基于高光譜成像技術的番茄葉片葉綠素含量檢測

馬玲　杜明華　 孟露　楊甜　吳龍國

摘要：葉綠素是植物生長發育必不可少的色素，可用來衡量植物生長狀況，為實現番茄葉片葉綠素含量快速、無損檢測，以番茄為試驗材料，通過高光譜無損檢測方法，對番茄葉片葉綠素含量進行監測。提取出82個葉片樣本的平均光譜反射率數據（400～1 000 nm），對原始光譜數據分別進行7種預處理（平均平滑、高斯濾波、中值濾波、卷積平滑、歸一化、基線校準（baseline）、標準正態化（standard normal variation，SNV），建立PLSR模型，建模結果顯示：SNV預處理光譜的建模效果最優。用β權重系數、無信息變量消除變換法（uninformation variable elimination，UVE）、競爭自適應重加權法（compet-itive adaptive weighted sampling，CARS）及連續投影算法（successive project-ion algorithm，SPA）等提取特征波長，并建立了PLSR模型，建模結果表明：CARS法提取特征波長所建立的模型最優，CARS法提取了8個特征波長（732、796、946、953、957、968、983、994 nm）被應用于建立番茄葉片葉綠素定量預測模型。為選出最優的建模方法，使用MLR、PCR、PLSR與SVR方法分別對CARS提取的特征波長進行模型對比，優選出的MLR模型用于預測番茄葉綠素含量，最優預測模型MLR的相關系數Rc、Rcv分別為0.830、0.743，均方根誤差RMSEC、RMSECV分別為2.126、2.365。這可為今后在線監測植物長勢提供技術支撐。

關鍵詞：高光譜成像；番茄葉片；葉綠素；無損檢測

中圖分類號：S641.201文獻標志碼：A文章編號：1002-1302（2023）11-0167-07

番茄（Lycopersicon esculentum Mill.）別稱西紅柿，成熟的果實可食用，口感好，養分足［1］，是我國北部設施種植的主要蔬菜和消費最多的園藝產品之一，也是世界上廣泛栽培和使用最多的果菜類蔬菜。氮素是作物生長發育過程中不可缺乏的一種養分［2］。氮是葉綠素、植物素等的重要成分［3］，而植物葉片葉綠素濃度影響著植物光合效果，其含量高低與植株營養狀況和發育階段密切相關，成為評估作物長勢以及受脅迫程度的重要指標［4］。檢測葉綠素含量的傳統方法存在損壞樣本、費時、檢測效果低、不能及時反映作物生長狀況與受害情況的缺陷［5］。高光譜成像技術具備了高速、無損、成本低的特性，可以直接對植物進行微弱光譜特征的定量分析研究［6］。國內外諸多學者已經開始利用高光譜成像技術對作物的水分、葉綠素含量等植物營養元素進行無損監測［7-9］。學者通過一些高光譜參數，探索了植物的葉綠素、氮素含量等［10-11］。Sun等使用高光譜成像技術，對桃子葉綠素濃度進行了監測［12］。Singh等采用無損檢測技術建立高粱SPAD值預測模型［13］。Madeira等對四季豆光譜輻射與葉綠素含量之間的關系進行探索研究，指出四季豆葉片葉綠素濃度的無損檢測能夠通過高光譜成像技術實現［14］。Annala等在訓練卷積神經網絡反演葉綠素濃度的試驗中，提出了利用高光譜技術就可以對作物葉綠素含量作出合理評價［15］。學者也建立了油茶［16］、冬小麥［17］、馬鈴薯［18］、水稻［19］等葉綠素含量估測模型。上述研究成果都顯示高光譜成像技術已經能夠對植物營養元素進行無損測定。但用高光譜成像技術檢測番茄葉片葉綠素含量的研究成果較少，本研究以溫室番茄作物為試驗材料，通過高光譜成像技術，對不同濃度氮素營養液灌溉下的番茄葉片中葉綠素含量進行研究，結合多種光譜和圖像處理方法以及化學計量方法，研究了不同預處理方法和特征波長提取，對比分析了幾種建模方法的有效性，優選最佳預測番茄葉片葉綠素含量模型。

1材料與方法

1.1試驗材料

供試番茄選用博美2號品種，購置于寧夏天緣種業有限公司，共計50株番茄幼苗，于2021年7—11月在寧夏園藝產業園日光溫室中進行，采用營養液培育。本研究設置10個施氮水平，每一個施氮水平下，保證其他必需營養元素施用量相同，采用水培方式進行試驗。營養液配方為日本園藝營養液［20］（表1）；試驗過程中利用1/2單位的日本園藝營養液培育番茄植株。共10個水培箱，每個水培箱是一個水平處理，每個箱子里面培育5株幼苗。

1.2試驗方法

1.2.1葉綠素含量測定方法使用便攜式葉綠素測定儀（SPAD-502Plus，日本柯尼卡美能達）對葉片葉綠素含量進行測定。測定時間：上午09：00—11：00，每株番茄選擇2張葉片，所選擇的樣本葉片生長健康，完好無損，直接用葉綠素計測定SPAD值，每張葉取3個點測定，并記錄SPAD值，共82個樣本。

1.2.2高光譜成像系統與參數設置可見近紅外波段高光譜成像系統（波段范圍：400～1 000 nm），設備型號為GaiaField-F-V10，四川雙利合譜科技有限公司生產，共有176個波段，光譜分辨率為 3.8 nm。進行了多次重復測試，以避免環境因素帶來的圖像像素變低等問題，在 12：00—16：00時間段進行番茄葉片的采集，并設定了最佳采集參數條件：物距為360 mm，掃描速度設置為0.147 cm/s，成像光譜儀曝光時間為10 ms。

1.2.3數據分析方法由于高光譜圖像是三維數據，信息量冗余，同時原始光譜存在基線漂移，需對原始光譜進行預處理，為模型構建提供基礎。數據分析處理中，用UnscramblerX 10.4進行數據預處理和預測模型構建，采用MatlabR2014a進行特征光譜獲取、圖像構建。

常見的光譜預處理：高斯（GF）濾波平滑、標準正態變化（SNV）等。光譜預處理方法均有減弱因儀器噪音、暗電流、多重共線性以及背景影響因數等使得光譜曲線受到限制的目的［21-23］。特征光譜信息提取可以在進行降維的同時給予在線應用理論基礎。本研究采用權重系數法（BW）、競爭性自適應重加權算法（CARS）、無信息變量信息消除法（UVE）、連續投影算法（SPA）［24-25］。在葉片葉綠素的定量模型建立方面，則著重采用了多元線性回歸（MLR）、主成分回歸分析（PCR）、偏最小二乘回歸（PLSR）、支持向量機回歸（SVR）及人工神經網絡（ANN）等方式。模型的有效性，由相關系數（R）和均方根誤差（RMSE）進行綜合評價。R值越高、RMSE值越低，所形成的模型的有效性越好［26-27］。

2結果與分析

2.1圖像變換

由于在圖像采集過程中，會遭遇到外界條件的障礙，使得得到的圖像效果差，須對圖像進行預處理。通過高光譜成像設備分別對不同處理下的圖像進行圖像采集，通過Envi 4.8軟件中的圖像變換功能，對原始圖像分別進行了歸一化、平方根等處理，結果見圖1。

由圖1可知，對比分析不同圖像預處理，歸一化處理可以很好地與背景分開，且葉片輪廓清晰，所以采用歸一化處理后的圖像提取特征波長。

2.2特征提取

采用閾值分割的方法對原始圖像進行處理。使用便攜式高光譜圖像裝置對番茄的葉片進行采集，并選用黑色塑料作背景，以方便于后期進行圖片提取。通過Envi 4.8軟件可以提取掃描圖片的特征光譜，從而獲得葉子的感興趣區域（ROI），再通過獲取高光譜圖片中葉子、白板、背景的特征光譜，進而獲取葉片感興趣區域，最終得到特征曲線圖（圖2）。對比分析葉片、白板、背景的光譜反射率，優選出800 nm圖像進行閾值分割，并提取葉片光譜。對800 nm下的圖像進行反復的測試，閾值范圍確定為0.1～0.4，可以得到葉片的完整信息，圖像掩模的過

程見圖3。

2.3光譜數據采集

通過Envi 4.8軟件對掩模后的番茄葉片高光譜圖像進行光譜信息提取，得到10個施氮水平下的

原始光譜曲線（圖4）。

由圖4可知，由于0、1、2、4、6水平下的光譜曲線存在漂移現象，于是便對光譜曲線進行預處理。10個施氮水平下葉片的光譜曲線走勢一致，660 nm處有吸收峰，這主要是由于葉片中葉綠素的吸收。由于采集得到的光譜中，除吸收葉綠素外，還有其他物質的吸收，因此，須要對光譜數據進行解析，通過化學計量學方法建立與葉綠素相關性高的預測模型。

2.4化學值測定

每個氮素水平下選取2～5株健康番茄，每株選擇2張無病蟲害、無機械損傷的葉片，每張葉片選擇3個點進行測量，并記錄SPAD值，共測得82個樣本的葉綠素含量。采用SPSS 20.0軟件和Excel軟件對10個施氮水平下番茄葉片的葉綠素含量進行單因素方差分析，結果見圖5。

由圖5可知，1、6水平下番茄葉片的葉綠素含量與其他8個施氮水平下的葉綠素含量差異顯著（P<0.05）；2、4、10水平下植株葉片葉綠素含量差異不顯著（P>0.05）；8水平下的植株葉片葉綠素含量與其他9個施氮水平均存在顯著性差異（P<0.05），此施氮水平下植株葉片葉綠素含量值為41.03 mg/g；12水平下的葉綠素含量為41.53 mg/g；14水平下番茄葉片的葉綠素含量與其他施氮水平下的葉綠素含量之間存在顯著性差異（P<0.05），此水平下測得的番茄葉片葉綠素含量為36.3 mg/g；同時，在1～4水平下，番茄葉片葉綠素含量隨著氮素濃度的增加而增多，其中0水平下的番茄葉片葉綠素含量最低，其值為35.45 mg/g，16水平下葉綠素含量最高，為41.64 mg/g。

2.5模型建立

2.5.1樣本劃分本研究中共有82個番茄葉片樣本，取其中的3/4作為訓練集，1/4為預測集。分別采用random sampling（RS），Kennard-Stone（KS）、sample set partitioning based on joint x-y distance（SPXY）［28］ 3種方法選取訓練集和預測集，然后分別對這3種方法所獲得模型的結果進行判斷，模型的有效性由訓練集樣品的相關系數（correlation coefficient of calibration set，Rc）、訓練集樣品的均方根誤差（root-mean-squares error of calibration set，RMSEC）、交互驗證相關系數（correlation coefficient of cross-validation，Rcv）、交互驗證均方根誤差RMECV、預測集樣品的相關系數（correlation coefficient of forecast set，Rp）、預測集樣品的均方根誤差（root-mean-squares error of forecast set，RMSEP）進行評價。由表2可知，在3種劃分方法中，SPXY法的相關系數Rc、Rcv均高于RS法，其值分別為0.747、0.676，且均方根誤差RMSEC、RMSECV均低于RS法，其值分別為2.314、2.574，預測集的相關系數Rp高于KS法，與RS法差異較小，其值為0.760，且預測集均方根誤差RMSEP低于KS法。綜合參數考慮，最終選擇SPXY法劃分番茄葉片葉綠素含量樣本集。

2.5.2預處理優選為了避免受到光學頻譜或圖像信息中非品質信息的障礙，包括因測量儀器噪聲和暗電壓等原因而造成的光譜信號曲線基線偏移和不重疊現象、各種成份彼此間互相影響造成的多重共線性及其背景因數等對光譜信號曲線的制約［29］，對原始光譜進行平均平滑、高斯濾波、中值濾波、卷積平滑、歸一化、基線校準（baseline）、標準正態化等預處理，并對比分析其模擬的有效性。

試驗采用7種不同算法基于葉片葉綠素含量原始光譜進行預處理，并基于每種方法建立PLSR模型。由表3可知，與原始光譜結果進行比較，5種歸一化（面積歸一化、單位向量歸一化、平均歸一化、最大值歸一化、閾值歸一化）和baseline預處理后的

預測集相關系數值均有所降低，建模效果都有一定的下降，最小值為0.725，標準正態化建模之后，預測集相關系數有所增加，模型性能有所提高。采用標準正態化預處理法得到的相關系數Rp均高于原始光譜和其他預處理光譜，Rp值為0.810，且均方根誤差RMSEP也最低，其值為3.820；綜合分析，優選SNV法建立葉片葉綠素含量PLSR模型。

2.5.3特征波長提取分析為了降低數據冗余，便于應用到實際生產中。利用UnscramblerX10.4軟件結合MatlabR2014a軟件對原始光譜數據進行特征波長提取。特征波長獲取方式主要有PLSR β權重系數、SPA、UVE及CARS等，通過這幾種方法獲取的特征波長存在差異，具體結果如下：通過β權重系數法提取了8個波段（430、580、659、683、702、810、864、909 nm）；SPA法提取了4個特征波長（796、909、957、991 nm）；UVE法提取了17個波段（427、430、433、551、554、721、725、728、732、792、796、864、916、923、957、983、987 nm）；CARS法提取了8個特征波長（732、796、946、953、957、968、983、994 nm）。對比分析得出CARS法提取的8個特征波長所建立的番茄葉片葉綠素定量模型具有較好的預測效果。

2.5.4特征波長下建立模型為分析4種獲取特征波段方式，通過PLSR方法對建模模型的有效性進行分析，結果見表4。由表4可知，CARS與其他提取特征波段方法相比，其建立的模型的相關系數R_c、R_cv均高于其他3種算法構建的模型；其建立模型的均方根誤差RMSEC、RMSECV值均比以上幾種建模方法低，但相關系數Rp較小，綜合分析，CARS法建立的模型效果優于其他3種方法所構建的模型，說明可通過CARS法提取特征波段，而CARS法提取的8個特征波長可用于建立番茄葉片葉綠素定量預測模型。

2.5.5不同模型對比分析通過線性回歸（MLR、PCR、PLSR）與SVR方法分別對CARS提取的特征波長進行模型分析，以便選出最優特征波長模型，結果見表5。

由表5可知，MLR、PCR、PLSR所建立的模型的R_c、R_cv值都高于SVR所建立的模型，但3種線性回歸所建立模型的Rp值均小于SVR；MLR、PCR、PLSR所建立的模型的RMSEC、RMSECV、RMSEP值均低于SVR所建立的模型，說明3種線性回歸建模效果優于SVR。而在MLR、PCR、PLSR所建立的模型中，PCR和PLSR所創建模型的相關系數和均方根誤差相差不大，而MLR所建立的模型的R_p值都比PCR、PLSR所建立的模型高，RMSEP值均小于PCR、PLSR所創建的模型，綜合分析，MLR的有效性優于PCR和PLSR，這為今后番茄葉片葉綠素含量在線監測給予多種選擇。

3結論

試驗對施用不同氮素下的番茄葉片進行研究，探討了7個處理下番茄葉片的光譜提取方法、異常樣本提出、特征波長提取以及優化建模方法，取得了以下結果：

預處理方法的選擇，在一定的程度上可以改善光譜信息中參雜的噪音干擾；而試驗中光譜預處理未能取得預期效果，這與光譜自身有關。CARS法提取的8個特征波長（732、796、946、953、957、968、983、994 nm）所建立的番茄葉片葉綠素定量模型，具有較好的預測效果。本研究對比分析番茄葉片葉綠素的線性回歸與非線性回歸模型，得出番茄葉片葉綠素的線性回歸模型能取得較高的預測效果，而最優預測模型為MLR，其中校正集相關系數Rc為0.830，RMSEC為2.126；預測集相關系數Rcv為0.743，預測RMSECV為2.365，因此最終選擇MLR模型進行番茄葉片葉綠素含量在線預測，這也可為番茄植株其他指標的快速檢測提供借鑒。

參考文獻：

［1］吳毅. 設施番茄高產栽培技術［J］. 現代農業科技，2020（7）：73，75.

［2］周芳. NPK與有機肥配施對番茄氮素代謝和產量影響［D］. 沈陽：沈陽農業大學，2016.

［3］李百超. 基于高光譜成像技術的蘋果葉片氮素含量估測研究［D］. 泰安：山東農業大學，2018.

［4］劉爽，于海業，張郡赫，等. 基于最優光譜指數的大豆葉片葉綠素含量反演模型研究［J］. 光譜學與光譜分析，2021，41（6）：1912-1919.

［5］田容才，高志強，周昆. 基于高光譜數據的晚秈稻品種劍葉SPAD值估測［J］. 中國稻米，2021，27（1）：45-50.

［6］劉文雅，潘潔. 基于神經網絡的馬尾松葉綠素含量高光譜估算模型［J］. 應用生態學報，2017，28（4）：1128-1136.

［7］劉紅玉，毛罕平，朱文靜，等. 基于高光譜的番茄氮磷鉀營養水平快速診斷［J］. 農業工程學報，2015，31（增刊1）：212-220.

［8］溫新. 基于高光譜成像技術的蘋果葉片葉綠素和氮素含量分布反演［D］. 泰安：山東農業大學，2019.

［9］Peng Y，Gitelson A A. Remote estimation of gross primary productivity in soybean and maize based on total crop chlorophyll content［J］. Remote Sensing of Environment，2012，117：440-448.

［10］徐道青，劉小玲，王維，等. 淹水脅迫下棉花葉片高光譜特征及葉綠素含量估算模型［J］. 應用生態學報，2017，28（10）：3289-3296.

［11］Chang X Y，Chang Q R，Wang X F，et al. Estimation of maize leaf chlorophyll contents based on UAV hyperspectral drone image［J］. Agricultural Research in the Arid Areas，2019，32（4）：45-53.

［12］Sun Y，Wang Y H，Xiao H，et al. Hyperspectral imaging detection of decayed honey peaches based on their chlorophyll content［J］. Food Chemistry，2017，235：194-202.

［13］Singh S K，Houx J H III，Maw M J W，et al. Assessment of growth，leaf N concentration and chlorophyll content of sweet sorghum using canopy reflectance［J］. Field Crops Research，2017，209：47-57.

［14］Madeira A C，Mentions A，Ferreira M E，et al. Relationship between spectroradiometric and chlorophyll measurements in green beans［J］. Communications in Soil Science and Plant Analysis，2000，31（5/6）：631-643.

［15］Annala L，Honkavaara E，Tuominen S，et al. Chlorophyll concentration retrieval by training convolutional neural network for stochastic model of leaf optical properties （SLOP） inversion［J］. Remote Sensing，2020，12（2）：283.

［16］王芳東，嚴志雁，趙小敏，等. 油茶葉片葉綠素含量高光譜估測的偏最小二乘模型參數選擇［J］. 江西農業大學學報，2022，44（1）：86-96.

［17］李長春，施錦錦，馬春艷，等. 基于小波變換和分數階微分的冬小麥葉綠素含量估算［J］. 農業機械學報，2021，52（8）：172-182.

［18］卓偉，于旭峰，李欣庭，等. 高光譜成像技術實現馬鈴薯葉片葉綠素無損檢測［J］. 光學儀器，2020，42（6）：1-8.

［19］康麗，高睿，孔慶明，等. 水稻葉片SPAD值高光譜成像估測［J］. 東北農業大學學報，2020，51（10）：89-96.

［20］郭世榮. 無土栽培學［M］. 2版.北京：中國農業出版社，2011.

［21］Faber N K. Multivariate sensitivity for the interpretation of the effect of spectral pretreatment methods on near-infrared calibration model predictions［J］. Analytical Chemistry，1999，71（3）：557-565.

［22］尚靜，張艷，孟慶龍. 可見/近紅外光譜技術無損識別蘋果品種的研究［J］. 保鮮與加工，2019，19（3）：8-14.

［23］馬蘭，夏俊芳，張戰鋒，等. 光譜預處理對近紅外光譜無損檢測番茄可溶性固形物含量的影響［J］. 華中農業大學學報，2008（5）：672-675.

［24］王海龍. 基于光譜和光譜成像技術的轉基因大豆品種鑒別與品質檢測研究［D］. 杭州：浙江大學，2016.

［25］丁希斌，張初，劉飛，等. 高光譜成像技術結合特征提取方法的草莓可溶性固形物檢測研究［J］. 光譜學與光譜分析，2015，35（4）：1020-1024.

［26］張巍. 基于高光譜成像技術的藍莓內部品質檢測方法的研究［D］. 沈陽：沈陽農業大學，2016.

［27］高俊峰，張初，謝傳奇，等. 應用近紅外高光譜成像技術預測甘蔗可溶性固形物含量［J］. 光譜學與光譜分析，2015，35（8）：2154-2158.

［28］Galvo R K H，Araujo M C U，José G E，et al. A method for calibration and validation subset partitioning［J］. Talanta，2005，67（4）：736-740.

［29］巨曉棠，劉學軍，鄒國元，等. 冬小麥/夏玉米輪作體系中氮素的損失途徑分析［J］. 中國農業科學，2002，35（12）：1493-1499.