基于計算機視覺的水稻葉片顏色和SPAD值預測模型建構

劉旺勤

（南昌師范學院，江西 南昌 330032）

作物在整體的生長過程中，都需要葉綠素來完成光合作用。對作物葉片中的葉綠素含量的變化，進行實時、準確的監測工作，將有利于合理預測作物的長勢、產量，為后續作物的種植、收獲、銷售等工作提供參考。現階段開展的葉綠素含量測定工作，限制條件較多，容易影響含量測定工作的實際開展效果。例如部分測定器材費用較高，測定研究過程中的操作復雜，都不利于水稻葉片葉綠素含量測定研究的推廣實施。未來在水稻葉片的葉綠素測定相關研究中，應繼續提升對新技術的應用能力，積極在含量測定工作中融入遺傳算法、反向傳播神經網絡、通過算法和神經網絡模型的全局尋優特性、適應能力、學習能力等優勢，得到水稻葉片SPAD值預測模型，進一步提升對葉綠素含量測算的準確度和效率。此項技術的研究，有利于在不對水稻葉片進行損傷的條件下，能夠實時監測葉片中的葉綠素含量，提升分析水稻生長情況的準確率。

1 材料與方法

1.1 水稻大田試驗

此次研究選擇某地的水稻大田進行。研究中使用到的水稻品種為汕優63，種苗是由國家雜交水稻研究部門提供的。由于不同研究區域需要的施氮量有明顯差異，所以在研究中應重點體現不同品種水稻群體冠層的差異。研究過程中，使用了順序區組的研究設計原則，以三次為一個重復周期。研究區域的總面積為10m2。其中包含6個不同施氮處理區域：（1）NO，在全生育期內不施氮肥；（2）N1，施氮肥量為50kg/hm2；（3）N2，施氮肥量為100kg/hm2；（4）N3，施氮肥量為150kg/hm2；（5）N4，施氮肥量為200/hm2；（6）N5，施氮肥量為250kg/hm2。在水稻的全生育期內，在對水稻的日常管理中，應用高產栽培技術。此外要注意全生長周期的病蟲害防治。在對水稻進行移栽后的分蘗中期至齊穗期，以7d為一個觀察周期，隨機取樣來觀察對比水稻葉片的顏色變化，使用葉綠素儀（SPAD——502），來對水稻葉片中的葉綠素相對含量進行測定。

儀器設備：本次研究中選用MICROTEK ScanMaker i800 plus掃描儀（杭州萬深檢測科技有限公司生產）來完成水稻葉片的圖像收集工作。第一步要調整掃描設備的光學分辨率、掃描范圍等參數。研究中將設備光學分辨率，設定為800×1600dpi，圖像色彩深度為48位；掃描儀的光源用到的是白色冷陰極燈；設備掃描范圍設定305mm×432mm。獲取單幅圖像需要15秒的時間，持續掃描水稻葉片圖像的過程中，保持了較為穩定的速度，也獲取到了較為清晰可觀的成像效果。將得到的圖像傳輸到計算機上。控制掃描儀的電腦設備，選擇了DELL（XPS8900）型電腦，并搭配合適的顯卡、處理器和內存硬盤。上述控制設備本身具備的兼容性，運算效率、穩定性較為優越。計算機安裝的掃描軟件選擇了ScanWizard EZ，在Windows10系統支持下運行。選擇MatLab工具箱作為視覺分析軟件，能夠在接收到圖像后快速對其進行相應處理掃描。采用SPAD-502DL Plus型葉綠素儀（青島聚創環保集團有限公司生產）測定水稻葉片的葉綠素含量，相對含量用SPAD值表示。

1.2 獲取葉片顏色指標

掃描獲取的葉片圖像，格式為JEPG格式，圖像規格為640×480。目標圖像的基本顏色為綠色，其中夾雜少量黃色。目標圖像的背景則全部確定為白色。目標圖像與背景之間的顏色差異較為顯著，便于識別。

獲取到的圖像中進行了嚴格處理，避免目標圖像被其他顏色干擾，有助于保證研究中能夠精準、快速地識別目標，這樣獲取到的目標圖像也不會發生畸變，節省了后續研究工作中對圖像色彩的二次區別化處理工作步驟，縮短了研究工作耗時。水稻葉中的原始圖像如圖1所示。研究人員先初步觀察，能夠比較直觀看到的，就是目標圖像和背景區域的顏色，有著較顯著的差異。這時，可以使用RGB色彩模型，來當作一個基礎的參數，去分析葉片原始圖像。絕大多數的情況下，水稻葉片的基礎色彩是綠。因此，使用RGB色彩模型空間，觀察水稻葉片顏色，可以看到圖像的G分量特征峰值，有突出的特征。所以本研究在葉片顏色參數基礎上，也選擇了使用G分量。這樣后續的識別工作，將在準確性、效率上，有更大的便利條件。以G分量為基礎，灰度化處理水稻葉片原始圖像，得到的圖像顏色差異是更加明顯的。水稻葉片與圖像之間的色彩差異增強后，提取目標區域的工作效率和精準度都會得到大幅提升。水稻葉片灰度化圖像如圖2所示。灰度化后圖像做二值化處理，可讓圖像識別過程免受陰影、微弱噪音影響，可以快速、準確地區別開水稻葉片的顏色特征與背景區。

圖1 水稻葉片的原始圖像

圖2 水稻葉片的灰度化圖像

圖像分割功能的最終實現，在很大的程度上，是依靠觀察水稻葉片的顏色、亮度的。運用圖像分割法識別目標，使用的分割方法不同，實際取得的效果也不不盡相同，需要參考目標特征使用更具實用性的分割方法。閾值分割法的優勢主要體現在兩個方面。一是模型簡單，二是運行速度較快。本研究認識到閾值分割法的上述優勢，因而選擇此種方法進行水稻葉片圖像的目標識別。通過分析直方圖可以獲得閾值，獲取到的閾值是否合適，將直接影響到圖像分割的效果高低。如果要觀察并區別判斷水稻葉片的顏色特征，可以觀察獲取到的水稻葉片的亮度。研究者使用了RGB色彩模型空間，經比照研究了灰度化圖像G分量直方圖，能夠在較短的時間之內，就得到目標圖像的特征閾值。確定圖像最大閾值，最終完成圖像分割。下面展示的是此次研究的色彩特征圖像，黑色部分代表水稻葉片，白色部分代表背景。水稻葉片分割色彩特征如圖3所示。

圖3 水稻葉片的分割圖像

在對水稻進行移栽后的分蘗中期至齊穗期，以7d為一個觀察周期，隨機取樣來觀察對比水稻葉片的顏色變化。具體的觀察方法是：將獲得的樣本移至光箱內拍照，使用DIPS1.0在計算機中完成圖像處理的過程。完成后能夠獲取水稻冠層顏色指標。研究中選擇了DGCI、Hv、I2、I3、（2G-R-B）/L*、Hv*Diffo的顏色指標。為了提升本次研究的合理性、準確性，應確定選取的這些顏色指標之前，對納入研究的6個顏色指標，兩兩間做相關性分析研究，判斷研究中選取的顏色指標之間，相關性是否顯著。使用了SPSS20.0處理器作為統計數據和信息的工具，對6個顏色指標兩兩進行相關性分析。通過分析發現納入研究的DGCI、Hv等6箱顏色指標間不存在無顯著相關；由此可知，使用上述的6個顏色指標特征值作為預測依據，可以完成室內顏色特征分析和田間顏色特征分析工作。將SPAD值，作為輸出集。得到的訓練樣本、測試樣本容量，見表1～2。

表1 訓練樣本數據

表2 測試樣本數據

2 數學建模

從實地水稻田中測得的SPAD值數據、葉片顏色指標，分成了兩大部分，并將其記為S1和s2。Sl組中均是自變量與因變量呈線性關系的數據；S2組中則均為自變量與因變量呈非線性關系的數據。這里所說的自變量指的是葉片顏色指標，因變量指的是葉綠素含量的絕對值。將Sl作為數據集，構建多元線性回歸模型，將S2作為數據集，構建反向傳播神經網絡模型。最后，融合上述的兩大模型，使用遺傳算法對雜合，為模型優化提供數據支持。

2.1 多元線性回歸建模

Sl自變量與因變量呈線性關系的數據集，多元線性回歸模型表達式為：W權值矩陣，C常數項，X1為因變量及與之有線性關系的自變量。

2.2 反向傳播神經網絡建模

S2自變量與因變量呈非線性關系的數據集，反向傳播神經網絡模型表達式為：Y2=purelin[W3*tansig（W2*X2，B1），B2]，W2、W3權值矩陣，B1、B2闊值矩陣，X2為因變量及與之有非線性關系的自變量。

2.3 雜合反向傳播神經網絡建模

將反向傳播神經網絡的輸出值設定為Y1，多元線性回歸模型的輸出值設定為Y2。將Y1、Y2作為自變量，構建反向傳播神經網絡模型。模型中共有2個輸入節點、3個隱層節點、1個輸出節點，因為該神經網絡模型復雜行特征顯著，所以可稱之為雜合反向神經網絡模型，數學表達式為：Y=purelin[W5*tansig（W4*X，B4），B5]。W4、W5表示權值矩陣，B4、B5代表闊值矩陣，X={Y1，Y2}。激活函數的使用上，隱含層為可導函數tansig，輸出層為線性函數purelin。模型構建的過程，可以將學習速率調整至0、3，這樣能夠有效提升網絡穩定性，進一步改進模型精度。

3 建模仿真

構建多元線性回歸模型，借助了自變量13、Hv*Diff，因變量SPAD值。輸入自變量DGCI、Hv、12、（2G—R-B）／L*，輸出因變量SPAD，構建了反向傳播神經網絡。最后，在最終模型的構建中，用上述構建的2種模型，引入最終模型中，并替換掉各自對應的部分。實現建模仿真的過程，用到的是矩陣實驗室7.0平臺。得到了不同模型下預測值、真實值間的相對誤差率，詳情見表3。

表3 預測值與實際值的相對誤差

觀察分析表3反應的數值，發現本次研究中建立的BP網絡模型，選取了DGCI、Hv、I2、I3、（2G-R-B）/L*、Hv*Diffo6顏色指標。分析6項影響因子對水稻葉片葉綠素絕對含量的影響，分析結果整體看來都是較為清晰直觀的。在處理線性和非線性雜合數據時，對比以往的反向傳播神經網絡、遺傳算法優化下的反向傳播神經網絡，在模型精度、泛化能力等方面都得到了較好的改善效果。分析新算法與傳統算法之間的優劣性差異，結果如表4所示。

表4 不同模型預測算法的優劣性差異

由表4分析可發現，與另外的3種水稻葉片顏色和SPAD值預測算法相比，基于遺傳算法優化的雜合BP網絡模型優勢尤為顯著。