彭要奇，肖穎欣，傅澤田，董玉紅，李鑫星，嚴(yán)海軍，鄭永軍

1. 中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100083 2. 中國(guó)農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100083 3. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083 4. 中國(guó)農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，北京 100083 5. 中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083

引 言

玉米是一種需水量較大的糧食作物，及時(shí)獲取玉米生長(zhǎng)過程中植株體的水分信息，對(duì)田間灌溉管理和旱情預(yù)警監(jiān)測(cè)具有顯著的科學(xué)意義和現(xiàn)實(shí)意義。 綠色植物進(jìn)行光合反應(yīng)、呼吸效應(yīng)和表層蒸騰作用主要是借助葉片來完成，葉片運(yùn)作過程受外界環(huán)境影響明顯，作物在缺水狀態(tài)下，葉片通常會(huì)出現(xiàn)蜷縮、枯黃和色斑等形狀、顏色和紋理特征的改變，因此檢測(cè)作物葉片含水量可以作為檢測(cè)作物整體含水量的一個(gè)參考標(biāo)準(zhǔn)[1]。 目前常見的作物植株含水量測(cè)定方法主要有烘箱法[2]、涉及高?；瘜W(xué)試劑的卡爾·費(fèi)休法[3]、基于物理層面的電容法[4]和根據(jù)波長(zhǎng)特征的微波法[5]等。 這些測(cè)定方法往往操作流程繁瑣、費(fèi)時(shí)，有些甚至需要危險(xiǎn)化學(xué)試劑，不能滿足目前測(cè)量工作中制定的安全、低成本和快速化的技術(shù)要求。

多光譜圖像是指包含多個(gè)波段信息的圖像，每個(gè)波段提取出對(duì)應(yīng)的一幅灰度圖像，它包含了該波段傳感器的敏感度生成的場(chǎng)景亮度信息[6]。 多光譜圖像比傳統(tǒng)普通彩色圖像包含更多的光譜段，又彌補(bǔ)了高光譜圖像拍攝儀器價(jià)格昂貴且不易攜帶的缺點(diǎn)，更加適用于科學(xué)研究和實(shí)地應(yīng)用。 多光譜圖像在氣象探測(cè)[7]、地貌繪制[8]、物料分類[9]、農(nóng)林[10]、海洋[11]、醫(yī)療[12]、環(huán)境監(jiān)測(cè)[13]等各領(lǐng)域獲得了非常廣泛的應(yīng)用。

目前，多光譜圖像在農(nóng)業(yè)中的應(yīng)用有了一定的進(jìn)展。 陳思明[14]等利用多光譜線性分解方法對(duì)原始影像的像元進(jìn)行分解，并構(gòu)建了土壤有機(jī)質(zhì)含量的反演模型，實(shí)現(xiàn)了濕地土壤有機(jī)質(zhì)含量的準(zhǔn)確實(shí)時(shí)監(jiān)測(cè)。 楊敏[15]等開展基于多光譜圖像數(shù)據(jù)的植被葉面積指數(shù)反演方法研究，提高了多光譜圖像在植被影響土壤侵蝕方面評(píng)估的應(yīng)用性。 Potgieter[16]等利用多光譜數(shù)據(jù)提取NDVI指數(shù)和EVI指數(shù)，分析作物葉片的葉綠素含量，對(duì)高粱育種計(jì)劃的遺傳改良進(jìn)行評(píng)估。 Backoulou[17]等使用MS3100-CIR多光譜相機(jī)拍攝冬小麥的多光譜圖像，以確定綠蠅蟲害的分布領(lǐng)域，指導(dǎo)建立有害生物管理和監(jiān)測(cè)系統(tǒng)。 多光譜圖像在農(nóng)業(yè)中的應(yīng)用與常規(guī)手段相比，具有部署簡(jiǎn)單、快速高效，成本低廉和易于推廣的優(yōu)點(diǎn)。 本工作基于多光譜圖像，應(yīng)用改進(jìn)的神經(jīng)網(wǎng)絡(luò)方法，建立玉米葉片含水量反演模型，實(shí)現(xiàn)玉米葉片含水量的快速檢測(cè)。

1 實(shí)驗(yàn)部分

1.1 材料

實(shí)驗(yàn)材料為按照隨機(jī)取樣的方法采集于拔節(jié)期、大喇叭口期和吐絲期等三個(gè)關(guān)鍵需水生育期的玉米葉片。 采集地點(diǎn)為中國(guó)農(nóng)業(yè)大學(xué)通州實(shí)驗(yàn)站5號(hào)試驗(yàn)田，采集時(shí)間為2018年7月19號(hào)、8月4號(hào)和9月13號(hào)三次進(jìn)行，共55組葉片。

1.2 儀器設(shè)備

實(shí)驗(yàn)用Micasense公司生產(chǎn)的RedEdge-M型號(hào)多光譜相機(jī)，見圖1。 該型號(hào)多光譜相機(jī)體積小，重量輕，可以手持操作也可搭載無人機(jī)使用，可以同時(shí)拍攝包含藍(lán)(475 nm)、綠(560 nm)、紅(668 nm)、近紅外(840 nm)和紅邊(717 nm)等5個(gè)離散波段的圖像。 每一個(gè)波段通道都有完整的成像儀窄帶光學(xué)過濾器，可以獲取高精度的多光譜圖像。 拍攝前需要采集標(biāo)準(zhǔn)白板信息，對(duì)獲取的多光譜圖像進(jìn)行校正，主要校正拍攝圖像的反射率和輻射亮度信息，拍攝過程中通過直連下行光傳感器能夠有效消除太陽高度角對(duì)光譜反射的影響。

葉片含水量的常用指標(biāo)是葉片等效水厚度，這一指標(biāo)計(jì)算的原理如式(1)所示[18]。

(1)

式中，EWT為樣本等效水厚度；m1為測(cè)量區(qū)域葉片的鮮重；m2為測(cè)量區(qū)域葉片的干重；s為測(cè)量區(qū)域的表面積。

采用YLS-D型號(hào)植物營(yíng)養(yǎng)測(cè)定儀進(jìn)行玉米葉片水分的測(cè)量，正常工作的量程在0～99.9RH%之間，工作誤差為±0.5個(gè)標(biāo)準(zhǔn)單位，見圖2。 能夠滿足測(cè)量葉片水分的要求。 使用前需要進(jìn)行初始化校準(zhǔn)。

圖1 RedEdge-M多光譜相機(jī)

圖2 YLS-D型號(hào)植物營(yíng)養(yǎng)測(cè)定儀

1.3 樣本葉片采集及數(shù)據(jù)分析

首先在實(shí)驗(yàn)站通過隨機(jī)取樣法采集55組玉米葉片，在光線良好的環(huán)境下，手持RedEdge-M多光譜相機(jī)垂直正對(duì)樣本葉片進(jìn)行拍攝，拍攝前需要先拍攝標(biāo)準(zhǔn)白板圖像作為校正圖像。 拍攝過程中使用WiFi模式直連手機(jī)端進(jìn)行樣本圖像位置的實(shí)時(shí)預(yù)覽，相機(jī)鏡頭距離葉片高度大約25 cm，保證樣本位置都處于五個(gè)通道傳感器的正中間時(shí)，按下拍攝按鈕進(jìn)行圖像保存，圖像格式為16位的TIFF圖像。 繼續(xù)使用初始化校準(zhǔn)后的YLS-D型號(hào)植物營(yíng)養(yǎng)測(cè)定儀通過五點(diǎn)取樣法夾持玉米葉片，記錄五個(gè)位置的葉片水厚度信息。

使用ENVI5.3軟件繪制玉米葉片感興趣區(qū)域(region of interest, ROI)，繪制過程中考慮到傳感器鏡頭的邊緣減光現(xiàn)象，所選區(qū)域應(yīng)盡量遠(yuǎn)離圖像邊緣且盡可能大的包絡(luò)玉米葉片，見圖3。 以此借助軟件可以得到ROI區(qū)域內(nèi)的平均反射光譜，并根據(jù)標(biāo)準(zhǔn)白板的標(biāo)定反射率、白板ROI范圍內(nèi)的平均反射光譜和玉米葉片樣本白板ROI范圍內(nèi)的平均反射光譜，比值換算得到玉米葉片5個(gè)波段處的光譜反射率。

BP神經(jīng)網(wǎng)絡(luò)是一種根據(jù)研究樣本誤差，使用逆?zhèn)鞑ニ惴ǚ磸?fù)訓(xùn)練完善的多層前饋網(wǎng)絡(luò), 在數(shù)據(jù)預(yù)測(cè)、樣本檢測(cè)和圖像融合等多領(lǐng)域具有廣泛的實(shí)施操作性[19]。 而早期經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練過程存在收斂速度較慢、受到個(gè)別樣本異常值擾動(dòng)的情況下易出現(xiàn)局部過擬合和網(wǎng)絡(luò)結(jié)構(gòu)最優(yōu)化難以確定等缺點(diǎn)； 引入Levenberg-Marquardt方法進(jìn)行改進(jìn)，能夠進(jìn)一步減小振蕩、加快網(wǎng)絡(luò)的收斂速度。

圖3 玉米葉片ROI的繪制

2 結(jié)果與討論

2.1 玉米葉片含水量反演模型的建立

基于多光譜圖像的玉米葉片含水量反演模型的輸入神經(jīng)元數(shù)目為5個(gè)，即藍(lán)、綠、紅、近紅外和紅邊等5個(gè)波段對(duì)應(yīng)的反射率； 輸出神經(jīng)元為1個(gè)，即玉米葉片等效水厚度。 隨機(jī)選取43組玉米葉片樣本的光譜反射率作為建模數(shù)據(jù)樣本，部分用于建模的訓(xùn)練數(shù)據(jù)列于表1。

表1 部分建模數(shù)據(jù)

由于訓(xùn)練的各樣本數(shù)據(jù)均有最大值和最小值，并且單位不統(tǒng)一，采用MATLAB程序?qū)斎霐?shù)據(jù)和輸出數(shù)據(jù)進(jìn)行歸一化處理至同一量綱，經(jīng)處理后，建模訓(xùn)練樣本值歸一化范圍在(0.1，0.9)之間。

目前對(duì)于隱含層單元數(shù)的確定尚沒有明確最佳的方法，主要依據(jù)Kolmogorov定理、經(jīng)驗(yàn)公式和試湊法來確定[20]。 根據(jù)藍(lán)、綠、紅、近紅外和紅邊等5個(gè)波段圖像對(duì)應(yīng)的反射率作為5個(gè)輸入神經(jīng)元，玉米葉片含水量作為1個(gè)輸出神經(jīng)元，初求解出隱含層神經(jīng)元數(shù)量在2～11個(gè)之間，將每個(gè)隱含層神經(jīng)元數(shù)目對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)反復(fù)訓(xùn)練20次，記錄擬合精度最高的一次，以此確定出最理想的隱含層神經(jīng)元數(shù)目。 隱含層神經(jīng)元數(shù)目訓(xùn)練求解過程的主要參數(shù)記錄如表2所示。

根據(jù)表2訓(xùn)練結(jié)果可知，當(dāng)隱含層神經(jīng)元數(shù)目在9個(gè)時(shí)，反演模型訓(xùn)練過程中迭代次數(shù)最少和均方差最小。 因此確定中BP神經(jīng)網(wǎng)絡(luò)中隱含層單元數(shù)的數(shù)目為9個(gè)，并確定基于多光譜圖像的玉米葉片含水量反演模型的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-9-1的結(jié)構(gòu)，如圖4所示。

表2 隱含層神經(jīng)元求解主要參數(shù)

圖4 含水量反演模型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 模型準(zhǔn)確度分析

確定完BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后，將43組玉米葉片樣本返回至5-9-1的網(wǎng)絡(luò)結(jié)構(gòu)中繼續(xù)大量訓(xùn)練，參考網(wǎng)絡(luò)輸出值與目標(biāo)參考值的相關(guān)性達(dá)到最佳效果后停止。 基于萊文貝格-馬夸特方法改進(jìn)的玉米葉片含水量反演模型的訓(xùn)練性能和訓(xùn)練擬合相關(guān)度信息如圖5所示。

從圖5可以看出，基于萊文貝格-馬夸特方法改進(jìn)的玉米葉片含水量反演模型訓(xùn)練迭代次數(shù)少，收斂速度快，小誤差樣本較為集中，均方差MSE值是0.009 689 9，整體網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練效果好。 另外對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行相關(guān)回歸性分析可以看出，基于多光譜圖像的玉米葉片含水量反演模型的網(wǎng)絡(luò)輸出值與目標(biāo)參考值的相關(guān)系數(shù)達(dá)到了0.896 37，玉米葉片含水量反演模型整體具有較高的精度。

2.3 檢測(cè)結(jié)果驗(yàn)證

最后對(duì)剩余的12組玉米葉片樣本進(jìn)行反演值和參考值的仿真驗(yàn)證。 將12組玉米葉片樣本的5個(gè)波段圖像的反射率代入反演模型計(jì)算出玉米葉片含水量反演值，與參考值的對(duì)比結(jié)果如表3所示。

根據(jù)表3中的反演值和參考值信息繪制仿真結(jié)果相關(guān)關(guān)系圖，如圖6所示，反演值和參考值具有較高的相關(guān)性，二者相關(guān)系數(shù)r能夠達(dá)到0.894 8，可見基于多光譜圖像的玉米葉片含水量反演模型較為準(zhǔn)確可靠，能夠滿足農(nóng)業(yè)環(huán)境參數(shù)的檢測(cè)需求。

圖5 反演模型訓(xùn)練信息

表3 玉米葉片含水量反演值和參考值結(jié)果

圖6 反演值和參考值驗(yàn)證

3 結(jié) 論

以55組不同生育期的玉米葉片為研究對(duì)象，獲取玉米葉片的光譜信息和水分狀況，結(jié)合萊文貝格-馬夸特方法改進(jìn)神經(jīng)網(wǎng)絡(luò)模型構(gòu)建基于多光譜圖像的玉米葉片含水量反演模型，實(shí)現(xiàn)了對(duì)玉米葉片含水量的快速檢測(cè)。

首先使用ENVI5.3軟件作玉米葉片感興趣區(qū)域的構(gòu)建，得到ROI區(qū)域內(nèi)的平均反射光譜，參照標(biāo)準(zhǔn)白板出廠時(shí)提供的專屬標(biāo)定反射率、白板ROI范圍內(nèi)的平均反射光譜和玉米葉片樣本白板ROI范圍內(nèi)的平均反射光譜，比值換算得到玉米葉片5個(gè)波段的光譜反射率。 隨機(jī)選擇43組樣本作為訓(xùn)練集進(jìn)行反演模型構(gòu)建，其余12個(gè)樣本作為測(cè)試集用于仿真驗(yàn)證。 結(jié)果表明，經(jīng)萊文貝格-馬夸特方法改進(jìn)后的玉米葉片含水量反演模型，網(wǎng)絡(luò)輸出值與目標(biāo)參考值的相關(guān)系數(shù)達(dá)到了0.896 37，反演模型整體具有較高的精度。 對(duì)剩余的12組玉米葉片樣本導(dǎo)入反演模型計(jì)算并進(jìn)行仿真驗(yàn)證，反演值和參考值具有較高的一致性，二者相關(guān)系數(shù)r能夠達(dá)到0.894 8。 因此將多光譜圖像用于玉米葉片含水量的檢測(cè)，可以實(shí)現(xiàn)對(duì)玉米葉片水分信息的快速獲取，為高效的農(nóng)場(chǎng)管理模式提供了一種全新的解決方案和參考依據(jù)。

多光譜對(duì)于玉米葉片含水量的檢測(cè)具有較好效果，對(duì)于反演模型的構(gòu)建，本研究?jī)H僅選取了改進(jìn)的神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，今后可以嘗試多種方法包含有多元線性回歸、偏最小二乘法、逐步線性回歸、主成分分析和支持向量機(jī)的方法進(jìn)行建模，比較各種方法的優(yōu)劣，選出最適用于作物葉片含水量反演模型構(gòu)建的方法。