基于無人機圖像的玉米冠層葉綠素含量檢測與分布研究

0 引 言

葉綠素含量是植物光合作用能力和生長狀況的重要評定指標，因此檢測作物葉綠素含量在農業生產中具有重要意義。傳統的農作物葉綠素檢測主要通過化學分析法進行，費時、耗力，不利于大面積田間數據的高效分析。基于作物吸收藍光和紅光進行光合作用、反射綠光呈現綠色特征的機理，開展可見光反射光學成像分析，可為田間作物葉綠素含量的快速原位分析提供支持。

國內外學者利用可見光RGB圖像，針對植株和大田不同尺度開展了大量作物葉綠素含量檢測研究。徐遠芳等應用圖像提取了玉米葉片的顏色信息，采用一元和多元回歸分析方法建立了玉米葉片葉綠素含量診斷模型，結果表明，RGB顏色模型中 G分量和顏色特征 2G-Ｒ可以作為葉綠素含量診斷模型中的主要特征參數，模型的相關系數達到0. 84 以上。程立真等以蘋果樹葉片為研究對象，提取葉片紅、綠、藍三通道的值，通過組合運算構建了 9 種顏色指數作為參數，建立了單變量回歸模型和支持向量機( Support vector machine，SVM) 回歸模型，實驗結果顯示，SVM 的估測精度高于單變量回歸模型。蔡鴻昌等提取葉片的顏色特征，通過線性擬合和逐步回歸分析，建立了黃瓜初花期葉片光合色素含量的顏色特征估算模型，實驗結果顯示，Ｒ /( Ｒ + G + B) 可以作為葉綠素含量估算的主要顏色特征參數; G /Ｒ 和 Ｒ /( Ｒ + G + B) 是類胡蘿卜素含量估算的主要特征參數。基于上述方法進行地面田間植物葉綠素含量檢測時，由于平臺高度的限制，每次只能獲得單株植物葉片的樣本數據，大范圍樣本數據采集能力和效率有限。

隨著無人機遙感技術的發展，無人機以快速便捷、操作簡單、采集范圍大的優點，逐漸成為農田信息獲取的重要手段和研究熱點。毛智慧等基于無人機遙感技術，以大田玉米為對象，采集了不同氮肥水平下大田玉米的多光譜影像，實現了玉米SPAD的精準測量。張樂春以無人機為平臺，獲取大田植物的高光譜數據，建立了葉綠素含量的回歸模型，實現了植物葉綠素含量的快速、無損檢測。袁煒楠等提出了一種基于主基底分析的無人機高光譜遙感數據降維方法，采用最小二乘回歸模型實現了葉綠素含量的估算。李靜等采用低成本消費級無人機對水稻冠層進行圖像獲取，基于回歸統計建立SPAD預測模型，結果顯示，遙感指數Ｒ與水稻劍葉葉片SPAD的相關關系顯著。

上述研究可為無人機獲取的圖像參數提取、葉綠素檢測建模的方法提供參考。在獲得葉綠素含量檢測模型后，結合田間位置分析大田作物冠層葉綠素含量整體水平，是指導田間精細化管理的重要基礎。其中，實現田間作物冠層葉綠素分布的可視化是開展空間信息分析的重要環節。因而，本文采用無人機成像技術進行大田玉米葉綠素含量估測和空間分布繪制方法研究。獲取大田玉米無人機圖像，對圖像進行拼接和分割處理，提取無人機RGB圖像中10種顏色特征和6種紋理特征，建立葉綠素含量檢測模型，并反演大田玉米圖像每個像素點的葉綠素值，進而繪制大田玉米葉綠素含量空間分布圖，以期為田間作物長勢評價與精細化管理提供技術支持。

1 材料與方法

1.1 實驗樣本

實驗對象為玉米，地點位于河北省衡水市玉米研究基地。實驗區域為 700 m × 300 m 的玉米地，時間為 2018 年 9 月，無人機為大疆 M600，萊森光學的無人機載高光譜成像系統iSpecHyper-VM系列亦是搭載大疆 M600無人機。在實驗區域等距選取 80 個實驗樣本，人為對玉米葉片進行拔除處理，裝入密封袋，以保持玉米葉片新鮮，帶回實驗室對樣本進行葉綠素萃取。

1.2 玉米冠層航拍圖像信息獲取

系統硬件結構如圖 1 所示，主要由大疆M600 型無人機、萊森光學的高光譜成像相機、計算機及控制軟件等構成。無人機的飛行速度為 10 m /s，飛行高度為 200 m，共獲得150 幅局部圖像。用軟件進行圖像拼接，最終得到實驗地的全局遙感圖像。

圖1 無人機信息獲取示意圖

采用等距采樣方式采集玉米葉片，在 700 m × 300 m 實驗區域的長寬兩側分別留取 50 m 空白區，剩余邊界以 20 m 為距共選取 80 個實驗點，每個實驗點向內 1 m 處選取一株玉米，采集其葉片作為樣本，共獲取 80 個葉綠素待測樣本。

1.3 葉綠素含量測定

選用化學計量法和分光光度計對葉綠素含量進行測定。首先在每個葉片中部選取 4 × 4 cm 的葉組織( 不包括葉脈) 將其剪碎，然后使用鑷子將剪碎的葉片( 約0.4 g) 放入25 mL的丙酮和乙醇混合液中避光浸泡 24 h。

葉綠素萃取后，使用紫外-可見光分光光度計對其進行吸光度測定。為實現儀器內部的熱平衡，分光光度計開機后預熱30 min，將樣本溶液倒入3個比色皿中，對 645 nm和 663 nm兩個波長測定吸光度，計算葉綠素總含量的公式為

1.4 無人機圖像處理

玉米無人機圖像處理主要包括圖像拼接、圖像分割和圖像數據處理 3 部分，數據處理流程如圖 2所示。經過無人機圖像拼接后，對采樣點進行 POS匹配和圖像分割，特征參數提取，劃分訓練集和驗證集，采用 BP 神經網絡對訓練集進行建模，并利用驗證集討論其檢測精度。其中，圖像特征參數提取包括圖像顏色特征與紋理特征。

圖2 無人機數據分析流程圖

用軟件對無人機圖像進行拼接、行樣本點 POS 數據匹配，并實現樣本點分割。利用 Matlab 軟件對圖像進行特征值提取和實現 BP 神經網絡建模。

1.5 BP神經網絡建模

反向傳播網絡簡稱 BP 神經網絡，該算法是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡。經典的 BP 神經網絡由輸入層、隱含層和輸出層構成，每層由若干個神經元構成。其計算過程可分為正向傳播過程和誤差反向傳播過程。正向傳播過程主要為樣本數據從輸入層傳入，以正向傳播的方式從隱含層傳輸到輸出層，并形成檢測結果; 誤差反向傳播過程主要為神經網絡計算檢測結果與實際結果的誤差，并將誤差以反向傳播的方式從輸出層傳遞到輸入層，并對每層的神經元權值進行調整。

本文在對 BP 神經網絡進行建模時，正向傳遞過程中遵循 S 型函數，反向傳遞過程中遵循糾錯學習規則，激活函數選取 ＲeLU 函數; 對模型的檢測能力進行評價時，采用實際值與檢測值的均方根誤差( ＲMSE) 和決定系數 Ｒ2 進行評估。其中，ＲMSE 用來衡量實驗結果的離散程度，值越小模型效果越好;決定系數 Ｒ2代表模型的擬合程度，其值越接近 1 模型檢測精度越高。

2 結果與分析

2.1 樣本葉綠素含量統計

對80個玉米葉片樣本的葉綠素含量進行統計分析可知，其取值范圍位于18.23 ～ 60.61mg /L 區間，平均值為37.68 mg /L，標準差為9.01 mg /L。選取64個樣本作為訓練集，16個樣本作為測試集，如表1所示，訓練集和驗證集均包含較大范圍的葉綠素含量值。

表1 樣本葉綠素含量統計

2.2 圖像特征參數提取

實驗采集的無人機圖像是RGB顏色空間圖像，在RGB圖像中，Ｒ、G、B分量分別位于622～ 760 nm、492～577 nm、435～450 nm 區間，作物葉綠素a于葉綠素b在435～450 nm 和622～760 nm 內存在光譜吸收，在492～577 nm內存在反射的典型特征，因而利用 Ｒ、G、B以及由它們組合成的顏色特征植被指數可以用于玉米葉綠素檢測。因而，研究建立了歸一化紅光參數、歸一化綠光參數、歸一化藍光參數、歸一化紅藍差值、歸一化紅綠差值、超綠等10種顏色特征。因為葉綠素指征作物營養狀態并與群體長勢緊密相關，會在冠層圖像紋理特征上有所表現，所以選取玉米冠層圖像均值、標準偏差、平滑度、三階矩等6種紋理特征與葉綠素含量建立檢測模型。所使用的圖像特征參數及其計算公式如表 2 所示。

表2 特征參數計算公式

2.3 無人機圖像處理

實驗共采集150幅無人機圖像，采用軟件對其進行拼接，圖3a為無人機單次拍攝部分圖像示意圖，圖3b為拼接后的全局圖像。

圖3b全局圖像中紅色框標記區域為本文后續研究的目標區域。在全局拼接圖像中存在部分白色空缺是由于圖像在進行拼接時存在異常POS數據導致。

圖3 無人機圖像拼接前后效果圖

2.4 玉米冠層葉綠素含量檢測模型

基于篩選的特征參數和葉綠素含量，使用經典的3層BP 神經網絡結構進行建模，經過對模型進行優化，最終確定BP神經網絡的結構為16-4-1，其中輸入層節點個數為16，對應10個顏色特征和6個紋理特征，輸出層節點個數為1，對應葉綠素含量。利用Matlab軟件編寫基于 BP 神經網絡的玉米冠層葉綠素含量檢測程序，當學習速率為0.01，最大迭代次數為10000 時，玉米冠層葉綠素檢測結果如圖4所示，模型的ＲMSE為4.4659 mg /L，決定系數Ｒ2為0.7246。

圖4 玉米冠層葉綠素含量檢測結果

2.5 田間玉米冠層葉綠素分布

提取大田玉米圖像每個像素點的Ｒ、G、B3分量的值，根據特征參數的計算公式得到每個像素點對應的顏色特征以及紋理特征，代入BP神經網絡檢測模型中可以計算每個像素點對應的葉綠素含量，從而得到基于葉綠素含量的大田玉米灰度分布圖，對灰度圖進行偽彩色處理，繪制大田玉米冠層葉綠素含量分布圖，如圖5所示。

圖5 大田玉米冠層葉綠素含量分布圖

圖5中不同顏色和顏色深淺程度代表不同大田玉米冠層葉綠素含量，紅色部分為道路邊緣和土壤區域，葉綠素含量基本為0，綠色部分為靠近土壤和道路區域，玉米植株較稀疏，區域內葉綠素含量較低，整體范圍在20～40 mg /L，藍色部分為玉米植株較為茂密區域，葉綠素含量相對較高，區域內葉綠素含量范圍為40～60 mg /L。由此基于BP神經網絡模型檢測大田玉米冠層葉綠素含量的結果，繪制出大田玉米葉綠素含量的分布情況，可為田間作物營養水平和精細化管理決策提供支持。

4 結  論

1.采集了大田玉米無人機圖像數據，采集葉片樣本并萃取測量了葉綠素含量，提取圖像特征參數建立了基于 BP 神經網絡的玉米冠層葉綠素檢測模型，并繪制了大田玉米葉綠素分布圖。

2.對無人機圖像進行拼接和分割，形成全局圖像和樣本點圖像，并對全局圖像進行Ｒ、G、B分量提取，篩選出10種顏色特征及6種紋理特征，基于BP神經網絡建立大田玉米葉綠素含量檢測模型，實驗結果顯示，模型的驗證精度為決定系數Ｒ2為0.7246，均方根誤差ＲMSE為4.4659 mg /L。

3.利用 BP 神經網絡葉綠素檢測模型計算大田玉米全局圖像每個像素點的葉綠素含量，進而繪制大田玉米葉綠素分布圖，最終實現大田玉米葉綠素快速、無損檢測和葉綠素分布可視化。