AOTF高光譜成像探測作物氮素含量方法*

吳靜珠， 申 舒， 董晶晶， 李 慧， 陳 巖， 毛文華

(1.北京工商大學 計算機與信息工程學院 食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室，北京 100048； 2.中國農(nóng)業(yè)機械化科學研究院，北京100083)

AOTF高光譜成像探測作物氮素含量方法*

吳靜珠1， 申 舒1， 董晶晶1， 李 慧1， 陳 巖1， 毛文華2

(1.北京工商大學計算機與信息工程學院食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室，北京100048；2.中國農(nóng)業(yè)機械化科學研究院，北京100083)

使用聲光可調(diào)諧濾光器(AOTF)型高光譜成像儀采集10種不同氮素處理水平下的西紅柿苗各部位(老葉、嫩葉和主莖)的高光譜圖像，經(jīng)模板匹配預(yù)處理后提取615～1 000 nm高光譜信息，采用競爭自適應(yīng)重采樣(CARS)方法優(yōu)選西紅柿苗氮素含量表達的特征部位和特征波段。實驗結(jié)果表明：綜合番茄苗葉莖的光譜信息建立的氮素定量模型性能最差，由番茄苗老葉和嫩葉建立的氮素定量模型性能較好，由番茄苗老葉建立的氮素定量模型性能最佳，在挑選的703，906 nm等10個波長點的基礎(chǔ)上，采用5折—偏最小二乘交互校驗方法建立的氮素定量分析模型的決定系數(shù)R2達到了0.95，交叉校驗標準差(RMSECV)為0.08。因此，采用AOTF高光譜成像技術(shù)定量測量番茄苗氮素含量是可行的，應(yīng)以氮素含量相對穩(wěn)定的老葉建立定量分析模型，703，906 nm為氮素分析的首選特征波長。

聲光可調(diào)諧濾波器； 高光譜成像； 氮素含量； 競爭自適應(yīng)重采樣法

0 引 言

基于光譜成像的作物氮素含量監(jiān)測技術(shù)[1～6]將光譜和圖像技術(shù)結(jié)合起來，充分利用了二者的優(yōu)點，具有較高的光譜分辨率和空間分辨率，成為該領(lǐng)域新的發(fā)展方向。多數(shù)基于光譜成像的作物營養(yǎng)信息采集系統(tǒng)由光源、成像光譜儀及計算機等組成。一般采用氙氣燈、鹵素燈等作為可控光源，通用PC進行數(shù)據(jù)采集和分析。所用成像光譜儀多為3CCD多光譜成像儀，濾光片型多光譜成像儀、調(diào)諧型高光譜成像儀。一般采用統(tǒng)計分析的方法，從多光譜或者高光譜圖像提取作物的光譜信息，分析有效識別作物養(yǎng)分的光譜特征集；再采用圖像處理方法，從多光譜或者高光譜圖像提取作物的形狀、紋理等信息，定量分析作物養(yǎng)分含量的空間特征集，以光譜特征集和(或)空間特征集建立作物養(yǎng)分的預(yù)測模型，進行作物養(yǎng)分的定量分析[7～9]。

已有研究結(jié)果顯示，植物葉片氮素含量的特征光譜，隨不同的植物、不同的試驗條件而有所差異，有關(guān)植物葉片氮素含量與光譜參數(shù)的規(guī)律性和定量化的關(guān)系，還有待進一步研究。本文以番茄苗為研究對象，利用聲光可調(diào)濾光器(acousto-optic tunable filter,AOTF)為分光元件的AOTF調(diào)諧型高光譜成像儀，采集西紅柿苗各部位(老葉、嫩葉和主莖)的高光譜圖像進行處理和分析，優(yōu)選西紅柿苗氮素含量表達的特征波段和空間特征，探索作物氮素含量的AOTF高光譜成像檢測方法，為作物營養(yǎng)的定量監(jiān)測提供新的技術(shù)手段。

1 實驗材料和方法

1.1 樣品制備

采用基質(zhì)育苗方式，草炭：蛭石(體積比)=2∶1為混合基質(zhì)，50孔穴盤育番茄苗，待幼苗在1～2片時移栽至10 cm×10 cm的營養(yǎng)缽中，開始澆灌濃度不同的尿素溶液。采用NH4NO3作為氮源，以40 mg/L濃度為對照，分別設(shè)定以下10個處理：N1-120 mg/L，N2-80 mg/L，N3-70 mg/L，N4-60 mg/L，N5-50 mg/L，N6-40 mg/L，N7-30 mg/L，N8-20 mg/L，N9-10 mg/L，N10-0 mg/L。

采用H2S04—H202消煮凱氏定氮法測定10個不同處理下的番茄苗的氮素含量，測定得到10個不同處理下的番茄樣本氮素含量,含量范圍為3.12 %～4.98 %,均值為3.61 %,方差為0.35 %。

1.2 數(shù)據(jù)采集設(shè)備

利用AOTF高光譜成像系統(tǒng)采集樣本的高光譜圖像,系統(tǒng)采用AOTF進行電調(diào)諧濾光，進行凝視式光譜成像，能同時獲得被觀測對象豐富的空間維和光譜維信息。系統(tǒng)由美國Brimrose 公司的CVA200—.55—1.0—L 型AOTF及其控制器、日本JAI公司的 CV—A5OIR型CCD近紅外相機、日本騰龍(TAMRON)鏡頭、HP鹵素燈光源、大恒圖像采集卡、計算機和機柜等組成。AOTF高光譜成像系統(tǒng)可采集550～1 055 nm高光譜圖像，光譜分辨率為2～6 nm，圖像分辨率為768×478。

被測對象西紅柿苗的光譜通過物鏡入射到AOTF中，AOTF控制器產(chǎn)生射頻電信號作用到AOTF上。AOTF中TeO2晶體一端的換能器在射頻信號作用下激勵晶體表面產(chǎn)生超聲波，在晶體表面形成衍射光柵，影響通過晶體表面光波的傳播，通過改變射頻信號源頻率大小，改變通過AOTF的光波波長，從而有目的選擇光譜波長，實現(xiàn)分光。經(jīng)過AOTF后，所選擇的光譜波段的光被CCD探測到，形成了對應(yīng)光譜波段的光譜圖像，最后由圖像采集卡采集存儲到計算機中并經(jīng)過圖像處理算法的處理，得到理想的高光譜圖像并顯示。

1.3 數(shù)據(jù)采集方法

在番茄苗4～20片葉期間采集數(shù)據(jù)，隨機選取10株不同處理下的株苗。分別摘取老葉，嫩葉(按照顏色和葉片大小來區(qū)分老葉和嫩葉)和主莖作為樣本。由于番茄苗老葉較多，因此,每株苗可分別采集2次老葉，共制備老葉樣本20個，嫩葉樣本10個，主莖樣本10個。將番茄苗的各部位樣品分別放置于AOTF高光譜成像系統(tǒng)的載物架上，調(diào)整載物臺的高度使樣本位于視場內(nèi)，調(diào)諧頻率從92～185 MHz，以1 MHz的間隔遞增連續(xù)采集樣本550～1 055 nm的高光譜圖像，所采集的N6處理的老葉、嫩葉、主莖樣本在803 nm波段下的高光譜圖像如圖1所示。

圖1 N6處理下的番茄苗在803 nm的高光譜圖像

1.4 高光譜圖像預(yù)處理

以番茄苗葉片的高光譜圖像HSIi.bmp ,i∈[550,1055]預(yù)處理為例。

1)提取前景模板：先抽取803nm波段的高光譜圖像HSI803.bmp，用最大方差自動取閾法[10]二值化后，采用行程標記算法標記前景區(qū)域，并用面積濾波算法濾除噪聲區(qū)，如果面積小于50像素，則從標記的前景區(qū)域中濾除該區(qū)域(面積閾值由試驗得到)，得到一幀番茄苗葉片模板圖像mask.bmp。

2)分割前景圖像：將原始圖像HSIi.bmp逐幀與模板圖像mask.bmp相匹配，得到番茄葉片樣本圖像ROIi.bmp,i∈[550,1055]。如果mask.bmp中某像素點為番茄葉片樣本(像素值為255)，則ROIi.bmp中該像素點為番茄葉片(像素值為HSIi.bmp中該點的像素值)；否則，ROIi.bmp中該像素點為背景(像素值為0)。

1.5 光譜信息提取

基于光譜信息的氮素含量檢測儀器，常使用紅光和NIR高原區(qū)的譜段，本文選取615～1 000 nm波段分析番茄幼苗的光譜特性。對預(yù)處理后的高光譜圖像逐幀提取圖像中各前景點的灰度值，并除以256進行歸一化處理，作為該圖像在615～1 000 nm波段的反射率。以番茄苗嫩葉為例，每個不同處理下提取的光譜均值如圖2所示(圖中N1～N10對應(yīng)了10種不同濃度的氮素處理水平)。從圖2中可以看出，所有番茄幼苗的反射規(guī)律總體上一致，“紅邊”效應(yīng)明顯；不同氮素處理的番茄之間有著一定的區(qū)別。

圖2 不同氮素處理的番茄苗嫩葉的光譜均值

1.6 特征波長優(yōu)選

實驗以采集的西紅柿苗各部位(老葉、嫩葉和主莖)樣本的高光譜圖像為基礎(chǔ)，擬從3個樣本集1)老葉;2)老葉+嫩葉；3)老葉+嫩葉+莖，逐步優(yōu)選表征西紅柿苗氮素含量的特征波段，比較西紅柿苗在3個樣本集下建立的氮素含量的近紅外定量分析模型，探索作物氮素含量的AOTF高光譜成像檢測方法。

運用競爭自適應(yīng)重加權(quán)采樣 (competitive adaptive reweighted sampling，CARS)方法[11]對上述番茄苗樣本提取的光譜信息進行特征波長優(yōu)選。算法中引入了指數(shù)衰減函數(shù)來控制變量的保留率，具有很高的計算效率，適用于高維數(shù)據(jù)的變量選擇。本文所用的CARS，PLS等程序均在Matlab R 2008a環(huán)境下運行。

1.7 特征部位優(yōu)選

采用CARS方法優(yōu)選的特征波長及PLS分別建立番茄苗(老葉，老葉+嫩葉，老葉+嫩葉+莖)氮素含量的定量分析模型。模型的預(yù)測精度和穩(wěn)健性采用最佳主成分數(shù)nf、決定系數(shù)R2、交叉校驗標準差(root mean square error of cross validation,RMSECV)進行綜合評價。根據(jù)文獻[12],K折交叉校驗與留一法交叉校驗相比，更接近于實際預(yù)測能力，采用K折交叉校驗的模型指標來評價模型預(yù)測能力更有意義實際。本文采用5折—PLS交互校驗。

2 結(jié)果分析

CARS法根據(jù)交互校驗均方根誤差最小原則優(yōu)選出的番茄苗樣本的特征波長如表1所示?？梢钥闯?樣本集(3)包含西紅柿苗的老葉、嫩葉、莖全部樣本，而通過CARS法優(yōu)選的樣本集(3)的特征波長與樣本集(1)和(2)選擇的特征波長部分重合，如表征樣本集(1)的特征波長703，906 nm和表征樣本集(2)的特征波長729，845 nm均出現(xiàn)在樣本集(3)的特征波長中。表明通過CARS法選擇出的樣本集的特征波長與樣本集的樣本組成情況基本相符。

表1 CARS法優(yōu)選的番茄苗樣本的特征波長

5折—PLS交互校驗番茄苗氮素含量定量模型的結(jié)果，如表2所示?？梢员容^得出樣本集(1)番茄苗老葉建立的氮素定量模型性能最佳。樣本集(2)和樣本集(1)所建模型的性能指標接近，而樣本集(3)的模型指標有明顯降低的。分析3個樣本集的樣本組成：樣本集(1)和(2)由番茄苗葉片組成，而在樣本集(3)中增加了番茄苗莖的樣本。而植物體內(nèi)的氮素主要存在于蛋白質(zhì)和葉綠素中，因此，幼嫩器官和種子中含氮量較高，而莖稈含量較低，尤其是老熟的莖稈含氮量更低。因此，可以分析得到樣本集(3)在增加了番茄苗莖樣本后，使得模型指標有了明顯下降，這是由于植物體內(nèi)氮含量分布的差異所引起的。樣本集(1)和樣本集(2)中的番茄苗葉片的氮含量相對較高，因此，兩個樣本集的氮含量定量分析模型性能較好。根據(jù)實驗結(jié)果，采用葉片建立的定量分析模型較建立整株苗的氮素含量定量分析模型更具可行性。另外在后期的研究中將進一步考慮高光譜圖像的影響因素，探索增強模型魯棒性的方法。

表2 5折—PLS交互校驗番茄苗氮素含量定量模型結(jié)果

3 結(jié) 論

利用AOTF為分光元件的AOTF高光譜成像儀，采集西紅柿苗各部位(老葉、嫩葉和主莖)的高光譜圖像進行光譜信息處理和分析。通過CARS方法優(yōu)選番茄苗特征波長后，采用5折—PLS交互校驗法分別驗證番茄苗(老葉，老葉+嫩葉，老葉+嫩葉+莖)氮素含量的定量分析模型，得出如下結(jié)論：1)采用AOTF高光譜成像技術(shù)定量測量番茄苗氮素含量可行；2)703，906 nm為氮素分析的首選特征波長；3)氮素含量相對穩(wěn)定的老葉為氮素分析的特征部位。

[1] 劉明博,唐延林,李曉利,等.水稻葉片氮含量光譜監(jiān)測中使用連續(xù)投影算法的可行性[J].紅外與激光工程,2014(4):1265-1271.

[2] 何 勇,彭繼宇,劉 飛,等.基于光譜和成像技術(shù)的作物養(yǎng)分生理信息快速檢測研究進展[J].農(nóng)業(yè)工程學報,2015(3):174-189.

[3] 張東彥,劉良云,黃文江,等.利用圖譜特征解析和反演作物葉綠素密度[J].紅外與激光工程,2013(7):1871-1881.

[4] 吳靜珠,吳勝男,劉翠玲,等.近紅外和高光譜技術(shù)用于小麥籽粒蛋白含量預(yù)測探索[J].傳感器與微系統(tǒng),2013,32(2):60-62.

[5] 吳靜珠,劉 倩,陳 巖,等.基于近紅外與高光譜技術(shù)的小麥種子多指標檢測方法[J].傳感器與微系統(tǒng),2016,35(7):42-44.

[6] 張東輝,趙英俊,陸冬華,等.高光譜傳感器CASI與SASI支持下的水體精準提取[J].傳感器與微系統(tǒng),2016,35(5):25-27.

[7] 楊 瑋,李民贊,孫 紅,等.溫室黃瓜葉片近紅外圖像消噪算法與含氮量快速檢測[J].農(nóng)業(yè)機械學報,2013,44(7): 216-221.

[8] 李子揚,錢永剛,申慶豐,等.基于高光譜數(shù)據(jù)的葉面積指數(shù)遙感反演[J].紅外與激光工程,2014(3):944-949.

[9] 李 丹,何建國,劉貴珊，等.基于高光譜成像技術(shù)的小黃瓜水分無損檢測[J].紅外與激光工程,2014(7):2393-2397.

[10] Rafael C G,Richard E W,Steven L E．Digital image processing using Matlab[M]．Beijing: Publishing House of Electronics Industry,2005:305-306.

[11] 肖海斌,趙進輝,袁海超,等.同步熒光光譜結(jié)合CARS變量優(yōu)選預(yù)測豬肉中四環(huán)素殘留含量[J].光學精密工程,2013(10):2513-2519.

[12] 袁大林,梁逸曾,許青松.QSAR/QSPR模型中的蒙特卡羅交叉效驗評價[J].計算機與應(yīng)用化學,2006,23(6):569-573.

CropnitrogencontentdetectionmethodbyAOTFhyper-spectralimaging*

WU Jing-zhu1， SHEN Shu1， DONG Jing-jing1， LI Hui1， CHEN Yan1， MAO Wen-hua2

(1.BeijngKeyLaboratoryofBigDataTechnologyforFoodSafety,SchoolofComputerandInformationEngineering,BeijingTechnologyandBusinessUniversity,Beijing100048,China；2.ChineseAcademyofAgriculturalMechanizationSciences,Beijing100083,China)

Acousto-optic tunable filter(AOTF)hyper-spectral imaging system with acousto-optic tunable filter are used to collect the hyper-spectral images of tomato seedlings’ various parts,such as main stem,new leaves and old leaves.In this experiment,tomato seedlings were cultivated at 10 different nitrogen-treatment levels.The spectral information from 615 nm to 1 000 nm are extracted from the hyper-spectral imaging by template matching preprocessing.Competitive adaptive reweighted sampling(CARS)method is adoptded to select feature.The experimental results show that the performance of nitrogen quantitative model built by the leaves and stems set is the worst,that of the model built by the leaves set is better,and that of the model built only by the old leaves is the best.The best model is established by 5 fold partial least square(PLS)regression method on the base of 10 wavelength points selected by CARS including 703 nm,906 nm and so on.The best principal component number is 9,the determine coefficientR2is 0.95 and the root mean square error of cross validation(RMSECV)is 0.08.Therefore,it is possible to monitor the nitrogen content of tomato seedlings with the AOTF hyper-spectral imaging technology.The old leaves with relative stability of old leaf nitrogen content should be recommended to build quantitative analysis model,and the preferred feature wavelength for nitrogen analysis is 703 nm and 906nm.

acousto-optic tunable filter(AOTF)； hyper-spectral imaging； nitrogen content； competitive adaptive reweighted sampling(CARS)

10.13873/J.1000—9787(2017)11—0064—03

S 123

A

1000—9787(2017)11—0064—03

2016—11—15

國家重點基礎(chǔ)研究發(fā)展計劃資助項目(2012CB723704)； 國家自然科學基金資助項目(31272056)； 2015年北京高等學校高水平人才交叉培養(yǎng)畢業(yè)設(shè)計(創(chuàng)業(yè)類)支持計劃項目

吳靜珠(1979-)，女，博士，副教授，主要從事分子光譜檢測技術(shù)方面的研究工作。