基于數字圖像分析技術的橡膠樹葉片氮含量預測

張培松　孫毅明　郭澎濤　袁忠志　楊紅竹　貝美容　羅微

摘 要 為建立橡膠樹氮素營養快速診斷技術，利用數碼相機獲取橡膠樹葉片圖像，運用數字圖像處理技術提取葉片圖像的顏色特征參數，分析顏色特征參數與橡膠樹葉片氮含量的相關性，并建立回歸模型。結果表明，9個顏色特征參數R/B、B/（R+G）、R/（G+B）、R/（R+G+B）、B/（R+G+B）、（B+G）/（R+G+B）、（R-B）/（R+G+B）、（R-B）/（B+R）和G/（R-B）與橡膠樹葉片氮含量相關性較好，綜合評價得出G/（R-B）所建立的橡膠樹熱研7-33-97葉片氮含量二次多項式估測模型最優，模型校正決定系數為81.04%，預測相對誤差和均方根誤差分別為10.91%和0.31%，表明利用數字圖像分析技術可以進行成齡橡膠樹熱研7-33-97葉片氮素含量營養診斷。

關鍵詞 數碼相機；圖像識別；橡膠樹；氮素；營養診斷

中圖分類號 S794.1 文獻標識碼 A

Study on Predicting Nitrogen Content of Rubber Tree

Leaf by Digital Image Analysis

ZHANG Peisong1， SUN Yiming1， GUO Pengtao1， YUAN Zhongzhi2，

YANG Hongzhu1， BEI Meirong1， LUO Wei1 *

1 Rubber research Institute， CATAS， Danzhou， Hainan 571737， China

2 Hainan Xiao Chen Technology Co.， Haikou， Hainan 570125， China

Abstract Predicting nitrogen content of leaf based on digital image analysis， is one of the rapid diagnostic technology of rubber tree nitrogen content. This study extracted the color feature of rubber tree leaf by digital image processing techniques， which were acquired by digital camera. The regression models were estabilished base on analysised the correlation between these parameters with rubber tree leaf nitrogen content. The result showed that， the 9 color feature parameters， R/B， B/（R+G）， R/（G+B）， R/（R+G+B）， B/（R+G+B），（B+G）/（R+G+B），（R-B）/（R+G+B），（R-B）/（B+R）and G/（R-B）， had good correlation with the nitrogen content of rubber tree leaf. The model based on G/（R-B）was the best one of the 9 parameters for predicting nitrogen content of reyan 7-33-97， which the correction coefficient was 81.04%， the relative error and the root mean square error were 10.91% and 0.31%， respectively， which indicated that the digital image analysis technology could be used for diagnosis nitrogen content of aged rubber tree leaves reyan 7-33-97.

Key words Digital camera； Image recognition； Rubber tree； Nitrogen； Nutrient diagnosis

doi 10.3969/j.issn.1000-2561.2015.12.002

橡膠樹的營養診斷和推薦施肥都是以傳統的田間葉片采集和實驗室化驗分析為基礎，雖然具有較高的準確性，但是也存在費時、費力、耗財等缺陷，很難在大面積膠園營養診斷上推廣應用。近些年，隨著信息技術的飛速發展，數字圖像分析技術在植物營養診斷方面得到了廣泛研究，與傳統營養診斷方法相比，該方法具有快速、無損、耗費低等優勢，因此，更易于在實際應用中進行推廣。

最近，國內外利用數字圖像分析技術進行植物營養診斷的研究主要集中于水稻[1-6]、玉米[7-9]、小麥[10-12]、棉花[13-15]等大田作物以及蔬菜瓜果[17-20]等園藝作物上。如Lee等[1]利用圖像分析技術，從彩色數碼相機影像上提取10種色彩指數和覆蓋度指數，發現有8種色彩指數以及覆蓋度指數與水稻的葉面積指數、地上干物質重量、地上氮素累積量之間存在顯著的相關性，以這些指數為輔助變量，運用逐步線性回歸方法分別構建水稻葉面積指數、地上干物質重量和地上氮累積量的估測模型，經獨立試驗驗證，估測模型的預測精度可滿足實際需要。劉穎和李志洪[5]利用數碼相機拍攝了玉米拔節期冠層彩色圖像，分析了從冠層彩色圖像上提取的色彩參數與植株葉綠素含量、植株全氮含量、莖基部硝酸鹽濃度、植株體內硝酸還原酶活性4項指標之間的關系，發現綠光絕對值、綠光標準化值、綠光與圖像亮度的比值、綠光與紅光的比值與上述4項指標參數之間存在顯著的相關性，可用于診斷玉米植株參數。Li等[10]發現在小麥的營養生長和莖桿伸長早期，從數碼相機影像上提取的冠層覆蓋度指數與其葉面積指數、地上生物量、植株氮濃度之間存在明顯的曲線關系。

數字圖像分析技術雖然已經在植物營養診斷方面開展了較多的研究，但在高大喬木橡膠樹氮素營養診斷方面的研究還鮮見報道。本研究利用尼康D90數碼相機獲取成齡橡膠樹熱研7-33-97葉片圖像，建立橡膠樹葉片氮素估測的數字圖像技術，為橡膠樹氮素營養的快速診斷提供依據。

1 材料與方法

1.1 材料

1.1.1 試驗區概況 試驗區位于海南省儋州市，19°19′36″～19°51′48″ N、109°03′48″～109°44′56″ E，面積約3 400 km2。該區屬熱帶濕潤季風氣候，常年平均氣溫23.5 ℃，年平均降雨量1 815 mm，主要集中于5～10月，占全年降雨量80%以上。環境條件較適宜橡膠樹的生長，是海南省天然橡膠主要種植區域之一。

1.1.2 樣品采集 2012年7～9月進行橡膠樹葉片樣品采集，供試品種為熱研7-33-97。依據儋州市土地利用現狀圖和橡膠園分布狀況，選取5個鎮（東成鎮、那大鎮、大成鎮、雅星鎮和蘭洋鎮）的民營橡膠園進行樣品采集，采集對象為無病蟲害開割樹（種植年限為8～11年）。在每個典型樣區（面積約0.67 hm2）采用“S”型路線隨機選取10棵橡膠樹進行葉片采集，每棵樹左右兩側各取3片穩定期的葉子，10棵樹共采集60片葉作為1個混合樣品，一共采集混合樣品128個。

1.2 方法

1.2.1 葉片圖像獲取與處理 橡膠樹葉片樣品經清洗、擦干處理后，逐一編號，利用尼康D90相機在室內自然散射光條件下進行葉片圖像采集。成像時把葉片樣品置于標準背景紙上，鏡頭垂直俯視目標樣品（距樣品1 m），以相機自動白平衡模式進行拍攝，圖像分辨率為1 936×1 296像元，以JPEG格式進行存儲。

利用“橡膠樹葉片營養診斷標準圖像庫管理系統”對獲取的葉片圖像進行平滑、銳化、邊緣提取、二值化、特征提取、圖像識別等預處理，通過圖像庫管理系統提取出圖像的紅R（redness intensity）、綠G（greenness intensity）和藍B（blueness intensity）3種顏色的灰度值。

1.2.2 葉片樣品氮素分析 葉片樣品在110 ℃下殺青15 min，然后放入70 ℃烘箱中烘至恒重，采用H2SO4-H2O2消煮法制得待測液后，用連續流動分析儀測定[21]。

1.2.3 模型構建 從原始128個葉片樣品中隨機選取64個作為訓練集，用來構建模型。分別以R、G、B以及這3個顏色特征參數的組合R/G、R/B、G/B、B/（R+G）、G/（R+B）、R/（G+B）、R/（R+G+B）、G/（R+G+B）、B/（R+G+B）、（B+G）/（B+G+B）、（B+R）/（B+G+B）、（G+R）/（B+G+B）、（R-B）/（B+G+R）、（R-G）/（B+G+R）、（G-B）/（B+G+R）、（R-B）/（B+R）、（G-B）/（B+G）、（R-G）/（G+R）、B/（R-G）、G/（R-B）和R/（G-B）為預測變量，葉片氮素含量為目標變量，運用簡單線性回歸和曲線回歸構建橡膠樹葉片氮素預測模型。模型構建在Minitab 16.0軟件中進行。

1.2.4 模型精度驗證 利用剩余的64個樣品作為驗證集，對構建的橡膠樹葉片氮素模型預測精度進行檢驗。利用驗證點中的氮含量實測值與模型的預測值計算平均誤差（mean error，ME）、均方根誤差（root mean square error，RMSE）、相對誤差（relative error，RE）和相關系數（correlation coefficient，r），ME越接近0，RMSE和MRE越小，r越接近1，則預測精度越高，反之精度越低。

2 結果與分析

2.1 橡膠樹葉片樣品氮素描述性統計分析

本研究采集的橡膠樹葉片樣品氮素描述性統計結果顯示，訓練集和驗證集中所有統計量都非常接近（見表1），表明二者具有相似的數理統計特征。同時，訓練集和驗證集的偏度在[-1，1]之間[22]，以及單樣本Kolmogorov-Smirnov檢驗P值大于0.05，表明服從正態分布。

2.2 橡膠樹葉片氮素含量與圖像參數相關性分析

分析訓練集中64個葉片樣本圖像色彩參數與葉片氮含量相關性（見表2），表明除B/（R-G）和R/（G-B）外，其余色彩參數均與橡膠樹葉片氮含量之間呈顯著（p<0.05）或極顯著（p<0.01）相關。其中，R/B、B/（R+G）、R/（G+B）、R/（R+G+B）、B/（R+G+B）、（B+G）/（R+G+B）、（R-B）/（R+G+B）、（R-B）/（B+R）和G/（R-B）等9個參數與橡膠樹葉片氮含量相關系數絕對值均大于0.7。

2.3 橡膠樹葉片氮含量估測模型構建

選取與橡膠樹葉片氮含量相關系數在0.7以上的9個圖像顏色參數為自變量，以氮素含量為目標變量，通過回歸分析，分別建立線性和二次多項式2種形式的估測模型。發現擬合的線性估測模型的標準差S要明顯高于對應的二次多項式，而校正決定系數則低于對應的二次多項式。因此，本研究選用了橡膠樹葉片氮素二次多項式估測模型（圖1）。

2.4 橡膠樹葉片氮素估測模型精度驗證

為檢驗估測模型的可靠性，利用剩余的64個橡膠樹葉片樣本的圖像色彩參數和氮素含量數據，對構建的9個橡膠樹葉片氮素估測模型的預測精度進行驗證。

檢驗結果表明，所構建模型的預測值與實測值較為一致，相關系數均在0.8以上（p<0.01）（表3），均方根誤差（RMSE）和相對誤差（RE）也都較小，表明模型對橡膠樹葉片氮含量的預測具有較高的精度。相比較而言，以G/（R-B）為自變量構建的橡膠樹葉片氮素二次多項式估測模型的預測值與實測值的相關系數最高（r=0.95），而其均方根誤差（RMSE）和相對誤差（RE）最小，分別為0.31%和10.91%。

綜合考慮模型的校正決定系數以及精度驗證中的相關系數、均方根誤差、相對誤差和平均誤差，以G/（R-B）為變量構建的橡膠樹葉片氮素二次多項式估測模型預測精度最高。

3 討論與結論

本研究發現，數碼相機圖像色彩參數R/（R+G+B）與橡膠樹葉片氮含量相關性較好，相關系數為0.807，與賈良良等[2]、李嵐濤等[3]、肖焱波等[11]、李紅軍等[12]、魏全全等[16]和白金順等[23]研究結果相一致，表明圖像參數R/（R+G+B）具有較為穩定的植物葉片氮素狀況指標能力，可用于不同植物葉片氮素營養狀況的診斷。但此發現與劉穎和李志洪[8]、王娟等[13]、王連君和邢宇[18]的研究結果卻不同，他們發現G/（B+G+R）與植株氮素營養狀況相關性很強，而在本研究中G/（B+G+R）與橡膠樹葉片氮含量相關性雖然達到了p<0.05的顯著性水平，但相關系數僅有0.306，造成這種差異的具體原因還有待探索。

除R/（R+G+B）之外，本研究還發現B/（R+G）、B/（R+G+B）、（B+G）/（R+G+B）、（R-B）/（B+G+R）、（R-B）/（B+R）和G/（R-B）等圖像色彩參數也與橡膠樹葉片含量具有較好的相關性（相關系數絕對值都大于0.8），說明除了與其他植物具有相同的氮素營養狀況指示圖像參數[R/（R+G+B）]外，橡膠樹還具有本身特有的氮素營養診斷參數，表明基于數字圖像的分析技術在橡膠樹葉片氮素營養診斷方面具有較為廣泛的應用前景。

與李嵐濤等[3]、魏全全等[16]研究結果不同，本研究發現以與橡膠樹葉片氮素含量相關性較高的圖像參數為輔助變量，應用二次多項式擬合的非線性回歸方程要明顯優于線性回歸方程，以圖像參數G/（R-B）為例，擬合的二次多項式決定系數（R2）為0.820，校正決定系數為81.04%，而擬合的線性回歸方程的R2僅為0.699。表明植物葉片氮素含量與圖像色彩參數之間的非線性關系明顯強于兩者之間的線性關系，可運用非線性數理方法擬合兩者之間的關系，以提高模型的預測精度[24-25]。

本研究僅對單個品系（熱研7-33-97）的橡膠樹葉片氮素含量進行了圖像識別診斷技術研究，研究結果能否應用到其他品系橡膠樹葉片氮素含量的診斷還需進一步研究。

綜上可知，本研究利用數字圖像分析技術探索了橡膠樹（品系為熱研7-33-97）葉片氮素含量與葉片圖像色彩參數R、G、B以及這3個參數的不同組合形式參數信息的關系，發現分別以R/（R+G+B）、（B+G）/（R+G+B）、（R-B）/（R+G+B）、（R-B）/（B+R）和G/（R-B）構建的橡膠樹葉片氮素含量估測模型決定系數和預測精度都較高。因此，利用數字圖像分析技術進行橡膠樹葉片氮素營養診斷是可行的。

參考文獻

[1] Lee K J， Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J]. European Journal of Agronomy， 2013， 48： 57-65.

[2] 賈良良， 范明生， 張福鎖， 等. 應用數碼相機進行水稻氮營養診斷[J]. 光譜與光譜分析， 2009， 29（8）： 2 176-2 179.

[3] 李嵐濤， 張 萌， 任 濤， 等. 應用數字圖像技術進行水稻氮素營養診斷[J]. 植物營養與肥料學報， 2015， 21（1）： 259-268.

[4] Wang Y， Wang D， Zhang G， et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research， 2013， 149： 33-39.

[5] Saberioon M M， Amin M S M， Anuar A R， et al. Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale[J]. International Journal of Applied Earth Observation and Geoinformation， 2014， 32： 35-45.

[6] Wang Y， Wang D， Shi P， et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camer under natural light[J]. Plant Methods， 2014， 10： 36.

[7] Scharf P C， Lory J A. Calibrating corn color from aerial photographs to predict sidedress nitrogen need[J]. Agronomy Journal， 2002， 94（3）： 397-404.

[8] 劉 穎， 李志洪. 利用數字圖像技術進行玉米氮素營養診斷的研究[J]. 玉米科學， 2010， 18（4）： 147-149.

[9] 劉洪見， 曾愛平， 鄭麗敏. 基于數字圖像處理技術的玉米氮肥營養狀態診斷[J]. 農業網絡信息， 2007（12）： 31-35.

[10] Li Y， Chen D， Walker C N， et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research， 2010， 118（3）： 221-227.

[11] 肖焱波， 賈良良， 陳新平， 等. 應用數字圖像分析技術進行冬小麥拔節期氮營養診斷[J]. 中國農學通報， 2008， 24（8）： 448-453.

[12] 李紅軍， 張立周， 陳曦鳴， 等. 應用數字圖像進行小麥氮素營養營養診斷中圖像分析方法的研究[J]. 中國生態農業學報， 2011， 19（1）： 155-159.

[13] 王 娟， 雷詠雯， 張永帥， 等. 應用數字圖像分析技術進行棉花氮素營養診斷的研究[J]. 中國生態農業學報， 2008， 16（1）： 145-149.

[14] 王曉靜， 張 炎， 李 磐， 等. 地面數字圖像技術在棉花氮素營養診斷中的初步研究[J]. 棉花學報， 2007， 19（2）： 106-113.

[15] 李小正， 謝瑞芝， 王克如， 等. 利用神經網絡提取棉花葉片數字圖像氮素含量的初步研究[J]. 作物學報， 2007， 33（10）： 1 662-1 666.

[16] 魏全全， 李嵐濤， 任 濤， 等. 基于數字圖像技術的冬油菜氮素營養診斷[J]. 中國農業科學， 2015， 48（19）： 3 877-3 886.

[17] 劉 飛， 王 莉， 何 勇. 應用多光譜圖像技術獲取黃瓜葉片氮量及葉片及指數[J]. 光學學報， 2009， 29（6）： 1 616-1 620.

[18] 王連君， 邢 宇. 數字圖像技術在草莓氮素營養診斷中的應用研究[J]. 華南農業大學學報， 2010， 31（2）： 19-21.

[19] 易時來， 鄧 烈， 何紹蘭， 等. 應用多光譜圖像技術進行錦橙葉片氮含量監測[J]. 植物營養與肥料學報， 2012， 18（1）： 176-181.

[20] 宋述堯， 王秀峰. 數字圖像技術在黃瓜氮素營養診斷上的應用研究[J]. 吉林農業大學學報， 2008， 30（4）： 460-465.

[21] 姜 密. 空氣隔斷連續流動分析法簡述[J]. 磷肥與復肥， 1992（2）： 61-62.

[22] López-Granados F， Jurado-Expósito M， Peňa-Barragán J M， et al. Using geostatistical and remote sensing approaches for mapping soil properties[J]. European Journal of Agronomy， 2005， 23（3）： 279-289.

[23] 白金順， 曹衛東， 熊 靜， 等. 應用數碼相機進行綠肥翻壓后春玉米氮素營養診斷和產量預測[J]. 光譜與光譜分析， 2013， 33（12）： 3 334-3 338.

[24] Jia F， Liu G， Liu D， et al. Comparison of different methods for estimating nitrogen concentration in flue-cured tobacco leaves based on hyperspectral reflectance[J]. Field Crops Research， 2013， 150： 108-114.

[25] Ramoelo A， Skidmore A K， Cho M A， et al. Non-linear partial least square regression increases the estimation accuracy of grass nitrogen and phosphorus using in situ hyperspectral and environmental data[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2013， 82： 27-40.