孫玉婷，王映龍，，楊紅云，周 瓊，孫愛珍，楊文姬，3

(1.江西農(nóng)業(yè)大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，江西 南昌330045； 2.江西省高等學(xué)校農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330045； 3.江西農(nóng)業(yè)大學(xué) 軟件學(xué)院，江西 南昌 330045)

葉綠素是植物進(jìn)行光合作用的主要色素，它是判定植物光合能力、健康狀態(tài)以及營養(yǎng)元素含量的重要指標(biāo)。傳統(tǒng)的測定葉綠素含量的方法主要有分光光度法[1-2]和葉綠素測量儀法[3-5]等。但是上述方法存在破壞植株生長、費(fèi)時(shí)費(fèi)力、重復(fù)測量或價(jià)格昂貴等缺點(diǎn)，不利于研究工作的開展。不少學(xué)者為能簡便、準(zhǔn)確、快速無損地獲得植物的葉綠素值做了大量的研究，分別對水稻、番茄、小麥、蘋果等植物葉片進(jìn)行定量分析，分別構(gòu)建了植物葉片相對葉綠素值(SPAD)與植物葉色圖像分量之間關(guān)系模型。如龔剛猛等[6]通過定量分析水稻的葉片顏色特征值RGB組分與SPAD值間的關(guān)系，建立水稻葉色模擬模型，得到它們之間呈極顯著相關(guān)性。張楠[7]通過對獲取的水稻圖像進(jìn)行葉色參數(shù)提取分析，發(fā)現(xiàn)水稻葉片的SPAD值與水稻序列圖像對應(yīng)部位的RGB顏色參量有著顯著非線性相關(guān)。李艷等[8]通過加工番茄地上部分彩色圖像提取RGB及其組合的顏色特征值，與SPAD值做回歸分析，根據(jù)統(tǒng)計(jì)性檢驗(yàn)，有相當(dāng)數(shù)量的顏色特征與SPAD呈較高的相關(guān)性。程立真等[9]利用圖像處理技術(shù)，采集蘋果葉片圖像的R、G、B值，通過運(yùn)算組合構(gòu)造顏色特征參數(shù)，建立單變量回歸模型和支持向量機(jī)回歸模型估測SPAD值。近些年來，隨著人工智能的快速發(fā)展，基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)方法(SVM)逐漸成為機(jī)器學(xué)習(xí)的研究熱點(diǎn)。SVM具有出色的學(xué)習(xí)和預(yù)測能力，不但可用于人臉識別[10-11]、圖像分類[12]和故障診斷[13-14]等方面，還在農(nóng)產(chǎn)品產(chǎn)量[15]、病蟲害識別[16]、以及作物氮素營養(yǎng)診斷[17-18]等方面得到了廣泛的應(yīng)用。為此，本文通過試驗(yàn)觀測得到的數(shù)據(jù)，分析水稻葉片SPAD值與葉色圖像參數(shù)之間的關(guān)系，并利用2個(gè)彩色空間的6個(gè)參數(shù)(R、G、B、H、S、I)作為顏色特征指標(biāo)，構(gòu)建基于支持向量機(jī)的水稻SPAD值預(yù)測模型，為機(jī)器視覺技術(shù)便捷測量水稻等農(nóng)作物的SPAD值奠定了理論基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)材料

水稻田間試驗(yàn)于2015—2017年在江西農(nóng)業(yè)大學(xué)農(nóng)學(xué)試驗(yàn)站和江西省成新農(nóng)場進(jìn)行，供試品種為秈型三系雜交水稻品種金優(yōu)458(JY458)、常規(guī)稻品種中早35(ZZ35)、秈型兩系雜交稻品種兩優(yōu)培九(LYP9)，每個(gè)品種設(shè)計(jì)4組不同的氮素水平。金優(yōu)458和中早35的氮肥施用量為N1，CK(0)；N2，225 kg·hm-2；N3，150 kg·hm-2；N4，75 kg·hm-2。兩優(yōu)培九的氮肥施用量為N1，CK(0)；N2，210 kg·hm-2；N3，300 kg·hm-2；N4，390 kg·hm-2。分別采集金優(yōu)458水稻品種740組葉片，中早35水稻品種640組葉片以及兩優(yōu)培九水稻品種1 860組葉片作為觀測樣本。

1.2 數(shù)據(jù)獲取與分析

1.2.1 水稻葉片數(shù)字圖像獲取

水稻取樣后，掃描3種水稻品種葉片的數(shù)字圖像。選擇平板掃描儀MRS-9600TFU2，圖像傳感器為CCD，光學(xué)分辨率為4 800 dpi×9 600 dpi。植株活體剪下葉片取樣后，整齊地平放在掃描儀工作臺面上，盡快掃描避免水稻缺失水分枯萎造成葉子卷曲。

1.2.2 水稻葉片SPAD值獲取

使用葉綠素測定儀SPAD-502測量3種水稻品種葉片的SPAD值，由于測定部位對SPAD值讀數(shù)影響較大，測量時(shí)應(yīng)盡量保持一致并避開葉脈[19]。分別測量每個(gè)水稻品種的葉尖，葉中以及葉基3個(gè)位置的SPAD讀數(shù)，并取其平均值作為本文的試驗(yàn)數(shù)據(jù)。

1.3 葉片圖像顏色特征提取

掃描儀掃描葉片圖像，背景白色，單一簡單，對葉片圖像特征提取影響不大，但由于掃描儀自身傳遞和轉(zhuǎn)換的原因，獲取的水稻數(shù)字圖像質(zhì)量會隨之下降，為避免分析誤差產(chǎn)生，在提取葉片圖像特征前，對圖像背景進(jìn)行消噪處理。本文選取面向硬件設(shè)備的RGB和色彩處理的HSI兩個(gè)顏色空間實(shí)現(xiàn)作物數(shù)字圖像特征提取。

1.4 RGB到HSI的轉(zhuǎn)換

RGB顏色空間適合于圖像的采集和顯示，但由于R、G、B三分量間的高相關(guān)性[20]，不適合于圖像分割與分析，在進(jìn)行彩色測量時(shí)，也不能靠設(shè)置R、G、B的值對圖像進(jìn)行閾值分割，而將RGB圖像轉(zhuǎn)換灰度圖像再進(jìn)行閾值分割[21]，這樣做會損失圖像的色彩特征。但利用各種變換，可以由RGB空間推導(dǎo)出其他顏色空間[22]。其中HSI顏色空間是從人的視覺系統(tǒng)出發(fā)，用色調(diào)、色飽和度和亮度來三種基本特征量來描述色彩[23]，便于色彩處理和識別，可以大大簡化圖像分析和處理的工作量。RGB色彩空間到HSI色彩空間的轉(zhuǎn)換[24]如公式(1)所示。

(1)

1.5 數(shù)據(jù)預(yù)處理

為了減少數(shù)值變化范圍，加快模型計(jì)算的速度以及提高模型的精度，原始數(shù)據(jù)在進(jìn)行模型訓(xùn)練的時(shí)候都進(jìn)行了歸一化處理[25]。將不同量綱的數(shù)據(jù)歸一化到[0，1]范圍內(nèi)，歸一化處理采用式(2)，即

(2)

式(2)：中x表示樣本數(shù)據(jù)；xmax和xmin分別表示樣本數(shù)據(jù)中的最大值和最小值；y表示歸一化后的數(shù)據(jù)；ymax和ymin分別表示歸一化后數(shù)據(jù)的最大值和最小值。

1.6 支持向量機(jī)(SVM)參數(shù)的選定

合理選取SVM的參數(shù)對于模型的回歸預(yù)測問題尤為重要，尤其是核函數(shù)的參數(shù)g以及懲罰系數(shù)c對SVM的性能有著很大影響[26]，所以快速選擇合適的SVM參數(shù)，對減少訓(xùn)練和預(yù)測時(shí)間有著很重要的實(shí)際意義。

目前，對于支持向量機(jī)參數(shù)選擇的方法有：遺傳算法[27-28]、粒子群算法[29-30]以及網(wǎng)格搜索算法[31]等等。前兩種算法在選擇SVM參數(shù)的過程中具有搜索速度快，效率快的優(yōu)點(diǎn)，但是均容易陷入局部最優(yōu)，網(wǎng)格搜索算法是讓c和g在一定的范圍劃分網(wǎng)格并遍歷網(wǎng)格內(nèi)所有點(diǎn)進(jìn)行取值，對于選定的c和g利用K-CV方法得到此組c和g下訓(xùn)練集驗(yàn)證分類準(zhǔn)確率，最終選擇使訓(xùn)練集交叉驗(yàn)證分類準(zhǔn)確率最高的那組c和g作為最優(yōu)參數(shù)組合。傳統(tǒng)的網(wǎng)格搜索算法雖然能找出最優(yōu)參數(shù)組合c和g，但是搜索效率低。而本文采用改進(jìn)的網(wǎng)絡(luò)搜索算法對支持向量機(jī)(SVM)參數(shù)進(jìn)行選定，其算法原理是先采用大步距大范圍的粗搜選擇最高的一組c和g，再在這組參數(shù)附近確定一個(gè)小區(qū)間，再在此區(qū)間內(nèi)進(jìn)行小步距精搜，達(dá)到減少參數(shù)尋優(yōu)時(shí)間的目的。

2 結(jié)果與分析

2.1 不同方法優(yōu)化支持向量機(jī)參數(shù)

以試驗(yàn)觀測到的金優(yōu)458(JY458)水稻數(shù)據(jù)為分析樣本，分為兩組，每組均有740個(gè)樣本，其中第一組的輸入變量為水稻葉片圖像的RGB分量，輸出變量為水稻SPAD值，第二組的輸入變量為水稻葉片圖像的HSI分量，輸出變量為水稻SPAD值。

采用改進(jìn)的網(wǎng)格搜索進(jìn)行尋優(yōu)，設(shè)定網(wǎng)格搜索的變量c和g的初始范圍為[2-8，28]，搜索步距設(shè)為1，采用K-CV方法對訓(xùn)練集進(jìn)行測試，其中K=3，得到局部最優(yōu)參數(shù)組合，根據(jù)得到的局部最優(yōu)參數(shù)，在其附近選擇不同的區(qū)間進(jìn)行二次尋優(yōu)，搜索步距設(shè)為0.1。本文分別采用了傳統(tǒng)網(wǎng)格搜索算法，改進(jìn)搜索算法進(jìn)行測試，比較各自性能，比較結(jié)果見表1。

表1不同方法進(jìn)行參數(shù)尋優(yōu)結(jié)果的比較

Table1Comparison of different methods for parameter optimization

試驗(yàn)組別Test group傳統(tǒng)的網(wǎng)格搜索Traditional grid search methodcgR2/%t/s改進(jìn)的網(wǎng)格搜索Improved grid search methodcgR2/%t/sRGB0.353668.5983.6614258.272.4623482.624212.58HSI0.43531683.714241.201.14874 83.762215.35

由表1看出，在RGB色彩空間下傳統(tǒng)的網(wǎng)格搜索算法參數(shù)尋優(yōu)時(shí)間大約是改進(jìn)的網(wǎng)格搜索算法參數(shù)尋優(yōu)時(shí)間的21倍，而在HSI色彩空間下傳統(tǒng)的網(wǎng)格搜索算法參數(shù)尋優(yōu)時(shí)間大約是改進(jìn)的網(wǎng)格搜索算法參數(shù)尋優(yōu)時(shí)間的16倍，尋優(yōu)時(shí)間明顯更高。但由于其在二次尋優(yōu)的區(qū)間的選擇上含有較多的經(jīng)驗(yàn)成分[32]，所以在平方相關(guān)系數(shù)上要低于傳統(tǒng)的網(wǎng)格搜索，即這種改進(jìn)的網(wǎng)格搜索法相當(dāng)于犧牲了平方相關(guān)系數(shù)，來減少了大量的搜索時(shí)間。在回歸模型的評價(jià)指標(biāo)上，當(dāng)回歸模型的平方相關(guān)系數(shù)達(dá)到了80%，則判定該模型是有效的。經(jīng)試驗(yàn)證明，采用改進(jìn)的網(wǎng)格搜索算法能夠滿足本文的需求。

2.2 葉片色彩分量與水稻葉片SPAD值之間的關(guān)系模型

本文以試驗(yàn)觀測到的3種不同水稻數(shù)據(jù)為依據(jù)，采用參數(shù)優(yōu)化后的支持向量機(jī)算法對水稻葉片SPAD值進(jìn)行訓(xùn)練和預(yù)測。采用歸一化法將觀測數(shù)據(jù)處理到(0，1)區(qū)間，金優(yōu)458(JY458)水稻品種選取555組數(shù)據(jù)為訓(xùn)練樣本，185組數(shù)據(jù)為預(yù)測樣本，中早35(ZZ35)水稻品種選取480組數(shù)據(jù)為訓(xùn)練樣本，160組數(shù)據(jù)為預(yù)測樣本，兩優(yōu)培九(LYP9)水稻品種選取1 395組數(shù)據(jù)為訓(xùn)練樣本，465組數(shù)據(jù)為預(yù)測樣本。

2.2.1 葉色圖像RGB分量與水稻葉片SPAD值之間的關(guān)系模型

本模型以水稻葉片圖像RGB分量作為水稻葉片SPAD值預(yù)測模型的輸入?yún)?shù)，葉片SPAD值作為模型的輸出參數(shù)，其樣本的訓(xùn)練過程見圖1。從圖1上看，3種不同水稻品種的模型在樣本訓(xùn)練過程中表現(xiàn)出了良好的數(shù)據(jù)泛化能力，水稻葉片SPAD值基本穩(wěn)定在20～55，基于參數(shù)優(yōu)化后的支持向量機(jī)回歸對于不同水稻品種訓(xùn)練樣本的平方相關(guān)系數(shù)分別為82.624 2%(JY458)、86.290 0%(ZZ35)以及86.011 4%(LYP9)，學(xué)習(xí)效果較好，為了測試該3種模型的精度，利用所建立模型對預(yù)測樣本數(shù)據(jù)進(jìn)行預(yù)測，其預(yù)測結(jié)果圖如圖2所示。

從圖2可以看出，基于參數(shù)優(yōu)化后的支持向量機(jī)預(yù)測模型能夠有效地預(yù)測水稻的SPAD值，3種水稻品種SPAD值的浮動范圍不大，預(yù)測效果良好。為了定量地分析本文的預(yù)測效果，文中引入均方根誤差和平均相對誤差兩個(gè)評價(jià)指標(biāo)，評價(jià)結(jié)果如表2所示。從表2看出：3種水稻品種基于SVM預(yù)測水稻SPAD值的誤差都較小，其中中早35(ZZ35)的預(yù)測結(jié)果與觀測結(jié)果的均方根誤差和平均相對誤差最大，其值分別為3.021 4和5.667 0%。

2.2.2 葉色圖像HSI分量與SPAD值之間的關(guān)系模型

本模型以水稻葉片圖像HSI分量作為水稻葉片SPAD值預(yù)測模型的輸入?yún)?shù)，葉片SPAD值作為模型的輸出參數(shù)，其樣本的訓(xùn)練過程見圖3。從圖3可知，3種水稻品種SVM的回歸曲線圍繞觀測值小幅度浮動，和觀測值的擬合效果較好，其訓(xùn)練樣本的平方相關(guān)系數(shù)分別為83.762 2%(JY458)、86.431 7%(ZZ35)以及86.303 5%(LYP9)。為了測試該3種模型的精度，利用所建立模型對樣本數(shù)據(jù)進(jìn)行預(yù)測，其預(yù)測結(jié)果圖如圖4所示。

圖1 不同水稻品種SPAD值的訓(xùn)練結(jié)果(RGB)Fig.1 Training results of SPAD values for different rice varieties(RGB)

圖2 不同水稻品種SPAD值的預(yù)測結(jié)果(RGB)Fig.2 Predicted results of SPAD values for different rice varieties (RGB)

圖3 不同水稻品種SPAD值的訓(xùn)練結(jié)果(HSI)Fig.3 Training results of SPAD values of different rice varieties (HSI)

圖4 不同水稻品種SPAD值的預(yù)測結(jié)果(HSI)Fig.4 Predicted results of SPAD values for different rice varieties (HSI)

從圖4可知：本文提出的模型的預(yù)測結(jié)果與觀測數(shù)據(jù)吻合良好，定量地分析本文的預(yù)測效果，均方根誤差和平均相對誤差如表2所示。表2中3種水稻品種基于SVM預(yù)測水稻SPAD值的誤差都較小，其中中早35(ZZ35)預(yù)測結(jié)果與觀測結(jié)果的均方根誤差和平均相對誤差最大，分別為3.001 4和5.533 5%。

表2SPAD觀測值和模型預(yù)測值比較

Table2Comparison of actual SPAD values and model predictions

品種VarietyRGB均方根誤差RMSE平均相對誤差MRE/%HSI均方根誤差RMSE平均相對誤差MRE/%JY4582.01273.78801.94523.7038ZZ353.02145.66703.00145.5335LYP91.98883.84411.83463.6059

3 討論

水稻葉片SPAD值預(yù)測結(jié)果表明，水稻葉色組分與水稻葉片SPAD值之間顯著相關(guān)。常麗英等[33]研究利用二次曲線方程描述了水稻葉片含氮量對葉色變化的調(diào)控過程，發(fā)現(xiàn)水稻葉片的R、G與SPAD值顯著相關(guān)，并構(gòu)建了水稻葉片SPAD值和葉色組分單變量(R、G)的定量關(guān)系模型。本文不同于上述研究，以R、G、B值構(gòu)成一個(gè)三維的輸入變量，并采用一種處理高度非線性分類、回歸等問題的計(jì)算機(jī)新方法支持向量機(jī)對水稻SPAD值進(jìn)行預(yù)測，不同水稻品種預(yù)測值與觀測值之間的均方根誤差平均值分別為2.012 7、3.021 4和1.988 8。支持向量機(jī)的參數(shù)對于模型的性能也十分重要，目前關(guān)于支持向量機(jī)參數(shù)尋優(yōu)的方法有遺傳算法[27-28]、粒子群算法[29-30]以及網(wǎng)格搜索算法[31]，遺傳算法和粒子群算法相比于網(wǎng)格搜索法更為復(fù)雜，且容易陷入局部最優(yōu)。本文通過對比傳統(tǒng)網(wǎng)格搜索算法和改進(jìn)后的網(wǎng)格搜索算法，RGB色彩空間下參數(shù)的尋優(yōu)時(shí)間從258.27 s縮減至12.58 s，HSI色彩空間下參數(shù)的尋優(yōu)時(shí)間從241.20 s縮減至15.35 s，大幅度地減少了參數(shù)的尋優(yōu)時(shí)間，所建立的模型也具備很好的泛化能力，改進(jìn)后的網(wǎng)格搜索算法雖然犧牲了平方相關(guān)系數(shù)，但對于大量的水稻樣本數(shù)據(jù)，提高了模型的性能，為水稻葉片SPAD值預(yù)測提供了一定的實(shí)時(shí)性。

龔剛猛等[6]和張楠[7]研究指出，水稻葉片的SPAD值與采集得到的水稻葉片圖像的RGB參量有著顯著相關(guān)。本文不僅證明了上述結(jié)果，同時(shí)還發(fā)現(xiàn)了HSI色彩空間與水稻葉片SPAD值之間存在著顯著性相關(guān)。從研究結(jié)果中還可以分析出，3種不同水稻品種在2個(gè)不同色彩空間下在訓(xùn)練樣本中，對于模型的平方相關(guān)系數(shù)，每個(gè)水稻品種在HSI色彩空間上所構(gòu)建的模型均高于RGB色彩空間上所構(gòu)建的模型，而在預(yù)測樣本中，比較水稻SPAD值的觀測值與模型預(yù)測值的均方根誤差和平均相對誤差，3種水稻品種在HSI色彩空間上預(yù)測值的均方根誤差均低于RGB色彩空間，均方根誤差分別減少了0.067 5(JY458)、0.020 0(ZZ35)和0.154 2(LYP9)，平均相對誤差比RGB色彩空間下分別減少了0.084 2(JY458)和0.133 5(ZZ35)和0.238 2百分點(diǎn)(LYP9)。結(jié)果表明，水稻葉片在兩種不同色彩空間下的分量和水稻葉片SPAD值之間存在顯著的相關(guān)性，利用改進(jìn)的網(wǎng)格搜索算法優(yōu)化支持向量機(jī)的方法建立水稻葉片SPAD值預(yù)測模型，預(yù)測結(jié)果誤差小，說明本文提出的模型對于利用葉色數(shù)據(jù)進(jìn)行水稻SPAD值的預(yù)測是有效的，從而為計(jì)算機(jī)視覺技術(shù)快速精準(zhǔn)獲取SPAD值提供了理論基礎(chǔ)，也為植物SPAD值的預(yù)測提供了一種新的可靠方法。本文還存在一定的不足之處和局限性，為研究所需，本文通過破壞剪取水稻葉片，掃描圖像獲取穩(wěn)定的(與光線強(qiáng)度無關(guān))葉片色彩分量。而葉片色彩分量受光照強(qiáng)度影響，因此有必要將不同拍攝設(shè)備在不同光線強(qiáng)度下獲取葉片色彩分量作為下一步的研究對象，以得到更為實(shí)用的機(jī)器視覺作物葉片SPAD值獲取方法。