色数码相机影像上提取10种色彩指数和覆盖度指数，发现有8种色彩指数以及覆盖度指数与水稻的叶面积指数、地上干物质重量、地上氮素累积量之间存在显著的相关性，以这些指数为辅助变量，运用逐步线性回归方法分别构建水稻叶面积指数、地上干物质重量和地上氮累积量的估测模型，经独立试验验证，估测模型的预测精度可满足实际需要。刘颖和李志洪[5]利用数码相机拍摄了玉米拔节期冠层彩色图像，分析了从冠层彩色图像上提取的色彩参数与植株叶绿素含量、植株全氮含量、茎基部硝酸盐浓度、植株体内硝酸还原酶活性4项指标之间的关系，发现绿光绝对值、绿光标准化值、绿光与图像亮度的比值、绿光与红光的比值与上述4项指标参数之间存在显著的相关性，可用于诊断玉米植株参数。Li等[10]发现在小麦的营养生长和茎杆伸长早期，从数码相机影像上提取的冠层覆盖度指数与其叶面积指数、地上生物量、植株氮浓度之间存在明显的曲线关系。

数字图像分析技术虽然已经在植物营养诊断方面开展了较多的研究，但在高大乔木橡胶树氮素营养诊断方面的研究还鲜见报道。本研究利用尼康D90数码相机获取成龄橡胶树热研7-33-97叶片图像，建立橡胶树叶片氮素估测的数字图像技术，为橡胶树氮素营养的快速诊断提供依据。

1 材料与方法

1.1 材料

1.1.1 试验区概况 试验区位于海南省儋州市，19°19′36″～19°51′48″ N、109°03′48″～109°44′56″ E，面积约3 400 km2。该区属热带湿润季风气候，常年平均气温23.5 ℃，年平均降雨量1 815 mm，主要集中于5～10月，占全年降雨量80%以上。环境条件较适宜橡胶树的生长，是海南省天然橡胶主要种植区域之一。

1.1.2 样品采集 2012年7～9月进行橡胶树叶片样品采集，供试品种为热研7-33-97。依据儋州市土地利用现状图和橡胶园分布状况，选取5个镇（东成镇、那大镇、大成镇、雅星镇和兰洋镇）的民营橡胶园进行样品采集，采集对象为无病虫害开割树（种植年限为8～11年）。在每个典型样区（面积约0.67 hm2）采用“S”型路线随机选取10棵橡胶树进行叶片采集，每棵树左右两侧各取3片稳定期的叶子，10棵树共采集60片叶作为1个混合样品，一共采集混合样品128个。

1.2 方法

1.2.1 叶片图像获取与处理 橡胶树叶片样品经清洗、擦干处理后，逐一编号，利用尼康D90相机在室内自然散射光条件下进行叶片图像采集。成像时把叶片样品置于标准背景纸上，镜头垂直俯视目标样品（距样品1 m），以相机自动白平衡模式进行拍摄，图像分辨率为1 936×1 296像元，以JPEG格式进行存储。

利用“橡胶树叶片营养诊断标准图像库管理系统”对获取的叶片图像进行平滑、锐化、边缘提取、二值化、特征提取、图像识别等预处理，通过图像库管理系统提取出图像的红R（redness intensity）、绿G（greenness intensity）和蓝B（blueness intensity）3种颜色的灰度值。

1.2.2 叶片样品氮素分析 叶片样品在110 ℃下杀青15 min，然后放入70 ℃烘箱中烘至恒重，采用H2SO4-H2O2消煮法制得待测液后，用连续流动分析仪测定[21]。

1.2.3 模型构建 从原始128个叶片样品中随机选取64个作为训练集，用来构建模型。分别以R、G、B以及这3个颜色特征参数的组合R/G、R/B、G/B、B/（R+G）、G/（R+B）、R/（G+B）、R/（R+G+B）、G/（R+G+B）、B/（R+G+B）、（B+G）/（B+G+B）、（B+R）/（B+G+B）、（G+R）/（B+G+B）、（R-B）/（B+G+R）、（R-G）/（B+G+R）、（G-B）/（B+G+R）、（R-B）/（B+R）、（G-B）/（B+G）、（R-G）/（G+R）、B/（R-G）、G/（R-B）和R/（G-B）为预测变量，叶片氮素含量为目标变量，运用简单线性回归和曲线回归构建橡胶树叶片氮素预测模型。模型构建在Minitab 16.0软件中进行。

1.2.4 模型精度验证 利用剩余的64个样品作为验证集，对构建的橡胶树叶片氮素模型预测精度进行检验。利用验证点中的氮含量实测值与模型的预测值计算平均误差（mean error，ME）、均方根误差（root mean square error，RMSE）、相对误差（relative error，RE）和相关系数（correlation coefficient，r），ME越接近0，RMSE和MRE越小，r越接近1，则预测精度越高，反之精度越低。

2 结果与分析

2.1 橡胶树叶片样品氮素描述性统计分析

本研究采集的橡胶树叶片样品氮素描述性统计结果显示，训练集和验证集中所有统计量都非常接近（见表1），表明二者具有相似的数理统计特征。同时，训练集和验证集的偏度在[-1，1]之间[22]，以及单样本Kolmogorov-Smirnov检验P值大于0.05，表明服从正态分布。

2.2 橡胶树叶片氮素含量与图像参数相关性分析

分析训练集中64个叶片样本图像色彩参数与叶片氮含量相关性（见表2），表明除B/（R-G）和R/（G-B）外，其余色彩参数均与橡胶树叶片氮含量之间呈显著（p<0.05）或极显著（p<0.01）相关。其中，R/B、B/（R+G）、R/（G+B）、R/（R+G+B）、B/（R+G+B）、（B+G）/（R+G+B）、（R-B）/（R+G+B）、（R-B）/（B+R）和G/（R-B）等9个参数与橡胶树叶片氮含量相关系数绝对值均大于0.7。

2.3 橡胶树叶片氮含量估测模型构建

选取与橡胶树叶片氮含量相关系数在0.7以上的9个图像颜色参数为自变量，以氮素含量为目标变量，通过回归分析，分别建立线性和二次多项式2种形式的估测模型。发现拟合的线性估测模型的标准差S要明显高于对应的二次多项式，而校正决定系数则低于对应的二次多项式。因此，本研究选用了橡胶树叶片氮素二次多项式估测模型（图1）。

2.4 橡胶树叶片氮素估测模型精度验证

为检验估测模型的可靠性，利用剩余的64个橡胶树叶片样本的图像色彩参数和氮素含量数据，对构建的9个橡胶树叶片氮素估测模型的预测精度进行验证。

检验结果表明，所构建模型的预测值与实测值较为一致，相关系数均在0.8以上（p<0.01）（表3），均方根误差（RMSE）和相对误差（RE）也都较小，表明模型对橡胶树叶片氮含量的预测具有较高的精度。相比较而言，以G/（R-B）为自变量构建的橡胶树叶片氮素二次多项式估测模型的预测值与实测值的相关系数最高（r=0.95），而其均方根误差（RMSE）和相对误差（RE）最小，分别为0.31%和10.91%。

综合考虑模型的校正决定系数以及精度验证中的相关系数、均方根误差、相对误差和平均误差，以G/（R-B）为变量构建的橡胶树叶片氮素二次多项式估测模型预测精度最高。

3 讨论与结论

本研究发现，数码相机图像色彩参数R/（R+G+B）与橡胶树叶片氮含量相关性较好，相关系数为0.807，与贾良良等[2]、李岚涛等[3]、肖焱波等[11]、李红军等[12]、魏全全等[16]和白金顺等[23]研究结果相一致，表明图像参数R/（R+G+B）具有较为稳定的植物叶片氮素状况指标能力，可用于不同植物叶片氮素营养状况的诊断。但此发现与刘颖和李志洪[8]、王娟等[13]、王连君和邢宇[18]的研究结果却不同，他们发现G/（B+G+R）与植株氮素营养状况相关性很强，而在本研究中G/（B+G+R）与橡胶树叶片氮含量相关性虽然达到了p<0.05的显著性水平，但相关系数仅有0.306，造成这种差异的具体原因还有待探索。

除R/（R+G+B）之外，本研究还发现B/（R+G）、B/（R+G+B）、（B+G）/（R+G+B）、（R-B）/（B+G+R）、（R-B）/（B+R）和G/（R-B）等图像色彩参数也与橡胶树叶片含量具有较好的相关性（相关系数绝对值都大于0.8），说明除了与其他植物具有相同的氮素营养状况指示图像参数[R/（R+G+B）]外，橡胶树还具有本身特有的氮素营养诊断参数，表明基于数字图像的分析技术在橡胶树叶片氮素营养诊断方面具有较为广泛的应用前景。

与李岚涛等[3]、魏全全等[16]研究结果不同，本研究发现以与橡胶树叶片氮素含量相关性较高的图像参数为辅助变量，应用二次多项式拟合的非线性回归方程要明显优于线性回归方程，以图像参数G/（R-B）为例，拟合的二次多项式决定系数（R2）为0.820，校正决定系数为81.04%，而拟合的线性回归方程的R2仅为0.699。表明植物叶片氮素含量与图像色彩参数之间的非线性关系明显强于两者之间的线性关系，可运用非线性数理方法拟合两者之间的关系，以提高模型的预测精度[24-25]。

本研究仅对单个品系（热研7-33-97）的橡胶树叶片氮素含量进行了图像识别诊断技术研究，研究结果能否应用到其他品系橡胶树叶片氮素含量的诊断还需进一步研究。

综上可知，本研究利用数字图像分析技术探索了橡胶树（品系为热研7-33-97）叶片氮素含量与叶片图像色彩参数R、G、B以及这3个参数的不同组合形式参数信息的关系，发现分别以R/（R+G+B）、（B+G）/（R+G+B）、（R-B）/（R+G+B）、（R-B）/（B+R）和G/（R-B）构建的橡胶树叶片氮素含量估测模型决定系数和预测精度都较高。因此，利用数字图像分析技术进行橡胶树叶片氮素营养诊断是可行的。

参考文献

[1] Lee K J， Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J]. European Journal of Agronomy， 2013， 48： 57-65.

[2] 贾良良， 范明生， 张福锁， 等. 应用数码相机进行水稻氮营养诊断[J]. 光谱与光谱分析， 2009， 29（8）： 2 176-2 179.

[3] 李岚涛， 张 萌， 任 涛， 等. 应用数字图像技术进行水稻氮素营养诊断[J]. 植物营养与肥料学报， 2015， 21（1）： 259-268.

[4] Wang Y， Wang D， Zhang G， et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research， 2013， 149： 33-39.

[5] Saberioon M M， Amin M S M， Anuar A R， et al. Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale[J]. International Journal of Applied Earth Observation and Geoinformation， 2014， 32： 35-45.

[6] Wang Y， Wang D， Shi P， et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camer under natural light[J]. Plant Methods， 2014， 10： 36.

[7] Scharf P C， Lory J A. Calibrating corn color from aerial photographs to predict sidedress nitrogen need[J]. Agronomy Journal， 2002， 94（3）： 397-404.

[8] 刘 颖， 李志洪. 利用数字图像技术进行玉米氮素营养诊断的研究[J]. 玉米科学， 2010， 18（4）： 147-149.

[9] 刘洪见， 曾爱平， 郑丽敏. 基于数字图像处理技术的玉米氮肥营养状态诊断[J]. 农业网络信息， 2007（12）： 31-35.

[10] Li Y， Chen D， Walker C N， et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research， 2010， 118（3）： 221-227.

[11] 肖焱波， 贾良良， 陈新平， 等. 应用数字图像分析技术进行冬小麦拔节期氮营养诊断[J]. 中国农学通报， 2008， 24（8）： 448-453.

[12] 李红军， 张立周， 陈曦鸣， 等. 应用数字图像进行小麦氮素营养营养诊断中图像分析方法的研究[J]. 中国生态农业学报， 2011， 19（1）： 155-159.

[13] 王 娟， 雷咏雯， 张永帅， 等. 应用数字图像分析技术进行棉花氮素营养诊断的研究[J]. 中国生态农业学报， 2008， 16（1）： 145-149.

[14] 王晓静， 张 炎， 李 磐， 等. 地面数字图像技术在棉花氮素营养诊断中的初步研究[J]. 棉花学报， 2007， 19（2）： 106-113.

[15] 李小正， 谢瑞芝， 王克如， 等. 利用神经网络提取棉花叶片数字图像氮素含量的初步研究[J]. 作物学报， 2007， 33（10）： 1 662-1 666.

[16] 魏全全， 李岚涛， 任 涛， 等. 基于数字图像技术的冬油菜氮素营养诊断[J]. 中国农业科学， 2015， 48（19）： 3 877-3 886.

[17] 刘 飞， 王 莉， 何 勇. 应用多光谱图像技术获取黄瓜叶片氮量及叶片及指数[J]. 光学学报， 2009， 29（6）： 1 616-1 620.

[18] 王连君， 邢 宇. 数字图像技术在草莓氮素营养诊断中的应用研究[J]. 华南农业大学学报， 2010， 31（2）： 19-21.

[19] 易时来， 邓 烈， 何绍兰， 等. 应用多光谱图像技术进行锦橙叶片氮含量监测[J]. 植物营养与肥料学报， 2012， 18（1）： 176-181.

[20] 宋述尧， 王秀峰. 数字图像技术在黄瓜氮素营养诊断上的应用研究[J]. 吉林农业大学学报， 2008， 30（4）： 460-465.

[21] 姜 密. 空气隔断连续流动分析法简述[J]. 磷肥与复肥， 1992（2）： 61-62.

[22] López-Granados F， Jurado-Expósito M， Peňa-Barragán J M， et al. Using geostatistical and remote sensing approaches for mapping soil properties[J]. European Journal of Agronomy， 2005， 23（3）： 279-289.

[23] 白金顺， 曹卫东， 熊 静， 等. 应用数码相机进行绿肥翻压后春玉米氮素营养诊断和产量预测[J]. 光谱与光谱分析， 2013， 33（12）： 3 334-3 338.

[24] Jia F， Liu G， Liu D， et al. Comparison of different methods for estimating nitrogen concentration in flue-cured tobacco leaves based on hyperspectral reflectance[J]. Field Crops Research， 2013， 150： 108-114.

[25] Ramoelo A， Skidmore A K， Cho M A， et al. Non-linear partial least square regression increases the estimation accuracy of grass nitrogen and phosphorus using in situ hyperspectral and environmental data[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2013， 82： 27-40.