基于叶绿素荧光图像的辣椒叶片氮含量的预测

杨一璐，汪小旵，李成光，赵博，白如月

(南京农业大学工学院，江苏 南京210031)

基于叶绿素荧光图像的辣椒叶片氮含量的预测

杨一璐，汪小旵*，李成光，赵博，白如月

(南京农业大学工学院，江苏 南京210031)

提取辣椒叶片的25个叶绿素荧光图像的特征参数，其中18个特征参数与氮含量呈极显著相关(P<0.01)。用主成分分析法(PCA)提取主要特征参数，将其结果作为遗传算法优化的反向传播人工神经网络(BPNN)、广义回归神经网络(GRNN)和多元线性回归(MLR)模型的输入变量，分别建立辣椒叶片氮含量的预测模型，建模集的相关系数分别为0.959 2、0.963 3、0.943 5，预测集的相关系数分别为0.914 5、0.821 3、0.774 1。

辣椒叶片；氮含量；叶绿素荧光图像；数字图像处理技术

设施农业种植技术的迅速发展依赖于作物生长过程中的营养监测，对作物叶片氮含量进行无损、快速诊断，对合理施肥、提高作物产量和品质至关重要。

李方一[1]采用图像处理技术预测油菜叶片氮含量，建立了油菜叶片颜色特征值与氮含量的相关关系，20个回归方程的决定系数均约为0.5；李金梦等[2]采用高光谱成像技术预测柑橘植株叶片的含氮量，建模相关系数达0.906 5，预测相关系数达0.860 9；P.SCHARPF等[3]用玉米叶片颜色特征值预测土壤需氮量，准确率达0.6以上。

叶片氮含量与叶绿素含量紧密相关，叶绿素荧光信息可较全面反映作物的生长状况[4–6]。魏红艳等[7]通过获取叶绿素荧光的信息，分析作物叶绿素含量，得出叶绿素含量与叶绿素荧光强度具有高相关性的结论；曹宁等[8]通过获取作物叶绿素荧光图像的特征参数，分析作物的生长情况，结果表明，叶绿素荧光图像在营养胁迫下十分敏感。叶片氮含量的差异会引起叶片叶绿素含量的变化，叶绿素含量不同，会引起叶绿素荧光图像的特征参数产生差异[9–14]。笔者提取辣椒叶片叶绿素荧光图像的特征参数，建立了叶绿素荧光主要特征参数与叶片氮含量的相关模型，以期实现叶片叶绿素含量的预测。现将结果报道如下。

1 材料与方法

1.1 材料

供试辣椒品种为‘苏椒5号’。

1.2 方法

试验于2016年3—6月在南京农业大学工学院venlo玻璃温室中进行。3月2日播种，4月18日选取长有6片真叶且长势一致的辣椒苗移栽至椰壳基质中。

1.2.1 辣椒叶片叶绿素荧光图像的获取及预处理

为避免阳光直射和周围冗余物对捕获叶绿素荧光图像的影响，在暗室搭建了叶绿素荧光图像采集系统，其硬件主要包括CCD相机、LED激光光源、滤光片、载物平台、计算机、滑轨、相机工作平台。相机工作平台垂直镶嵌于滑轨，随滑轨上下移动，滑轨由电机驱动，CCD相机安放于模组平台上，镜头垂直向下，直接采集图像。LED同轴光源为465~485 nm波段的同轴光源[15–16]。

于辣椒移栽后的第4周，随机采集叶片，获取叶绿素荧光图像后，将每3片叶组成1个样本，总共设置老叶80个、壮叶80个和新叶80个共240个样本，于冰箱中冷藏。

为最大程度降低和消除机器误差和环境中灰尘的影响，在数据处理前，对样本图像进行预处理，以达到去噪的目的[17]。使用减背景的方法[1]用MATLAB软件对图片进行预处理，增强图像信息的准确性，从而获取有效的图像信息。剔除由于老坏破损而影响完整成像的10个样本图像，用其余230个总样本进行建模，按2∶1的比率随机将230个总样本分为建模集(154个样本)和预测集(76个样本)。

1.2.2 辣椒叶片氮含量的测定

将获取荧光图像后的辣椒叶片于 105 °C杀青30 min，在80 °C左右烘干至恒重。每个样本碾磨后，取50 mg，用凯式定氮法[1]测定氮含量。

1.2.3 建模

采用主成分分析法(PCA)对多个与氮含量相关性较高的变量进行降维处理，将其结果作为建模的输入变量，分别运用基于遗传算法优化的反向传播人工神经网络(BPNN)、广义回归神经网络(GRNN)和多元线性回归(MLR)3种方法建模。

通过分析比较模型的预测集样本相关系数(Rp)、预测集均方根误差(RMSEP)和建模集样本相关系数(Rc)、建模集均方根误差(RMSEC)，验证模型的稳定性并对结果进行评估，模型相关系数越接近1，均方根误差越小，则模型性能越好。

2 结果与分析

2.1 辣椒叶片叶绿素荧光图像的预处理及特征参数的提取

如图1所示，在图像预处理时，先对摆放有被测对象的背景进行激发拍摄，如图1–a，再对没有被测对象的背景进行激发拍摄，如图1–b，减背景运算之后的图像如图1–c。由图1–c可清晰地看出，经过减背景运算之后的图像，有效地去除了周围冗余环境的影响。

图1 辣椒叶片荧光图像的预处理结果Fig.1 The results of pepper leaf fluorescence image preprocessing

用MATLAB软件提取的颜色空间特征值只有单一的分量数据，其显示图像为黑白图像，由于对黑白图像的识别能力远低于对彩色图像的识别，因此在分析时对各特征分量进行伪彩色处理，以分明的梯度色彩表示每个像素点的数值大小，从而获得更加直观的图像。伪彩色处理的部分特征分量如图2所示。

图2 部分特征分量的伪彩色图像Fig.2 The pseudo-color image of some characteristic parameters

在特征参数的提取过程中，根据颜色表达的RGB、HIS、HSV空间系统特征参数和参数间算法的变化[18–21]，用MATLAB软件共提取了25个特征值：R、G、B、GRAY、H、S、V、R/G、G/R、R/B、R/B、B/G、G/B、R/(G+B)、G/(R+B)、B/(R+G)、r、g、b、NID、ExR、ExG、ExG – ExR 、Exr、Exg。用 SPSS软件分析各特征值与叶片氮含量的相关性，发现R、G、B、GRAY、H、S、V、R/G、G/R、R/(G+B)、G/(R+B)、B/(R+G)、r、g、b、NID、Exr、Exg 18个特征值与氮含量相关系数均高于0.5，呈极显著相关。

对18个相关特征值采用PCA进行数据降维，得出的新变量不仅互不相关，而且保留了原始变量的主要信息。由表1可知，采用PCA提取特征变量，模型的自变量由18个降至3个有效变量，这3个有效变量的特征根均大于 1，表明降维后的这 3个主成分与目标参数相关性较好，同时这3个新的变量包含了原18个变量98.638%的信息。

表1 主成分的总方差解释Table 1 The explained of principal component analysis

2.2 辣椒叶片荧光特征参数对氮含量的预测模型

总样本、建模集样本、预测集样本叶片氮含量的范围、均值和标准偏差列于表2。

表2 辣椒叶片样本的氮含量Table 2 Nitrogen content of pepper leaf sample

为判断提取的辣椒叶片荧光特征变量对氮含量的预测能力，以PCA提取的3个主要特征变量作为建模和预测模型的自变量，叶片氮含量作为因变量，分别建立精简的BPNN、GRNN、MLR模型，其中，经反复训练确定BPNN反向神经网络的结构为：隐含层神经元10个，训练速率0.5，允许误差0.000 01，最大迭代次数1 000。

由表3可知，BPNN、GRNN、MLR 3种模型的Rc都在0.94以上。MLR的均方根为3个模型中误差最小的，但是它的预测集Rp比BPNN、GRNN都小，效果不理想；GRNN的均方根误差为3个模型中最大的，而且Rc不如BPNN的大，不是理想模型。BPNN的均方根误差虽然比MLR的稍大，但是BPNN的Rc为3个模型中最大的。综合看来，3个模型以BPNN的预测效果最好。

表3 3种预测模型的比较Table 3 Comparative analysis of three prediction models

[1]李方一.基于数字图像处理技术的油菜叶片氮素营养检测研究[D].长沙：湖南农业大学，2009.

[2]李金梦，叶旭君，王巧男，等.高光谱成像技术的柑橘植株叶片含氮量预测模型[J].光谱学与光谱分析，2014，34(1)：212–216.

[3]SCHARPF P C，LORY J A.Calibrating corn color from aerial photographs predict side dress nitrogen needs[J].Agronomy Journal，2002，94：397–404.

[4]王植，周连第，李红，等.桃树叶片氮素含量的高光谱遥感监测[J].中国农学通报，2011，27(4)：85–90.

[5]张瑶，郑立华，李民赞，等.苹果叶片氮素含量快速检测模型[J].农业机械学报，2012，43(增刊)：301–302.

[6]READ J J，TARPLEY L，MCKINION J M.Narrow–waveband reflectance rations for remote estimation of nitrogen status in cotton[J].Journal of Environmental Quality，2002，31(5)：1442–1452.

[7]魏红艳.叶绿素荧光检测技术及仪器的研究[D].天津：天津大学，2009.

[8]曹宁.现场叶绿素荧光图像信息分析方法研究[D].西安：西安理工大学，2013.

[9]卢晓鹏，李静，黄成能，等.氮素胁迫对枳生长发育及其氨基酸含量的影响[J].湖南农业大学学报(自然科学版)，2013，39(6)：615–620.

[10]冯伟，李晓，王永华，等.小麦叶绿素荧光参数叶位差异及其与植株氮含量的关系[J].作物学报，2012，38(4)：657–664.

[11]黄成能.氮胁迫对柑橘营养生长及GS/GOGA循环酶基因表达影响的研究[D].长沙：湖南农业大学，2014.

[12]BLACKMER T M，SCHEPERS J S，VARVEL G E.Light reflectance compared with other nitrogenstress measurements in corn leaves[J].Agronomy Journal，1994，86：934–936.

[13]YANG W H，PENG S B，HUANG J L，et al.Using leaf color charts to estimate leaf nitrogen status of rice[J].Agronomy Journal，2003，95：212–215.

[14]蔡象元.现代蔬菜温室设施和管理[M].上海：上海科学技术出版社，2000.

[15]沈丽.激光诱导叶绿素荧光光谱分析[D].长春：吉林大学，2009.

[16]杨昊谕.基于叶绿素荧光光谱分析的植物生理信息检测技术研究[D].长春：吉林大学，2010.

[17]杨玮，李民赞，孙红.温室黄瓜叶片近红外图像消噪算法与含氮量快速检测[J].农业机械学报，2013，44(7)：216–221.

[18]孙国祥，汪小旵，闫婷婷，等.基于机器视觉的植物群体生长参数反演方法[J].农业工程学报，2014，30(20)：187–195.

[19]王连军，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.

[20]GEORGR E M，JOAO C N.Verification of color vegetation indices for automated crop imaging applications[J].Computer and Electronics in Agriculture，2008，63(2)：292–293.

责任编辑：罗慧敏

英文编辑：吴志立

Detection of pepper leaves nitrogen content in greenhouse based on chlorophyll fluorescence image

YANG Yilu, WANG Xiaochan*, LI Chengguang, ZHAO Bo, BAI Ruyue
(College of Engineering,Nanjing Agricultural University, Nanjing 210031,China)

25 feature parameters were extracted from chlorophyll fluorescence image of pepper leaf, including 18 parameters which was significantly correlated with the nitrogen content at the 0.01 level.Principal component analysis (PCA) was used to extract the main parameters as input variables of genetic algorithm to optimize back–propagation artificial neural network (BPNN), generalized regression neural network (GRNN) and multiple linear regression (MLR), to establish the forecast model of hot pepper leaf nitrogen content, respectively.The correlation coefficient of three model set were 0.959 2, 0.963 3, 0.943 5, and correlation coefficient of prediction set were 0.914 5, 0.821 3, 0.774 1, respectively.

pepper leaf ;nitrogen content; chlorophyll fluorescence image; digital image processing technology

TP274.+5

：A

：1007-1032(2017)01-0108-04

2016–06–28

2016–10–09

国家自然科学基金项目(61273227)；江苏省青年基金项目(BK20150686)；江苏省科学技术厅项目(BN2013051)

杨一璐(1992—)，女，云南德宏人，硕士研究生，主要从事农业生物环境检测与控制研究，709628122@qq.com；*通信作者，汪小旵，教授，主要从事农业生物环境模拟与调控方向研究，wangxiaochan@njau.edu.cn