數(shù)字圖像監(jiān)測作物生長特征的研究進(jìn)展

趙欣欣，陳煥軒，韓迎春，李亞兵,，馮 璐,

（1棉花生物學(xué)國家重點(diǎn)實(shí)驗(yàn)室鄭州大學(xué)研究基地/鄭州大學(xué)，鄭州450000；2中國農(nóng)業(yè)科學(xué)院棉花研究所/棉花生物學(xué)國家重點(diǎn)實(shí)驗(yàn)室，河南安陽455000）

0 引言

近年來農(nóng)用耕地面積逐漸減少[1]，充分地利用有限的土地資源實(shí)現(xiàn)作物產(chǎn)量最大化成為農(nóng)業(yè)科技工作者的主要目標(biāo)。新品種的選育和栽培技術(shù)的發(fā)展為作物產(chǎn)量和品質(zhì)不斷提高起到了積極的作用。然而，粗放式、經(jīng)驗(yàn)化的管理模式仍存在著管理成本高、資源利用效率低的問題[2]。作物長勢是農(nóng)業(yè)情報信息之一，直接反映作物的生長情況并可用于估算作物的最終產(chǎn)量，因此，對作物長勢進(jìn)行準(zhǔn)確監(jiān)測可診斷和估測農(nóng)作物早期產(chǎn)量[3]，指導(dǎo)田間數(shù)量化管理，從而實(shí)現(xiàn)作物生產(chǎn)潛能的最大化以及土地資源的科學(xué)化管理。

隨著圖像處理技術(shù)的快速發(fā)展，應(yīng)用計算機(jī)視覺技術(shù)對作物進(jìn)行長勢監(jiān)測成為可能。數(shù)字圖像技術(shù)能夠?qū)崿F(xiàn)小范圍作物生長特征的監(jiān)測，對作物的長勢監(jiān)測意義重大，尤其對中國以零散小戶種植為主要模式的農(nóng)業(yè)生產(chǎn)更具影響。同時，數(shù)字圖像在作物信息采集方面具備收集信息量大、采集速度快、分析精度高等優(yōu)勢，可避免傳統(tǒng)方法中由于人與人間認(rèn)識差異、視覺疲勞以及主觀判斷等造成的誤差，節(jié)約了勞動力，簡化了信息采集過程。利用數(shù)字圖像對作物生長特征進(jìn)行監(jiān)測已經(jīng)成為現(xiàn)代作物栽培學(xué)的發(fā)展方向，它既能在宏觀上對作物生產(chǎn)計劃的制定起到導(dǎo)向作用，又能在微觀上對作物管理起到指導(dǎo)作用，具有重大的科學(xué)意義。筆者對數(shù)字圖像監(jiān)測作物長勢的基本原理、數(shù)字圖像的獲取方法、處理算法以及利用數(shù)字圖像進(jìn)行作物生長監(jiān)測的研究進(jìn)展進(jìn)行綜述，總結(jié)當(dāng)前研究中存在的問題，旨在為進(jìn)一步利用數(shù)字圖像實(shí)現(xiàn)對作物的精準(zhǔn)管理提供參考。

1 數(shù)字圖像監(jiān)測作物長勢基本原理

1.1 作物的生長特征

作物生長有關(guān)特征指標(biāo)是作物生產(chǎn)管理的主要依據(jù)。作物生長特征可從作物的個體與群體特征2個層次描述[4]。作物生長的特征參數(shù)包括個體特征參數(shù)（株高等）、群體特征參數(shù)（覆蓋度）以及綜合參數(shù)（葉面積指數(shù)、生物量）[5-6]。

1.2 數(shù)字圖像的基本原理

作物的許多生長特征都是視覺特征。不同波長的電磁波刺激人的視覺器官感知色彩[7]。人眼中的3種錐體細(xì)胞光譜吸收的峰值在紅、綠、藍(lán)三色光波長范圍內(nèi)。任何顏色都可以通過紅、綠和藍(lán)三色按不同的比例合成。同樣，絕大多數(shù)單色光也可分解成紅、綠和藍(lán)三色光，即三基色原理。紅綠藍(lán)三基色是相互獨(dú)立的，任何一種基色都不能由其他2種顏色合成。

利用普通數(shù)碼相機(jī)獲取的作物圖像為真彩圖像，又稱RGB圖像，它采用二進(jìn)制表示顏色，以數(shù)字方式記錄作物圖像，將圖像信號轉(zhuǎn)化為數(shù)字信號，直接生成數(shù)字圖像，圖像中每個像素都分成R、G、B 3個分量。數(shù)碼相機(jī)所采集到的作物圖像的顏色可反映葉片對白光的吸收和反射情況，而圖像數(shù)字化則解決了人眼難以識別過小顏色差異的問題，使得利用作物顏色進(jìn)行定量監(jiān)測成為可能。數(shù)字圖像具有保持圖像清晰度、圖像信息損失低、便于儲存、可使用計算機(jī)實(shí)現(xiàn)圖像處理、分析和信息提取等特點(diǎn)[8-9]。數(shù)字圖像是使用數(shù)字陣列表示的圖像，該陣列中的每一個元素稱為像素，圖像是像素的二維排列。

2 數(shù)字圖像獲取方法

2.1 數(shù)字圖像的采集平臺

數(shù)碼相機(jī)作為最便攜的數(shù)字圖像采集設(shè)備，已經(jīng)廣泛應(yīng)用于玉米[10]、棉花、小麥[11]、水稻[12]、甜菜[13]等多種作物圖像的采集，通過圖像處理來分析作物的生長特征和生理指標(biāo)。根據(jù)不同的需要和應(yīng)用環(huán)境，利用數(shù)碼相機(jī)采集數(shù)字圖像的平臺大致可分為固定式采集平臺和移動式采集平臺，而移動式采集平臺又包括地面移動裝置和無人機(jī)[14]。固定式采集主要是固定數(shù)碼相機(jī)等便攜設(shè)備的位置，定時定點(diǎn)進(jìn)行圖像采集，存在適時性不高、監(jiān)控區(qū)域有限、監(jiān)控效率低等問題。隨著農(nóng)業(yè)信息化的不斷發(fā)展，人力驅(qū)動式、車載式的可移動平臺逐漸出現(xiàn)[15-21]。人力驅(qū)動式平臺主要指需人力移動的手持式或手推車等采集設(shè)備；車載式平臺主要指安裝在農(nóng)用拖拉機(jī)上的圖像采集設(shè)備。車載式平臺可以更多角度更大范圍地采集作物的數(shù)字圖像，但移動本身會對作物形態(tài)造成影響，進(jìn)而影響圖像采集的效果，另外拖拉機(jī)等自身占用空間過大且移動路線單一也限制了圖像的采集[14,21]。大型自動化室內(nèi)外表型采集平臺利用自動控制技術(shù)和機(jī)器視覺技術(shù)相結(jié)合可較準(zhǔn)確采集作物的表型參數(shù)，但制作成本和維護(hù)費(fèi)用過高限制了其應(yīng)用范圍[22]。隨著無人機(jī)平臺向農(nóng)業(yè)領(lǐng)域的滲透，美國國家航空航天局最早采用無人機(jī)獲取作物數(shù)字圖像，隨后無人機(jī)采集圖像得到廣泛應(yīng)用[23-24]。按照不同的平臺構(gòu)型可將無人機(jī)分為固定翼無人機(jī)、直升機(jī)和多旋翼無人機(jī)。進(jìn)行無人機(jī)選擇時，要根據(jù)作業(yè)的要求，充分考慮續(xù)航時間、載荷量、飛行控制系統(tǒng)等方面的因素[25]。

2.2 數(shù)字圖像的獲取技術(shù)

數(shù)字圖像的獲取和成像都有一定的限制條件，受外界溫度、光照等各種環(huán)境因素影響[26]。需針對具體環(huán)境，采取適宜方法，以提高采集和分析的精確度。

在現(xiàn)有的研究中，國內(nèi)外學(xué)者在拍攝圖像時對拍攝時間、環(huán)境以及拍攝高度和角度進(jìn)行了不同的選擇，具體研究進(jìn)展見表1。

表1 數(shù)字圖像獲取研究進(jìn)展

2.2.1 地面數(shù)字圖像獲取方法 在大田環(huán)境下利用數(shù)碼相機(jī)采集作物冠層圖像時，天氣狀況、相機(jī)設(shè)置、拍攝時間、作物冠層結(jié)構(gòu)差異、相機(jī)與地面角度和高度、圖像存儲格式及分辨率等因素都會引起圖像信息的差異，造成分析結(jié)果的不準(zhǔn)確。

眾多學(xué)者在拍攝天氣和拍攝時間的選擇上沒有太多差異，一般是在晴朗無風(fēng)的中午或者下午。雖然大量學(xué)者進(jìn)行了不同拍攝方法的研究，但是關(guān)于如何采集大田作物數(shù)字圖像仍沒有一個明確的拍攝標(biāo)準(zhǔn)，值得指出的是，已經(jīng)有一些學(xué)者比較了不同采集方法的差異，并提出關(guān)于采集的一些建議。Bumgarner等[34]測定生菜冠層時，比較了室外拍攝和溫室拍攝2種圖像獲取方式，認(rèn)為試驗(yàn)圖像的分析最好能按照采樣的時間分別進(jìn)行，且最好在一天的同一時間進(jìn)行。Rasmussen等[35]利用數(shù)碼相機(jī)在鋤草后作物土壤覆蓋度評估的研究中，對比了光照情況和拍照角度對評估結(jié)果的影響，并建立了照片采集的標(biāo)準(zhǔn)。賈良良等[36]在利用相機(jī)進(jìn)行小麥氮素營養(yǎng)診斷研究中，認(rèn)為冠層角度、太陽光照強(qiáng)度、圖像存儲格式及分辨率、農(nóng)田灌溉與否等都不會影響到利用照片的色彩參數(shù)對小麥進(jìn)行營養(yǎng)診斷。劉繼承和姬長英[5]在對水稻生長監(jiān)測的研究中提到，采集水稻群體圖像時，應(yīng)選擇無風(fēng)天氣，避免圖像模糊降低識別性，光線不宜太強(qiáng)或太暗。

2.2.2 低空數(shù)字圖像獲取方法 地面人工拍攝費(fèi)時費(fèi)力，拍攝范圍有限，無人機(jī)的出現(xiàn)為高效便捷獲取作物數(shù)字圖像提拱了支撐。無人機(jī)平臺主要利用無人機(jī)搭載輕型數(shù)碼相機(jī)來獲取數(shù)字圖像。無人機(jī)獲取數(shù)字圖像除受傳感器本身屬性影響外，還與飛行參數(shù)、拍攝參數(shù)有關(guān)。常規(guī)無人機(jī)的飛行參數(shù)包括飛行高度、飛行速度、飛行軌跡規(guī)劃等，如飛行高度決定地表分辨率，航拍飛行高度越高，在同等時間內(nèi)拍攝的面積越大，圖像的像素越高，容易加劇混合像元效應(yīng)。拍攝參數(shù)包括ISO值、快門速度、光圈等。如果快門速度無法與飛行速度協(xié)調(diào)，可能造成拍攝圖像模糊或者覆蓋率不足。因此，通過無人機(jī)獲取作物圖像需要實(shí)現(xiàn)多參數(shù)之間的相互調(diào)整配合，保證無人機(jī)圖像獲取平臺實(shí)現(xiàn)最佳效果。在進(jìn)行無人機(jī)航線規(guī)劃時，要充分考慮內(nèi)因（相機(jī)分辨率、無人機(jī)續(xù)航時間、法定飛行高度等）和外因（航線方向、圖像重疊度、飛行速度等）。航線方式可分為Z字形、環(huán)繞形、不規(guī)則多邊形和自由飛行。Z字形的飛行方式是大多數(shù)場景都適用的，最適合相對平坦的面積較大的區(qū)域；環(huán)繞形可用于三維模型的構(gòu)建，在農(nóng)業(yè)中需要測株高時，這種方法特別適用，可在物體周圍完成一個橢球體任務(wù)；在遇到復(fù)雜的地形和飛行邊界限制時可采用不規(guī)則多邊形飛行。植物種植具有季節(jié)性，為避免遺漏圖像信息，在飛行時需要特別注意圖像的重疊率，至少保證75%的航向重疊率和60%的旁向重疊率。

關(guān)于數(shù)碼照片的采集方法國內(nèi)外學(xué)者已經(jīng)做了大量研究，提出了一些有關(guān)拍攝時間、角度、環(huán)境以及分辨率等的建議。但對于不同作物不同時期的生長特性進(jìn)行監(jiān)測，應(yīng)該有針對性地提出具體的監(jiān)測方法，這需要研究不同作物的科研工作者通過實(shí)踐逐步完善。

3 數(shù)字圖像分析方法

3.1 分析軟件

數(shù)字圖像對作物監(jiān)測研究的始于20世紀(jì)60年代，但是早期無法解決土壤和作物顏色識別和判斷的問題。20世紀(jì)90年代以來，隨著高分辨率數(shù)碼相機(jī)技術(shù)的快速發(fā)展以及配套計算機(jī)軟件識別技術(shù)的開發(fā)，數(shù)字圖像技術(shù)得到了快速發(fā)展。數(shù)字圖像的分析要借助于圖像處理軟件以及算法。目前常用的圖像處理軟件有 Photoshop(San Jose，CA，US)[37-38]、GIMP 2.2 and Image J 1.33 freeware[39]、Matlab(Natick，MA，US)[40-41]、ENVI(Boulder，CO，US)[42]、SigmaScan Pro(Chicago)[43]、winCAM(Quebec，QC，Canada)[44-45]以及Image-Pro Plus 5.1(Media Cybernetics，MD，US)[46]等。

3.2 分析方法

借助圖像處理軟件和算法使準(zhǔn)確分析數(shù)字圖像成為可能，可以實(shí)現(xiàn)非破壞性的作物生長監(jiān)測。利用作物圖像顏色、紋理和形態(tài)等特征參數(shù)，可使作物圖像分析更加科學(xué)系統(tǒng)。

3.2.1 圖像顏色特征

（1）數(shù)字圖像顏色模型。學(xué)者們?yōu)榱烁涌茖W(xué)地對顏色進(jìn)行定量和研究，針對不同需求提出了許多顏色模型。在作物長勢監(jiān)測上應(yīng)用最為廣泛的是RGB顏色模型和HIS顏色模型[47]。RGB分別代表紅(red)、綠(green)、藍(lán)(blue)3種基色，RGB顏色模型是將自然界的顏色通過選用紅、綠、藍(lán)三基色按照不同比例混合。顏色范圍由每種顏色通道的位深決定，如24位RGB則有256×256×256，約1670萬種顏色。0～255反映原色的亮度，顏色越深，亮度越低，值就越小。當(dāng)3種原色亮度值相等時產(chǎn)生灰色，當(dāng)3種亮度都為255時產(chǎn)生純白色，當(dāng)3種亮度都為0時產(chǎn)生純黑色，3種色光混合產(chǎn)生的顏色一般比原來的顏色亮度髙，所以RGB模式采用的是色光加色法。HIS模型中H代表色調(diào) (hue)、S 代表飽和度 (saturation)、I代表亮度(intensity)，飽和度表示顏色的鮮明程度，亮度由物體反射系數(shù)大小決定。相比于RGB顏色模型，HIS顏色模型更加適應(yīng)人的視覺感官，在圖像處理和計算機(jī)視覺中大量算法中也可以更方便地使用[48]。RGB模型和HIS模型存在著轉(zhuǎn)換關(guān)系，可以方便地進(jìn)行互換，也為圖像的處理提供了更多途徑。

（2）數(shù)字圖像顏色特征值。前人研究的圖像分析方法以顏色方法居多，RGB顏色模型是數(shù)字圖像最基礎(chǔ)的算法，各種顏色都可由紅綠藍(lán)3種基本色調(diào)按照一定比例混合形成，稱為三基色合成，即加色原理。RGB值的范圍在0～255之間，由于RGB值為絕對的值，不同環(huán)境下差異較大，因此許多學(xué)者開始思考用比例這種相對值的方法進(jìn)行區(qū)分。Baret等[49]提出了一種方法利用向下拍攝的圖像中的RGB顏色來估算行播作物的綠葉面積指數(shù)。Andreasen等[50]也定義了一個參數(shù)將圖像中的植物部分從土壤中分離出來，這個參數(shù)為g=256[G/(R+G+B)]。然而這個參數(shù)存在一些問題，即紅色和藍(lán)色的強(qiáng)度經(jīng)常會改變圖像本身看上去的綠色的強(qiáng)度。為了加強(qiáng)數(shù)字圖像的解釋性，Booth等[51]使用了一種“綠葉指數(shù)”算法，即用[(G-R)+(G-B)]/(G+R+G+B)來表示綠色植被，這樣就使得綠色水平比起紅色和藍(lán)色水平更強(qiáng)烈。Liu和Pattey[52]通過計算圖像中2G-R-B值來提取圖像中的空白部分。Karcher和Richardson[53]也建議把RGB值轉(zhuǎn)化為利用更加直觀的灰度飽和度和亮度的HSB模型，這樣減少了RGB監(jiān)測不同環(huán)境時拍攝圖像所引起的誤差。Graham等[54]提出了HSL模型算法，即使用灰度、飽和度和光強(qiáng)將綠色植被從背景中分離出來。隨后Karcher和Richardson將HSB值轉(zhuǎn)化成一個更加穩(wěn)定的深綠色指數(shù)DGCI，深綠色指數(shù)的計算方法為DGCI=[(H-60)/60+(1-S)+(1-B)]/3。

數(shù)字圖像中顏色特征的提取是監(jiān)測作物長勢特征中最有效、應(yīng)用最為廣泛的方法，無論是作物覆蓋度、葉面積指數(shù)、生物量、植物營養(yǎng)還是病害情況都會在顏色上加以體現(xiàn)。但在顏色模型的具體應(yīng)用中，還應(yīng)該結(jié)合其他特征深入研究，以提高其監(jiān)測的準(zhǔn)確性。

3.2.2 紋理和形狀特征 紋理是對圖像像素灰度的描述，與顏色圖像相比，紋理能更好地兼顧整體與細(xì)節(jié)。在圖像分析中，紋理分析有著非常重要的作用，通常包括2個方面的內(nèi)容，一是抽取圖片的詳細(xì)紋理特征，二是根據(jù)所抽取的特征對圖像進(jìn)行分類。王耀南等[55]利用灰度共生矩陣進(jìn)行紋理特征提取，計算黃瓜角斑病和黃瓜斑疹病紋理特征參數(shù)，證明尋找最合適的特征參量進(jìn)行葉片紋理的特征值提取方法是可行的。Pydipati等[56]利用機(jī)器視覺和人工智能的技術(shù)對柑桔早期病害進(jìn)行監(jiān)測，使用顏色共現(xiàn)法(CCM)綜合紋理特征、顏色特征中的飽和度和強(qiáng)度(HSI)對正常和感病的柑橘葉片進(jìn)行統(tǒng)計分類，所有類別的分類準(zhǔn)確率均超過95%。

而形狀特征常與作物特征關(guān)聯(lián)共同用于描述圖像內(nèi)容。Chesmore等[57]開發(fā)了一種用于漂白孢子的圖像分析系統(tǒng)，可通過孢子的形態(tài)特征來區(qū)分物種，分離準(zhǔn)確率達(dá)97%。馬曉丹等[58]運(yùn)用計算機(jī)圖像處理技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)，實(shí)現(xiàn)了大豆葉片病斑區(qū)域的識別，圖像處理技術(shù)與神經(jīng)網(wǎng)絡(luò)方法結(jié)合，識別病斑區(qū)域的準(zhǔn)確率可達(dá)100%。

但由于作物生長情況比較復(fù)雜，單純運(yùn)用單一特征進(jìn)行監(jiān)測是不夠的，還需顏色、紋理和形狀等特征的綜合研究，并進(jìn)行相應(yīng)的模式識別，才能夠更準(zhǔn)確地對作物生長特性進(jìn)行監(jiān)測。

4 利用數(shù)字圖像對作物生長特征的監(jiān)測研究進(jìn)展

作物覆蓋度、葉面積指數(shù)、生物量以及氮素營養(yǎng)都是作物群體生長特征的重要參數(shù)，對于監(jiān)測及診斷作物群體的生長狀況具有重要意義。傳統(tǒng)的監(jiān)測方法一般具有破壞性、費(fèi)時費(fèi)力，且精確度易受人為主觀影響。隨著數(shù)碼設(shè)備的快速發(fā)展，許多學(xué)者已經(jīng)將數(shù)字圖像技術(shù)應(yīng)用于作物生長監(jiān)測。

4.1 利用數(shù)字圖像對作物覆蓋度的監(jiān)測

作物覆蓋度能夠反映作物在生長過程中冠層的動態(tài)變化，還能側(cè)面反映植物光合作用的強(qiáng)弱及蒸騰作用的大小[59]。因此，利用數(shù)字圖像對作物覆蓋度進(jìn)行監(jiān)測具有重要意義。

Chen等[60]發(fā)現(xiàn)利用數(shù)碼相機(jī)進(jìn)行覆蓋度估測是最為快速且準(zhǔn)確的，這表明利用數(shù)碼相機(jī)進(jìn)行覆蓋度估測具有可行性。Campillo等[61]利用數(shù)字圖像比較分析了多種方法以估測番茄的覆蓋度，分別是面積法、輪廓法和再分類法，其中，再分類法是通過使用RGB再分類工具依據(jù)輻射水平將圖像進(jìn)行分類，從而估算作物的覆蓋面積。此方法可以定量區(qū)分植被部分，以增加其準(zhǔn)確性。Purcell[30]通過采集數(shù)字圖像，應(yīng)用SigmaScan Pro軟件根據(jù)人為定義的灰度和飽和度將圖片中的綠色植被和背景區(qū)分開來，并計算綠色植被部分的像素個數(shù)占整個圖片像素個數(shù)的比例，初步實(shí)現(xiàn)對大豆冠層覆蓋率的監(jiān)測。通過采集數(shù)字圖像并分析其相關(guān)系數(shù)可以間接反映作物覆蓋度。目前常用于分析作物覆蓋度的顏色指標(biāo)是標(biāo)準(zhǔn)化綠藍(lán)差異指數(shù)(NGBDI)[62]，Yang等[63]利用無人機(jī)對返青期冬小麥的數(shù)字圖像進(jìn)行采集，提取數(shù)據(jù)并計算了NGBDI，建立了作物覆蓋度的回歸模型，其相關(guān)系數(shù)達(dá)到0.925，均方根誤差為0.027。

數(shù)字圖像的相關(guān)系數(shù)與作物覆蓋度具有較強(qiáng)的相關(guān)性，應(yīng)用該方法精確度高、誤差小。此外，基于作物覆蓋度與其他生長特征指標(biāo)的關(guān)系，還可間接實(shí)現(xiàn)對其他生長特征的監(jiān)測。

4.2 利用數(shù)字圖像對葉面積指數(shù)的監(jiān)測

葉面積是判斷作物群體生長狀況的重要參數(shù)，合理的葉面積有利于作物充分利用光能，進(jìn)而實(shí)現(xiàn)作物的優(yōu)質(zhì)高產(chǎn)[64]。

前人[65-66]研究葉面積指數(shù)與作物冠層覆蓋度的關(guān)系，認(rèn)為可以通過估算作物覆蓋度對葉面積指數(shù)進(jìn)行估測。Bumgarner等[34]利用數(shù)字圖像分析的方法對生菜的葉面積和生物量進(jìn)行估測，利用數(shù)字圖像分析計算，發(fā)現(xiàn)生菜的冠層覆蓋率與實(shí)際測得的葉面積呈顯著相關(guān)。雷詠雯等[67]分析了棉花不同生育期地面覆蓋度與生物產(chǎn)量和葉面積指數(shù)間的關(guān)系，發(fā)現(xiàn)棉花冠層覆蓋度指標(biāo)可以有效預(yù)測葉面積系數(shù)。有部分學(xué)者通過分析數(shù)字圖像的相關(guān)系數(shù)，實(shí)現(xiàn)對葉面積指數(shù)的監(jiān)測。武聰玲等[68]利用圖像處理技術(shù)，通過計算機(jī)無損測量黃瓜的葉冠投影面積預(yù)測了植株真實(shí)葉面積，預(yù)測結(jié)果達(dá)到了較好的精度。王方永和李少昆[69]利用數(shù)碼相機(jī)實(shí)現(xiàn)了通過數(shù)字圖像對冠層葉面積指數(shù)進(jìn)行監(jiān)測，結(jié)果表明當(dāng)LAI＞5時，估測的準(zhǔn)確度降低。高林等[70]應(yīng)用多旋翼無人機(jī)搭載數(shù)碼相機(jī)構(gòu)建監(jiān)測系統(tǒng)對冬小麥的葉面積指數(shù)進(jìn)行檢測，基于無人機(jī)數(shù)碼正射R、G、B 3個顏色通道提取灰度值，構(gòu)建了作物群體冠層數(shù)字圖像的4種數(shù)字圖像特征參數(shù)，表明用該方法估算葉面積具有較高的精度。

4.3 利用數(shù)字圖像對作物生物量的監(jiān)測

作物的生物量直接反映了作物的長勢狀況，同時對光能利用、干物質(zhì)生產(chǎn)及產(chǎn)量形成具有重要作用，因而生物量的實(shí)時動態(tài)監(jiān)測始終是科研人員關(guān)注的熱點(diǎn)問題之一。

Bumgarner等[34]利用數(shù)字圖像進(jìn)行分析，發(fā)現(xiàn)通過數(shù)字圖像估算的冠層覆蓋度與直接測得的作物生物量之間相關(guān)系數(shù)達(dá)到了0.71～0.95，表明通過作物覆蓋度對作物生物量進(jìn)行估測是可行的。Thorp和Dierig[71]借助數(shù)碼相機(jī)，通過提取圖像顏色信息并轉(zhuǎn)化為HIS參數(shù)，采用Monte Carlo方法估測雷斯克勒花的覆蓋度，相關(guān)性達(dá)到了0.87以上。表明利用數(shù)字圖像可以對花的數(shù)目進(jìn)行監(jiān)測，進(jìn)而可以實(shí)現(xiàn)對生物量進(jìn)行監(jiān)測。同時，對數(shù)字圖像的相關(guān)系數(shù)進(jìn)行分析，也可以實(shí)現(xiàn)對作物的生物量進(jìn)行估算。劉帥兵等[72]利用色彩變換將無人機(jī)遙感圖像轉(zhuǎn)換為HSV信息并進(jìn)行顏色分析，獲取了玉米苗期的株數(shù)信息，可以用于計算田間出苗率及最終產(chǎn)量。武聰玲等[68]在試驗(yàn)溫室條件下，通過數(shù)字圖像對單株黃瓜幼苗的進(jìn)行無損監(jiān)測，預(yù)測了植株莖葉的干鮮重，與干鮮重的決定系數(shù)分別為0.874和0.914，達(dá)到了較好的精度。Bendig等[73]使用無人機(jī)搭載數(shù)碼相機(jī)結(jié)合選定的植被指數(shù)和植物高度信息估計大麥生物量。Zhou等[74]進(jìn)一步研究證明無人機(jī)是水稻生長和糧食產(chǎn)量估算的可靠平臺，其獲取的數(shù)字圖像顏色指數(shù)與實(shí)際的籽粒產(chǎn)量呈對數(shù)關(guān)系。

4.4 利用數(shù)字圖像對氮素營養(yǎng)診斷的監(jiān)測

對田間作物進(jìn)行快速氮素營養(yǎng)診斷的傳統(tǒng)方法是，應(yīng)用便攜式葉綠素儀測定葉綠素(SPAD)以反映作物葉片含氮量[75]。此類方法費(fèi)時費(fèi)力，且偶然因素較大。通過數(shù)字圖像對黃瓜缺氮情況進(jìn)行營養(yǎng)診斷的方法具有快速、便捷、非破壞性等優(yōu)點(diǎn)，能夠滿足氮素營養(yǎng)無損診斷的需求，可以用于實(shí)時、準(zhǔn)確監(jiān)測作物氮素營養(yǎng)水平。Tewari等[76]利用數(shù)碼相機(jī)對水稻進(jìn)行拍攝，同時對水稻的SPAD值進(jìn)行測定，發(fā)現(xiàn)可以通過數(shù)字圖像對水稻的SPAD值進(jìn)行分析，結(jié)果準(zhǔn)確且存在一定相關(guān)性。前人利用數(shù)碼相機(jī)分別對玉米[77]、水稻[78]、黃瓜[75]、豇豆[79]等作物的氮素營養(yǎng)情況進(jìn)行診斷，得到了穩(wěn)定且精度較高的結(jié)果。張玨等[15]應(yīng)用數(shù)碼相機(jī)對甜菜進(jìn)行冠層圖像獲取，提取圖像的顏色信息，并與氮元素含量進(jìn)行比對，結(jié)果表明冠層圖像顏色信息與甜菜氮素營養(yǎng)水平存在相關(guān)性。因而，利用數(shù)字圖像特征系數(shù)可以直接分析作物氮素營養(yǎng)水平。Baresel等[80]使用數(shù)碼相機(jī)采集顏色系數(shù)，對小麥葉片葉綠素含量及氮素營養(yǎng)情況進(jìn)行無損檢測。該方法對圖像進(jìn)行分割及連續(xù)分析，即只對圖像的綠色植物部分以及地面覆蓋度較小的冠層部分進(jìn)行分析，結(jié)果更加精確，且可以同時反映生物量、葉綠素含量及含氮量3個指標(biāo)。

綜上，無論是作物覆蓋度、葉面積、生物量還是氮素營養(yǎng)都是對于農(nóng)作物的部分指標(biāo)進(jìn)行監(jiān)測，要對作物生產(chǎn)進(jìn)行指導(dǎo)，需要綜合各方面的因素。需要利用農(nóng)作物長勢模型，全面檢測作物生長狀態(tài)，綜合評判。目前應(yīng)用比較多的作物生長模型[81]有DSSAT、WOFOST、APSIM、AquaCrop、ORYZA等，由于作物實(shí)際生長過程的復(fù)雜性，各作物生長模型結(jié)構(gòu)的不同，對溫光、水肥和營養(yǎng)等過程的模擬各有側(cè)重。胡泊[82]針對農(nóng)作物長勢評判問題，提出了基于蝙蝠算法的農(nóng)作物長勢評價模型，其所提取的分類規(guī)則比較符合專家對作物生長態(tài)勢的評判過程，易于理解和表達(dá)。該方法比較方便和準(zhǔn)確地描述了作物生長特征參數(shù)與其生長態(tài)勢的關(guān)聯(lián)情況，可直觀、快速地對作物進(jìn)行合理的評價。

5 總結(jié)和展望

利用數(shù)碼設(shè)備對作物生長特征進(jìn)行監(jiān)測，很多方法已經(jīng)開始應(yīng)用到實(shí)際生產(chǎn)中，但是要達(dá)到高產(chǎn)高效的目的，仍有許多問題亟需解決。

5.1 獲取數(shù)字圖像，明確獲取標(biāo)準(zhǔn)

利用小型無人機(jī)搭載數(shù)碼相機(jī)來獲取數(shù)字圖像，存在飛行不穩(wěn)定、影像容易幾何形變、葉片遮蓋與實(shí)際有差異、無人機(jī)載荷限制難以實(shí)現(xiàn)高精度地理位置的獲取與記錄等問題。有學(xué)者對數(shù)碼設(shè)備獲取圖片時相機(jī)的參數(shù)設(shè)置、監(jiān)測條件及時間的選擇以及合適的拍攝方式和照片的保存格式等進(jìn)行了研究，但是關(guān)于數(shù)字圖片獲取的方法仍然沒有一個明確的標(biāo)準(zhǔn)，仍需進(jìn)一步從可操作性、技術(shù)性和經(jīng)濟(jì)性上進(jìn)行研究并制定相關(guān)的監(jiān)測標(biāo)準(zhǔn)，實(shí)現(xiàn)數(shù)字圖像的優(yōu)質(zhì)獲取。

5.2 對于分析方法，具體問題具體分析

由于作物種類不同，同種作物品種不同以及同一品種生育期不同，冠層顏色參數(shù)存在很大差異，分析時的算法也存在差異，單一試驗(yàn)取得的結(jié)論并不具有普適性，因此在今后的研究中，可根據(jù)具體情況選取最適宜的顏色參數(shù)和算法監(jiān)測不同作物生長特征。作物長勢監(jiān)測涉及因素很多，各種監(jiān)測方法只能主要反映作物生長的某些方面，多種方法的結(jié)合將成為作物長勢監(jiān)測技術(shù)的重要發(fā)展方向。充分利用各種監(jiān)測方法的優(yōu)勢，綜合各種監(jiān)測方法的信息，將有助于獲取作物長勢的比較完整的信息，也可為利用作物監(jiān)測信息進(jìn)行決策提供依據(jù)。

5.3 利用專家模型，多角度評判作物長勢

數(shù)字圖像的獲取需要用到多種傳感、定位技術(shù)，如何應(yīng)對田間環(huán)境多變性，如何精準(zhǔn)協(xié)調(diào)各個部件，也需要進(jìn)一步研究。作物生長模型能夠系統(tǒng)地評價作物生長，以作物生長模型為核心的研究越來越多，將輔助農(nóng)業(yè)生產(chǎn)中的管理和決策。但由于作物生態(tài)系統(tǒng)的復(fù)雜性，其模擬結(jié)果仍存在很大的偶然性，對作物生長機(jī)理及過程的探索還需進(jìn)一步完善，希望在圖像分析技術(shù)方面作物生長模型能更廣泛地應(yīng)用。在數(shù)據(jù)處理方面，可以分析采集的龐大數(shù)據(jù)，同時可以剔除其中的大量冗雜信息，以最低的成本得到所需要的信息是現(xiàn)如今大數(shù)據(jù)時代的關(guān)鍵問題。

隨著分辨率的不斷提高和使用價格的不斷降低，可以預(yù)見，數(shù)字圖像技術(shù)將在作物長勢監(jiān)測方面發(fā)揮越來越重要的作用，而多種技術(shù)的融合和作物生長模型的改進(jìn)將對作物長勢監(jiān)測的研究和應(yīng)用起到更大的促進(jìn)作用。