基于多尺度因子蘋果樹葉片氮含量預測研究

所屬分類：電子論文閱讀次時間：2021-08-23 10:16

本文摘要：摘要：為了精準預測開花期、幼果期和果實膨大期不同尺度蘋果樹葉片的氮含量，提出一種基于多尺度因子蘋果樹葉片氮含量預測模型。首先，獲取蘋果樹葉片圖像并提取R、G、B單色分量及14種色彩組合參數共計17種色彩特征，通過主成分分析提取不同時期蘋果樹葉片氮

　　摘要：為了精準預測開花期、幼果期和果實膨大期不同尺度蘋果樹葉片的氮含量，提出一種基于多尺度因子蘋果樹葉片氮含量預測模型。首先，獲取蘋果樹葉片圖像并提取R、G、B單色分量及14種色彩組合參數共計17種色彩特征，通過主成分分析提取不同時期蘋果樹葉片氮含量關鍵影響因子，消除原始變量之間的相關性，降低模型輸入向量維度;其次，對建立的PCA-SVM、PCA-BP、PCA-ELM預測模型在不同時期對蘋果樹葉片氮含量預測效果與精度進行對比，得到不同時期最佳的預測模型;最后，利用最佳預測模型對不同時期蘋果樹葉片氮含量進行預測，并通過自適應遺傳算法對最佳預測模型參數進行優化。試驗結果表明：在不同生長時期，PCA-SVM模型的預測精度均高于PCA-BP、PCA-ELM模型;優化后PCA-SVM預測模型在開花期、幼果期和果實膨大期的平均絕對誤差分別為0.640、0.558、0.544，平均絕對百分誤差分別為0.057、0.050、0.064，均方根誤差分別為0.800、0.747、0.737，優于優化前預測模型。該模型具有良好的預測性能和泛化能力，可以為果園精準施肥管理、提升果品品質、避免資源浪費和環境污染提供理論依據。

　　關鍵詞：多尺度因子;色彩特征;蘋果樹葉片;氮含量預測

蘋果種植

　　0引言

　　中國是世界上最大的蘋果生產國和消費國，總種植面積及總產量均占全世界50%以上[1-2]。氮元素是蘋果樹體內一種重要的必需元素，它影響果樹體內各種生理生化過程、果樹抗性、果品產量、品質以及儲藏性狀[3-4]。合理施用氮肥可以促進蘋果樹健康生長，提高果實產量及果品品質，減少農田環境污染與資源浪費。因此，精準預測果樹氮含量對指導果樹健康成長有重要作用[5-7]。

　　葉片是整個樹體上對土壤礦質營養反應最敏感的器官，蘋果葉片營養分析、診斷技術可以作為蘋果樹氮素營養盈虧并指導精準施肥的依據[8-9]。傳統的作物氮素檢測方法主要有田間采樣室內化學分析測定法和葉色卡法，雖然結果準確可靠，但分析成本高、檢驗周期長、時效性差[10]。近年來，機器學習及數字圖像處理技術的快速發展為作物氮素營養快速、無損和準確監測提供了有效的方法與手段[11]。目前，國內外學者針對作物氮含量預測方法已經進行了大量的研究[12-14]，取得了一定成果。

　　LEE等[15]發現水稻葉片綠色分量G與其氮素累積量有顯著相關性;SU等[16]和RICCARDI等[17]綜合考慮RGB空間下的各顏色分量，基于最小二乘法建立了微藻和藜麥氮素含量的多元線性回歸模型(Multivariatelinearregression,MLR);CLEVERS等[18-19]研究表明指數Clgreen、Clred-edge估測作物冠層氮素含量具有較好的魯棒性。蔣金豹等[20]研究表明以微分指數SDr/SDb構建的對數模型能很好地估測冬小麥葉片全氮含量;岳學軍等[21]提出了一種基于流形學習算法的柑橘葉片氮含量光譜快速檢測方法，該方法能有效地用于柑橘葉片氮含量預測;劉雙喜等[22]基于葉片色調差建立了果樹葉片氮含量預測模型，利用色調差測定蘋果葉片含氮量為實時、準確地監控蘋果樹整個生長過程中葉片含氮量的變化以及合理地施用氮肥提供科學理論基礎。

　　近年一些學者嘗試將支持向量機方法[23-25]應用到植被理化參數的反演中，梁棟等[26]利用SVM回歸方法估測冬小麥葉面積指數LAI，且估測精度優于傳統模型。何汝艷等[27]聯合應用連續小波變換與支持向量機方法對條銹病脅迫下冬小麥葉片全氮含量進行反演，且具有較高的估測精度。綜合國內外研究成果，一些學者對作物的葉片氮含量進行了研究，大部分植物葉片氮含量預測研究都是基于光譜數據，其優點是預測精度較高，但是成本昂貴、操作難度大，難以推廣使用。

　　本研究通過提取圖像特征結合機器學習對蘋果樹葉片進行氮素營養預測，具有成本低、可操作性高、實時監測的優點。本文以不同時期的田間試驗為基礎，通過主成分分析提取出不同時期的關鍵影響因子，對比根據支持向量機、BP神經網絡和ELM神經網絡3種方法建立不同生長時期蘋果樹葉片氮含量預測模型，以期建立不同時期不同因子最佳蘋果樹葉片氮含量預測模型，為蘋果營養診斷、指導精準施肥提供信息支持。

　　1材料與方法

　　1.1試驗區域

　　試驗樣本采集自山東萬林農場試驗園，試驗品種為4年樹齡的煙臺紅富士。試驗園分為A、B兩個區域，A區域采集的樣本作為測試集，B區域采集的樣本作為驗證集。該試驗園位于山東省泰安市寧陽縣葛石鎮，是集“果樹種植新技術的研發推廣、果樹種植銷售、農產品銷售、農業休閑觀光”等功能為一體的綜合性基地。該地區海拔62.2m，位于東經經度116°49′、北緯35°45′，屬于溫帶大陸性半濕潤季風氣候，年平均氣溫13℃，年平均降水量697mm。

　　1.2數據采集

　　1.2.1樣本采集與葉片圖像獲取

　　分別于4月3日(萌芽開花期)、4月12日(萌芽開花期)、5月18日(幼果期)、6月3日(幼果期)、6月22日(果實膨大期)、7月9日(果實膨大期)在A區域試驗園隨機選取50株蘋果樹作為試驗本體，標號1~50，并在每株試驗本體的樹冠外圍新梢中間部位4個方位各摘取5片充分展開、無損傷、無病蟲害的健康功能葉片作為試驗樣本[28-29]。在4個不同方位選取平整的、便于色彩采集的10片葉片放置在光學標定板上，將佳能EOS80D型相機(焦距35mm)安裝于深圳市優捷虎電子科技有限公司生產的卓美z-888型三腳架上，利用水平儀調節相機，使鏡頭與標定板垂直進行圖像采集，圖像尺寸為6000像素×4000像素。

　　1.2.2樣本處理與氮素營養測定

　　本文采用凱氏定氮法對蘋果樹葉片全氮含量進行測定。將帶回實驗室的葉片放在自來水下沖洗干凈，用95：5的鹽酸溶液清洗1~2min，再用無離子水沖洗兩次，放入105℃高溫烘箱殺青30min，再調至80℃持續烘干至樣品質量恒重，使用研缽將干燥樣品研磨至粉末狀后，稱取0.1g干樣，用H2SO4-H2O2消解，冷卻后采用海能公司生產的K9860型全自動凱氏定氮儀測定蘋果樹葉片的全氮含量，測3次取平均值作為最終氮含量。

　　1.3數據預處理

　　首先獲取蘋果樹葉片原始圖像。其次對單片葉片分割提取，將圖像背景標定板去掉后的圖像，分割后得到單片葉片。對蘋果樹葉片根據多尺度Retinex理論(Multiscaleretinex,MSR)進行去光照處理，MSR的優點是不僅可以增強圖像對比度還可以對圖像在動態范圍內進行壓縮，并且，在一定條件下，MSR可以克服單尺度Retinex理論(Singlescaleretinex,SSR)算法的缺點，保持圖像色彩恒常性的同時，同時實現圖像全局、部分動態范圍壓縮以及圖像色彩的增強。

　　2預測模型構建

　　2.1主成分分析法

　　主成分分析(Principalcomponentanalysis,PCA)是一種重要的數據統計方法，其設法從眾多原始變量中找出幾個綜合性強的變量來替代原始變量，新的綜合變量之間不僅互不相關，而且保留了原始變量的絕大部分信息，最終實現降維目的，使問題得到最佳綜合[30-32]。

　　2.2對比模型

　　2.2.1支持向量機

　　支持向量機(Supportvectormachine,SVM)是機器學習領域最重要的方法之一，是借助于統計與優化方法解決機器學習問題的強有力的工具。針對蘋果樹葉片在RGB空間下各單色分量及各單色分量多種色彩組合參數檢測過程的隨機波動性，采用在小樣本、非線性問題的擬合上有一定優勢的SVM回歸模型來構建蘋果樹葉片在RGB空間下17種色彩特征與蘋果樹葉片氮含量的預測模型。

　　2.2.2BP神經網絡

　　反向傳播(Backpropagation,BP)神經網絡在復雜的非線性系統中具有較高的建模能力，并對數據具有良好的擬合能力，在預測方面應用廣泛。研究表明，這種簡單的網絡結構可以逼近任意非線性函數，是一種典型函數映射關系。

　　2.2.3極限學習機

　　極限學習機(Extremelearningmachine,ELM)是一種簡單易用、有效的單隱層前饋神經網絡。與傳統的前饋神經網絡訓練速度慢、容易陷入極小值點、學習率選擇敏感等缺點相比，ELM算法隨機產生輸入層與隱含層的連接權值w及隱含層神經元的閾值b，且在訓練過程中無需整。只要設置隱含層神經元的個數，便可以獲得唯一的最優解，具有學習速度快、泛化能力強等優點。

　　2.3基于多尺度因子的蘋果葉片氮含量預測模型

　　基于上述算法，為了提高預測模型精度，本文將多種算法相結合，構建了基于多尺度因子的蘋果葉片氮含量預測模型。主要包括RGB空間下各單色分量及單色分量多種圖像色彩組合參數的提取、不同時期蘋果葉片氮含量關鍵因子的篩選、多尺度預測模型的選擇、訓練、參數優化、模型應用。

　　(1)調研國內外數字圖像處理與機器學習技術在農業方面的應用，尤其是對作物氮素營養預測方面的研究;(2)采集開花期、幼果期、果實膨大期3個不同尺度蘋果樹葉片樣本和圖像;(3)利用化學方法對葉片進行氮素營養測定，對葉片圖像進行中值濾波、去光照等預處理，在RGB空間下提取蘋果樹葉片17種色彩特征;(4)利用主成分分析對蘋果樹葉片圖形色彩特征進行優化，提取不同尺度關鍵影響因子;(5)建立PCA-SVM、PCA-BP、PCA-ELM預測模型，對比篩選出不同尺度最佳預測模型;調整優化最佳模型參數，構建基于多尺度因子的蘋果樹葉片氮含量預測模型;通過田間試驗驗證蘋果樹葉片氮含量預測模型性能，實現對不同生長時期蘋果樹葉片氮含量的精準預測。

　　2.4模型評價指標

　　使用預處理后的數據作為模型的輸入，對基于多尺度因子的預測模型進行訓練和測試。本文選用的預測模型性能評價指標有平均絕對誤差(Meanabsoluteerror,MAE)、均方根誤差(Rootmeanrquareerror,RMSE)和平均絕對百分誤差(Meanabsolutepercentageerror,MAPE)。

　　3試驗結果與分析

　　3.1數據集

　　以山東省泰安市寧陽縣萬林農場某試驗田A區域中蘋果樹葉片的氮含量為研究對象。采用已經預處理過的試驗數據，主要包括RGB空間中R分量，G分量，B分量和R+G+B、R-B、R-G、G-B、R-G-B、R/(R+G+B)、G/(R+G+B)、B/(R+B+G)、G/R、R/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、(R-G)/(R+G+B)14個單色分量色彩像組合參數，最終實現開花期、幼果期和果實膨大期蘋果樹葉片氮含量的精準預測。

　　3.2平臺和環境

　　試驗所使用計算機的配置如下：處理器為Intel(R)Xeon(R)Silver4210RCPU@2.40Hz;機帶內存為64GB;操作系統為Windows10(64位);圖像分割、圖像去光照處理與獲取蘋果樹葉片RGB空間下各單色分量及單色分量多種色彩組合參數由Matlab實現;SVM、BP神經網絡和ELM回歸模型均在Matlab中完成。

　　試驗結果表明，開花期，蘋果樹葉片預測氮含量與實測氮含量的相對誤差在-6%~9.84%之間;幼果期，蘋果樹葉片預測氮含量與實測氮含量的相對誤差在-9%~9.51%之間;果實膨大期，蘋果樹葉片預測氮含量與實測氮含量的相對誤差在-10%~9.86%之間。

　　說明開花期和幼果期基于多尺度因子模型預測蘋果樹葉片氮含量相對誤差較小，總體來說，模型預測值與試驗結果基本相符合，不同時期蘋果樹葉片氮含量真實值與預測值相對誤差在10%以內，驗證了所建基于多尺度因子的蘋果樹葉片氮含量預測模型的準確性。通過機器視覺與圖像處理的方式獲取蘋果樹葉片在RGB空間下各單色分量及各單色分量多種色彩組合參數，預測不同生長時期蘋果樹葉片氮含量，與傳統方法相比，本文方法具有無損傷、效率高、成本低、操作簡單的優勢。準確地預測蘋果樹葉片氮含量也可為果園精準化管理，合理施肥、定時定量施肥提供理論依據。

　　蘋果種植論文范例：有機肥在蘋果生產中的應用效果研究

　　4結論

　　(1)采集不同生長時期的蘋果樹葉片并通過圖像處理獲取RGB空間下各單色分量與14種色彩組合參數，采用PCA篩選出不同尺度的蘋果樹葉片氮含量不同的關鍵影響因子，開花期選用的關鍵影響因子為B、R-B、G-B、G/(R+G+B)、B/(R+G-B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、R-G、R/(R+G+B)、G/R、R+G+B，幼果期選用的關鍵影響因子為R-B、G/(R+G+B)、(R-B)/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、G、R+G+B，果實膨大期選用的關鍵影響因子有R-G、G/(R+G+B)、R/(R+G-B)、(R-G)/(R+G+B)、B/(R+G+B)、G/(R+G-B)、B/(R+G-B)、(R-B)/(R+G+B)、R+G+B，以此構建蘋果樹葉片氮含量預測模型的輸入樣本，輸出參數為蘋果樹葉片氮含量，實現了模型輸入的降維，消除了變量之間的冗余性和相關性。

　　(2)本文提出PCA-SVM、PCA-ELM、PCA-BP3種預測模型，在不同生長時期，由MAE、RMSE和MAPE作為模型評價指標確定多尺度預測模型。

　　(3)利用自適應遺傳算法對多尺度因子模型中懲罰參數C和RBF核函數寬度σ進行優化，優化后PCA-SVM預測模型在開花期、幼果期和果實膨大期的平均絕對誤差分別為0.640、0.558、0.544，平均絕對百分誤差分別為0.057、0.050、0.064，均方根誤差分別為0.800、0.747、0.737，優于優化前預測模型，能夠擬合蘋果樹葉片氮含量與RGB空間下各單色分量及各單色分量多種色彩組合參數之間的非線性關系，解決了傳統預測方法預測精度低、魯棒性差等問題，該模型具有良好的預測性能和泛化能力，可以為果園精準施肥管理、提升果品品質、避免資源浪費和環境污染提供理論依據。

　　參考文獻

　　[1]MAW,ABDULAIA.Doescooperativemembershipimprovehouseholdwelfare?EvidencefromapplefarmersinChina[J].FoodPolicy,2016(58):94-102.

　　[2]王璇，劉軍弟，邵礫群，等.我國蘋果產業年度發展狀況及其趨勢與建議[J].中國果樹，2008，4(3)：101-104，108.WANGXuan,LIUJundi,SHAOLiqun,etal.Annualdevelopmentstatus,trendandsuggestionsofappleindustryinChina[J].ChinaFruits,2008,4(3):101-104,108.(inChinese)

　　[3]ANDREWSM,RAVENJA,LEAPJ.Doplantsneednitrate?Themechanismsbywhichnitrogenformaffectsplants[J].AnnalsofAppliedBiology,2013,163(2):174-199.

　　[4]李文慶，張民，束懷瑞.氮素在果樹上的生理作用[J].山東農業大學學報(自然科學版)，2002，4(1)：96-100.LIWenqing,ZHANAGMin,SHUHuairui.Physiologicaleffectsofnitrogenonfruittrees[J].JournalofShandongAgriculturalUniversity(NaturalScienceEdition),2002,4(1):96-100.(inChinese)

　　作者：王金星1,2劉雪梅1劉雙喜1,2權澤堃1徐春保1江浩1