基于图像处理技术的多角度冬小麦氮素营养诊断

刘星科 董浩 杨莎 王超 冯美臣 肖璐洁 宋晓彦 张美俊 杨武德

摘要：为实现基于图像处理技术的多角度冬小麦氮素营养无损监测，以不同氮运筹试验的冬小麦作为研究对象，使用相机对冬小麦冠层进行多角度拍摄，基于openCV 图像技术处理冬小麦冠层图像并提取颜色特征参数，结合叶片氮含量指标，利用多元线性回归、逐步多元线性回归、BP-神经网络建立多角度条件下颜色特征参数的氮素监测模型。结果表明，冬小麦冠层图像与叶片氮含量存在一定的相关性，从冠层图像获取的RGB 颜色空间中的R、G、B、reG、lnG 等5 个颜色参数与冬小麦的叶片氮含量相关性均达到极显著水平；不同的拍摄角度对基于图像参数的冬小麦叶片含氮量光谱监测精度造成影响，其中，与冠层水平面呈60°（逆光，与天顶方向夹角30°）拍摄的冠层图像建模效果准确度最高，效果最优（R2=0.896，RMSE=0.572），与冠层水平面呈30°（逆光，与天顶方向夹角60°）次之，与冠层水平面呈90°（逆光，垂直向下，与天顶方向夹角0°）最差。基于R、G、B、lnG、reG 等5 个颜色特征参数建立的60°冠层图像的多元线性回归模型整体表现最好。

关键词：冬小麦；叶片氮含量；图像处理；颜色特征参数；多角度

冬小麦是我国主要粮食作物[1]，氮素营养对于冬小麦生长和产量及品质形成具有重要的影响。室内化验分析是获取冬小麦氮素营养的传统测定方法，该方法虽然准确，但存在耗时、费力、对植株有损伤的缺点。运用光谱遥感及图像处理技术提取冠层图像对农作物氮素营养无损监测是当前研究热点[2-4]。研究发现，利用图像处理技术对冬小麦冠层图片进行处理，可以实现对冬小麦的氮素营养诊断，冬小麦的叶色、长势等生理指标可以直接反映作物体内氮含量等生化指标，而作物的生理生化指标又与冠层图像参数值密切相关，因此，通过冠层图像监测作物氮素含量具有一定的可行性[4-7]。当前，相机使用已经十分广泛，运用相机获取冬小麦冠层图像，采用图像处理技术将冠层图像数字化，可在很大程度上解决人眼对作物冠层图像颜色变化不敏感的问题[3]。史培华等[8]利用数码相机采用垂直向下的拍摄姿态采集返青期和拔节期的冬小麦冠层图像，并分析了R（红色）、G（绿色）、B（蓝色）颜色空间中各颜色指标的组合参数、色相以及冠层覆盖度等与冬小麦氮素含量指标之间的相关性。张立周等[9-10]研究了基于数码相机获取夏玉米、冬小麦冠层图像的色彩特征参数与传统氮素营养指标之间的相关性，筛选出了蓝光标准化值和绿光标准化值分别作为诊断其氮素营养状态的敏感颜色参数。夏莎莎等[11]对玉米叶片采用垂直向下姿态进行拍照，获取玉米叶片数字图像，同时对图像进行色彩参数的提取与处理，发现由RGB 所组成的颜色参数，可以作为玉米氮素营养诊断的色彩参数指标。前人对冠层图像的采集多采用垂直向下的拍摄姿态，而不同拍摄角度获取的冠层图像会引起图像色彩参数差异，从而对氮素诊断的准确性造成影响[12]。可见，虽然利用相机拍摄作物冠层图像，提取颜色特征参数，在一定程度上提高了冬小麦氮素营养诊断精度，但是冠层图像的覆盖度和颜色特征参数提取的精度也受到了拍摄角度的影响。

本研究以冬小麦氮运筹试验为研究对象，通过拍摄不同角度的冬小麦生长照片，采用openCV 图像处理技术提取图像参数，在测定对应位置的冬小麦氮素含量的基础上分析冬小麦图像参数与叶片氮含量指标之间的相关性，并构建基于图像参数的冬小麦氮素营养的定量模型，实现基于图像处理技术的冬小麦氮素营养快速、无损、便捷、低廉诊断。

1材料和方法

1.1 试验材料

供试冬小麦品种为京冬22（蛋白质17.4%）、京花12 号（蛋白质14.0%），其中，京冬22 是由北京杂交小麦工程技术研究中心用品种太谷核不育轮选群体选育而成的小麦品种；京花12 号由北京杂交小麦工程技术研究中心通过京冬23/京冬17 获得。

1.2 试验设计

试验于2020 年在山西省晋中市太谷区侯城乡申奉村进行。采用多因素裂区设计，小区面积为2.5 m×6.0 m，主区为肥料，副区为氮梯度。主区肥料分别为腐熟鸡粪（T1）、单施尿素（T2），其中，T1 按照当地农民常用量施入，副区设置5 个氮梯度处理，即0（N1）、40（N1）、80（N2）、120（N3）、160 kg/hm2 （N4）；T2 副区设置3 个氮梯度处理，即120（N5）、200（N6）、280 kg/hm2 （N7）。此外，不施肥作为对照（CK）。腐熟鸡粪以基肥施入，氮肥基追比5∶5。试验所用氮肥为尿素（含N 量46.1%），磷肥用量为120 kg/hm2，钾肥为120 kg/hm2，且作为基肥施入。试验重复3 次，田间管理同当地大田。

1.3 數据获取

本研究采用佳能EOS6DMarkⅡ单反相机，于冬小麦的拔节后期（2019 年4 月4 日）、孕穗期（2019 年4 月15 日）和抽穗期（2019 年5 月1 日）对大田环境下的冬小麦冠层叶片进行数据采集，拍照时选择晴朗的无风天气拍摄，避免光线过强或过暗。拍照时间固定在11：00—13：00，此时太阳光线入射角度位于冬小麦正上方，将相机保持固定状态并使相机镜头与冬小麦冠层保持1 m 距离，分别是与冠层水平面呈60°（逆光，与天顶方向夹角30°）、与冠层水平面呈30°（逆光，与天顶方向夹角60°）、与冠层水平面呈90°（逆光，垂直向下，与天顶方向夹角0°）3 个角度进行拍摄，在共计96 块试验田中，每块试验田选取3 个角度拍摄冬小麦冠层图像，总共288 个图像样本数据。

1.4 数据处理与分析

为避免采集的图像中类似土壤等无关背景信息以及处理图像时误分割造成的影响[13]，使用openCV 中的图像处理函数[14]，将所获取的每幅冬小麦冠层图像进行图像预处理（图像分割、二值化、开运算等）。关键处理步骤有：（1）采用基于像素数值技术的图像分割算法进行图像分割。（2）将处理后的图像转化到HSV（色调、饱和度、亮度）颜色空间。（3）利用HSV 颜色空间下的绿色范围值作为阈值进行图像分割，并进行二值化处理。（4）对（3）所得图像进行形态学开运算处理，平滑填补细小空隙（白色为目标图像，黑色为背景图像）。

冠层图像分割及特征参数提取均通过openCV技术编程实现。采用openCV 图像处理技术，提取分割处理后每幅叶片图像非0 像素点的R、G、B 三原色，并进行相应特征参数计算。

图像获取后，在每个小区的冬小麦图像样本拍摄区域随机选择30 cm×30 cm 的目标植株，并将目标植株的倒三叶的叶片取回用凯氏定氮法获取对应冬小麦叶片氮含量。

1.5 氮素估算模型

1.5.1 多元线性回归（MLR） 运用多元线性回归（Multiple Linear Regression，MLR）建立模型，通常要求自变量有2 个或2 个以上，利用多个变量最优组合来实现因变量预测的目的。本研究中，将所提取的颜色特征参数作为自变量，将冬小麦叶片氮含量作为因变量，从而分析不同拍照角度冬小麦叶片氮含量与颜色特征参数的关系。

1.5.2 逐步多元线性回归（SMLR） 逐步多元线性回归（Stepwise Multiple Linear Regression，SMLR）是对所有自变量进行检验，依次对作用不大、无意义的变量进行剔除，并选入有效的、对因变量Y 影响较大的自变量进入方程，使其得到最佳方程[15]。本研究逐步提取与因变量密切相关的特征参数。利用SMLR 方法构建多角度下冬小麦叶片氮含量的监测模型。

1.5.3 BP- 神经网络（BP-NN） BP- 神经网络（Back-Propagation Neural Network，BP-NN）具有较强的非线性映射能力和良好的网络容错性，可以在很大程度上较好地解决现实场景中非线性建模问题[16]，选取提取的颜色特征参数作为输入层，以冬小麦叶片氮含量作为输出层，对各拍摄角度冬小麦叶片氮含量进行训练，建立多角度下冬小麦叶片氮含量的BP-神经网络模型。

1.6 模型评价标准

模型选取决定系数（Coefficient of determination，R2）、均方根误差（Root mean square error，RMSE）、相对分析误差（Residual predictive deviation，RPD）进行综合评定。R2 取值范围为0～1，越接近1，表示模型预测精度越高，RMSE 越小，表示模型稳定性越好。一般认为，RPD>2.0，模型具有极好的预测能力；2.0>RPD>1.5，模型具有可接受的预测能力；RPD<1.5，模型不具备预测能力[17]。

式中，n为样本个数；Yi′与 Yi分别为样本的预测值与实测值；-Yi 为样本实测值的平均值；SD 为标准偏差。

2结果与分析

2.1 冬小麦叶片氮含量的描述性统计分析

研究冬小麦长势指标与冠层图像颜色特征参数之间的定量关系，将96 个长势指标样本数据随机分成建模样本（64 个）和验证样本（32 个），其中各样本数据的长势指标描述统计分析如表1所示。

由表1 可知，冬小麦冠层氮含量最小值与最大值的差值较大，校正数据集合和验证数据集合共96 个样本数据，基本可以表征冬小麦生育期内的长势状况。叶片氮含量的最大值与最小值分别为6.458、2.126 mg/g，校正集与验证集的全距分别为4.332、4.181 mg/g，叶片氮含量校正集数据全距涵盖了验证集全距，校正集样本数量为验证集2 倍。根据表1 中的偏度可知，校正集与验证集中的叶片氮含量数据具有正偏态性，基本符合正态分布的特征（偏度<1），表明数据可以进行进一步统计分析。

2.2 多角度冠层图像颜色特征参数与冬小麦叶片氮含量之间的相关性分析

研究多角度下所获取的冠层图像颜色特征参数与冬小麦叶片氮含量之间的相关关系，分析所获取的颜色特征参数与叶片氮含量的相关性，结果如表2 所示。各拍摄角度的颜色特征参数与叶片氮含量的关系较为密切，并且60°的拍摄角度要优于30°拍摄角度和90°拍摄角度，尤其是R、G、B、lnG、reG 这5 个参数相关性最优，相关系数分别为0.845、0.862、0.861、0.855、-0.847，均达到极显著相关（P<0.01），其中，60° 的单色分量G 相关性最高，为0.862，lnR、reR 这2 个参数在3 种观测角度下与氮含量的相关性一般，呈显著相关（P<0.05）。

2.3 基于冠层图像颜色特征参数的叶片氮含量诊断模型

为研究冬小麦冠层图像与长势指标的定量关系，基于相关性最优的R、G、B、lnG、reG，同时选择5 个参数，运用MLR、SMLR、BP-NN 这3 类不同建模方法，构建多角度冠层图像条件下的叶片氮含量指标监测模型，结果如表3 所示。

从表3 可以看出，对比同一角度下的不同建模方法发现，无论是校正集还是验证集MLR 模型的R2 值与PRD 值均高于SMLR 和BP-NN 模型，RMSE 值均低于SMLR 和BP-NN 模型。同时发现，对于校正集基于60°冠层图像与叶片氮含量的MLR 模型达到了最高精度（R2=0.896、RMSE=0.572、RPD=1.686），而表现最差的模型精度是基于90°冠层图像与叶片氮含量的BP-NN 模型（R2=0.433、RMSE=1.012、RPD=0.953）。对于验证模型来说，表现最好的是基于60°冠层图像与叶片氮含量的MLR 模型（R2=0.863、RMSE=0.591、RPD=1.741），而表现最差的则是基于90°冠层图像与叶片氮含量的BP-NN 模型（R2=0.466、RMSE=0.968、RPD=1.067）。

3结论与讨论

已有的研究中，数码相机已经被广泛地应用到对作物进行营养诊断的技术方法中[18-21]。王玉娜等[22]和曲怡铃等[23]利用多元线性回归、逐步多元线性回归、BP-神经网络进行建模对比，结果表明，神经网络建模效果较好，而本研究发现多元线性回归的建模效果最优，拟合效果最好，可能是由于考虑的相关颜色特征参数样本数相对偏少导致精度下降所造成的。李天驰等[24]和张佩等[25]在有限变量个数条件下，对多元线性回归与BP-神经网络建模能力进行对比，发现在自变量较少时，多元线性回归模型具有较高的预测能力，但伴随着自变量的增加，多元线性回归模型并不能消除不同自变量间的多重共线性问题，而BP-神经网络能够以较高精度逼近任何线性或非线性连续函数，更适合于自变量较多时的预测模型的构建。夏莎莎等[12]对于冬小麦冠层图像监测的研究表明，以俯视拍摄（与冠层呈60°夹角）时相关性较高，特别是逆光俯視拍摄相关性最高。本研究根据所得冠层图像进行分析发现，60°拍摄的冠层图像与叶片氮含量的模型精确度较好，优于30°与90°冠层图像的模型，与夏莎莎等[12]研究结论一致。分析原因可能是由于60°拍摄的冠层图像成像完整度优于30°与90°拍摄冠层图像，拍摄时根部阴影面积不可避免会有产生，在60°拍摄角度的阴影面积最小，且由于光照角度的原因，使得叶片整体成像更为清晰，成像后叶片重叠现象减少，分析后相关性最优；90°的冠层图像颜色整体偏暗，颜色要比肉眼观察颜色要深，由于垂直角度拍摄，所以，冠层叶片成像后不完整，叶片重叠过多，由于太阳光入射角度的原因，光照角度无法做到完全垂直，导致在90°拍摄时，冬小麦的根部由于光照原因产生大量阴影，根部的中部位置阴影面积偏大，颜色偏暗、成像不完整等原因使得相关性降低；30°拍摄的冠层图像颜色亮度增加，整体偏翠绿色，图像失真程度要大于60°小于90°，且由于距离相机近的冬小麦叶片会遮挡住之后的叶片，冠层图像会显示不完整，准确度会下降。不同的图像获取角度可能会导致获取的图像存在叶色、阴影等方面的差异[26-28]，所拍摄的冠层图像的叶色、叶片覆盖度、阴影等又会直接影响特征参数的提取，从而影响模型的精度。因此，不同的拍摄角度对研究冬小麦氮素营养的准确监测具有重要意义，该研究可为分析冬小麦叶片颜色参数对冬小麦长势的诊断提供一定参考。

本研究通过相机拍摄并提取大田环境下冬小麦冠层图像的RGB 信息，构建不同拍摄角度与冬小麦氮素营养的图像特征评价指标，结果表明，各拍摄角度的颜色特征参数与叶片氮含量的关系较为密切，尤其是R、G、B、lnG、reG 这5 个参数的相关性最优；对比不同的建模方法发现，选择多元线性回归建立的模型较优；同时选择R、G、B、lnG、reG 这5 个颜色特征参数建立的60°冠层图像与冬小麦叶片氮含量多元线性回归模型相关性最好（R2=0.896，RMSE=0.572，RPD=1.686），30°次之（R2=0.761，RMSE=0.763，RPD=1.264），90°最差（R2=0.552，RMSE=0.688，RPD=1.402）。