基于RGB 和CIELab 预测紫苏叶片花青素含量

摘要：为推进富含花青素的紫苏品种选育，指导逆境胁迫下的紫苏生产管理，以紫苏为研究对象，采集田间叶片并使用数码相机拍照，结合红绿蓝色彩空间（red green blue color space，RGB）和CIELab色彩空间（CIELabcolor space）2种图像色彩分析手段处理图片，与叶片花青素含量进行相关性和显著性分析，筛选出相关系数较高的色彩参数，建立单变量回归反演模型，最终综合建模得到预测效果最优的紫苏叶片花青素含量预测模型。结果表明，在RGB 色彩空间中，红光标准化值（normalized redness intensity，NRI）、绿光标准化值（normalizedgreenness intensity，NGI）与花青素含量呈极显著相关，其中NGI的相关系数大于NRI。当叶片正反面色彩贡献比为2∶1时，NGI与花青素含量的相关性最大，相关系数为0.853 2。对比不同模型发现，以NGI为自变量建立的指数模型拟合效果最好，相关系数为0.838 1，决定系数（R2）达0.755 0。在CIELab色彩空间中，红度（a*）与花青素含量的相关性最好，且相关系数同样在叶片正反面色彩贡献比为2∶1时达最大，为0.735 6。基于a*建立的幂模型拟合效果最好，相关系数和R2分别为0.743 8和0.679 8。分别使用NGI模型和a*模型对叶片花青素含量进行估测，验证后发现a*模型的预测效果更好，准确性和稳定性更高，因此以a*模型为预测紫苏叶片花青素含量的最优模型。

关键词：紫苏；RGB；CIELab；花青素；数码相机

doi：10.13304/j.nykjdb.2023.0164

中图分类号：S126 文献标志码：A 文章编号：1008‑0864（2024）07‑0103‑08

紫苏[Perilla frutescens （L.） Britt.]是唇形科、紫苏属一年生草本植物，在我国分布广泛[1]。紫苏植株的适应性较强，对土壤要求不严[2]，除平原地区外，山地、丘陵及河滩盐碱地均可种植[3‑4]。紫苏作为一种药食同源作物，具有独特的食味性和广泛的药用价值，紫苏梗、紫苏叶、紫苏子由于功效的不同可应用于多种中医药方剂和保健品中，因此，栽培种植紫苏可以取得较好的经济效益[5]。自然状态下，紫苏叶片的颜色在基因表达的作用下通常存在3 种表型：全绿型、单面紫型和全紫型。紫苏的叶片之所以呈紫色，主要原因是叶片中含有大量的花青素，其中以全紫型紫苏叶片的花青素含量最高[6]。花青素是一种水溶性黄酮类次生代谢物[7]，通常以花色苷的形式储存在植物细胞的液泡中[8]，具有清除自由基、抗氧化、预防癌症、保护心脑血管、改善视力等功效[9-12]。不同紫苏品种叶片的花青素含量不同，同时生物胁迫与非生物胁迫均会影响花青素的合成与降解[13-16]，因此，建立快速、准确的花青素无损检测方法对提高富含花青素的紫苏新品种选育效率、适时优化生产管理措施，进而提高紫苏的产量与品质具有重要意义。

近年来，随着数码图像采集设备和计算机图像处理技术的快速发展和积极应用，衍生出许多新的植物色素研究方法。王方永等[17]结合数码相机和成像光谱仪估测了棉花叶片的叶绿素含量；张沛健等[18]、王诣等[19]以数码相机拍摄得到的图像信息对红树树叶、青冈栎树叶的叶绿素含量进行了检测；贺英等[20]将数码相机搭载在无人机平台上，实现了玉米冠层SPAD的估算；李修华等[21]、刘炜[22]则进一步简化图像采集设备，基于手机拍摄的图像完成了甘蔗、乳瓜叶片叶绿素含量的预测。因此，本研究以紫苏为目标作物，使用数码相机采集不同花青素含量紫苏叶片的图像信息，分别基于红绿蓝色彩空间（red green blue colorspace，RGB）和CIELab 色彩空间（CIELab colorspace）分析构建紫苏叶片花青素含量的估算预测模型，以期为调查紫苏叶片花青素含量变化情况和生理状态诊断提供一种成本低廉、操作简单、工作效率高、预测精度好的技术方法和理论依据。

1 材料与方法

1.1 叶片样品收集

以全紫型紫苏种质‘PZSD8’为试验材料，由河南省农业科学院长垣分院园艺研究所提供，试验于河南省长垣市现代农业示范园进行。在大田种植生产模式下，随机选择150株紫苏植株，采集不同叶位、不同形态、不同叶龄的健康完整叶片，标记编号置于塑封袋密封，并放入配置冰袋的保温箱内，在保证叶片新鲜、无变质的前提下迅速带回实验室做进一步处理。

1.2 图像信息采集

如图1 所示，在实验室内，将田间收集的紫苏叶片样品置于白板上，按编号逐一进行拍照保存。照片采集使用的相机为1 200万像素，相机镜头垂直于样品上方30 cm处，拍照期间保持相机稳定，遮挡四周并使用同一光源补光，对叶片正、反两面分别拍照保存，进而获得紫苏叶片的图像信息。

1.3 花青素含量测定

根据花青素在酸性溶液中显红色且花青素含量的高低与溶液颜色的深浅呈正比的原理[23]，以盐酸甲醇溶液为溶剂，放入研磨离心后的叶片样品，于室温下避光静置，待花青素完全析出，8 000 r·min-1 离心5 min，取上清液，使用分光光度法[24]测定叶片花青素含量。

1.4 基于RGB 的参数计算

使用R软件对图像进行RGB提取[25]，获得紫苏叶片图像中红色（red，R）、绿色（green，G）、蓝色（blue，B）像元分量的均值，然后计算红光标准化值（normalized redness intensity，NRI）、绿光标准化值（normalized greenness intensity，NGI）和蓝光标准化值（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 的参数计算

基于CIELab色彩空间使用R软件对叶片图像信息进行分析处理[25]，结合CIELab色彩空间的相关参数公式计算取得相应的CIELab参数数据。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 为颜色样品的3个刺激值；Xn、Yn、Zn为CIE标准照明体照射在完全漫反射体上得到的3个刺激值；a*和b*是色度通道，分别表示红度和黄度。

1.6 数据分析

在所有样本中随机抽取65个样本作为建模样本，用于建立紫苏叶片花青素含量的预测模型；剩余样本留作对预测模型的验证和测试。使用R软件进行图像RGB和CIELab色彩参数信息的识别和分析处理[25]，使用SPSS 22.0 和Excel2007进行数据处理和制图。

2 结果与分析

2.1 基于RGB 的色彩指数与花青素含量相关性分析

将叶片正、反面的RGB 色彩指数与叶片的花青素含量分别拟合做相关性分析，结果（表1）表明，叶片的花青素含量与正、反面的红光标准化值（NRI）和绿光标准化值（NGI）呈极显著相关（Plt;0.01），与蓝光标准化值（NBI）的相关性较差。其中，NRI 与花青素含量呈极显著正相关关系；NGI与花青素含量呈极显著负相关关系，且NGI与花青素含量的相关系数均大于NRI，最高可达0.84以上。因此，选取NGI作为建立花青素预测模型的参数。

2.2 不同正反比例下NGI 的变化

紫苏叶片正、反两面的颜色变化程度存在差异，因此，在与叶片花青素含量建立关系时，需结合正、反两面的NGI变化调节综合分析。将正、反两面按照不同比例结合，NGI的变化情况如图2所示。当正面占比逐渐增大时，NGI与叶片花青素含量的相关性呈现出先升后降的趋势；在正、反比例为2∶1 时达到最大，此时的相关系数为0.853 2；随着反面占比的逐渐增大，NGI与花青素含量的相关性则呈现出逐渐降低的趋势；NGI与不同比例下花青素含量相关性的误差棒为0.02。因此，叶片正、反色彩比例为2∶1 时的NGI可作为建模基础，用于进一步建立叶片花青素含量的预测模型。

2.3 基于NGI 建立叶片的花青素含量预测模型

以叶片正、反色彩比例为2∶1条件下的NGI为自变量，构建基于不同函数模型的叶片花青素含量预测模型。由表2中可知，各类型函数模型的决定系数（R2）均在0.72以上，说明拟合性较好。其中指数模型的R2 最高，为0.755 0。将NGI代入指数模型计算叶片花青素含量预测值，模型的均方根误差（root mean square error，RMSE）和平均相对误差（mean relative error，MRE）分别为2.32和15.55%，说明该模型的稳定性和准确性较好。因此，以NGI为自变量建立的指数模型可作为基于NGI 的叶片花青素含量预测模型。

2.4 基于CIELab 的色彩参数与叶片花青素含量的相关性分析

由图3可知，亮度（L*）与叶片花青素含量呈负相关关系，且相关系数随着正面色彩比例的提高而增大；红度（a*）与叶片花青素含量呈正相关关系，相关系数的变化趋势为先增后降，在正、反比例为2∶1 时达到最大；黄度（b*）与L*相同，相关系数随反面比例的提高而降低。三者间相比，a*与叶片花青素含量的相关系数显著大于L*和b*，因此以a*作为参数建立模型。

2.5 基于a*建立叶片花青素含量预测模型

以a*为自变量，构建基于不同函数模型的叶片花青素含量预测模型。如表3所示，不同函数模型间的R2浮动较大，其中对数模型的拟合效果最差，R2为0.524 8；线性模型、多项式模型次之，R2为0.55左右；幂模型和指数模型的R2 较为接近，分别为0.679 8和0.679 5。将a*依次代入到幂模型和指数模型计算叶片花青素含量的预测值，并检验模型的预测精度和稳定性，结果如表4所示。幂模型的RMSE和MRE分别为2.80和16.65%，均略优于指数模型。因此，将幂模型作为基于a*的叶片花青素含量预测模型。

2.6 基于RGB 和CIELab 预测模型的花青素含量估测

随机抽取样本，利用不同预测模型进行花青素含量估测，结果如表5 所示。在一些样本中，NGI模型的花青素含量估测值与实测值之间出现了较大的偏差，而a*模型则保持了较好的准确性。2种模型的预测值与实测值之间均存在一定的上下浮动，但a*模型的整体结果浮动更小，稳定性优于NGI模型。

3 讨论

花青素作为一种来源于植物体的天然水溶性色素，因其较优的生物功效而受到人们的广泛关注。传统的植物体花青素检测方法多采用化学手段，如高效液相色谱法[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。使用化学分析方法测得的花青素含量结果准确性高、稳定性好，但对更多的农业种植者而言，其操作过程较复杂，需要一定的试验基础和平台，在样品较多时效率不足，生产成本也会因此提高。随着数字图像技术的发展和应用，已有研究着眼于通过图像信息分析植物生理状态、预测植物体内物质含量、关注植物营养变化[31-34]，并建立了一些相应的植物分析方法。其中，关于植物体内色素的研究多集中于叶绿素，对其他植物色素的报道较少，基于图像信息建立的预测模型多为线性模型[35-37]。

本研究以数码相机为图像采集设备，基于不同色彩处理方式对紫苏叶片花青素含量进行预测。相较于化学分析方法，本研究方法的稳定性较好、准确性较高，且操作简便、成本较低，但预测结果与实际值无法完全拟合，因此，不能作为产品质量定量指标使用。在本研究中，不仅使用了常用的RGB 色彩空间，还引入了CIELab色彩空间，建立了基于不同颜色模型的紫苏叶片花青素估算预测模型，并探究了二者之间的差别，发现NGI、a*与叶片花青素含量的相关性优于NRI、NBI、L*和b*，其中NGI与叶片花青素含量呈负相关关系，a*与叶片花青素含量呈正相关关系；当叶片正、反面色彩比例为2∶1 时，NGI、a*与叶片花青素含量的相关系数分别达到0.853 2 和0.735 6。在今后的研究中，可进一步细化叶片正、反两面的色彩贡献，以提高花青素估算预测模型的准确性和稳定性。在建立紫苏叶片花青素预测模型时发现，NGI 模型的R2、RMSE 和MRE分别为0.755 0、2.32和15.55%，优于a*模型的0.679 8、2.80 和16.65%，但从估测结果上看，与NGI模型相比，a*模型的估测值与实测值更接近、更稳定，这一点与娄卫东等[38]对叶绿素的研究结果相反。

参考文献

［1］ 魏长玲，郭宝林，张琛武，等.中国紫苏资源调查和紫苏叶挥发油化学型研究[J].中国中药杂志，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.中国不同种源地紫苏在哈尔滨的适应性研究[D].哈尔滨：东北林业大学，2020.

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

［3］ 魏国江，潘冬梅，刘淑霞，等.黑龙江省大庆市盐碱地种植紫苏技术研究[J].黑龙江农业科学，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］ 徐创军，杨立中，唐家良，等.紫色土坡地不同种植模式生态经济效益综合评价[J]. 中国生态农业学报，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］ 贾瑞海.食药兼用植物紫苏的应用研究与发展前景[J].农技服务，2007，24（2）：102-104.

［6］ 王仙萍，李敏，张敏琴，等.贵州紫苏资源收集以及叶色多样性分析[J].中国农学通报，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］ 陈道宗.油菜及其近缘种不同组织花青素累积的分子机制研究[D].武汉：华中农业大学，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，刘海霞，徐爱，等.花色苷提取的最新研究进展[J].农业技术与装备，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，高飞，金韬，等.温度对植物花青素苷合成影响研究进展[J].中国农学通报，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.果实发育过程中转色期前后水分胁迫对原花青素和花青素积累的影响[J].中外葡萄与葡萄酒，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.利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量[J]. 作物学报，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］ 张沛健，尚秀华，吴志华.基于图像处理技术的5种红树林叶片形态特征及叶绿素相对含量的估测[J]. 热带作物学报，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］ 王诣，闫志勇.基于图像处理的青冈栎叶绿素含量检测系统研究[J].中国农业科技导报，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］ 贺英，邓磊，毛智慧，等.基于数码相机的玉米冠层SPAD遥感估算[J].中国农业科学，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］ 李修华，卢显杰，奚金阳，等.智能手机RGB图像检测植物叶片叶绿素含量的通用方法[J]. 农业工程学报，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］ 刘炜.基于图像处理的乳瓜叶片叶绿素含量预测研究[D].银川：宁夏大学，2020.

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

［23］ 包刘媛，李香勇，李洪相，等.环境条件对花青素苷稳定性的影响[C]//2016 中国大理国际茶花大会论文集.大理，2016：346-355.

［24］ 黎瑞珍，吴丽，刘美然，等.分光光度法测定火龙果中花青素的含量[J].海南热带海洋学院学报，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］ 殷丽琴，彭云强，钟成，等.高效液相色谱法测定8个彩色马铃薯品种中花青素种类和含量[J]. 食品科学，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］ 刘长姣，郑霞，熊湘炜，等.分光光度法测定黑米花青素方法的建立[J].粮食与油脂，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］ 张寒俊，汪海波，习羽.改进香草醛法测定葡萄提取物中的原花青素[J].中国酿造，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.秀丽莓茎、叶中原花青素测定[J].青海大学学报（自然科学版），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］ 王贝，侯益明.pH示差法测定花青素含量的方法研究[J].山东化工，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］ 彭可为，李婵，曹学仁，等.数字图像技术在植物病害自动识别中的研究进展[J].江西农业学报，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］ 郭伦丽.基于近红外和可见光图像的植物水分利用率测量方法研究[D].西安：西安理工大学，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）：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，张聪，李佳珍，等.基于手机相机获取冬小麦冠层数字图像的氮素诊断与推荐施肥研究[J]. 中国生态农业学报，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］ 刘子恒，敏乾，李海翼.数字图像技术在苦菜叶绿素含量测量中的应用[J].贵州大学学报（自然科学版），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.苹果叶片和冠层叶绿素含量高光谱估算模型[D].乌鲁木齐：新疆农业大学，2018.

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

［37］ 张颖，陈芳，郝远强，等.智能手机光谱仪检测紫薯花青素[C]//河南省化学会2020年学术年会论文集.许昌，2020：1-1.

［38］ 娄卫东，林宝刚，周洪奎，等.基于图像特征的油菜叶绿素含量快速估算[J].浙江农业科学，2022，63（3）：480-484.

基金项目：河南省农业科学院“四优四化”科技支撑行动计划项目（20220901005）。