基于光譜成像的大白菜葉色定量鑒定方法

張東方，張 君，申書興，范曉飛

(1.華北作物改良與調(diào)控國(guó)家重點(diǎn)實(shí)驗(yàn)室/河北省蔬菜種質(zhì)創(chuàng)新與利用重點(diǎn)實(shí)驗(yàn)室; 2.河北農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院; 3. 河北農(nóng)業(yè)大學(xué) 園藝學(xué)院，河北 保定 071000)

大白菜是我國(guó)栽培面積最大的蔬菜作物，全國(guó)每年播種面積近267 萬(wàn)hm2，產(chǎn)值在600 億元以上，占全國(guó)蔬菜總播種面積的15%左右［1］。葉片顏色是其重要的表型性狀，但目前葉片顏色鑒定仍采用傳統(tǒng)的目測(cè)法，具有較大的人為主觀性。

鑒于光譜分析技術(shù)在農(nóng)產(chǎn)品樣本測(cè)定上具有無(wú)破壞性、實(shí)時(shí)快速、成本低等優(yōu)勢(shì)，結(jié)合圖像技術(shù)作為定量、快速、無(wú)損和可追溯的數(shù)據(jù)采集方法，已經(jīng)在農(nóng)業(yè)的多個(gè)領(lǐng)域得到了應(yīng)用［6］。在質(zhì)量檢測(cè)方面，采用基于不同光電子學(xué)原理的圖像傳感器，如可見光、近紅外、多光譜、高光譜、X-CT、核磁共振等技術(shù)［7］，可獲取作物器官或組織性狀的精細(xì)測(cè)量參數(shù)。

例如，高雄等提出1 種基于機(jī)器視覺(jué)的、以顏色特征為基礎(chǔ)、利用閾值選取和RGB 空間特征變換來(lái)實(shí)現(xiàn)病蟲害自動(dòng)識(shí)別的方法，試驗(yàn)表明，識(shí)別蟲害區(qū)域的準(zhǔn)確率達(dá)88.33%，闡明了根據(jù)顏色特征處理圖片的方法［8］。Arma 等就基于機(jī)器視覺(jué)對(duì)成熟番茄果實(shí)的檢測(cè)和定位進(jìn)行了一系列研究，引入HIS 和YIQ 模型綜合分析，靜態(tài)圖像處理試驗(yàn)表明，可以很好的對(duì)番茄果實(shí)進(jìn)行空間和質(zhì)量檢驗(yàn)，但是動(dòng)態(tài)圖片性能還有待進(jìn)一步研究［9］。趙若梅等使用高光譜掃描馬鈴薯葉片，建立了葉綠素?zé)晒饽Ｐ团c其可視化分布圖，為馬鈴薯作物光合活性評(píng)價(jià)及復(fù)雜的生理生化動(dòng)態(tài)檢測(cè)提供了技術(shù)支持［10］。Ps A 等利用RGB 相機(jī)結(jié)合機(jī)器學(xué)習(xí)方法對(duì)稻米氮素營(yíng)養(yǎng)素進(jìn)行了估測(cè)，建立了線性回歸、隨機(jī)森林回歸模型，最終得出隨機(jī)森林模型的驗(yàn)證數(shù)據(jù)集精度可達(dá)80.17%［11］，證明圖像技術(shù)和適當(dāng)?shù)臋C(jī)器學(xué)習(xí)方法結(jié)合可以作為作物氮素可靠的估算。Atil 和Kumar 利用圖像的顏色、形狀及紋理特征實(shí)現(xiàn)了對(duì)3 種大豆葉片病害的檢索分析［12］。Zhao 等開發(fā)了1個(gè)RGB 圖像分析工具ApLeaf，該軟件通過(guò)背景去除、特征提取及分類鑒定3 個(gè)步驟，對(duì)法國(guó)的126 個(gè)物種進(jìn)行了分類鑒定［13］。Pound 等開發(fā)了1 種軟件包，可以利用RGB 圖像自動(dòng)對(duì)植物進(jìn)行三維重建，并提取地上部的結(jié)構(gòu)特征，這種方法被應(yīng)用于小麥和水稻的地上部重建［14］。綜上所述，將光譜技術(shù)和圖像技術(shù)相結(jié)合的光譜圖像技術(shù)可精確檢測(cè)每個(gè)像素點(diǎn)的光譜數(shù)據(jù)和圖像信息，為大白菜葉片的葉色定性鑒定提供技術(shù)支持。

本研究嘗試使用多光譜相機(jī)掃描白菜葉片，根據(jù)大白菜特異性、一致性和穩(wěn)定性主要測(cè)試性狀（DUS）作為性狀調(diào)查標(biāo)準(zhǔn)，基于標(biāo)準(zhǔn)比色卡和由專業(yè)人員挑選的標(biāo)準(zhǔn)葉片，對(duì)大白菜葉片顏色進(jìn)行分類，從而建立大白菜葉色分類定量模型。旨在解決大白菜葉片葉色傳統(tǒng)鑒定方法主觀性強(qiáng)的問(wèn)題，研發(fā)利用圖像處理鑒定大白菜葉色的新方法。

1 材料與方法

1.1 試驗(yàn)材料

本試驗(yàn)使用河北農(nóng)業(yè)大學(xué)蔬菜育種試驗(yàn)基地的大白菜材料，進(jìn)行葉色鑒定及多光譜圖像采集。大白菜進(jìn)入蓮座期后，每株大白菜選取第4 片完整葉片進(jìn)行樣本采集，所有的樣本均逐一進(jìn)行編號(hào)并裝入帶有保鮮措施的保鮮箱內(nèi)（含冰袋），帶回實(shí)驗(yàn)室對(duì)所有樣本進(jìn)行圖像信息的采集，共計(jì)1 255 個(gè)大白菜樣本。

1.2 數(shù)據(jù)的采集與分析

1.2.1 19 通道多光譜成像系統(tǒng)大白菜葉色鑒定

利用多光譜成像系統(tǒng)（VideometerLab 4，丹麥）采集455 個(gè)樣本的19 通道多光譜圖像，利用閾值分割法將去除葉脈的葉片與背景進(jìn)行分割，得到葉片在19 通道下的平均灰度值。后采用機(jī)器學(xué)習(xí)算法中的無(wú)監(jiān)督學(xué)習(xí)K 均值聚類算法(K-means clustering algorithm, K-means)進(jìn)行葉片顏色分類分析。

K-means 算法是經(jīng)常使用的一種聚類分析法［15］，最終將所有的試驗(yàn)樣本分到K 類，某一類的中心點(diǎn)是所對(duì)應(yīng)類別中所有數(shù)據(jù)的均值，同時(shí)在分類中利用歐式距離平方作為標(biāo)準(zhǔn)進(jìn)行衡量。該算法中最主要的是K 值的選擇，K 作為聚類的簇?cái)?shù)，設(shè)置該算法的最大迭代次數(shù)［16］，其輸入為每一個(gè)樣本對(duì)應(yīng)的光譜數(shù)據(jù)S={x1,x2, ...,xm}，m 為樣本數(shù)量，輸出簇的劃分C={C1,C2,…,Ck}，該算法的具體執(zhí)行步驟為：

（1）隨機(jī)地在數(shù)據(jù)集S中選擇K 個(gè)樣本作為初始的K 個(gè)初始聚類中心向量：{μ1,μ2, ...,μk}；

（2）計(jì)算S中每個(gè)樣本Xi到各個(gè)聚類中心的距離，將每一個(gè)樣本分到距聚類中心最小的類別中；

（3）按照各類別μj,重新計(jì)算屬于該類所有樣本的質(zhì)心（聚類中心）

（4）重復(fù)（2）（3），直到達(dá)到迭代次數(shù)整個(gè)算法終止；

（5）輸出簇劃分C={C1,C2,…,Ck}。

在此試驗(yàn)中參照大白菜DUS 中5 種葉片顏色的標(biāo)準(zhǔn)，令所有樣本數(shù)據(jù)的類別為5，即在K-Means中令聚類的簇?cái)?shù)為5，并設(shè)置最大迭代次數(shù)為10，即在此方法運(yùn)行到第10 次時(shí)終止并得出的簇劃分C集為5 個(gè)類別的聚類中心。

1.2.2 基于4 通道多光譜成像系統(tǒng)的大白菜葉色分類 利用4 通道相機(jī)（AD-130GE，丹麥）同時(shí)捕獲大白菜樣本的可見光圖像與近紅外圖像，通過(guò)閾值分割算法［17］將感興趣區(qū)域與背景分割，提取感興趣區(qū)域的RGB 3 通道的灰度值以及近紅外通道的灰度值，所有感興趣區(qū)域均為去除大白菜葉脈的葉片區(qū)域。對(duì)于具有病斑的大白菜樣本，首先將其病斑利用閾值法去除。本試驗(yàn)所采集的800 個(gè)試驗(yàn)樣本均為大白菜外葉，其中基于比色卡的分類研究中以同樣的試驗(yàn)環(huán)境采集英國(guó)皇家園林協(xié)會(huì)的RHS 比色卡中深綠（編號(hào)為135）、灰綠（編號(hào)為137）、綠（編號(hào)為141）、淺綠（編號(hào)為142）和黃綠（編號(hào)為150）5 個(gè)標(biāo)準(zhǔn)顏色。

為了加快運(yùn)算速度，本試驗(yàn)利用主成分分析法（PCA）為數(shù)據(jù)進(jìn)行降維處理［18］，用維數(shù)較少的新變量反映原始變量，這些新變量可以包含原始變量中的大部分信息［19］。在處理光譜數(shù)據(jù)過(guò)程中，利用標(biāo)準(zhǔn)變換對(duì)原始的多維光譜數(shù)據(jù)進(jìn)行處理，使得大量光譜信息集中在幾個(gè)綜合變量，充分利用所選取綜合變量所包含的特征信息進(jìn)行數(shù)據(jù)處理［20］。PCA 方法的分析過(guò)程為：

本試驗(yàn)有800 個(gè)樣本（樣本量記為m），每個(gè)樣本有觀測(cè)變量p個(gè)（即本節(jié)中781 個(gè)波段，p=781），由所有樣本構(gòu)成一個(gè)m×p階的矩陣，該矩陣模式為

系數(shù)aij需要滿足的相關(guān)條件：

Fi與Fj（i≠j）互不相關(guān)，即Fi與Fj的協(xié)方差為零；

Fi是所有樣本對(duì)應(yīng)的x1,x2, …,xp在所有的線性組合中具有最大方差的變量；

在F1不相關(guān)的基礎(chǔ)上，F(xiàn)2是x1,x2, …,xp所有線性組合中具有最大方差的變量；在與x1,x2, …,xp-1都不相關(guān)的基礎(chǔ)上，F(xiàn)p是x1,x2, …,xp的所有線性組合中具有最大方差的變量；

最終基于以上3 條，得到第一主成分，第二主成分，…，第n個(gè)主成分分別為F1,F2, …Fn。主成分是在相關(guān)矩陣中特征值對(duì)應(yīng)的特征向量，而這幾個(gè)主成分對(duì)應(yīng)的n個(gè)特征值為在相關(guān)矩陣中較大的［21］。

2 結(jié)果與分析

2.1 19 通道多光譜成像系統(tǒng)大白菜葉色鑒定結(jié)果

利用采集的19 通道多光譜圖像中每個(gè)波段的平均灰度值進(jìn)行K-means 聚類分析，得到簇劃分C={C1,C2,C3,C4,C5}，Ci為這5 個(gè)類別的中心，該中心為1 個(gè)19 維數(shù)據(jù)，圖1 為最終得到聚類中心Ci的光譜圖，距離聚類中心Ci最近的樣本即劃分為對(duì)應(yīng)的類別Ci，記Ci為類別i。

根據(jù)圖1 可知，5 類大白菜葉片的光譜曲線具有典型的綠色植被光譜特征，并在500 ～700 nm波段和近紅外波段具有較強(qiáng)的差異性，這是由于在高等植物中決定葉片顏色的主要色素有葉綠素、類胡蘿卜素和花青素等，而具有顏色差異的葉片在500 ～700 nm 和近紅外波段因?yàn)槿~綠素的吸收量不同形成了有差別的反射峰。因此，基于光譜反射率之間的差異，進(jìn)行葉片顏色分類具有可行性。本試驗(yàn)采用的455 個(gè)樣本類別的個(gè)案數(shù)目以及5 類葉片樣本圖如圖2 所示，試驗(yàn)證明基于多光譜圖像數(shù)據(jù)可以實(shí)現(xiàn)大白菜葉片顏色的分類。

圖1 按照DUS 進(jìn)行五分類的聚類中心圖Fig. 1 Cluster centers of five groups according to DUS

圖 2 各樣本類別占比Fig. 2 Number of each class

因此，基于圖像信息可以代替人眼以實(shí)現(xiàn)對(duì)葉片顏色精準(zhǔn)判定。此外，本研究結(jié)果表明，基于大白菜葉片的RGBN 圖像即可對(duì)葉片實(shí)現(xiàn)分類，由于多光譜成像設(shè)備造價(jià)昂貴，故本試驗(yàn)繼續(xù)研究了使用多光譜4 通道相機(jī)（AD-130GE）對(duì)葉片葉色進(jìn)行分類的方法。

2.2 基于4 通道多光譜成像系統(tǒng)的大白菜葉色分類結(jié)果

2.2.1 基于比色卡的葉片顏色分類 本模型對(duì)所采集的500 個(gè)樣本與5 個(gè)標(biāo)準(zhǔn)比色卡進(jìn)行研究，得到樣本以及比色卡的RGBN 4 通道灰度值，對(duì)這4 個(gè)灰度值進(jìn)行主成分分析（圖3），最終提取得到1個(gè)主成分，其貢獻(xiàn)率高達(dá)94.46%，故本試驗(yàn)由該主成分代表原始數(shù)據(jù)信息。

圖3 基于RGBN 圖像的主成分分析Fig.3 The contributions based on principal component analysis of RGB images

基于5 個(gè)標(biāo)準(zhǔn)顏色比色卡RGBN 4 通道的灰度值，可以將葉片按照DUS 分開。將主成分分析重新編碼的新數(shù)據(jù)從而進(jìn)行有監(jiān)督的聚類分析，在SPSS中將連續(xù)變量轉(zhuǎn)化為分類變量。利用轉(zhuǎn)換對(duì)主成分分析得出的新變量實(shí)現(xiàn)了重新編碼，重新編碼為不同的變量，最終實(shí)現(xiàn)將分類變量進(jìn)行有監(jiān)督聚類。

在DUS 的分類中將5 張比色卡的顏色利用主成分值進(jìn)行重新編碼，利用分類變量按照DUS 的5 類標(biāo)準(zhǔn)比色卡重新編碼的分類變量進(jìn)行分類，進(jìn)而實(shí)現(xiàn)利用比色卡信息對(duì)葉片的5 分類，結(jié)果如圖4：

圖4 葉片的分類結(jié)果Fig 4 Classification results of the leaves:

由于比色卡材質(zhì)與葉片材質(zhì)不相同，而材質(zhì)的差異多數(shù)體現(xiàn)在近紅外波段，為了提高模型的準(zhǔn)確性，采用標(biāo)準(zhǔn)葉片的多光譜圖像建立葉色的定量分類模型。

2.2.2 基于標(biāo)準(zhǔn)樣本的葉片顏色分類 本模型對(duì)300 個(gè)樣本與標(biāo)準(zhǔn)葉片的RGBN 4 通道灰度值進(jìn)行研究。標(biāo)準(zhǔn)葉片由2 個(gè)試驗(yàn)組的所有采集人員根據(jù)DUS 對(duì)應(yīng)的比色卡標(biāo)準(zhǔn)選出綠色、灰綠色、黃綠色、深綠色和淺綠色標(biāo)準(zhǔn)樣本。以RGBN 4 通道的平均值建立機(jī)器學(xué)習(xí)模型，該模型可以將葉色分為5 類（灰綠、淺綠、黃綠、綠、深綠），其顏色空間散點(diǎn)圖如圖5 所示。

圖5 葉片的顏色空間散點(diǎn)圖Fig.5 Scatter plot of color space of leaf

提取標(biāo)準(zhǔn)葉片RGBN 4 個(gè)通道的灰度值，將每一通道的平均灰度值作為模型的輸入，對(duì)所有樣本分別按照4 通道圖像的灰度值進(jìn)行分類分析。圖6為按照標(biāo)準(zhǔn)樣本的RGB 3 通道值和RGBN 4 通道值進(jìn)行類別分析后得出結(jié)果的混淆矩陣，本研究發(fā)現(xiàn)加入近紅外通道灰度值后在混淆矩陣中，RGBN 和RGB 在深綠范圍內(nèi)有較大的差異。

圖6 RGB 和RGBN 分類結(jié)果的混淆矩陣Fig 6 Confusion matrix of standard color and cluster analysis color

3 結(jié)論

本試驗(yàn)首先采用19 通道多光譜成像設(shè)備，采集大白菜葉片的多光譜圖像，經(jīng)過(guò)預(yù)處理后得到葉片19 通道的平均灰度值，利用K-means 聚類分析方法對(duì)19 個(gè)平均灰度值進(jìn)行聚類分析，發(fā)現(xiàn)主要影響葉色鑒定的波段集中在R、G、B 和N 4 個(gè)通道，即使用四通道多光譜相機(jī)即可完成，故采用AD-130GE 4 通道多光譜成像系統(tǒng)采集了大量試驗(yàn)樣本的圖像信息，在去除掉樣本葉片的病斑以及葉脈區(qū)域后進(jìn)行葉色分類，分別建立了基于比色卡與標(biāo)準(zhǔn)樣本的葉色分類模型，用2 種標(biāo)準(zhǔn)進(jìn)行了聚類研究。結(jié)果顯示基于RGBN 4 通道葉片的平均灰度值按照標(biāo)準(zhǔn)比色卡以及標(biāo)準(zhǔn)葉片均可以實(shí)現(xiàn)葉色分類，由于比色卡材質(zhì)與葉片材質(zhì)不同，基于標(biāo)準(zhǔn)葉片的定量分類模型可以對(duì)葉色更加準(zhǔn)確分類，即本試驗(yàn)最終選擇使用AD-130GE 4 通道多光譜相機(jī)結(jié)合標(biāo)準(zhǔn)葉片選擇主成分分析對(duì)大白菜葉片進(jìn)行葉色鑒定所需成本最低，檢測(cè)效果最好。該試驗(yàn)表明基于多光譜成像的定量檢測(cè)技術(shù)，可以輔助人眼辨別對(duì)葉片顏色進(jìn)行劃分，為育種田間性狀調(diào)查提供了1 種大白菜葉色的準(zhǔn)確鑒定方法。