基于RGB偏態(tài)參數(shù)的煙草葉片氮含量估測

柯麗華, 趙羨波, 周 易, 胡鈺萍, 蘭立娟, 張 星, 董桂全, 胡智予, 盧彬榮

(1.龍巖市煙草公司長汀分公司,福建長汀 366300; 2.福建中煙工業(yè)有限責(zé)任公司,福建廈門 361012;3.福建省煙草公司龍巖市公司,福建龍巖 364000)

氮素是煙草生長發(fā)育所需的重要營養(yǎng)元素之一,是構(gòu)成氨基酸、蛋白質(zhì)、葉綠素、植物激素等物質(zhì)的重要成分,氮肥的合理施用對提高煙草的產(chǎn)量和品質(zhì)都有積極促進作用[1-2]。當(dāng)?shù)适┯貌蛔銜r,植株生長發(fā)育遲緩,矮小細弱,葉片顏色變淺,甚至發(fā)黃枯萎;當(dāng)?shù)适┯眠^量時,植株營養(yǎng)生長旺盛,容易造成貪青晚熟[3]。氮肥施用量不僅影響著煙草的生長發(fā)育,也會影響煙葉品質(zhì)。煙草是葉用為主的經(jīng)濟作物,煙葉中的氮素主要存在于蛋白質(zhì)、煙堿等含氮化合物中,氮素用量直接影響煙葉煙堿、總氮等的含量,進而影響氮堿比值、糖堿比值等化學(xué)成分協(xié)調(diào)性的指標[4]。因此,在煙草生長發(fā)育過程中,實時掌握其體內(nèi)的氮素含量情況,有利于及時調(diào)整施肥管理措施,精準調(diào)控?zé)熑~氮含量,以滿足不同卷煙品牌對原材料煙葉風(fēng)格需求。

傳統(tǒng)的作物體內(nèi)氮素含量測定主要是以實驗室內(nèi)化學(xué)分析方法為主,該方法分析步驟繁復(fù)、周期長,且需要專業(yè)人員操作[5]。已有學(xué)者提出利用多光譜及高光譜遙感設(shè)備進行作物養(yǎng)分含量估測的方法,但所需設(shè)備專業(yè)性強、費用較高,限制了其在生產(chǎn)實際中的應(yīng)用規(guī)模[6-7]。大量研究指出,可見光區(qū)域是影響作物葉片氮含量的主要敏感光譜[8],而通用性強、性價比高、簡單便攜的數(shù)碼相機成為植物表型學(xué)最為廣泛使用的一種可見光光譜信息采集設(shè)備[9-10]。葉春等開展了基于水稻冠層圖像RGB顏色模型參數(shù)的氮素營養(yǎng)無損監(jiān)測研究,發(fā)現(xiàn)早稻冠層圖像顏色參數(shù)與氮素營養(yǎng)指標間具有較高的關(guān)聯(lián)性,并以此構(gòu)建了冠層顏色-氮元素含量監(jiān)測模型[11];張玨等通過分析冠層RGB各顏色分量對甜菜葉片氮含量的表征力,明確了高相關(guān)表征甜菜氮素含量的顏色指標類型[12]。在現(xiàn)有數(shù)碼圖像葉色特征參數(shù)與作物氮素含量擬合的研究中,研究人員主要以RGB顏色模型的3個參數(shù)指標(R均值、G均值、B均值)及其組合參數(shù)(如紅光標準化值NRI、綠藍光比值參數(shù)GDR、綠藍光差值參數(shù)GMR等)作為自變量進行擬合模型的構(gòu)建,但這些自變量參數(shù)沒有徹底解決傳統(tǒng)RGB顏色模型信息量少的問題[13],這在很大程度上限制了RGB顏色模型的應(yīng)用,導(dǎo)致傳統(tǒng)葉色-氮素擬合模型效果較差。此外,也有部分學(xué)者引入了HSV顏色模型和Lab顏色模型,希望能夠豐富葉色特征參數(shù),提升模型的精度[14-16]。Chen等在其研究中首次提出了葉片數(shù)碼圖像的色階分布呈現(xiàn)偏態(tài)性,并構(gòu)建了RGB圖像紅(R)、綠(G)、藍(B)3個顏色通道及灰度(Y)圖像的均值、中位數(shù)、眾數(shù)、偏度、峰度等5類20個參數(shù),擴展了RGB顏色模型的參數(shù)維度[17],讓研究人員可以從顏色深淺度、分布偏向度和色彩集中度3個維度更為精準地描述葉色狀態(tài),部分研究人員已驗證了偏態(tài)參數(shù)對作物產(chǎn)量評估、SPAD值擬合、葉色-積溫反演中的促進作用[17-19]。

綜上所述,為了能夠更準確地利用葉片數(shù)碼圖像對煙草氮素進行定量描述,本研究以煙草鮮葉作為研究對象,在獲取標準的葉色圖像基礎(chǔ)上,提取葉片RGB、HSV、Lab顏色模型參數(shù)及RGB顏色模型偏態(tài)參數(shù)作為煙草葉片的特征參數(shù),以此作為自變量,采用逐步回歸法、反向傳遞神經(jīng)網(wǎng)絡(luò)(BPNN)法分別構(gòu)建基于不同顏色模型參數(shù)的葉片氮含量擬合模型,并分析比較不同類型參數(shù)與建模方式對模型擬合優(yōu)度及精度的影響,進而確定最優(yōu)葉色-氮素擬合模型,為煙草葉片氮含量的無損估測提供方法借鑒。

1 材料與方法

1.1 供試品種

本研究供試煙草品種為云煙87,試驗田位于福建省長汀縣河田鎮(zhèn)南塘村(25°39′N,116°25′E),煙田土質(zhì)為輕沙壤,肥力中等且均勻,排水順暢,煙株生育期內(nèi)長勢良好、無病蟲害。于2018年12月15日進行播種,于2019年1月31日進行移栽。于2019年6月4日(煙苗移栽后125 d)12：30,選取試驗田內(nèi)長勢一致、葉色一致、正常生長且葉面無病蟲害、無斑點、無傷殘、無損壞的煙株50株,分別摘取植株第4、第7、第10葉位(從上往下數(shù))的葉片各50張。其中,每個葉位30張樣品用于分析及建模(合計n=90),另外20張用于驗證模型擬合精度(合計n=60)。采摘下來的鮮煙葉封裝后,送至室內(nèi)進行圖像采集,離體時長小于5 min。

1.2 葉片圖像采集

用吸水紙將采集到的葉片表面泥土及水珠擦拭干凈,放入便攜式葉片圖像采集箱[20]中進行拍攝。攝像頭選用300萬像素USB工業(yè)攝像頭,所得數(shù)碼圖像尺寸為2 592×1 944,圖片格式為JPEG。所得圖像實時保存到工控電腦中。

1.3 葉片全氮含量測定

將完成圖像采集后的鮮葉放入80 ℃恒溫烘箱中烘干。將烘干后的樣品送至南京農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部作物生理生態(tài)與生產(chǎn)管理重點實驗室,并采用間斷式分析儀法進行葉片全氮含量元素測定。

全氮含量元素測定采用間斷式分析儀法,具體步驟如下：

(1)磨樣：采用粉碎機進行磨樣。

(2)稱樣：采用萬分之一天平稱取干樣0.1 g,置于消煮管內(nèi),確保樣品干燥、無破損。

(3)消煮：向消煮管內(nèi)以注射器加8 mL濃H2SO4,過夜,用250 ℃煮0.5 h,350 ℃煮2 h,加H2O2溶液搖晃至澄清透明后,再用350 ℃煮1 h。

(4)轉(zhuǎn)移定容：稍冷后,用漏斗轉(zhuǎn)移至50 mL容量瓶,適當(dāng)加水稀釋至30 mL左右,加2,4-二硝基酚指示劑(0.25 g/100 mL)1滴,搖勻后滴加4 mol/L濃度NaOH溶液至溶液轉(zhuǎn)為淡黃色,加水定容至50 mL。

(5)上機檢測：采用南京賽吉科技有限公司生產(chǎn)的Clever Chem380Plus 全自動間斷化學(xué)分析儀進行上機檢測。其中,稀釋液和配制標準溶液均采用超純水。

1.4 葉色特征參數(shù)提取

本研究中的葉色特征參數(shù)主要由RGB顏色模型正態(tài)參數(shù)、HSV顏色模型參數(shù)、Lab顏色模型參數(shù)及RGB顏色模型偏態(tài)參數(shù)4類組成[21-22],具體情況見表1。

表1 葉色特征參數(shù)及其提取方式

1.5 數(shù)據(jù)分析

1.5.1 相關(guān)分析 以本研究“1.1”節(jié)中的90個樣品為分析對象,使用R語言進行煙葉氮含量與其對應(yīng)顏色特征參數(shù)的Pearson相關(guān)分析,雙尾檢驗顯著性水平α=0.05。

1.5.2 回歸模型構(gòu)建 以本研究“1.1”節(jié)中的90個樣品為建模對象,使用SPSS軟件,將葉片氮含量作為因變量,將RGB顏色模型正態(tài)參數(shù)、HSV顏色模型參數(shù)、Lab顏色模型參數(shù)、RGB顏色模型偏態(tài)參數(shù)及三顏色模型混合參數(shù)分別作為自變量,采用逐步回歸建模方式構(gòu)建線性模型F1～F5(表2)。

表2 不同參數(shù)體系葉片氮含量擬合模型

F1～F5模型設(shè)定參數(shù)Probability ofF-to-enter≤0.05,Probability ofF-to-remove≥0.10(即當(dāng)回歸方程顯著性檢驗P≤0.05時,自變量移入回歸方程;當(dāng)回歸方程顯著性檢驗P≥0.1時,自變量移出回歸方程[18])。同時,采用沈平等的方法[22]對備選回歸模型進行優(yōu)選和最佳回歸模型表達式的確定。

1.5.3 反向傳遞神經(jīng)網(wǎng)絡(luò)(BPNN)模型構(gòu)建 BPNN模型的構(gòu)建參照沈平等[22]、張佩等[18]的研究執(zhí)行。以本研究“1.1”節(jié)中的90個樣品為建模對象,使用MATLAB軟件的神經(jīng)網(wǎng)絡(luò)工具箱,以葉片N含量為輸出因子,以RGB顏色模型偏態(tài)參數(shù)及三顏色模型混合參數(shù)為輸入因子構(gòu)建BPNN模型F6、F7(表1)。其中,網(wǎng)絡(luò)中間層神經(jīng)元傳遞函數(shù)采用Logsig函數(shù),輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù)Purelin,訓(xùn)練函數(shù)采用Trainlm。將80%數(shù)據(jù)用于模型訓(xùn)練,20%數(shù)據(jù)用于預(yù)測驗證,20%數(shù)據(jù)用于模型測試。設(shè)置模型的收斂誤差為0.000 1,學(xué)習(xí)速率為0.05,最大訓(xùn)練輪數(shù)為1 000。

1.6 模型擬合精度分析

運用F1～F7模型分別對建模樣品(n=90)及預(yù)測樣品(n=60)的葉片氮含量進行擬合,并分別計算每個樣品的擬合精度,取各樣品擬合精度均值作為擬合模型精度。公式如下：

其中,擬合精度小于0%的樣品標記為異常樣品。

2 結(jié)果與分析

2.1 葉色特征參數(shù)與葉片氮含量的相關(guān)分析結(jié)果

對提取的4類26個葉色特征參數(shù)與鮮煙葉氮含量分別做相關(guān)性分析,結(jié)果如表3所示。葉片氮含量與22個葉色特征參數(shù)呈現(xiàn)顯著相關(guān),與B中位數(shù)、B眾數(shù)、Y峰度、a特征值無顯著性相關(guān)。其中,R偏度、R峰度、G偏度、B偏度、B峰度、Y偏度、H等7個葉色特征參數(shù)與葉片氮含量呈顯著正相關(guān),說明這些參數(shù)值隨著葉片氮含量的增加而同步提高;其余15個葉色特征參數(shù)則與葉片氮含量呈顯著負相關(guān),說明這些參數(shù)值隨著葉片氮含量的增加而同步降低。分顏色模型來看,在RGB顏色模型參數(shù)體系中,R、G通道及Y圖像的偏度與葉片氮含量相關(guān)性最高,B通道的峰度相關(guān)性最高,相關(guān)系數(shù)絕對值分別為0.463、0.503、0.276、0.486,說明氮素含量越高,葉片的R、G通道及Y圖像色階分布的偏向度越大,而B通道的色階集中度越高;在HSV顏色模型參數(shù)體系中,S特征值與葉片氮含量相關(guān)性最高,相關(guān)系數(shù)絕對值為0.486,說明葉片氮含量越多,圖像飽和度越低;在Lab顏色模型參數(shù)體系中,b特征值與葉片氮含量相關(guān)性最高,相關(guān)系數(shù)絕對值為0.480,說明葉片氮含量越高,其葉片越偏向藍色。綜上所述,葉色特征參數(shù)與葉片氮含量存在一定關(guān)聯(lián)性,而且這種關(guān)聯(lián)性不只是體現(xiàn)在顏色深淺程度上,也表現(xiàn)在顏色分布的偏向性和集中度上,故這些顯著相關(guān)的葉色特征參數(shù)為利用葉片圖像顏色信息進行鮮煙葉葉片氮含量無損估測模型的構(gòu)建提供了可能。

表3 葉色特征參數(shù)與葉片氮含量的相關(guān)分析結(jié)果(n=90)

2.2 不同參數(shù)體系葉片氮含量擬合模型的構(gòu)建

通過模型構(gòu)建結(jié)果(表4)可以看出,在采用逐步回歸方式構(gòu)建的模型F1～F5中,模型F1自變量為RGB顏色模型中的G通道均值(GMean),模型F2自變量為HSV顏色模型中的S,模型F3、F5自變量由Lab顏色模型中的a通道值及b通道值構(gòu)成,模型F4自變量由RGB顏色模型中的G通道偏度(GSkewness)、R通道峰度(RKurtosis)及R通道眾數(shù)(RMode)構(gòu)成;在采用BPNN方式建立的模型F6～F7中,基于RGB模型偏態(tài)參數(shù)構(gòu)建的模型F6的最優(yōu)BPNN組合為20-11-1,即輸入層因子數(shù)為20、隱含層因子數(shù)為11、輸出層因子數(shù)為1,基于三顏色模型混合參數(shù)構(gòu)建的模型F7的最優(yōu)BPNN組合為 9-11-1,即輸入層因子數(shù)為9、隱含層因子數(shù)為11、輸出層因子數(shù)為1,說明基于RGB模型偏態(tài)參數(shù)構(gòu)建的模型信息量更豐富,分析的維度更廣。從模型的擬合優(yōu)度來看,模型F1～F5中,基于RGB顏色模型偏態(tài)參數(shù)所建立的模型F4的決定系數(shù)R2為0.352,在回歸模型中R2中最大;模型F6～F7中,基于RGB顏色模型偏態(tài)參數(shù)所建立的模型F6的決定系數(shù)R2為0.419,在BPNN模型中R2中最大,說明相較于其他參數(shù),葉色偏態(tài)參數(shù)與葉片氮含量之間的關(guān)系更加密切。由此可見,基于RGB顏色模型偏態(tài)參數(shù)所建立的模型包含更多的顏色信息,葉色偏態(tài)參數(shù)能夠更好地定量描述煙草葉片氮含量。此外,BPNN算法模型優(yōu)于逐步回歸模型。

表4 不同參數(shù)體系葉片氮含量擬合模型(n=90)

2.3 不同參數(shù)體系葉片氮含量擬合模型的精度

通過對模型擬合精度的進一步分析(表5)可以看出,從參數(shù)體系來看,在回歸模型中,與其他顏色參數(shù)模型相比,基于葉色偏態(tài)參數(shù)建立的模型F4對葉片氮含量的擬合精度更高,相較于基于葉色正態(tài)參數(shù)建立的模型F1、混合參數(shù)的模型F5,模型F4對建模組氮含量的擬合精度提高了1.84%、2.09%,對預(yù)測組氮含量的擬合精度提高了4.96%、2.39%;在BPNN模型中,基于葉色偏態(tài)參數(shù)建立的模型F6相較于混合參數(shù)模型對建模組、預(yù)測組氮含量的擬合精度分別提高了4.16%、1.98%。從建模方式來看,在參數(shù)體系相同的情況下,使用BPNN方式建立的模型F6、F7,相比使用逐步回歸方式建立的模型F4、F5,對建模組氮含量的擬合精度提高了3.76%、1.69%,對預(yù)測組氮含量的擬合精度提高了1.45%、1.86%。綜合以上2個結(jié)果可以看出,采用RGB顏色模型偏態(tài)參數(shù),且采用BPNN方式構(gòu)建的葉片氮含量擬合模型的精度最高。

表5 不同參數(shù)體系葉片氮含量擬合模型精度

3 討論

煙草是我國重要的經(jīng)濟作物之一,在煙草栽培過程中做到及時診斷體內(nèi)含氮量、按需精準施用氮肥對于煙葉的產(chǎn)量和品質(zhì)都具有重要的意義[25]。葉片是作物進行光合作用、氣體交換和水分蒸騰的重要器官,營養(yǎng)元素的盈虧直接影響作物葉片顏色,葉色特征值與營養(yǎng)元素含量之間具有較好的相關(guān)性[26],因此基于葉片圖像的顏色特征進行作物養(yǎng)分含量無損估測成為熱點和趨勢。不同葉齡的煙草葉片氮含量有所不同,并且能夠直觀反映在其葉色上[27-28],使其成為學(xué)者常用于研究的模式作物。在作物營養(yǎng)估測研究中,RGB、HSV、Lab等3種顏色模型參數(shù)經(jīng)常被作為自變量進入葉色-氮素擬合模型中,但也有學(xué)者發(fā)現(xiàn),RGB顏色模型偏態(tài)參數(shù)相較傳統(tǒng)顏色模型參數(shù)的擬合效果更好,精度更優(yōu)[17]?；诖?本研究首先分析了RGB、HSV、Lab等3種顏色模型參數(shù)及RGB顏色模型偏態(tài)參數(shù)共計26個葉色特征參數(shù)與葉片氮含量的相關(guān)性,結(jié)果表明,大部分特征參數(shù)與葉片氮含量具有顯著或極顯著相關(guān),這為使用葉色特征參數(shù)建立鮮煙葉片氮含量無損擬合模型提供了思路。本研究進一步比較了不同建模方式、不同參數(shù)體系下7種模型的擬合精度,發(fā)現(xiàn)在相同建模方式下,使用RGB顏色模型偏態(tài)參數(shù)建立的模型F4、F6較基于其他參數(shù)構(gòu)建的模型R2值更大、擬合精度更高,這可能與偏態(tài)參數(shù)包含更豐富的葉片圖像顏色信息有關(guān),能夠從顏色深淺度、分布偏向度性和色階集中3個維度全面、系統(tǒng)地描述葉色。另外,相同參數(shù)體系下,使用BPNN建模方式建立的模型F6、F7相比使用逐步回歸建模方式建立的模型F4、F5的R2值更大、擬合精度更高、擬合效果更好,這可能是與BPNN本身強大的非線性映射能力有關(guān)。通過對建模組、預(yù)測組的模型擬合精度結(jié)果分析后發(fā)現(xiàn),采用RGB顏色模型偏態(tài)參數(shù)且采用BPNN方式構(gòu)建的葉片氮含量擬合模型的精度最高,其對建模組90個樣本的擬合精度達82.73%,對預(yù)測組60個樣本的擬合精度達82.57%。

4 結(jié)論

作物葉片顏色與氮含量密切相關(guān),本研究基于RGB顏色模型正態(tài)參數(shù)、HSV顏色模型參數(shù)、Lab顏色模型參數(shù)及RGB顏色模型偏態(tài)參數(shù)等4類葉色特征參數(shù),采用逐步回歸及BPNN等2種方法分別構(gòu)建了葉色-葉片氮含量擬合研究,并比較其擬合效果,結(jié)果如下：

(1)RGB顏色模型參數(shù)、HSV顏色模型參數(shù)、Lab顏色模型參數(shù)及RGB顏色模型偏態(tài)參數(shù)等葉色特征參數(shù)與葉片氮含量具有顯著或極顯著相關(guān),這些參數(shù)可很好地表征葉片氮含量。

(2)在相同建模方法下,利用RGB顏色模型偏態(tài)參數(shù)與葉片氮含量構(gòu)建的擬合模型決定系數(shù)R2最大,模型擬合精度最高,擬合效果最佳。而使用BPNN法構(gòu)建葉色-葉片氮含量擬合模型優(yōu)于逐步回歸法。

綜上所述,采用RGB顏色模型偏態(tài)參數(shù)作為自變量,且使用BPNN方式構(gòu)建的葉色-葉片氮含量擬合模型為最佳模型,整體表現(xiàn)最優(yōu)。