洪 波，張 澤，張 強(qiáng)，馬怡茹，易 翔，呂 新

（1石河子大學(xué)農(nóng)學(xué)院，新疆 石河子 832003；2新疆生產(chǎn)建設(shè)兵團(tuán)綠洲生態(tài)農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室，新疆 石河子 832003）

0 引言

棉花的營(yíng)養(yǎng)診斷和推薦施肥都是以傳統(tǒng)的田間葉片采集和實(shí)驗(yàn)室化學(xué)分析為基礎(chǔ)，雖然具有較高的準(zhǔn)確性，但是也存在費(fèi)時(shí)、費(fèi)力、耗材等缺陷，很難在大面積棉田營(yíng)養(yǎng)診斷上推廣應(yīng)用[1]。近年來(lái)，隨著信息技術(shù)的飛速發(fā)展，數(shù)碼圖像分析技術(shù)在植物營(yíng)養(yǎng)診斷方面得到了廣泛研究，與傳統(tǒng)營(yíng)養(yǎng)診斷方法相比，該方法具有快速、無(wú)損等優(yōu)勢(shì)[2]，因此，更易于在實(shí)際應(yīng)用中進(jìn)行推廣。目前，國(guó)內(nèi)外越來(lái)越多的學(xué)者利用數(shù)字圖像技術(shù)進(jìn)行作物營(yíng)養(yǎng)診斷，并取得了較好的成果。如Lee等[3]利用數(shù)字圖像分析技術(shù)，從彩色數(shù)碼相機(jī)影像上提取10種顏色指數(shù)和覆蓋度指數(shù)，發(fā)現(xiàn)有8種色彩參數(shù)以及覆蓋度、葉面積指數(shù)等與地上氮素含量之間存在顯著的相關(guān)性，并運(yùn)用回歸的方法構(gòu)建基于色彩參數(shù)和農(nóng)學(xué)指標(biāo)的氮積累量估測(cè)模型，經(jīng)過(guò)獨(dú)立試驗(yàn)驗(yàn)證，估測(cè)模型的精度可滿足實(shí)際需要。陳敏等[4]利用棉花葉片圖像色彩參數(shù)，分別分析棉花不同葉位氮含量與色彩參數(shù)的相關(guān)性，從而確定進(jìn)行棉花氮素營(yíng)養(yǎng)診斷的最佳葉位。李小正等[5]提取棉花葉片數(shù)字圖像顏色參數(shù)，確定6個(gè)輸入向量，比較了線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)以及徑向基網(wǎng)絡(luò)等3種神經(jīng)網(wǎng)絡(luò)模型，取得了較好的研究結(jié)果。另外，在水稻[6-12]、玉米[13-15]等大田作物和瓜果蔬菜[16-19]等園藝作物上，單獨(dú)利用利用數(shù)字圖像色彩參數(shù)進(jìn)行營(yíng)養(yǎng)診斷的研究也取得了較多的成果。借助于數(shù)碼圖像進(jìn)行作物營(yíng)養(yǎng)診斷的優(yōu)勢(shì)，基于數(shù)碼圖像顏色特征進(jìn)行作物營(yíng)養(yǎng)診斷的研究日益趨向成熟，但迄今為止，將作物圖像的顏色參數(shù)和紋理參數(shù)綜合應(yīng)用于棉花氮素營(yíng)養(yǎng)診斷的研究尚未見(jiàn)到報(bào)道。本研究旨在結(jié)合棉花葉片顏色特征參數(shù)和紋理特征參數(shù)構(gòu)建棉花不同葉位氮含量估測(cè)模型，通過(guò)對(duì)比分析不同葉位模型的精度，確定在利用數(shù)碼圖像進(jìn)行棉花氮素營(yíng)養(yǎng)時(shí)選用的最佳圖像特征參數(shù)和最佳診斷葉位。以期為實(shí)現(xiàn)棉花氮素營(yíng)養(yǎng)快速、精確和無(wú)損提供理論依據(jù)。

1 材料與方法

1.1 材料

1.1.1 試驗(yàn)區(qū)概況 本試驗(yàn)于2020年9月在新疆維吾爾族自治區(qū)石河子市石河子大學(xué)農(nóng)學(xué)院實(shí)驗(yàn)站網(wǎng)室內(nèi)進(jìn)行(E 86.03°、N 44.18°)。取農(nóng)學(xué)院實(shí)驗(yàn)站地表0 ～40 cm土壤，風(fēng)干過(guò)篩后使用花盆裝土，供試土壤質(zhì)地為中壤土。土壤基本理化性狀為：堿解氮含量103.8 mg/kg，有機(jī)質(zhì)含量18.1 g/kg，速效磷含量8.91 mg/kg,速效鉀含量290.3 mg/kg，田間持水量為24.6%。

1.1.2 試驗(yàn)設(shè)計(jì) 本研究以‘新陸早53號(hào)’為試驗(yàn)品種，使用上口經(jīng)40 cm的花盆種植，花盆裝土質(zhì)量為35 kg。試驗(yàn)共設(shè)置4個(gè)氮肥處理，每個(gè)處理重復(fù)8次，總共有32盆棉花。各處理的施氮量分別為0 g/盆(N0)、1.876 g/盆(N1)、5.628 g/盆(N2)、7.504 g/盆(N3)，施磷量和施鉀量均為1.876 g/盆。供試肥料分別為尿素(N 46%)、過(guò)磷酸鈣(P2O512%)、氯化鉀(K2O 60%)。為了保證能在棉花生長(zhǎng)過(guò)程中進(jìn)行連續(xù)性觀測(cè)不受因施肥時(shí)間及施肥量的影響，本試驗(yàn)的所有肥料均作為基肥一次性施入。盆栽試驗(yàn)的其他管理方案均采用當(dāng)?shù)剞r(nóng)業(yè)技術(shù)推廣部門(mén)的推薦技術(shù)。

1.1.3 棉葉樣本采集 分別在棉花出苗60、80、100天選取各處理長(zhǎng)勢(shì)接近的棉花3株，將其倒1葉、倒2葉、倒3葉、倒4葉從葉柄處剪下裝入單獨(dú)的自封袋編號(hào)，迅速放入入裝有生物冰袋的冰盒中冷藏保存，帶回室內(nèi)獲取數(shù)字圖像信息。本研究采集棉花倒1葉、倒2葉、倒3葉、倒4葉各48片，共采集棉花葉片192片。

1.2 方法

1.2.1 棉葉圖像獲取與處理

（1）圖像獲取。本研究使用智能手機(jī)（huawei P30，后置像素3700萬(wàn)像素）進(jìn)行棉葉圖像采集，打開(kāi)相機(jī)之后將分辨率固定為3254×2908保持不變，以A4紙作為背景進(jìn)行拍照，拍照時(shí)手機(jī)鏡頭和葉片的距離保持在20 cm，圖像以JPEG格式保存。圖像的拍攝在裝有無(wú)影燈的暗箱中進(jìn)行。本次研究采集4個(gè)葉位圖像各48張，共采集圖像192張。

（2）圖像處理。葉片圖像處理的流程包括彩色圖像灰度化、去噪、分割和目標(biāo)圖像獲取。本研究圖像處理采用MATLAB R2016a編程實(shí)現(xiàn)。首先調(diào)運(yùn)函數(shù)rgb2gray將彩色圖像轉(zhuǎn)化為灰度圖像（圖1.b），然后運(yùn)用均值濾波[20]的方法對(duì)含噪灰度圖像進(jìn)行去噪，去噪時(shí)調(diào)運(yùn)函數(shù)medfilt2。接著對(duì)去噪后的灰度圖像（圖1.c）進(jìn)行分割，灰度圖像分割是按照?qǐng)D像閾值進(jìn)行的，在閾值的選擇上，本研究采用最大類間方差法[21]（Otsu法）選擇閾值，Otsu法將圖像分為背景和目標(biāo)兩部分來(lái)計(jì)算背景和目標(biāo)的方差值。最后將分割后的圖像（圖1.d）分別與去噪后的灰度圖像和彩色圖像像素逐點(diǎn)相乘[25]，獲得彩色目標(biāo)圖像（圖1.e）和灰度目標(biāo)圖像（圖1.f）。

圖1 棉葉預(yù)處理圖像

1.2.2 棉葉圖像特征參數(shù)提取

（1）顏色特征參數(shù)提取。本研究對(duì)棉葉片分別進(jìn)行顏色和紋理特征的提取。首先基于RGB顏色模型進(jìn)行棉葉顏色特征提取[22]。使用MATLAB R2016a軟件提取棉葉圖像的紅光值(R)、綠光值(G)和藍(lán)光值(B)3個(gè)顏色分量，對(duì)3個(gè)分量進(jìn)行組合運(yùn)算得到R/(G+B)、G/(B+R)、B/(G+R)、G/R、G/B、B/R6種組合參數(shù)，同時(shí)計(jì)算得到歸一化紅光值(r)、歸一化綠光值(g)，歸一化藍(lán)光值(b)，共得到包含R、G、B在內(nèi)的共12種顏色特征參數(shù)。其中r、g、b計(jì)算公式如(1) ～(3)。

（2）紋理特征參數(shù)提取。采用灰度共生矩陣[23-24](GLCM)算法進(jìn)行紋理特征提取，在提取紋理特征時(shí)，以0o、45o、90o、135o作為常用方位角，通過(guò)計(jì)算2個(gè)像素之間的相近關(guān)系的概率來(lái)獲得能體現(xiàn)物體特征的二階統(tǒng)計(jì)量?；叶裙采仃囉?jì)算獲得的參數(shù)數(shù)量較大，不宜直接作為紋理特征，通常基于其構(gòu)建統(tǒng)計(jì)量，結(jié)合方位較建立紋理特征向量。常用的4個(gè)不相關(guān)的紋理特征[25]有能量(ASM)、相關(guān)性(COR)、熵(ENT)和逆差矩(IDM)，計(jì)算公式如(4) ～(7)。

1.3 棉葉樣品氮含量測(cè)定

待葉片采集完圖像之后轉(zhuǎn)入自封袋，105℃下殺青，30 min后于烘箱中80℃條件下烘干至恒重，然后稱量并記錄干物質(zhì)重，將樣品粉碎后全部置于消煮管中，采用H2SO4-H2O2消煮，用凱氏定氮法[26]測(cè)定棉葉氮含量。公式(8)。

其中V1為樣品測(cè)定所消耗標(biāo)準(zhǔn)酸體積(mL)；V0為空白試驗(yàn)所消耗的標(biāo)準(zhǔn)酸體積(mL)；C表示標(biāo)準(zhǔn)酸的當(dāng)量濃度(mol/L)；14表示氮原子的摩爾質(zhì)量(g/mol)；100表示第一次定容體積(mL)；10表示吸取體積(mL)；m為棉葉質(zhì)量(g)。

1.4 數(shù)據(jù)處理與分析

本研究使用Spss 19.0軟件進(jìn)行差異顯著性和相關(guān)性分析，使用Excel 2019軟件制圖。使用決定系數(shù)(R2)、均方根誤差(RMSE)和相對(duì)誤差(RE)對(duì)所建模型進(jìn)行精度評(píng)價(jià)。

2 結(jié)果與分析

2.1 棉花葉片氮含量與圖像特征參數(shù)相關(guān)性分析

以棉花不同葉位為對(duì)象，分別分析各葉位氮含量和圖像特征參數(shù)的相關(guān)性（圖2），相關(guān)性分析結(jié)果表明本次研究提取的12種顏色參數(shù)和4種紋理參數(shù)中，除G、g、G/R、IDM外，其余圖像參數(shù)均與葉片氮含量呈正相關(guān)。倒1葉和倒4葉氮含量與圖像參數(shù)r、G/(B+R)、G/B、COR、ASM的相關(guān)性最好，相關(guān)系數(shù)均大于0.55；倒2葉氮含量與圖像參數(shù)r、G/(B+R)、G/B、COR相關(guān)性最好，相關(guān)系數(shù)均大于0.57；倒3葉氮含量與圖像參數(shù)r、G/(B+R)、G/B、ASM相關(guān)性最好，相關(guān)系數(shù)均大于0.55。

圖2 棉花葉片氮含量與圖像特征參數(shù)相關(guān)性熱圖

2.2 棉花葉片氮含量估測(cè)模型構(gòu)建

在采集的96個(gè)棉花葉片樣本中選取其中60個(gè)樣本作為建模集，根據(jù)圖像特征參數(shù)與氮含量相關(guān)性分析結(jié)果，把與各葉位相關(guān)系數(shù)大于0.55的圖像參數(shù)作為自變量，以氮素含量為目標(biāo)變量，采用偏最小二乘回歸(PLSR)方法構(gòu)建氮含量估測(cè)模型。建模時(shí)分別以顏色特征、紋理特征、顏色和紋理特征為自變量，分別構(gòu)建基于顏色特征、紋理特征、顏色和紋理特征的棉花各葉位氮含量估測(cè)模型。建模結(jié)果如表1所示，對(duì)比分析基于不同自變量的模型R2可知，4個(gè)葉位均表現(xiàn)出基于紋理特征的模型R2最小，基于顏色特征的模型R2次之，綜合顏色特征和紋理特征的模型R2最高，且對(duì)比二者單獨(dú)作為自變量的模型，其模型的R2均有了明顯的提高；對(duì)比分析不同葉位之間模型R2的大小可知，倒2葉、倒3葉模型R2最低，R2均在0.70以下，倒1葉、倒4葉模型R2高于另外兩個(gè)葉位，其中倒4葉模型R2均在0.70以上，基于顏色和紋理綜合特征的模型R2達(dá)到最高，R2為0.843。

表1 基于圖像特征參數(shù)的棉花不同葉位氮含量估測(cè)模型(n=60)

2.3 棉花葉片氮含量估測(cè)模型的驗(yàn)證

為檢驗(yàn)估測(cè)模型的可靠性，將各葉位剩余的36個(gè)棉花葉片樣本圖像特征參數(shù)和氮含量數(shù)據(jù)作為驗(yàn)證集，分別對(duì)4個(gè)葉位氮含量估測(cè)模型精度進(jìn)行驗(yàn)證。擬合結(jié)果表明（圖3），基于圖像顏色和紋理綜合特征構(gòu)建模型的估測(cè)值與實(shí)測(cè)值擬合效果最佳，其驗(yàn)證集R2、RMSE和RE均優(yōu)于二者單獨(dú)建模；比較倒1葉和倒4葉三個(gè)模型氮含量實(shí)測(cè)值和估測(cè)值擬合效果表明，倒4葉三個(gè)模型的擬合效果均優(yōu)于倒1葉，其中基于顏色和紋理綜合特征的模型驗(yàn)證集R2最大，為0.843，RMSE和RE最小，分別為1.326、8.14%。

圖3 基于圖像顏色-紋理綜合特征參數(shù)的氮含量實(shí)測(cè)值與估測(cè)值

3 討論

3.1 棉花葉片氮含量與圖像特征參數(shù)相關(guān)性分析

本研究發(fā)現(xiàn)，數(shù)字圖像顏色特征參數(shù)r與棉花倒4葉片氮含量相關(guān)性較好，相關(guān)系數(shù)為0.75，與魏全全等[27]、陳佳悅等[28]研究結(jié)果一致，表明數(shù)字圖像顏色特征參數(shù)r具備對(duì)植物葉片氮素營(yíng)養(yǎng)診斷的指標(biāo)能力，參數(shù)r可以作為不同植物氮素營(yíng)養(yǎng)狀況評(píng)價(jià)的指標(biāo)。圖像顏色特征參數(shù)G/(B+R)、G/B也與棉花葉片氮含量具有較好的相關(guān)性（不同葉位相關(guān)系數(shù)均大于0.6），這與劉偉[29]、王曉靜等[30]的研究結(jié)果一致，說(shuō)明圖像顏色特征參數(shù)G/(B+R)和G/B也可以作為不同植物氮素營(yíng)養(yǎng)狀況評(píng)價(jià)的指標(biāo)。與以上研究結(jié)果不同的是，本研究在提取棉花葉片圖像紋理特征參數(shù)之后，還發(fā)現(xiàn)圖像紋理特征COR、ASM與葉片氮含量具有較好的相關(guān)性（不同葉位相關(guān)系數(shù)均大于0.6），這說(shuō)明除了以上顏色特征參數(shù)之外，棉花還具有本身特有的氮素營(yíng)養(yǎng)狀況評(píng)價(jià)指標(biāo)，進(jìn)一步說(shuō)明了圖像處理技術(shù)在棉花葉片氮素營(yíng)養(yǎng)診斷方面具有廣泛的應(yīng)用前景。

3.2 棉花葉片氮含量預(yù)測(cè)模型構(gòu)建與驗(yàn)證

基于以上相關(guān)性分析結(jié)果，本研究在構(gòu)建氮含量預(yù)測(cè)模型時(shí)，引入棉花葉片圖像紋理特征，構(gòu)建了基于圖像顏色和紋理綜合特征參數(shù)的氮含量預(yù)測(cè)模型，通過(guò)對(duì)每個(gè)葉位中基于顏色特征、紋理特征、顏色和紋理綜合特征所建模型的比較分析，發(fā)現(xiàn)倒1葉、倒2葉、倒3葉、倒4葉基于顏色和紋理綜合特征所建模型的R2最高，R2分別是0.759、0.687、0.658、0.843，且與顏色和紋理單獨(dú)構(gòu)建模型的R2相比，其模型R2有了明顯提高，其預(yù)測(cè)結(jié)果明顯優(yōu)于基于顏色特征或紋理特征構(gòu)建的氮含量預(yù)測(cè)模型。另外，本研究通過(guò)對(duì)比分析棉花倒1葉、倒2葉、倒3葉、倒4葉所建模型各自訓(xùn)練集和驗(yàn)證集R2、RMSE和RE變化，發(fā)現(xiàn)倒2葉和倒3葉模型訓(xùn)練集和驗(yàn)證集R2較低，R2均小于0.7，RMSE和RE較大，RMSE均大于1.8，RE均大于8.6%。倒1葉和倒4葉模型訓(xùn)練集和驗(yàn)證集R2較高，R2均大于0.75，RMSE和RE較小，RMSE均小于1.8，RE均小于8.6%。對(duì)比倒1葉和倒4葉模型訓(xùn)練集和驗(yàn)證集，發(fā)現(xiàn)倒4葉模型評(píng)價(jià)指標(biāo)R2、RMSE和RE均優(yōu)于倒1葉。

4 結(jié)論

本研究首先通過(guò)分析棉花葉片圖像特征參數(shù)與氮含量的相關(guān)性，得出顏色特征參數(shù)r、G/(B+R)、G/R和紋理特征參數(shù)COR、ASM可作為棉花氮素營(yíng)養(yǎng)診斷的評(píng)價(jià)指標(biāo)；其次分別基于不同特征參數(shù)構(gòu)建了棉花不同葉位氮含量估測(cè)模型，通過(guò)對(duì)比分析不同模型之間評(píng)價(jià)指標(biāo)R2、RMSE、RE的優(yōu)劣，得出基于顏色和紋理綜合特征所建模型估測(cè)測(cè)結(jié)果明顯優(yōu)于基于顏色特征或紋理特征所建模型；最后對(duì)棉花倒1葉、倒2葉、倒3葉、倒4葉建模結(jié)果的對(duì)比，明確了利用數(shù)字圖像技術(shù)進(jìn)行棉花氮素營(yíng)養(yǎng)診斷的葉位為棉花倒4葉。