楊圣慧, 鄭永軍, 劉星星, 張?zhí)祛福?張小栓, 徐麗明
中國農(nóng)業(yè)大學工學院, 北京 100083
釀酒葡萄一般按地塊進行種植和管理。 對于同一種植區(qū)域內同一釀酒葡萄品種而言, 通常選擇批量采收的方式。 由于采收期能夠影響葡萄品質[1]、 進而影響葡萄酒質量[2], 因此在采收前需要不斷判別葡萄成熟度, 確定該區(qū)域的最佳采收時間。 蛇龍珠(Cabernet Gernischt)是一種典型的釀酒葡萄。 傳統(tǒng)的蛇龍珠成熟度判別主要依據(jù)樣本理化指標的化驗結果, 即把田間采集的果實在實驗室榨汁后滴定, 測得總糖、 酸度等結果, 與往年指標對比, 或建立各理化指標與成熟度的關系模型, 最終確定采收時間。 該方法準確性好, 但是步驟多、 周期長、 存在較大的滯后性, 可能導致葡萄錯過最佳采收期; 同時, 傳統(tǒng)方法對檢測條件要求較高、 人工勞動強度較大, 不適宜按地塊對蛇龍珠進行監(jiān)測。 因此, 建立快捷、 準確的方法對蛇龍珠成熟度進行判別, 進而確定期最佳采收時間, 對于保證葡萄品質、 提升葡萄酒質量, 具有實際意義和經(jīng)濟價值。
光譜技術可實現(xiàn)對作物成熟度的快速準確識別, 目前對在草莓、 煙葉、 冬棗等多種樣品均獲得良好的結果。 在葡萄檢測上, 主要用于糖度、 含水量等指標的檢測, 如: Daniels等研究了用傅里葉變換近紅外光譜測定整串鮮食葡萄果實中可溶性固形物(TSS)、 可滴定酸度(TA)、 TSS/TA、 氫離子濃度(pH)和BrimA(TSS-k x TA)等關鍵指標的方法, 采用移動平滑窗(MSW)和乘法散射校正(MSC)對光譜進行預處理, 建立了葡萄成熟度與感官品質參數(shù)的偏最小二乘回歸模型[3]; 蔡正云等則對比了四種特征波長選擇方法對寧夏赤霞珠含水量的檢測效果[4]; Avila等利用計算機分析了250粒葡萄籽與200枚橄欖的成熟度情況, 開發(fā)了基于支持向量機的成熟度顏色尺度判別方法, 并利用了K-fold交叉驗證證明了方法的有效性[5]。 這些研究所得結果和模型精度較高, 但是存在沒有結合田間實際條件對葡萄成熟度進行判別的局限, 也很少將研究成果進行實際應用。
隨著無人機技術的不斷發(fā)展, 輕量化、 集成化的多光譜采集設備可裝載于無人機, 便于實現(xiàn)機動、 快速、 高效的光譜信息采集作業(yè)[6]。 目前利用無人機機載光譜設備的研究, 主要涉及裝置研發(fā)[7]、 作物疾病監(jiān)測[8]、 營養(yǎng)物質含量[9]等方面。 例如, 蘇寶峰等通過無人機飛行平臺搭載熱成像儀和多光譜相機, 對田塊尺度的蒸散發(fā)進行估算, 通過優(yōu)化蒸散發(fā)模型、 利用多光譜數(shù)據(jù)校正溫度參數(shù), 得到分米級高分辨率結果[10], 具有便捷性和實際應用價值; Oliveira等采用光譜圖像結合機器學習的方法, 對青貯草場產(chǎn)量和質量進行了判別, 誤差≤20%[11]; Hurley等采用無人直升機搭載高光譜相機, 在75 m高空對葡萄園進行了拍攝, 研究水脅迫對莖水勢的影響[12]。 這些研究結果證明無人機搭載光譜檢測設備, 結合適當?shù)哪P团c方法, 可以具有良好的精度, 但尚未應用于葡萄成熟度的預測。 與本研究相近的研究, 是2016年Anderson等對葡萄成熟度的預測。 該研究采用了多光譜圖像, 結合常用的化驗手段, 對葡萄的氮、 磷、 鎂等元素含量進行了窄帶歸一化差分指數(shù)與比值參數(shù)分析, 相關系數(shù)在0.80以上[13]。 但是該研究是為葡萄微元素含量的無人機預測奠定基礎, 尚未利用無人機的實際監(jiān)測, 且采集的圖像為地面圖像(ground-level)而非大地塊內的區(qū)域葡萄圖像, 檢測指標也非TSS等成熟度常用指標。
本研究采用多旋翼無人機搭載光譜相機, 對某一區(qū)域內的蛇龍珠成熟過程進行定期跟蹤拍攝, 并基于田間原位光譜圖像的處理與成熟度指標的選擇, 構建“光譜信息—成熟度”模型, 采用光譜信息代替理化指標成熟度化驗, 簡化成熟度判別過程, 快速、 準確完成針對區(qū)域地塊的釀酒葡萄成熟度的監(jiān)測任務, 解決傳統(tǒng)方法采樣量大、 化驗繁瑣等問題。
試驗于2016年9月24日至10月12日在山東蓬萊君頂酒莊開展, 此時間段為當年蛇龍珠由未成熟至采收的時間。 試驗對象為田間生長的蛇龍珠。 如圖1(a)所示, 圖像采集系統(tǒng)由無人機飛行平臺、 多光譜相機、 移動端、 計算機等構成。 飛行平臺采用大疆精靈DJI Phantom四旋翼無人機[圖1(b)], 有效載荷約2 kg, 續(xù)航時間約20 min; 移動端為手機客戶端, 通過安裝DJIGS Pro配套軟件, 與遙控器相連, 實時獲取無人機位置、 速度、 高度等信息; 多光譜相機選用ADC Micro型[圖1(c)], 尺寸75 mm×59 mm×33 mm, 重量90 g, 光譜范圍520~920 nm, 鏡頭焦距8.43 m, 光圈f/3.2, 鏡頭水平視角37.67°、 垂直視角28.75°, 圖像尺寸320萬像素(2 048×1 536), 3通道輸出(紅、 綠、 近紅外波段), 采集時間0.5~6 s。
圖1 多光譜圖像采集設備
如圖2(a)所示, 在天氣晴朗、 能見度較好時拍攝一小片區(qū)域內蛇龍珠的近地面光譜圖像, 每2~3 d采集1次, 采集時間為下午2:00—3:00。 無人機拍攝時與冠層頂端平均距離0.5~0.8 m。
圖2 田間多光譜圖像采集
每次采集時遵循“S”型采樣, 如圖2(b)所示, 具體過程為:
(1)選定采樣點: 每次采樣, 隨機選取三行葡萄藤, 再分別從每行中隨機選取3個點;
(2)采集前: 在相同環(huán)境與光照下, 拍攝配套的標定白色板;
(3)采集中: 無人機從第Ⅰ行的第1點出發(fā), 沿采集路線飛行, 依次到達采樣位置后拍攝圖像, 其中多光譜相機鏡頭垂直向下, 拍攝時間為每張5 s; 同時, 分別在每個采樣點隨機摘取6粒葡萄果粒;
(4)采集后: 導出圖像, 進行圖像分析。 采集到的多光譜圖像樣例1, 2, 3, 4分別如圖3(a, b, c, d)所示。
利用多光譜相機配套的PixelWrench2 x64圖像處理軟件, 對采集的多光譜圖像進行處理。 每張圖像可得到僅含紅色(R)分量、 綠色(G)分量、 近紅外(NIR)分量的圖像。 以圖3(a)中的圖像樣例1為例, 處理結果如圖4(a, b, c)所示。
圖3 采集到的多光譜圖像示例
圖4 PixelWrench2 x64軟件處理得到的各分量圖像示例
分別選取葉片較為集中的區(qū)域(局部區(qū)域)和整張圖像區(qū)域(整體區(qū)域), 得到如圖5(a,b)所示的各分量值和分布直方圖, 將各分量值作為分析指標。 其中, 處理所得的紅色曲線、 綠色曲線、 藍色曲線分別為NIR, R和G分量的分布值; 右側NIR, Red和Green值為整體區(qū)域或局部區(qū)域內上述分量的平均值。
圖5 多光譜圖像各分量指標結果
一般選用果實的糖、 酸、 酚類物質作為蛇龍珠成熟度預測指標。 從理化指標與葡萄酒質量的關系來看, 果實含糖量和葡萄酒的關系最為密切。 結合檢測價值、 數(shù)據(jù)獲取難度、 數(shù)據(jù)量需求、 成本等因素綜合分析, 最終選用檢測難度低、 成本低、 參數(shù)代表性較強的總糖指標作為建模參數(shù)。
采用PAL-1手持式糖度儀[如圖6(a,b)所示], 對葡萄粒的總糖進行檢測。 首先, 將采集到的葡萄利用榨汁機帶皮榨汁; 得到葡萄汁后, 用膠頭滴管吸取并滴在PAL-1手持式糖度儀的檢測鏡上; 按下“START”鍵得到總糖檢測數(shù)值, 讀數(shù)并記錄。 在每次檢測結束后, 用蒸餾水沖洗檢測鏡, 然后用拭紙擦凈, 減小下一次測量誤差。
圖6 PAL-1手持式糖度儀及其實際測量
選取每日各分量數(shù)據(jù)量的80%(約6張圖像)求出平均值, 作為局部區(qū)域和整體區(qū)域的各分量值, 結果如表1所示; 其余20%數(shù)據(jù)(約2~3張圖像)的平均值作為當天各分量的驗證集。
表1 局部區(qū)域與整體區(qū)域的各分量值
選取每日果粒樣本量的80%求出平均值, 作為總糖含量的模型集, 結果如表2所示; 其余20%數(shù)據(jù)的平均值作為當天總糖含量的驗證集。
表2 模型集的葡萄總糖含量
各分量值隨日期變化的數(shù)據(jù)點如圖7(a, b, c)所示。 其中, 橫坐標“次數(shù)”按序對應實驗日期, 縱坐標為各分量值; 紅色曲線表示整體G分量值變化, 黑色曲線表示局部G分量值變化。
圖7 各分量值隨日期的變化
由圖7(a,b,c)分別可知, R分量、 G分量隨日期延長均呈現(xiàn)上升規(guī)律, NIR分量隨日期呈現(xiàn)一定程度的下降規(guī)律。
為選出更具相關性的分量指標, 采用線性回歸方法, 對“分量值(y)—日期(x)”的關系進行擬合, 觀察回歸方程、R2、F值、P值四個結果(如表3所示)。
表3 各顏色指標的回歸擬合統(tǒng)計
由表3可知, R分量、 局部G分量和局部NIR分量與日期呈顯著性關系。 其中, R分量與日期呈非常顯著的正相關, 且局部R分量呈最顯著相關關系。 分析認為蛇龍珠在成熟過程中葉片變紅密度增加。 雖然局部G分量的p值也小于0.05, 但是整體G分量并不顯著。 綜上所述, 選取局部R分量為顏色評價指標。
將表1中的局部R分量與表2中總糖含量按日期對應, 分別進行線性回歸和對數(shù)回歸, 得到圖8和表4的結果。
由圖8(a,b)和表4可知, 雖然兩種模型均呈現(xiàn)顯著性相關(p-value<0.05), 但是相比于線性擬合方式, 對數(shù)擬合的顯著性水平、 調整后R2、F值等關鍵指標明顯高于線性擬合, 說明蛇龍珠總糖含量變化更符合對數(shù)增長方式。 因此, 選取對數(shù)擬合公式作為最終的多光譜圖像R分量與葡萄成熟度的關系模型如式(1)所示。
圖8 多光譜圖像局部R分量與總糖含量回歸建模分析
表4 多光譜圖像局部R分量與總糖含量回歸分析結果
(1)
式(1)中,x為局部R分量值;y為總糖含量。
式(1)表明, 蛇龍珠從未成熟至采收的時間段內, 總糖不斷累積, 但累積速度為先快速后緩慢。
將實際檢驗的總糖含量作為標準值, 利用式(1)將驗證集的多光譜圖像R分量數(shù)據(jù)帶入, 計算出預測總糖含量, 與標準值進行對比, 驗證模型的精度。 其結果如表5所示。
表5 驗證集葡萄總糖含量(實際含量)與模型預測總糖含量對比
由表5可知, 經(jīng)驗證, 模型的平均預測誤差≤1.388%, 最大預測誤差≤4.6%, 證明模型具有較高精度, 能夠滿足預測要求。
模型對9月30日與10月3日的總糖預測出現(xiàn)了兩次較大的誤差, 可能由三個原因導致: 一是因為在實際采集過程中, 圖像的曝光會受到太陽光強度的影響, 而這兩天為多云天氣, 經(jīng)常有云遮擋太陽, 因此對模型與回歸結果有一定影響; 二是無人機搭載多光譜相機拍攝過程中, 抖動與相機安裝角度可能存在影響; 三是拍攝白色標定板時與無人機拍攝時的光線可能存在差異, 導致有一定的標定誤差。 因此, 該模型的各項參數(shù)、 樣本數(shù)量和照片復雜度還可以不斷優(yōu)化。
于2016年10月12日在化驗室對蛇龍珠進行了檢測, 各項理化指標表明蛇龍珠已成熟, 并于2016年10月13日開始全面采收。 采收時的總糖含量約為22%, 預測誤差為±0.46%。 選取22%為蛇龍珠成熟度的判別指標。 由式(1)和表5可知, 當利用無人機搭載多光譜相機獲得蛇龍珠圖像后, 可將多光譜圖像的局部R分量代入式(1), 預測出總糖含量。 若經(jīng)計算后的總糖含量為22%±0.46%, 即認為滿足采收條件, 不再需要大面積采集樣品后進行實驗室滴定測量, 為大地塊葡萄種植區(qū)的成熟度連續(xù)性監(jiān)測提供了便捷手段。
此外, 其他釀酒葡萄品種(如赤霞珠、 品麗珠)的成熟度也可能反映在葉片光譜上。 因此, 研究的判定方法, 也可通過無人機搭載多光譜相機采集田間原位圖像、 選擇適當?shù)墓庾V分量與成熟度指標、 構建相應的回歸模型, 進行其他釀酒葡萄品種的成熟度檢測。
在后續(xù)研究中, 可利用現(xiàn)有樣本進行深度學習訓練, 獲得網(wǎng)絡訓練結果, 對比分析深度學習法、 主成分分析法等不同方法的建模效果; 同時, 可將訓練結果移植至微型電腦樹莓派等機載控制端, 直接實現(xiàn)無人機端的釀酒葡萄成熟度實時判別。
針對蛇龍珠葡萄采收期判定的傳統(tǒng)方法成本高、 滯后性大、 操作繁雜、 勞動強度高等問題, 提出了基于無人機近地面多光譜圖像的蛇龍珠葡萄成熟度判別方法。 在蛇龍珠從未成熟至采收前, 利用無人機搭載多光譜相機, 按日期跟蹤拍攝多個小片區(qū)域內的蛇龍珠多光譜田間原位圖像, 結合圖像處理與數(shù)據(jù)分析建模, 與總糖檢測結果對應, 判定蛇龍珠成熟度, 主要結論如下:
(1)局部R分量可作為蛇龍珠成熟度判定的光譜分量。 多光譜圖像的紅色(R)分量、 綠色(G)分量、 近紅外(NIR)分量值與日期均呈一定的上升或下降關系。 通過對“分量值—日期”的線性回歸分析, 證明紅色R分量與日期呈正顯著關系, 且葉片較為集中區(qū)域(局部)的R分量與日期呈最強的正顯著性(p-value=5.314 44×10-4, 調整后R2=0.815)。
(2)構建的局部R分量與總糖含量關系模型具有較小的預測誤差。 選取總糖含量作為蛇龍珠成熟度的判別指標。 將各數(shù)據(jù)集按照模型集∶驗證集=4∶1的形式, 對檢測的總糖含量與局部R分量進行回歸分析, 發(fā)現(xiàn)二者之間更符合對數(shù)關系, 且模型對驗證集的平均預測誤差≤1.388%、 最大預測誤差≤4.6%, 證明模型具有較高的精度, 能夠滿足檢測需要。
所提出的蛇龍珠品種葡萄成熟度的判別方法, 僅需依靠無人機采集的多光譜田間原位圖像的分析結果, 即可實現(xiàn)批量采收品質監(jiān)測和采收時間預估, 不再需要進行大面積采樣和實驗室化驗的過程, 便于對地塊實行連續(xù)性監(jiān)測, 大幅度降低了生產(chǎn)成本與工作量, 提升了檢測速度和時效性, 為釀酒葡萄品種采收和多光譜圖像在農(nóng)業(yè)實際生產(chǎn)中應用提供了新技術方案和新思路。
致謝: 感謝山東省蓬萊市君頂酒莊為本試驗提供場地與材料支持。