基于數碼相機圖像的甜菜冠層氮素營養監測

張 玨，田海清，李 哲，李 斐，史樹德

（1. 內蒙古農業大學機電工程學院，呼和浩特 010018；2. 內蒙古師范大學物理與電子信息學院，呼和浩特 010020；3. 內蒙古農業大學草原與資源環境學院，呼和浩特 010019；4. 內蒙古農業大學農學院，呼和浩特 010019）

0 引 言

氮元素是農作物必需的營養元素和影響產量的關鍵因子，同時又是造成農田生態環境污染的主要因素[1]。因此，及時準確地進行氮素營養監測對實時掌握作物長勢及營養豐缺狀況有重要意義。傳統實驗室化學分析雖具有較高的準確度，但花費高、時效性差，且具有破壞性[2]。便攜式葉綠素儀（SPAD-502）需要進行多點測定以降低變異性[3]，測量精度也會受到作物品種、環境條件和測定葉位等因素影響[4-6]，且當接近或高于作物的最佳施氮量時，該儀器不能準確反應葉綠素含量[7]。隨著遙感技術的發展，近年來已有研究者將近地多光譜遙感[8]、高光譜遙感[9-10]和衛星及航拍圖像技術[11-13]應用于作物氮素營養診斷研究中，但應用這些技術成本高且實現實時監測難度較大。

隨著數碼產品價格的不斷下降及智能手機的普及，利用可見光光譜分析技術進行作物氮素營養診斷已具備一定的應用潛力。數碼相機是可見光光譜最為便捷且經濟的近地遙感工具，近年來已被眾多研究者應用于作物氮素營養監測研究中[14-24]。通過對氮素營養狀況的實時跟蹤監測可形成作物完整的營養診斷體系，有利于及時掌握作物的營養需求量，進而制定出有效的調控策略。如賈彪等[14]根據冠層顏色信息建立起較為準確的棉花氮素診斷模型，并搭建了“一網三層五中心”棉花監測管理診斷體系，初步實現了對棉花生長信息和氮素營養狀況的快速準確監測。

國內外利用數碼相機進行植物營養診斷的研究主要集中在棉花[14-16]、小麥[17-19]、玉米[20-21]、水稻[22-24]等作物上。王娟等[15]對不同水分背景下棉花葉片葉綠素含量進行監測，發現經灰板校正前后圖像的 R-B與葉綠素含量的相關系數分別為-0.87和-0.90。李紅軍等[19]分別研究了小麥返青期和拔節期的葉片氮素敏感顏色參數，認為返青期小麥反光葉面的G/R與R/(R+G+B)能較好地反映小麥的氮素營養狀況，拔節期葉片的 R/(R+G+B)與植株全氮相關性較好。綜上所述，作物葉片光學特性受作物類型及其所處生育時期等因素影響，進而導致表征作物營養信息的敏感顏色參數各有差異。而選取合適的敏感顏色參數，對準確評估作物營養狀況具有重要意義，目前多數研究采用的方法是對比常見顏色特征參數或對某幾個單色分量進行自由組合構建，從中選取應用效果較好的參數，而關于構建作物敏感顏色參數的一般方法研究較少。本文以甜菜為研究對象，充分考慮各單色分量對甜菜冠層LNC（leaf nitrogen content）的表征力，探尋構建作物顏色特征參數的一般方法，找出適合甜菜氮素監測的敏感顏色參數，以期進一步提升應用數碼相機進行甜菜營養監測的準確性。

1 材料與方法

1.1 試驗區概況

本研究試驗于2014年5月至10月于內蒙古赤峰市松山區太平地鎮進行，119°24′～119°42′E，42°29′～42°49′N，屬中溫帶半干旱大陸性季風氣候區，冬季漫長，春季干旱，年降雨量300～500 mm。5?9月份日照時數長達12～14 h。試驗地基本理化性狀為：pH值8.2，有機質13.04 g/kg，全氮0.76 g/kg，速效磷12.48 mg/kg，速效鉀114.2 mg/kg。甜菜幼苗（品種KWS1676）在大棚內培育，于5月中下旬移栽至試驗田內，10月上旬收獲。

每個試驗小區面積大約50 m2，植株行距為50 cm，株距為25 cm。為進一步研究氮素營養對甜菜光譜及生長發育的影響，試驗共設0、15、32、76、108、163和217 kg/hm2共7個氮肥水平，不同氮肥水平均設4次重復，隨機區組排列。試驗所用氮肥為普通尿素（碳酸二銨），且該肥料無緩釋作用。每個小區的磷肥和鉀肥用量分別為3.8 kg和1.2 kg。為保證對甜菜生長過程的連續觀測且測定參數不受施肥時間及施肥量的影響，試驗肥料均在甜菜移栽前一天做基肥一次性施用。

1.2 冠層圖像獲取與處理

1.2.1 冠層圖像獲取

分別于2014年6月23日（葉叢快速生長中期）、7月10日（葉叢快速生長后期）、7月25日（糖分增長中期）、8月17日（糖分增長后期）、8月30日（糖分積累前期）、9月15日（糖分積累中期）分6次采集甜菜冠層圖像，數碼相機型號為Canon EOS7D，分辨率為5 184×3 456像素。為盡量減小不同采樣時間光照強度差異對圖像質量的影響，提高所拍攝圖像的可比性，選擇光線強烈且太陽高度角相對穩定的12:00?14:00進行圖像采集[22]。圖像采集時，相機距離甜菜冠層高度為 1.50 m，與地面成60°角[25]，相機設置為光圈優先自動曝光模式，由相機自動控制快門速度和色彩平衡，并采用多點自動對焦，選擇相鄰 2×2株完整甜菜冠層作為拍攝對象，圖像采用JPEG格式存儲。每次每個小區采集1張樣本圖像，28個小區共采集28個樣本圖像，6次共采集到168個樣本圖像。本研究以華北地區常見甜菜品種（KWS1676）為研究對象，在赤峰市松山區太平地鎮進行田間試驗，

1.2.2 冠層圖像處理

因葉片與背景灰度值差異明顯，故采用基于灰度值的閾值分割方法進行圖像分割，依次對土壤、陰影葉和編號標識板進行分割，分割效果見圖1。

H（hue）、S（saturation）、I（intensity）通道圖像及其灰度直方圖顯示，土壤部分的色調信息與其他部分有顯著差別，且H通道灰度直方圖具有明顯的3個特征峰，故針對H通道選定合適的閾值進行土壤分割，當閾值為49時，可以較為準確地劃分土壤信息（包括陰影部分的土壤）和其他圖像信息。考慮到圖像綠葉部分在整幅圖像中占很大比例，且圖像前景色與背景色的像素比值較大，鑒于上述灰度分布特點，本文利用最大間類方差法（Otsu閾值分割法）進行陰影葉的分割，閾值設定為 112時能基本扣除陰影葉，且保留絕大多數亮葉，得到較為理想的分割效果。編號標識板為白色，在圖像中所占像素比例較小，且其紅光R (redness intensity)、綠光G (greenness intensity) 和藍光B (blueness intensity)值較大，分析YCbCr顏色空間中各分量顏色通道圖像及其灰度直方圖發現，當閾值選定為129時，利用Cb顏色通道能夠清晰分割出編號標識區域。

經圖像分割后得到只剩下目標綠葉的彩色圖像，獲取圖像上各像素點的R、G、B平均值，并計算相應的紅光標準化值NRI((normalized redness intensity)、綠光標準化值NGI(normalized greenness intensity)和藍光標準化值NBI(normalized blueness intensity)，各標準化值計算如下[23]

紅光標準化值：NRI=R/(R+G+B)

綠光標準化值：NGI=G/(R+G+B)

藍光標準化值：NBI=B/(R+G+B)

1.3 冠層氮素指標測定

甜菜冠層圖像采集完成之后，及時將所取甜菜樣品整株密封保存帶回實驗室，摘取其全部葉片，在烘箱內105 ℃下殺青30 min后，溫度調為80 ℃烘至質量恒定粉碎，濃硫酸（98%）消煮后，凱氏定氮法[26]確定甜菜冠層LNC含量。

2 試驗與結果分析

2.1 不同施氮水平對甜菜冠層LNC的影響

分析甜菜各生育期在不同氮肥水平下的冠層LNC變化趨勢（圖2）發現，甜菜冠層LNC在葉叢快速生長中期和糖分增長后期相對較高，在整個生育期內呈現最高-低-較高-低的變化態勢。分析認為，甜菜生育前期氮素代謝旺盛，冠層氮素濃度則相對較高，隨著生育期的推進，伴隨塊根膨大和糖分的積累，氮素代謝逐漸減弱且濃度逐漸降低。甜菜氮代謝在葉叢快速生長期最為旺盛，冠層的氮素占較大比例，全氮量占全株總氮量的85%～90%以上[27]，該時期適宜作為利用圖像處理技術進行甜菜氮素營養監測的關鍵時期。另外，各生育期的冠層 LNC基本在N4或N5氮肥水平下取得最大值，與不施氮（N0水平）相比，甜菜各生育期LNC最大增幅為11.46%、7.07%，2.82%，22.4%，23.81%和29.09%。

圖2 不同氮肥水平下甜菜冠層LNC值Fig.2 Beet canopy LNC under different nitrogen levels

2.2 顏色特征參數與甜菜冠層LNC相關性分析

以甜菜葉叢快速生長期為研究對象，依照常規敏感顏色參數分析方法[28]，擬對比 R、G、B、NRI、NGI、NBI、R-B、R/B、G+B、G/R共 10個顏色特征參數，以期確定比較適合作為甜菜氮素營養監測的評價指標。將冠層LNC的實際測定值分別與上述10個顏色特征參數進行線性相關分析，以各顏色特征參數與冠層LNC相關系數的絕對值為評價指標，各參數對甜菜冠層氮素營養表征差異見圖3。

圖3 顏色特征參數與甜菜冠層LNC的相關系數Fig.3 Correlation coefficients between color characteristic parameters and beet canopy LNC

圖3表明，在由數碼圖像獲得的甜菜冠層10個顏色特征參數中，復合參量G/R、NRI與冠層LNC的相關系數均在0.8左右，表現為極顯著線性相關（P＜0.01）。由此可見，上述2個復合參量對冠層LNC的表征力明顯優于其他顏色特征參數，比較適宜作為甜菜氮素營養監測的數字化指標。

2.3 顏色特征參數調優

基于上述10個顏色特征參數與冠層LNC相關性分析，發現顏色空間中單色分量對甜菜冠層LNC雖具備一定的表征力，但相對較弱，而復合參量的表現則更穩定且更為顯著。然而單色分量對冠層LNC敏感性的差異會影響復合參量中各分量的貢獻度，因此，構建甜菜表征冠層LNC的顏色特征參數，應權衡RGB空間單色分量的復合權重，且需對各分量的權值進行交互調優及歸一化處理，進而確定最佳權重組合。基于上述分析，本研究構建了基礎調優參數BOP（basic optimal parameter）和歸一化調優參數NOP（normalized optimal parameter）。定義如下

式中 u1、v1、w1為 BOP各單色分量權值；u2、v2、w2為各標準歸一化分量權值。

調優算法流程圖見圖4，調優過程如下：

圖4 調優算法流程圖Fig.4 Flow chart of optimization algorithm

1）反復測試單色分量權值范圍，確定BOP和NOP的系數分布區間范圍為[–2, 2]，系數絕對值大小表征其對應顏色分量的貢獻度。

2）在[–2, 2]區間范圍內，設定調優步長為0.2，反復調整BOP系數u1、v1、w1與NOP系數u2、v2、w2。

3）將上述確定的組合參數與冠層 LNC進行回歸分析，并計算各組合參數與冠層LNC的相關系數，構建四維數組[u1v1w1r1]和[u2v2w2r2]，其中r1和r2分別表示BOP、NOP與冠層LNC的相關系數。

4）根據上述數組[u1v1w1r1]和[u2v2w2r2]，繪制變量關系變化的顏色分布圖。

數據分析結果表明，權重數組[u1v1w1]和[u2v2w2]分別取[1.4,–1.2,–0.2]和[1.6,–2,–1]時，調優參數 BOP、NOP與冠層LNC的相關系數最高，其值分別為0.83和0.82。由上述數組確定的調優參數計算公式為：BOP=1.4R–1.2G–0.2B，NOP=1.6NRI–2NBI–NGI。

圖5a為調優參數BOP與冠層LNC相關性隨系數矩陣[u1v1w1]變化分布圖，圖5b為調優參數NOP與冠層LNC相關性隨系數矩陣[u2v2w2]變化分布。調優參數BOP、NOP與冠層LNC相關性最高區域分別為：

圖5 BOP、NOP與冠層LNC相關性隨系數矩陣變化分布Fig.5 Correlation coefficient between BOP, NOP and canopy LNC with different coefficient matrix

2.4 甜菜冠層LNC預測模型及精度驗證

為定量研究敏感顏色參數對甜菜冠層LNC預測的準確性，以甜菜氮素營養監測的關鍵時期—葉叢快速生長期為研究對象，并建立冠層LNC預測模型且進行精度驗證，每張圖像對應的敏感顏色參數和冠層LNC實測值構成一組有效樣本，該時期共采集到52組有效樣本。隨機選取38組樣本作為訓練集，14組樣本作為驗證集。訓練集和驗證集差異性分析結果表明，訓練集冠層 LNC的平均值為29.73 g/kg，變異系數為18.18%，冠層LNC的變化范圍為19.37～39.95 g/kg；而測試集的平均值為28.72 g/kg，變異系數為 16.80%，冠層 LNC的變化范圍為 21.17～38.12 g/kg，訓練集與測試集數據范圍基本相符，樣本劃分合理。利用2.2節常規方法下得到的敏感顏色參數G/R、NRI與甜菜冠層 LNC進行線性回歸分析，并建立冠層LNC預測模型，再對比本文調優參數BOP、NOP的分析結果并進行冠層LNC模型的精度檢驗。以決定系數R2、均方根誤差 RMSE(root mean square error)和相對誤差RE(relative error)3個指標來綜合考察模型的表現（表1）。

試驗數據分析結果表明，4個敏感顏色參數建立的冠層 LNC模型的預測值與實測值均達極顯著線性相關水平。常規參數G/R、NRI與冠層LNC實測值的相關系數分別為0.80和0.79，調優參數BOP、NOP與冠層LNC實測值的相關系數分別為0.84和0.83，可見，三原色權值調優方法確定的BOP、NOP兩個參數較常規參數在氮素營養預測方面表現出較為明顯的優勢。冠層LNC預測模型的精度分析表明，BOP預測模型的決定系數R2、均方根誤差RMSE和RE分別為0.69、2.65和2.27%，NOP預測模型的R2、RMSE和RE分別為0.68、2.73和2.90%。綜上分析，BOP、NOP比常規敏感顏色參數G/R、NRI均保持了較高的決定系數及較穩定的擬合精度，對甜菜冠層LNC反映較準確，適宜于作為甜菜冠層葉片氮素營養監測的數字化指標。圖6為BOP、NOP甜菜冠層LNC預測模型的精度檢驗對比結果。

表1 不同敏感顏色參數預測模型及精度檢驗Table 1 Regression models of different sensitive color parameters and accuracy test

圖6 BOP、NOP甜菜冠層LNC預測模型的精度檢驗對比Fig.6 Comparison of accuracy for BOP and NOP prediction model of beet canopy LNC

3 討 論

由于不同氮肥水平下甜菜冠層LNC存在一定程度的差異（圖 2），使得葉片內部化學和物理性狀產生分異，進而影響冠層葉片對光的反射、吸收和透射，致使不同氮含量葉片的光譜特性表現各異，這就為利用冠層顏色信息預測甜菜葉片氮含量提供了理論依據。此外，各生育期甜菜冠層 LNC 基本均在 N4(108 kg/hm2)，N5(163 kg/hm2)氮肥水平下取得最大值，隨施氮水平的升高基本呈現單峰變化趨勢，這與侯云鵬等[29]、景立權等[30]分別對小麥和玉米的研究結果存在共性。可見，在一定范圍內增施氮肥有利于營養吸收，促進植株生長發育；過量施氮則可能造成營養過剩，甚至改變根區土壤微環境，反而不利于作物營養代謝，從而影響植株營養的吸收利用。

敏感顏色參數直接影響作物營養監測的精確度，而多數研究是從常見顏色特征參數中選擇應用效果較好的參數作為敏感顏色參數，如Saberioon等[31]分析對比了R、G、B等27個顏色特征參數與水稻葉片SPAD值的相關系數，發現參數G、IKAW((R-B)/(R+B))與葉片SPAD值均表現出較高的相關性，2個敏感顏色參數確立葉片SPAD預測模型的決定系數R2分別為0.56和0.55。本文依據常規方法選取G/R和NRI作為敏感顏色參數，常規較優參數G/R確立冠層LNC預測模型的R2和RMSE分別為0.64和3.49，而調優參數BOP確立冠層LNC預測模型的R2、RMSE和RE分別為0.69、2.27和2.65，3項模型評價指標均優于 G/R預測模型。由此可見，調優算法可實現作物敏感顏色參數自動尋優，具有較強的普適性，可推廣為一般常規作物敏感顏色參數的提取方法。

雖然利用數碼相機作為近地遙感工具監測作物氮素營養狀況具有較高的可行性，但圖像閾值分割的精度是影響作物氮素監測的重要因素。作物冠層圖像中存在土壤、陰影等干擾信息，同時光線及周圍環境等因素對圖像質量也有影響，所以很難找到一種通用的圖像分割方法能夠一次性去除全部干擾信息，這也是未來進行作物營養診斷需要解決的重要問題。此外，數字圖像處理技術的應用基礎是土壤和植物冠層對光的吸收、反射與折射，因此，為得到規律性和普適性更強的作物氮素營養診斷結果，需要結合傳統土壤測試和植株測試進行深入研究。

4 結 論

本文以不同氮肥水平下甜菜冠層為研究對象，應用數碼相機獲取冠層圖像，開展基于顏色特征參數的冠層LNC（leaf nitrogen content）監測研究，得到以下結論：

1）甜菜冠層 LNC在整個生育期大致呈現先高后低的規律，且以葉叢快速生長中期含量最高。各生育期甜菜冠層LNC基本均在N4(108 kg/hm2)和N5(163 kg/hm2)氮肥水平下取得最大值。

2）定量分析了單色分量對冠層LNC監測的貢獻度，提出了三原色權值調優方法，探明了構建表征作物營養狀況顏色特征參數的一般規律，為數字圖像處理技術在作物營養無損監測方面提供一定的理論方法。

3）采用常規方法選取的敏感顏色參數 G/R、NRI(R/(R+G+B))與冠層 LNC的相關系數分別為 0.80和0.79，三原色權值調優方法確定的調優參數 BOP（basic optimal parameter）、NOP（normalized optimal parameter）與冠層LNC的相關系數分別為0.84和0.83，算法優化后提高了顏色參數與冠層LNC的相關性。模型精度檢驗結果表明，調優參數BOP、NOP建立模型的預測精度均高于常規參數G/R、NRI，BOP預測模型的決定系數R2和均方根誤差RMSE(root mean square error)分別為0.69和2.65，NOP預測模型的R2和RMSE分別為0.68和2.73。綜上所述，調優參數BOP、NOP比常規方法下所得的G/R、NRI均保持了較高的決定系數及較穩定的擬合精度，對甜菜冠層LNC反映較準確，適宜于作為甜菜冠層葉片氮素營養監測的數字化指標。

[1] 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)：3877－3886.Wei Quanquan, Li Lantao, Ren Tao, et al. Diagnosing nitrogen nutrition status of winter rapeseed via digital Image processing technique[J]. Scientia Agricultura Sinica, 2015,48(19): 3877－3886. (in Chinese with English abstract)

[2] 李嵐濤，汪善勤，任濤，等. 基于高光譜的冬油菜植株氮素積累量監測模型[J]. 農業工程學報，2016，32(14)：209－218.Li Lantao, Wang Shanqin, Ren Tao, et al. Evaluating models of leaf phosphorus content of winter oilseed rape based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(14): 209－218. (in Chinese with English abstract)

[3] Adan M L, Enrique R G, Alfredo L H, et al. Nitrogen determination on tomato (Lycopersicon esculentum Mill.)seedlings by color image analysis[J]. African Journal of Biotechnology, 2009, 9(33): 5326－5332.

[4] 劉艷春，樊明壽. 應用葉綠素儀SPAD-502進行馬鈴薯氮素營養診斷的可行性[J]. 中國馬鈴薯，2012，26(1)：45－48.Liu Yanchun, Fan Mingshou. Application feasibility of SPAD-502 in diagnosis of potato nitrogen nutrient status[J]. Chinese Potato Journal, 2012, 26(1): 45－48. (in Chinese with English abstract)

[5] 袁媛，陳雷，李淼，等. 基于數字圖像技術的黃瓜缺氮營養診斷[J]. 中國農業大學學報，2016，21(12)：35－40.Yuan Yuan, Chen Lei, Li Miao, et al. Diagnosis of nitrogen nutrition of cucumber based on digital image process in technique[J]. Journal of China Agricultural University, 2016,21(12): 35－40. (in Chinese with English abstract)

[6] 夏文豪，劉濤，關鈺，等. 硝酸鹽反射儀和 SPAD 法對玉米氮素營養診斷的比較[J]. 中國生態農業學報，2016，24(10)：1339－1346.Xia Wenhao, Liu Tao, Guan Yu, et al. Comparison of RQ flex and SPAD methods of diagnosing maize (Zea mays) nitrogen nutrient[J]. Chinese Journal of Eco-Agriculture, 2016, 24(10):1339－1346. (in Chinese with English abstract)

[7] Lin Fengfang, Qiu Lefeng, Deng Jingsong, et al. Investigation of SPAD meter-based indices for estimating rice nitrogen status[J]. Computers and Electronics in Agriculture, 2010,71(Suppl.1): 60－65.

[8] 劉雪峰，呂強，何紹蘭，等. 柑橘植株冠層氮素和光合色素含量近地遙感估測[J]. 遙感學報，2015，19(6)：1007－1018.Liu Xuefeng, Lü Qiang, He Shaolan, et al. Estimation of nitrogen and pigments content in citrus canopy by low-altitude remote sensing[J]. Journal of Remote Sensing, 2015, 19(6):1007－1018. (in Chinese with English abstract)

[9] 王樹文，趙越，王麗鳳，等. 基于高光譜的寒地水稻葉片氮素含量預測[J]. 農業工程學報，2016，32(20)：187－194.Wang Shuwen, Zhao Yue, Wang Lifeng, et al. Prediction for nitrogen content of rice leaves in cold region based on hyperspectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(20): 187－194. (in Chinese with English abstract)

[10] 孫俊，金夏明，毛罕平，等. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J]. 農業工程學報，2014，30(10)：167－173.Sun Jun, Jin Xiaming, Mao Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 167－173. (in Chinese with English abstract)

[11] 李粉玲，常慶瑞，申健，等. 基于 GF-1衛星數據的冬小麥葉片氮含量遙感估算[J]. 農業工程學報，2016，32(9)：157－164.Li Fenling, Chang Qingrui, Shen Jian, et al. Remote sensing estimation of winter wheat leaf nitrogen content based on GF-1 satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(9): 157－164. (in Chinese with English abstract)

[12] 高金龍，孟寶平，楊淑霞，等. 基于 HJ-1A 衛星數據的高寒草地氮素評估—以青海省貴南縣及瑪沁縣高寒草地為例[J]. 草業學報，2016，25(10)：11－20.Gao Jinlong, Meng Baoping, Yang Shuxia, et al. Estimation of nitrogen content of alpine grassland in Maqin and Guinan Counties, Qinghai Province, using remote sensing[J]. Acta Prataculturae Sinica, 2016, 25(10): 11－20. (in Chinese with English abstract)

[13] 秦占飛，常慶瑞，謝寶妮，等. 基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測[J]. 農業工程學報，2016，32(23)：77－85.Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77－85. (in Chinese with English abstract)

[14] 賈彪，馬富裕. 基于機器視覺的棉花氮素營養診斷系統設計與試驗[J]. 農業機械學報，2016，47(3)：305－310.Jia Biao, Ma Fuyu. Design and experiment of nitrogen nutrition diagnosis system of cotton based on machine vision[J].Transactions of the Chinese Society for Agricultural Machinery,2016, 47(3): 305－310. (in Chinese with English abstract)

[15] 王娟，危常州，王肖娟，等. 采用灰板校正的計算機視覺預測棉花葉綠素含量[J]. 農業工程學報，2013，29(24)：173－180.Wang Juan, Wei Changzhou, Wang Xiaojuan, et al. Estimation of chlorophyll contents in cotton leaves using computer vision based on gray board[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2013, 29(24): 173－180. (in Chinese with English abstract)

[16] Rorie R L, Purcell L C, Mozaffari M, et al. Association of"greenness" in corn with yield and leaf nitrogen concentration[J].Agronomy Journal, 2011, 103(2): 529－535.

[17] 陳佳悅，姚霞，黃芬，等. 基于圖像處理的冬小麥氮素監測模型[J]. 農業工程學報，2016，32(4)：163－170.Chen Jiayue, Yao Xia, Huang Fen, et al. N status monitoring model in winter wheat based on image processing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 163－170. (in Chinese with English abstract)

[18] Jia Liangliang, Chen Xinping, Zhang Fusuo, et al. Use of digital camera to assess nitrogen status of winter wheat in the northern China plain[J]. Journal of Plant Nutrition, 2007,27(3): 441－450.

[19] 李紅軍，張立周，陳曦鳴，等. 應用數字圖像進行小麥氮素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.Li Hongjun, Zhang Lizhou, Chen Ximing, et a1. Image analysis method in application of digital image on diagnosing wheat nitrogen status[J]. Chinese Journal of Eco-Agriculture,2011, 19(1): 155－159. (in Chinese with English abstract)

[20] Williams J D, Kitchen N R, Scharf P C. Within-field nitrogen response in corn related to aerial photograph color[J].Precision Agriculture, 2010, 11(11): 291－305.

[21] 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]. 光譜學與光譜分析，2013，33(12)：3334－3338.Bai Jinshun, Cao Weidong, Xiong Jing, et al. Nitrogen status diagnosis and yield prediction of spring maize after green manure incorporation by using a digital camera[J]. Spectroscopy and Spectral Analysis, 2013, 33(12): 3334－3338. (in Chinese with English abstract)

[22] 王遠，王德建，張剛，等. 基于數碼相機的水稻冠層圖像分割及氮素營養診斷[J]. 農業工程學報，2012，28(17)：131－136.Wang Yuan, Wang Dejian, Zhang Gang, et a1. Digital camerabased image segmentation of rice canopy and diagnosis of nitrogen nutrition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(17): 131－136. (in Chinese with English abstract)

[23] 李嵐濤，張萌，任濤. 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.Li Lantao, Zhang Meng, Ren Tao. Diagnosis of N nutrition of rice using digital image processing technique[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(1): 259－268. (in Chinese with English abstract)

[24] 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(6): 57－65.

[25] 張立周，侯曉宇，張玉銘，等. 數字圖像診斷技術在冬小麥氮素營養診斷中的應用[J]. 中國生態農業學報，2011，19(5)：1168－1174.Zhang Lizhou, Hou Xiaoyu, Zhang Yuming, et al. Diagnosis of the state of N in wheat via digital image processing technique[J].Chinese Journal of Eco-Agriculture, 2011, 19(5): 1168－1174. (in Chinese with English abstract)

[26] 魯長豪，許春向，傅世全，等. 食品理化檢驗學[M]. 北京：人民衛生出版社，1993：49－51.

[27] 邵金旺，蔡葆，張家驊. 甜菜生理學[M]. 北京：農業出版社，1991：1－2，184－189，220－222.

[28] 秦小立，葉露，李玉萍，等. 基于圖像處理的作物營養診斷研究進展[J]. 熱帶農業科學，2016，36(9)：101－108.Qin Xiaoli, Ye Lu, Li Yuping, et al. Advances in research on crop nutrient diagnosis based on image processing[J]. Chinese Journal of Tropical Agriculture, 2016, 36(9): 101－108. (in Chinese with English abstract)

[29] 侯云鵬，韓立國，孔麗麗，等. 不同施氮水平下水稻的養分吸收、轉運及土壤氮素平衡[J]. 植物營養與肥料學報，2015，21(4)：836－845.Hou Yunpeng, Han Liguo, Kong Lili, et al. Nutrient absorption,translocation in rice and soil nitrogen equilibrium under different nitrogen application doses[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(4): 836－845. (in Chinese with English abstract)

[30] 景立權，趙福成，王德成，等. 不同施氮水平對超高產夏玉米氮磷鉀積累與分配的影響[J]. 作物學報，2013，39(8)：1478－1490.Jing Liquan, Zhao Fucheng, Wang Decheng, et al. Effects of nitrogen application on accumulation and distribution of nitrogen, phosphorus, and potassium of summer maize under super-high yield conditions[J]. Acta Agronomica Sinica,2013, 39(8): 1478－1490. (in Chinese with English abstract)

[31] Saberioon M M, Amin M S, Aimrun W, et al. Assessment of color indices derived from conventional digital camera for determining nitrogen status in rice plants[J], Journal of Food,Agriculture &Environment, 2013, 11(2): 655－662.