基于圖像灰度值模型測定土壤含水量研究

羅東城，張立成，廖健程，馬小岳，謝仕豪，胡德勇

（1.湖南農業大學工學院，湖南 長沙 410128；2.福建省農業科學院，福建 福州 350013）

土壤水分含量是作物生長的關鍵因素，不同類型作物對土壤水分需求量不同。根據作物需水規律進行灌溉是現代農業精準控制灌溉的發展趨勢［1］。作物需水規律是指作物生長的不同階段對土壤水分含量需求不同的變化規律。實現農業生產中對作物供水的精準控制灌溉，首先要測出土壤的實際含水量。現有的測定土壤含水量的方法有土壤烘干稱重法、電阻傳感法、中子散射法、時域反射法、頻域發射法等［2］。這些方法有的測量時間長，有的成本較高，不適于農業生產廣泛推廣應用，探索快速、精準、成本低的土壤含水量測定方法仍是研究者研究的方向。

目前，視覺成像技術與數值化分析相結合在農業領域的應用越來越廣［3，4］。張榮標等［5］提出了基于圖像處理的土壤表層含水率在線檢測方法，通過采集土壤表層圖像及提取圖像中與水分含量相關的特征參數——灰度值進行。毛天旭等［6］研究發現土壤表面灰度值與表層土壤含水量呈指數負相關。土壤表層圖像灰度值與含水量相關，是因為土壤含水量會影響土壤中的礦物質溶解以及水分附著在土壤顆粒體表面使漫反射光譜發生變化［7］。一般情況下土壤含水量由高到低其顏色由深變淺，利用這個變化特征建立數學模型可以比較精準地根據土壤顏色來判定土壤含水量［8］。但視覺圖像技術中通過光感攝像頭采集的土壤圖像會受到自然光照的影響，天氣變化導致的光照強弱不同對土壤表層圖像的特征值影響較大［9，10］。因此，僅以采集到的土壤表層土壤圖像反映土壤含水量可能會存在較大誤差，而且通過表層圖像測定出的土壤含水量也不能真實反映作物根系層土壤含水量。

基于對光感攝像頭采集圖像過程中干擾因素的考慮，本研究采用暗盒補光技術采集作物根系層土壤圖像，有效避開了自然條件下太陽光照強弱的影響；采集兩種不同類型的土壤，通過多次重復試驗測定不同含水量條件下的土壤圖像灰度值，并對測定結果進行相關數學模型分析，擬合出土壤含水量與土壤灰度值的關系函數，以期探究出一種較為便捷、準確測定根系層土壤含水量的方法。

1 材料與方法

1.1 試驗土樣及圖像采集

試驗土壤取自湖南農業大學耘園實驗基地長年種植水稻的紅壤和種植花生的紅黃泥土。將水稻土編號為RS，花生土編號為PS。RS有機質含量21.36 mg／kg，PS有機質含量15.49 mg／kg。自制280 mm×280 mm×300 mm的鐵皮暗盒，上表面開孔安放攝像頭，用1 300萬高清攝像頭采集根系層土壤圖像。

1.2 試驗方法

將采集的土樣在自然狀態下風干，過2 mm篩去除植物根系殘渣，測初始含水量。稱取過篩土壤100 g于培養皿中，用量筒緩慢加水至土壤含水量達到飽和狀態，記錄加水量。將培養皿放入105℃烘箱中，每隔一定時長從烘箱中取出培養皿稱重記錄水分減少量并在暗盒中對其進行補光拍照。

采集的圖像灰度值計算方法：圖像是由一個個像素點構成，每個像素點的顏色是通過紅綠藍三基色組成，每個基色的值為0～255，將其轉換成灰度值的方法是對像素點上的每種基色值乘以1／3相累加，所得值在0～255范圍內，0為全黑，255為全白。數字圖像實質是一個數學矩陣，矩陣中的每一個元素就是圖像的一個像素點，圖像中的平均灰度值是對圖像的每個像素點的三基色轉換成灰度值進行累加然后除以像素點個數。圖像灰度值的統計通過Matlab軟件編寫程序進行計算。

公式（1）中xi表示第i個像素點；G（xi）表示圖像第i個像素點的灰度值；r（xi）是第i個像素點的紅基色度值；g（xi）是第i個像素點的綠基色度值；b（xi）是第i個像素點的藍基色度值。公式（2）中表示圖像的平均灰度值。

2 結果與分析

2.1 土壤含水量與圖像灰度值

水稻田和花生地兩種類型土壤的含水量與其對應的圖像平均灰度值見表1、表2。

表2 花生地土壤含水量與其對應的圖像平均灰度值

2.2 土壤分段含水量與灰度值的離散分析

每一個培養皿裝入土壤的初始含水量不同使土壤含水量下降情況各不相同，因此每組含水量數據的變化規律不同，需要進行離散分析以找出含水量與灰度值最接近的離散點。為了便于統計分析，以5%作為一個跨度進行土壤含水量分段，分別提取各分段土壤含水量的灰度值，并對各段含水量的灰度值進行離散分析，通過線性回歸方程計算離差平方和最小的灰度值作為分段含水率中位數的灰度值，水稻田和花生地土壤分段含水量與灰度值的離散分析結果見表3、表4。

2.3 土壤含水量與平均灰度值的函數擬合

采用最小二乘法對水稻田和花生地土壤含水量與灰度值變化趨勢進行擬合，結果見圖1、圖2。

由圖1中離散點的分布可知，當水稻田土壤含水量較低時灰度值較高，隨著含水量升高，土壤圖像灰度值下降；當土壤含水量達到30%時，圖像灰度值最低，之后含水量繼續升高，土壤圖像灰度值又逐漸上升。據此，對其變化規律分別進行二次項擬合和三次項擬合，擬合函數分別為y＝0.0231x2-1.5517x＋197.4078和y＝-0.0003x3＋0.0544x2-2.3044x＋201.2471，擬合優度分別為R2＝0.9058和R2＝0.9733，可見三次項擬合水稻田含水量與土壤圖像灰度值關系的優度更好。

表3 水稻田土壤分段含水率對應平均灰度值的離散分析結果

表4 花生地土壤分段含水率對應平均灰度值的離散分析結果

花生地土壤含水量與灰度值關系的變化規律與水稻田類似（圖2），也為土壤含水量較低時圖像灰度值最大，之后隨著土壤含水量的升高，土壤圖像灰度值下降；當土壤含水量達到30%時，土壤圖像灰度值最低，之后又有小幅上升；當土壤含水率超過50%時，土壤圖像灰度值又下降。經二次項和三次項函數擬合，擬合方程分別為y＝0.0360x2-2.5708x＋212.3572和y＝-0.0017x3＋0.2042x2-7.4668x＋254.5079，擬合優度分別為R2＝0.8847和R2＝0.9815，仍以三次項擬合的優度最好。

2.4 擬合值與實測值的誤差檢驗

利用擬合優度最佳的三次項數學模型估算土壤含水量，并與實測值進行對比驗證，結果（表5）表明，采用圖像灰度值擬合函數模型測得的水稻田土壤含水量與烘干法測得的土壤含水量相比，偏差范圍在-5.94% ～2.42%，偏差絕對值平均為2.09%；采用圖像灰度值擬合函數模型測得的花生地土壤含水量與烘干法測得的土壤含水量相比，偏差范圍在-3.82%～2.36%，偏差絕對值平均為1.78%。兩種類型土壤均為含水率較大時，利用圖像灰度值估算的土壤含水量值與實測值偏差較大，這可能是因為土壤含水量較小時土壤顏色變化明顯，而土壤含水量較大時土壤顏色變化較小，導致估算值與實測值的偏差較大。但兩種土壤類型估算值與實測值的偏差均在6%以下，屬于偏差可接受范圍，說明擬合的數學模型能夠較為準確地估算出土壤含水量。

表5 利用灰度值估算的土壤含水量值與烘干法實測值的差異分析

3 討論

圖像識別數值化分析是計算機智能視覺技術的研究前沿，農業上應用的圖像識別技術是現代農 業 工 程 領 域 的 研 究 熱 點［11，12］。kuchenbuch等［13］通過圖像二值化分析得出土壤含水量與土壤表層圖像灰度值存在近似的線性關系。但本研究結果顯示土壤含水量與灰度值大小是一種非線性關系，這與趙伶俐等［14］的研究結果相一致。

數字圖像是由每一個像素點構成，彩色數字圖像的像素點是由RGB三通道組成，每個通道占8位字節，數值為0～255。圖像的顯色原理實際上是通過每個像素點的數值展現出不同的顏色變化［15］。本研究對土壤灰度圖像獲得及特征灰度值的求法進行了創新探索，通過自編程序分離出圖像中每個像素點的RGB三原基色，取每個原基色值的1／3進行累加后轉換成灰度值。

研究土壤灰度值與含水量的關系，關鍵在于能否真實準確地提取土壤灰度值特征參數，以往的研究主要是對圖像中眾多的像素灰度值進行排序，用排序后相應的中值代替圖像中心像素原來的灰度［16，17］。本研究對灰度特征參數提取進行了改進，用計算圖像平均像素灰度值的方法替代原來的中值法。平均像素灰度值的求法類似于掃描儀原理，即將一張圖像看作是一個數學矩陣，圖像的像素就是矩陣中的元素，平均像素灰度值是對矩陣中的每個像素點進行掃描累加然后除以像素點的個數。

土壤灰度值特征參數提取后則需要進行相關性的擬合，為保證擬合的可靠性，試驗以5%的土壤含水量跨度對土壤含水量進行分段，通過回歸分析提取出分段含水量中位數所對應的灰度值，并進行多項式的數學模型擬合。水稻田和花生地土壤的擬合結果均以三次項數學模型最佳。兩種土壤所建立的模型各不相同，可能是由于水稻田和花生地土壤中的物質成分及含量存在差別。有學者研究認為土壤有機質和鐵元素含量是土壤顏色的主要影響因素［18，19］。水稻田土壤與花生地土壤顏色存在差別，可能是水稻田土壤中水稻根系殘茬在微生物作用下轉變成土壤有機質使其含量增加，從而造成兩者間的差異。

4 結論

本試驗通過優化算法改進了圖像識別中土壤灰度值提取的方法，使土壤灰度值與含水量的相關特征更為準確。多組試驗采用離散分析對土壤含水率分段取中位數，再通過數學模型擬合土壤灰度值與含水量的相關性。水稻田土壤和花生地土壤的模型存在一定的差異，說明不同土壤含水量測定需采用不同的模型特征分析。兩種土壤應用最佳擬合的數學模型對土壤含水量進行測定，其結果與烘干法測定結果的偏差小于6%，兩類土壤均為含水量超過30%時偏差較大。綜合來看，建立的三次項擬合模型能滿足兩種田間土壤的含水量測定，相比其他檢測法便捷、快速、穩定，可以應用于自動控制灌溉系統的數據處理端。