基于三維點(diǎn)云和集成學(xué)習(xí)的大田煙草株型特征識(shí)別

賈奧博，董天浩，張彥，朱冰琳，孫延國(guó)，吳元華，石屹，馬韞韜，郭焱*

（1.中國(guó)農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100193；2.中國(guó)農(nóng)業(yè)科學(xué)院煙草研究所，山東 青島 266101）

作物株型研究能為新品種選育、栽培措施優(yōu)化提供理論指導(dǎo)[1-2]。煙草是中國(guó)重要的經(jīng)濟(jì)作物，株型對(duì)其生長(zhǎng)發(fā)育具有重要影響，優(yōu)化株型配置能夠提高煙葉的品質(zhì)及產(chǎn)量[3-4]。植物表型能夠反映植物結(jié)構(gòu)及組成、植物生長(zhǎng)發(fā)育過程及結(jié)果的全部物理、生理、生化特征和性狀[5]，由基因和環(huán)境因素共同決定或影響。株高、莖葉夾角等表型對(duì)株型育種都是不可或缺的參數(shù)。因此，基于定量化的表型參數(shù)對(duì)不同品種煙草株型的研究具有重要意義。

傳統(tǒng)大田人工識(shí)別株型需要測(cè)量多種參數(shù)，由于沒有完全統(tǒng)一的標(biāo)準(zhǔn)，往往會(huì)存在較大差異。應(yīng)用三維數(shù)字化技術(shù)，能夠精確地構(gòu)建大田煙草的冠層結(jié)構(gòu)模型[6]，進(jìn)而從中提取表型參數(shù)，對(duì)不同株型進(jìn)行判別分析。但該技術(shù)存在工作量大、耗時(shí)長(zhǎng)等問題，且在大田環(huán)境下單獨(dú)一人難以完成三維數(shù)字化的測(cè)量工作，且容易擾動(dòng)植物，造成獲取的三維模型不準(zhǔn)確[7]。目前，采用運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)（structure from motion, SFM）算法可從基于多視角立體視覺（multi-view stereo,MVS）技術(shù)獲取的同一目標(biāo)的二維圖像序列中高效地重建其形態(tài)結(jié)構(gòu)信息，該算法已應(yīng)用于室內(nèi)作物冠層點(diǎn)云的重建[8-9]，并在大田環(huán)境下有了初步嘗試[10]，取得了較好的結(jié)果。近年來，對(duì)煙草數(shù)字化和三維建模已有相關(guān)報(bào)道[6-7]，研究?jī)?nèi)容多為三維模型的構(gòu)建、各類點(diǎn)云分析算法的比較和精度評(píng)估[11]。但是基于三維點(diǎn)云提取表型參數(shù)后，采用各類機(jī)器學(xué)習(xí)方法進(jìn)行株型判別的研究鮮有報(bào)道。

近年來，機(jī)器學(xué)習(xí)方法已越來越多地應(yīng)用于農(nóng)業(yè)領(lǐng)域。利用該方法進(jìn)行作物病蟲害診斷識(shí)別可解決人工識(shí)別速度慢、定量化困難的問題[12]。基于遙感平臺(tái)獲取的農(nóng)作物多源多時(shí)相影像數(shù)據(jù)，應(yīng)用機(jī)器學(xué)習(xí)可以進(jìn)行作物識(shí)別和產(chǎn)量預(yù)測(cè)，以達(dá)到作物產(chǎn)量和質(zhì)量的提升[13-14]。將機(jī)器學(xué)習(xí)與作物生長(zhǎng)模型耦合可更好地預(yù)測(cè)水稻的抽穗期[15]。機(jī)器學(xué)習(xí)方法也被應(yīng)用于全基因組關(guān)聯(lián)研究中，用于候選基因識(shí)別、表型基因組預(yù)測(cè)等[16]，從而幫助育種學(xué)家加快育種速度，縮短作物的育種周期。隨著植物表型組學(xué)研究的深入，涉及的植物表型數(shù)據(jù)也更加復(fù)雜多樣，傳統(tǒng)的機(jī)器學(xué)習(xí)方法已經(jīng)不能滿足需求，而集成學(xué)習(xí)方法具有顯著的優(yōu)勢(shì)，如：采用Stacking集成學(xué)習(xí)方法能夠精確實(shí)現(xiàn)對(duì)水稻表型組學(xué)文本數(shù)據(jù)中水稻表型組學(xué)實(shí)體的分類，相比K-近鄰算法的準(zhǔn)確率提升了13%[17]；預(yù)測(cè)森林單位蓄積量的集成學(xué)習(xí)方法相較單一模型的決定系數(shù)（R2）提升了0.26[18]。

本研究選取多個(gè)煙草品種進(jìn)行大田實(shí)驗(yàn)，采用多視角圖像序列方法快速獲取和重建冠層三維結(jié)構(gòu)信息，并自動(dòng)提取多種表型參數(shù)，進(jìn)而基于Stacking集成學(xué)習(xí)方法開展不同煙草株型的判別分析，以期為育種科技工作者客觀地判別煙草株型提供科學(xué)參考。

1 材料與方法

1.1 大田實(shí)驗(yàn)

田間實(shí)驗(yàn)在山東省濰坊市諸城市賈悅鎮(zhèn)瑯埠村（36°01′N，119°11′E）進(jìn)行。土壤為褐土，pH 為6.8。供試煙草品種為紅花大金元、新K326、遼煙1 號(hào)、青梗、利用甲基磺酸乙酯（ethylmethylsulfone,EMS）誘變獲得的突變體（簡(jiǎn)稱“EMS突變體”）。按照當(dāng)?shù)爻Ｒ?guī)時(shí)期移栽煙苗。采用滴灌供水，其他田間管理按照常規(guī)進(jìn)行，于現(xiàn)蕾期從每個(gè)品種中隨機(jī)選取8棵煙株，總計(jì)40棵。

在多云且風(fēng)速小的天氣條件下，采用EOS 500D 單反相機(jī)在大田中原位獲取煙株的多視角圖像序列。拍攝時(shí)以目標(biāo)植株為中心，在半徑為2 m左右的圓周上盡可能均勻地選取拍攝點(diǎn)，采取側(cè)視與俯視結(jié)合的拍照方式，每個(gè)煙株獲取140～170張圖像。為確定實(shí)際煙株與對(duì)應(yīng)點(diǎn)云間的幾何換算系數(shù)，在目標(biāo)植株重建范圍內(nèi)的地面上平置一塊長(zhǎng)40 cm、寬10 cm 的啞光材質(zhì)標(biāo)簽牌。拍照結(jié)束后立即用卷尺對(duì)煙株株高及葉層最大寬進(jìn)行測(cè)量。

1.2 三維點(diǎn)云重建及預(yù)處理

對(duì)獲取的煙草植株的多視角圖像序列（圖1A），采用基于SFM-MVS 算法的開源軟件Visual SFM進(jìn)行冠層點(diǎn)云重建[10]（圖1B）。首先導(dǎo)入煙草的多視角圖像序列，利用尺度不變特征變換匹配算法提取圖像序列中的特征點(diǎn)，進(jìn)一步通過隨機(jī)采樣一致性算法過濾錯(cuò)誤的匹配點(diǎn)后重建出煙草植株的稀疏點(diǎn)云?；诙嘁暯橇Ⅲw聚類視圖和基于面片的多視角立體算法進(jìn)行圖像的聚簇、匹配、點(diǎn)云的擴(kuò)散及過濾，生成煙草的稠密點(diǎn)云。由于大田環(huán)境的復(fù)雜性，重建點(diǎn)云中不可避免地會(huì)出現(xiàn)一些噪聲，采用基于統(tǒng)計(jì)濾波器方法剔除密度較小的離群噪聲[19]，得到較為平滑的點(diǎn)云。

由于拍照時(shí)未固定坐標(biāo)系，得到的煙株通常不是直立的（圖1B），需對(duì)其坐標(biāo)進(jìn)行旋轉(zhuǎn)變換。利用隨機(jī)采樣一致性算法將地面點(diǎn)云擬合為平面[20]（圖1C），得到地面的法向量，然后完成坐標(biāo)的旋轉(zhuǎn)變換（圖1D）。重建后的三維點(diǎn)云主要有植被與土壤2 類點(diǎn)云，選擇點(diǎn)云的綠色通道值（G）與紅色通道值（R）之差作為顏色濾波器對(duì)點(diǎn)云進(jìn)行分類[21]，保留差值大于0 的植被點(diǎn)云。最后，通過CloudCompare 三維點(diǎn)云在線處理軟件（http://www.danielgm.net/cc/）手動(dòng)剔除雜草和落葉，得到單株點(diǎn)云（圖1E）。

圖1 基于圖像序列的煙草點(diǎn)云重建及預(yù)處理Fig.1 Tobacco point cloud reconstruction and pre-processing based on image sequences

根據(jù)地面標(biāo)簽牌點(diǎn)云計(jì)算的邊長(zhǎng)及實(shí)際邊長(zhǎng)確定長(zhǎng)度換算系數(shù)，然后基于重建的目標(biāo)植株點(diǎn)云計(jì)算株高及葉層最大寬，并與實(shí)測(cè)的株高、葉層最大寬比較，采用均方根誤差（root mean square error,RMSE）和R2評(píng)估重建點(diǎn)云的精度。

1.3 基于三維點(diǎn)云的煙草表型參數(shù)提取

參照行業(yè)內(nèi)常用的烤煙株型劃分方法[22]、YC/T 142—2010（《煙草農(nóng)藝性狀調(diào)查測(cè)量方法》）中采用的主要表型性狀[23]及相關(guān)作物表型研究[24-27]，確定了10 個(gè)煙草表型參數(shù)（表1）。從預(yù)處理后的煙草三維點(diǎn)云中提取這些表型參數(shù)（圖2）。10個(gè)表型參數(shù)的基本計(jì)算方法如下。

表1 提取的煙草表型參數(shù)Table 1 Extracted phenotypic parameters of tobacco

株高（H）：將單株點(diǎn)云的坐標(biāo)校正去噪后，由三維坐標(biāo)系中的Z軸最大值減去最小值而得到（圖2A）。

頂寬（WT）：三維坐標(biāo)系最上部葉片葉尖處坐標(biāo)點(diǎn)至莖的距離的2 倍。計(jì)算該點(diǎn)到莖稈的距離，即為頂寬的一半（圖2A）。

底寬（WB）：三維坐標(biāo)系最下部葉片葉尖處坐標(biāo)點(diǎn)至莖的距離的2 倍。計(jì)算該點(diǎn)到莖稈的距離，即為底寬的一半（圖2A）。

葉層最大寬（Wmax）：冠層投影最遠(yuǎn)處坐標(biāo)點(diǎn)至莖的距離的2 倍。將單株點(diǎn)云進(jìn)行垂直投影，計(jì)算所有點(diǎn)到莖稈中心的距離，最大值即為葉層最大寬的一半（圖2A）。

葉層最大寬在葉層高的位置（HM）：在得到葉層最大寬所在的位置點(diǎn)后，計(jì)算該點(diǎn)Z值與三維坐標(biāo)系中Z軸的最小值之差而得到（圖2A）。

最小包圍盒體積（VB）：植株點(diǎn)云在X、Y、Z坐標(biāo)軸最小值及最大值的8個(gè)點(diǎn)所構(gòu)成的立方體的體積（圖2B）。即計(jì)算出其長(zhǎng)、寬、高，進(jìn)而得到體積VB。

凸包體積（VC）：包含所有點(diǎn)云的最小凸多面體的體積（圖2B）。由MATLAB2020b 自帶函數(shù)boundary計(jì)算得到。

冠層投影包圍盒面積（S）：植株冠層在X-Y平面上投影的最小矩形框面積（圖2C）。即計(jì)算出長(zhǎng)、寬，進(jìn)而得到面積S。

投影后凸包的面積（SC）：投影后包含冠層二維所有點(diǎn)的最小凸多邊形的面積（圖2C）。由MATLAB2020b自帶函數(shù)boundary計(jì)算得到。

莖葉夾角（α）：植株腰部葉片擬合平面內(nèi)的任一向量與莖稈向量之間的夾角。將葉片擬合為平面，計(jì)算平面向量和Z軸所在向量的夾角（圖2D）。

圖2 煙草各表型參數(shù)提取示意圖Fig.2 Schematic diagram of each phenotypic parameter extraction of tobacco

1.4 表型參數(shù)的統(tǒng)計(jì)分析

采用單因素多元方差分析比較不同品種間的株型差異，并獲取各表型參數(shù)在株型間的差異顯著性。采用皮爾遜（Pearson）相關(guān)系數(shù)進(jìn)行組間相關(guān)性分析，確定各表型參數(shù)間的線性相關(guān)程度。采用主成分分析（principal component analysis, PCA）進(jìn)行數(shù)據(jù)降維[28-30]，把大量的相關(guān)變量轉(zhuǎn)化為一組較少的不相關(guān)變量，同時(shí)消除變量之間的多重共線性。采用R-4.0.3 軟件stats 包中的cor 和manova 函數(shù)進(jìn)行相關(guān)性分析和單因素多元方差分析，以及FactoMineR包中的PCA函數(shù)降維得到主成分。

1.5 基于機(jī)器學(xué)習(xí)的煙草株型判別

根據(jù)5個(gè)品種的株型信息對(duì)煙草數(shù)據(jù)集進(jìn)行人工標(biāo)記，將紅花大金元標(biāo)記為筒型，新K326標(biāo)記為鼓型，遼煙1 號(hào)標(biāo)記為長(zhǎng)筒型，青梗標(biāo)記為塔型，EMS 突變體標(biāo)記為低臺(tái)型。采用累計(jì)貢獻(xiàn)率大于80%的前3 個(gè)主成分進(jìn)行株型判別，隨機(jī)選取樣本的60%作為訓(xùn)練集，剩余的40%作為預(yù)測(cè)集。將訓(xùn)練集輸入機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的模型。將剩下的40%預(yù)測(cè)集輸入訓(xùn)練好的模型，根據(jù)模型輸出的類別與事先標(biāo)記的類別進(jìn)行對(duì)比，判斷模型的準(zhǔn)確率。

由于不同的機(jī)器學(xué)習(xí)模型在解決某個(gè)具體問題時(shí)，各有其優(yōu)點(diǎn)和缺點(diǎn)。而采用集成方法將多個(gè)機(jī)器學(xué)習(xí)模型進(jìn)行結(jié)合，可集成各個(gè)模型的優(yōu)點(diǎn)并摒棄其缺點(diǎn)。Stacking集成學(xué)習(xí)方法即通過定義一個(gè)初級(jí)學(xué)習(xí)器，采用多個(gè)模型進(jìn)行訓(xùn)練，將所得結(jié)果輸入由選定模型構(gòu)成的次級(jí)學(xué)習(xí)器進(jìn)行建模判別[31]，從而提高判別精度。

本文先采用隨機(jī)森林、支持向量機(jī)、樸素貝葉斯3 種機(jī)器學(xué)習(xí)模型分別建模，然后基于這3 種機(jī)器學(xué)習(xí)模型采用Stacking集成學(xué)習(xí)方法構(gòu)成初級(jí)學(xué)習(xí)器，并采用隨機(jī)森林作為次級(jí)學(xué)習(xí)器進(jìn)行建模（圖3）。隨機(jī)森林中決策樹的數(shù)量（ntree）為100，其余均為默認(rèn)值。非線性支持向量機(jī)中核函數(shù)采用徑向基函數(shù)（rbf），模型類別采用C分類器模型（C-svc），模型確定的約束違反成本為10，其余為默認(rèn)值。樸素貝葉斯全部采用默認(rèn)參數(shù)。以上均在R-4.0.3 軟件中基于randomForest、kernlab、e1071包完成。

圖3 基于Stacking的集成學(xué)習(xí)方法Fig.3 Ensemble learning method based on Stacking

根據(jù)模型輸出結(jié)果計(jì)算Kappa系數(shù)。該系數(shù)作為衡量模型判別性能的評(píng)價(jià)指標(biāo)[32]，取值為－1～1，其值越大表明模型判別性能越好。

2 結(jié)果與分析

2.1 冠層點(diǎn)云重建與精度驗(yàn)證

基于SFM 算法能夠得到精確且稠密的冠層點(diǎn)云。由圖4可見，5個(gè)品種的冠層點(diǎn)云均很好地保留了冠層結(jié)構(gòu)信息，但不同品種的株型之間存在較大的差異。新K326葉傾角大于紅花大金元，平均株高低于紅花大金元。遼煙1號(hào)葉傾角較小，葉片較為平展，節(jié)間短，葉片分布密集。青梗具有較大的株高優(yōu)勢(shì)，葉片向下低垂，節(jié)間較長(zhǎng)，葉片分布較為稀疏。EMS突變體株高偏低，葉片寬大，葉傾角適中。在同一時(shí)期，同一品種各煙株的三維形態(tài)基本相似。為評(píng)估基于多視角圖像序列重建的冠層點(diǎn)云精度，本研究比較了由冠層重建點(diǎn)云計(jì)算的株高、葉層最大寬與大田實(shí)測(cè)值的差異（圖5）。結(jié)果表明，與實(shí)測(cè)值相比，基于三維重建點(diǎn)云計(jì)算的2 個(gè)參數(shù)的R2均在0.97以上，RMSE分別為3.0、3.1 cm，精度較高。

圖4 基于多視角圖像序列重建的5個(gè)煙草品種植株的冠層點(diǎn)云Fig.4 Canopy point cloud of five tobacco cultivars based on multi-view image sequence reconstruction

圖5 基于冠層重建點(diǎn)云計(jì)算的煙草株高、葉層最大寬與測(cè)量值的比較Fig.5 Comparisons of plant height and maximum width of leaf layer calculated based on reconstructed point cloud of tobacco canopy with the measured values

2.2 煙草表型參數(shù)差異與主成分分析

對(duì)10個(gè)表型參數(shù)進(jìn)行相關(guān)性分析的結(jié)果表明，有16對(duì)性狀呈極顯著正相關(guān)，1對(duì)性狀呈極顯著負(fù)相關(guān)（圖6）。其中，有10對(duì)性狀存在強(qiáng)共線性，為葉層最大寬（Wmax）、冠層投影包圍盒面積（S）、投影后凸包的面積（SC）、凸包體積（VC）及最小包圍盒體積（VB）。僅株高與頂寬間呈極顯著負(fù)相關(guān)（相關(guān)系數(shù)r為－0.51），其他表型參數(shù)之間均呈正相關(guān)。表型參數(shù)之間存在的強(qiáng)共線性會(huì)影響模型的精度，故在建模判別時(shí)需用主成分分析（PCA）方法消除共線性。對(duì)煙草10個(gè)表型參數(shù)進(jìn)行PCA，提取的前3個(gè)主成分的方差貢獻(xiàn)率分別為48.2%、24.1%、9.3%，累計(jì)貢獻(xiàn)率達(dá)到81.6%，故其可以代表原始數(shù)據(jù)的主要信息。第一主成分（PC1）中葉層最大寬（Wmax）、最小包圍盒體積（VB）、凸包體積（VC）、冠層投影包圍盒面積（S）、投影后凸包的面積（SC）具有較大的貢獻(xiàn)率（圖7），這5 個(gè)表型初步?jīng)Q定了植株腰部的粗細(xì)，可以概括為腰部粗細(xì)影響因子。第二主成分（PC2）中株高（H）、莖葉夾角（α）、頂寬（WT）、底寬（WB）具有相對(duì)較大的貢獻(xiàn)率，可以推斷為煙株整體形狀影響因子。第三主成分（PC3）中葉層最大寬在葉層高的位置（HM）具有極大的貢獻(xiàn)率。

圖6 表型參數(shù)相關(guān)性分析Fig.6 Correlation analysis of phenotypic parameters

圖7 煙草表型對(duì)各主成分的貢獻(xiàn)率Fig.7 Contribution rates of tobacco phenotypes to each principal component

2.3 表型參數(shù)差異分析與基于機(jī)器學(xué)習(xí)的株型判別

單因素多元方差分析結(jié)果表明，5 個(gè)品種的株型不同，各表型存在極顯著差異，其中株高、頂寬、葉層最大寬、冠層投影包圍盒面積、投影后凸包的面積及莖葉夾角在各株型之間有極顯著差異，而其余表型在株型之間差異不顯著。通過兩兩比較發(fā)現(xiàn)，冠層投影包圍盒面積與投影后凸包的面積之間不存在顯著差異，其余表型均差異顯著。

對(duì)基于冠層點(diǎn)云計(jì)算的表型參數(shù)進(jìn)行分析，結(jié)果（圖8）表明：株高（H）與頂寬（WT）的變化趨勢(shì)恰好相反，但與底寬（WB）的變化趨勢(shì)相似。青梗株高最高，均值為165.4 cm；EMS突變體株高最低，均值為115.0 cm。新K326頂寬最大，底寬最小，均值分別為63.3、56.4 cm；青梗頂寬最小，底寬最大，均值分別為22.9、80.3 cm。各品種葉層最大寬（Wmax）較為相似，其中，EMS 突變體最大，均值為139 cm，大于株高，其余品種均在110 cm左右。葉層最大寬在葉層高的位置（HM）和莖葉夾角（α）有著較大的差別。青梗的葉層最大寬在葉層高的位置最高，均值為52.7 cm；新K326 最低，均值為34.0 cm。青梗的莖葉夾角最大，均值為143.9°；遼煙1號(hào)最小，均值為35.5°。最小包圍盒體積（VB）和凸包體積（VC）以及冠層投影包圍盒面積（S）和投影后凸包的面積（SC）均具有相似的變化趨勢(shì)。EMS突變體的冠層投影包圍盒面積和投影后凸包的面積最大，均值分別為1.40、1.10 m2；新K326最小，均值分別為0.80、0.60 m2。EMS 突變體的最小包圍盒體積和凸包體積最大，均值分別為1.70、0.80 m3；新K326最小，均值分別為1.10、0.55 m3。

圖8 煙草品種間各表型的差異比較Fig.8 Comparisons of differences among phenotypes of tobacco cultivars

基于PCA 提取的前3 個(gè)主成分，將預(yù)測(cè)集輸入訓(xùn)練好的機(jī)器學(xué)習(xí)模型，對(duì)模型輸出的株型與事先標(biāo)記的株型進(jìn)行比較。結(jié)果表明，單獨(dú)采用隨機(jī)森林、支持向量機(jī)和樸素貝葉斯時(shí)，株型的判別準(zhǔn)確率均在80% 以上，但Kappa 系數(shù)均低于0.8。采用Stacking集成學(xué)習(xí)模型時(shí)，株型判別準(zhǔn)確率達(dá)到93.7%，Kappa系數(shù)為0.91（表2）。

表2 不同模型的株型判別準(zhǔn)確率及評(píng)價(jià)指標(biāo)比較Table 2 Comparisons of plant type discrimination accuracy and evaluation indexes of different models

基于模型輸出的混淆矩陣，發(fā)現(xiàn)株型判別錯(cuò)誤主要發(fā)生在紅花大金元與新K326 之間，主要原因是這2個(gè)品種的株高、莖葉夾角等表型相似度較高。遼煙1 號(hào)與新K326 也容易被誤判到EMS 突變體中，可能是二者部分植株長(zhǎng)勢(shì)不均勻、葉片被折斷等原因，使得表型數(shù)據(jù)較為接近EMS 突變體，導(dǎo)致模型容易產(chǎn)生誤判。

3 討論

煙草的株型特征對(duì)其生長(zhǎng)發(fā)育、產(chǎn)量及煙葉品質(zhì)[22]都有重要的影響。傳統(tǒng)的株型判別分析費(fèi)時(shí)費(fèi)力，需要測(cè)量多種表型參數(shù)，存在主觀性，特別是對(duì)于株型差別較小的品種，容易產(chǎn)生判斷誤差。此外，葉層最大寬、頂寬、底寬等參數(shù)也不容易測(cè)量，且測(cè)量結(jié)果容易出現(xiàn)大的誤差。故亟須開發(fā)高通量、高精度的株型判別分析方法。

本研究基于多視角圖像序列精確高效地重建了煙草三維點(diǎn)云，所開發(fā)的煙草表型參數(shù)自動(dòng)化提取程序能夠準(zhǔn)確地獲取表型信息，可輔助育種科技工作者客觀地判別煙草株型，避免人為的主觀性判斷。另外，通過數(shù)字化方法建立各類株型的數(shù)據(jù)庫(kù)，挖掘一些不容易或者不可測(cè)量的表型特征，可為進(jìn)一步完善株型的定義以及數(shù)據(jù)的深度挖掘提供基礎(chǔ)資料。

相關(guān)性分析表明，煙草表型參數(shù)之間存在多重共線性。為提高株型判別的自動(dòng)化和準(zhǔn)確率，本研究采用PCA 方法提取了前3 個(gè)主成分，消除了表型參數(shù)之間的多重共線性。

基于Stacking 集成學(xué)習(xí)方法融合了3 種機(jī)器學(xué)習(xí)模型的優(yōu)點(diǎn)，其對(duì)煙草株型判別的準(zhǔn)確率達(dá)到93.7%，相比單獨(dú)采用隨機(jī)森林、支持向量機(jī)和樸素貝葉斯模型的準(zhǔn)確率提高了10%以上，表明本研究所建立的方法能夠比較精確地完成大田煙草株型的判別。今后將進(jìn)一步加大樣本量，避免大田煙株生長(zhǎng)不均一對(duì)株型判別準(zhǔn)確性的影響。同時(shí)，進(jìn)一步研制煙草三維表型自動(dòng)化獲取平臺(tái)，以實(shí)現(xiàn)作物株型的快速、精準(zhǔn)和自動(dòng)化判別。

4 結(jié)論

本研究利用相機(jī)獲取了大田栽培的5個(gè)品種煙草植株于現(xiàn)蕾期的多視角圖像序列，精確重建了植株冠層三維點(diǎn)云并自動(dòng)提取了10 個(gè)表型參數(shù)。結(jié)果表明，所獲得的表型參數(shù)精度較高。對(duì)獲得的表型參數(shù)進(jìn)行分析表明，有16對(duì)性狀呈極顯著正相關(guān)，1對(duì)性狀呈極顯著負(fù)相關(guān)。進(jìn)一步從10個(gè)表型參數(shù)中提取了前3個(gè)主成分，以消除表型參數(shù)之間的多重共線性。為實(shí)現(xiàn)株型判別的智能化，采用不同的機(jī)器學(xué)習(xí)模型對(duì)煙草株型進(jìn)行了判別，其中基于Stacking 集成學(xué)習(xí)方法的株型判別準(zhǔn)確率達(dá)到93.7%，大大提高了株型判斷的準(zhǔn)確性。本研究可為獲取大田作物表型參數(shù)方法的建立、株型的精確定量化與自動(dòng)判別提供有力支持。