刘旺勤

（南昌师范学院，江西 南昌 330032）

作物在整体的生长过程中，都需要叶绿素来完成光合作用。对作物叶片中的叶绿素含量的变化，进行实时、准确的监测工作，将有利于合理预测作物的长势、产量，为后续作物的种植、收获、销售等工作提供参考。现阶段开展的叶绿素含量测定工作，限制条件较多，容易影响含量测定工作的实际开展效果。例如部分测定器材费用较高，测定研究过程中的操作复杂，都不利于水稻叶片叶绿素含量测定研究的推广实施。未来在水稻叶片的叶绿素测定相关研究中，应继续提升对新技术的应用能力，积极在含量测定工作中融入遗传算法、反向传播神经网络、通过算法和神经网络模型的全局寻优特性、适应能力、学习能力等优势，得到水稻叶片SPAD值预测模型，进一步提升对叶绿素含量测算的准确度和效率。此项技术的研究，有利于在不对水稻叶片进行损伤的条件下，能够实时监测叶片中的叶绿素含量，提升分析水稻生长情况的准确率。

1 材料与方法

1.1 水稻大田试验

此次研究选择某地的水稻大田进行。研究中使用到的水稻品种为汕优63，种苗是由国家杂交水稻研究部门提供的。由于不同研究区域需要的施氮量有明显差异，所以在研究中应重点体现不同品种水稻群体冠层的差异。研究过程中，使用了顺序区组的研究设计原则，以三次为一个重复周期。研究区域的总面积为10m2。其中包含6个不同施氮处理区域：（1）NO，在全生育期内不施氮肥；（2）N1，施氮肥量为50kg/hm2；（3）N2，施氮肥量为100kg/hm2；（4）N3，施氮肥量为150kg/hm2；（5）N4，施氮肥量为200/hm2；（6）N5，施氮肥量为250kg/hm2。在水稻的全生育期内，在对水稻的日常管理中，应用高产栽培技术。此外要注意全生长周期的病虫害防治。在对水稻进行移栽后的分蘖中期至齐穗期，以7d为一个观察周期，随机取样来观察对比水稻叶片的颜色变化，使用叶绿素仪（SPAD——502），来对水稻叶片中的叶绿素相对含量进行测定。

仪器设备：本次研究中选用MICROTEK ScanMaker i800 plus扫描仪（杭州万深检测科技有限公司生产）来完成水稻叶片的图像收集工作。第一步要调整扫描设备的光学分辨率、扫描范围等参数。研究中将设备光学分辨率，设定为800×1600dpi，图像色彩深度为48位；扫描仪的光源用到的是白色冷阴极灯；设备扫描范围设定305mm×432mm。获取单幅图像需要15秒的时间，持续扫描水稻叶片图像的过程中，保持了较为稳定的速度，也获取到了较为清晰可观的成像效果。将得到的图像传输到计算机上。控制扫描仪的电脑设备，选择了DELL（XPS8900）型电脑，并搭配合适的显卡、处理器和内存硬盘。上述控制设备本身具备的兼容性，运算效率、稳定性较为优越。计算机安装的扫描软件选择了ScanWizard EZ，在Windows10系统支持下运行。选择MatLab工具箱作为视觉分析软件，能够在接收到图像后快速对其进行相应处理扫描。采用SPAD-502DL Plus型叶绿素仪（青岛聚创环保集团有限公司生产）测定水稻叶片的叶绿素含量，相对含量用SPAD值表示。

1.2 获取叶片颜色指标

扫描获取的叶片图像，格式为JEPG格式，图像规格为640×480。目标图像的基本颜色为绿色，其中夹杂少量黄色。目标图像的背景则全部确定为白色。目标图像与背景之间的颜色差异较为显著，便于识别。

获取到的图像中进行了严格处理，避免目标图像被其他颜色干扰，有助于保证研究中能够精准、快速地识别目标，这样获取到的目标图像也不会发生畸变，节省了后续研究工作中对图像色彩的二次区别化处理工作步骤，缩短了研究工作耗时。水稻叶中的原始图像如图1所示。研究人员先初步观察，能够比较直观看到的，就是目标图像和背景区域的颜色，有着较显著的差异。这时，可以使用RGB色彩模型，来当作一个基础的参数，去分析叶片原始图像。绝大多数的情况下，水稻叶片的基础色彩是绿。因此，使用RGB色彩模型空间，观察水稻叶片颜色，可以看到图像的G分量特征峰值，有突出的特征。所以本研究在叶片颜色参数基础上，也选择了使用G分量。这样后续的识别工作，将在准确性、效率上，有更大的便利条件。以G分量为基础，灰度化处理水稻叶片原始图像，得到的图像颜色差异是更加明显的。水稻叶片与图像之间的色彩差异增强后，提取目标区域的工作效率和精准度都会得到大幅提升。水稻叶片灰度化图像如图2所示。灰度化后图像做二值化处理，可让图像识别过程免受阴影、微弱噪音影响，可以快速、准确地区别开水稻叶片的颜色特征与背景区。

图1 水稻叶片的原始图像

图2 水稻叶片的灰度化图像

图像分割功能的最终实现，在很大的程度上，是依靠观察水稻叶片的颜色、亮度的。运用图像分割法识别目标，使用的分割方法不同，实际取得的效果也不不尽相同，需要参考目标特征使用更具实用性的分割方法。阈值分割法的优势主要体现在两个方面。一是模型简单，二是运行速度较快。本研究认识到阈值分割法的上述优势，因而选择此种方法进行水稻叶片图像的目标识别。通过分析直方图可以获得阈值，获取到的阈值是否合适，将直接影响到图像分割的效果高低。如果要观察并区别判断水稻叶片的颜色特征，可以观察获取到的水稻叶片的亮度。研究者使用了RGB色彩模型空间，经比照研究了灰度化图像G分量直方图，能够在较短的时间之内，就得到目标图像的特征阈值。确定图像最大阈值，最终完成图像分割。下面展示的是此次研究的色彩特征图像，黑色部分代表水稻叶片，白色部分代表背景。水稻叶片分割色彩特征如图3所示。

图3 水稻叶片的分割图像

在对水稻进行移栽后的分蘖中期至齐穗期，以7d为一个观察周期，随机取样来观察对比水稻叶片的颜色变化。具体的观察方法是：将获得的样本移至光箱内拍照，使用DIPS1.0在计算机中完成图像处理的过程。完成后能够获取水稻冠层颜色指标。研究中选择了DGCI、Hv、I2、I3、（2G-R-B）/L*、Hv*Diffo的颜色指标。为了提升本次研究的合理性、准确性，应确定选取的这些颜色指标之前，对纳入研究的6个颜色指标，两两间做相关性分析研究，判断研究中选取的颜色指标之间，相关性是否显著。使用了SPSS20.0处理器作为统计数据和信息的工具，对6个颜色指标两两进行相关性分析。通过分析发现纳入研究的DGCI、Hv等6箱颜色指标间不存在无显著相关；由此可知，使用上述的6个颜色指标特征值作为预测依据，可以完成室内颜色特征分析和田间颜色特征分析工作。将SPAD值，作为输出集。得到的训练样本、测试样本容量，见表1～2。

表1 训练样本数据

表2 测试样本数据

2 数学建模

从实地水稻田中测得的SPAD值数据、叶片颜色指标，分成了两大部分，并将其记为S1和s2。Sl组中均是自变量与因变量呈线性关系的数据；S2组中则均为自变量与因变量呈非线性关系的数据。这里所说的自变量指的是叶片颜色指标，因变量指的是叶绿素含量的绝对值。将Sl作为数据集，构建多元线性回归模型，将S2作为数据集，构建反向传播神经网络模型。最后，融合上述的两大模型，使用遗传算法对杂合，为模型优化提供数据支持。

2.1 多元线性回归建模

Sl自变量与因变量呈线性关系的数据集，多元线性回归模型表达式为：W权值矩阵，C常数项，X1为因变量及与之有线性关系的自变量。

2.2 反向传播神经网络建模

S2自变量与因变量呈非线性关系的数据集，反向传播神经网络模型表达式为：Y2=purelin[W3*tansig（W2*X2，B1），B2]，W2、W3权值矩阵，B1、B2阔值矩阵，X2为因变量及与之有非线性关系的自变量。

2.3 杂合反向传播神经网络建模

将反向传播神经网络的输出值设定为Y1，多元线性回归模型的输出值设定为Y2。将Y1、Y2作为自变量，构建反向传播神经网络模型。模型中共有2个输入节点、3个隐层节点、1个输出节点，因为该神经网络模型复杂行特征显著，所以可称之为杂合反向神经网络模型，数学表达式为：Y=purelin[W5*tansig（W4*X，B4），B5]。W4、W5表示权值矩阵，B4、B5代表阔值矩阵，X={Y1，Y2}。激活函数的使用上，隐含层为可导函数tansig，输出层为线性函数purelin。模型构建的过程，可以将学习速率调整至0、3，这样能够有效提升网络稳定性，进一步改进模型精度。

3 建模仿真

构建多元线性回归模型，借助了自变量13、Hv*Diff，因变量SPAD值。输入自变量DGCI、Hv、12、（2G—R-B）／L*，输出因变量SPAD，构建了反向传播神经网络。最后，在最终模型的构建中，用上述构建的2种模型，引入最终模型中，并替换掉各自对应的部分。实现建模仿真的过程，用到的是矩阵实验室7.0平台。得到了不同模型下预测值、真实值间的相对误差率，详情见表3。

表3 预测值与实际值的相对误差

观察分析表3反应的数值，发现本次研究中建立的BP网络模型，选取了DGCI、Hv、I2、I3、（2G-R-B）/L*、Hv*Diffo6颜色指标。分析6项影响因子对水稻叶片叶绿素绝对含量的影响，分析结果整体看来都是较为清晰直观的。在处理线性和非线性杂合数据时，对比以往的反向传播神经网络、遗传算法优化下的反向传播神经网络，在模型精度、泛化能力等方面都得到了较好的改善效果。分析新算法与传统算法之间的优劣性差异，结果如表4所示。

表4 不同模型预测算法的优劣性差异

由表4分析可发现，与另外的3种水稻叶片颜色和SPAD值预测算法相比，基于遗传算法优化的杂合BP网络模型优势尤为显著。