基于数码图像的棉花叶片氮含量估测研究

doi:10.11924/j.issn.1000-6850.casb2021-0539

摘要/Abstract

摘要：

为了探究利用数码图像处理技术诊断棉花氮素营养的最佳图像特征参数和最佳叶位,以‘新陆早53号’为材料,使用智能手机获取棉花不同叶位叶片图像,利用数字图像处理技术提取叶片图像颜色和纹理特征参数,分析叶片氮含量和特征参数的相关性,构建基于不同图像特征参数的氮含量估测模型。结果表明：颜色特征参数r、G/(B+R)、G/B和纹理特征参数COR、ASM与叶片氮含量相关性较好,相关性系数(r)均大于0.55。基于颜色-纹理综合特征参数构建的氮含量估测模型均优于基于颜色或纹理特征参数所建模型,其中倒4叶氮含量估测模型最优,模型决定系数(R²)为0.875、均方根误差(RMSE)为1.324、相对误差(RE)为8.09%。因此,利用数字图像处理进行棉花氮素营养诊断时,应选择的最佳图像特征参数为r、G/(B+R)、G/B、COR、ASM,应选择的最佳叶位为棉花倒4叶。

关键词: 棉花, 数码图像, 氮素营养诊断, 颜色特征参数, 纹理特征参数

Abstract:

In order to study the best image characteristic parameters and leaf position for diagnosing cotton nitrogen nutrition by digital image processing techniques, the cotton variety ‘Xinluzao53’ was used as the material, and the leaf images in different leaf positions were obtained by smartphone. The color and texture characteristic parameters of cotton leaf were extracted by digital image processing techniques, the correlation was analyzed between nitrogen content in leaves and characteristic parameters, and the estimation model of nitrogen contents was established based on different characteristic parameters. The results showed that the color characteristic parameters r, G/(B+R) and G/B, and texture characteristic parameters COR and ASM had good correlation with leaf nitrogen content, and the correlation coefficients (r) were all greater than 0.55. The estimation models of nitrogen contents in different leaf positions based on the color-texture comprehensive characteristic parameters were better than the models based on the color or texture characteristic parameters. Among them, the nitrogen content estimation model of the 4th leaf from the bottom was the best, the model determination coefficient (R ²) was 0.875, the root mean square error (RMSE) was 1.324, and the relative error (RE) was 8.09%. Therefore, when using digital image processing for cotton nitrogen nutrition diagnosis, the best image characteristic parameters should be selected as r, G/(B+R), G/B, COR, ASM, and the best leaf position should be the 4th leaf from the bottom.

Key words: cotton, digital image, nitrogen nutrition diagnosis, color characteristic parameters, texture characteristic parameters

中图分类号:

S562

洪波, 张泽, 张强, 马怡茹, 易翔, 吕新. 基于数码图像的棉花叶片氮含量估测研究[J]. 中国农学通报, 2022, 38(9): 49-55.

HONG Bo, ZHANG Ze, ZHANG Qiang, MA Yiru, YI Xiang, LV Xin. The Nitrogen Content in Cotton Leaves: Estimation Based on Digital Image[J]. Chinese Agricultural Science Bulletin, 2022, 38(9): 49-55.

图/表 4

参考文献 30

[1]	刘海俊, 孙传范, 王海, 等. 便携式作物氮素监测仪性能水稻田间测试[J]. 农业机械学报, 2010, 41(9):80-84.
[2]	李鹏程, 郑苍松, 李彦宏, 等. 国内棉花氮素营养诊断和施肥研究进展[J]. 中国棉花, 2019, 46(6):1-5.
[3]	LEE K J, LEE B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J]. European journal of agronomy, 2013, 48:57-65. doi: 10.1016/j.eja.2013.02.011 URL
[4]	陈敏, 郑曙峰, 刘小玲, 等. 基于数码图像识别的棉花氮营养诊断研究[J]. 农学学报, 2017, 7(7):77-83.
[5]	李小正, 谢瑞芝, 王克如, 等. 利用神经网络提取棉花叶片数字图像氮素含量的初步研究[J]. 作物学报, 2007, 33(10):1662-1666.
[6]	贾良良, 范明生, 张福锁, 等. 应用数码相机进行水稻氮营养诊断[J]. 光谱与光谱分析, 2009, 29(8):2176-2179.
[7]	李岚涛, 张萌, 任涛, 等. 应用数字图像技术进行水稻氮素营养诊断[J]. 植物营养与肥料学报, 2015, 21(1):259-268.
[8]	WANG Y, WANG D, ZHANG G, et al. Estimating nitrogen status ofrice using the image segmentation of G-R thresholding method[J]. Field crops research, 2013, 149:33-39. doi: 10.1016/j.fcr.2013.04.007 URL
[9]	SABERIOON M M, AMIN M S M, ANUAR A R, et al. Assessment of rice leaf chlorophyll content using visible bands at differentgrowth stages at both the leaf and canopy scale[J]. International journal of applied earth observation and geoinformation, 2014, 32:35-45. doi: 10.1016/j.jag.2014.03.018 URL
[10]	WANG Y, WANG D, SHI P, et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camer under natural light[J]. Plant methods, 2014, 10:6. doi: 10.1186/1746-4811-10-6 URL
[12]	SCHARF P C, LORY J A. Calibrating corn color from aerial photographs to predict sidedress nitrogen need[J]. Agronomy journal, 2002, 94(3):397-404. doi: 10.2134/agronj2002.3970 URL
[13]	刘颖, 李志洪, 王强, 等. 利用数字图像技术进行玉米氮素营养诊断的研究[J]. 玉米科学, 2010, 18(4):147-149.
[14]	刘洪见, 曾爱平, 郑丽敏, 等. 基于数字图像处理技术的玉米氮肥营养状态诊断[J]. 农业网络信息, 2007(12):31-35.
[15]	LI Y, CHEN D, WALKER C N, et al. Estimating the nitrogen status of crops using a digital camera[J]. Field crops research, 2010, 118(3):221-227. doi: 10.1016/j.fcr.2010.05.011 URL
[16]	刘飞, 王莉, 何勇, 等. 应用多光谱图像技术获取黄瓜叶片氮量及叶片及指数[J]. 光学学报, 2009, 29(6):1616-1620.
[17]	李连君, 李海华, 刘兰英, 等. 数字图像技术在草莓氮素营养诊断中的应用研究[J]. 华南农业大学学报, 2010, 31(2):19-21.
[18]	易时来, 邓烈, 何绍兰, 等. 应用多光谱图像技术进行锦橙叶片氮含量监测[J]. 植物营养与肥料学报, 2012, 18(1):176-181.
[19]	宋述尧, 王秀峰, 刘洋, 等. 数字图像技术在黄瓜氮素营养诊断上的应用研究[J]. 吉林农业大学学报, 2008, 30(4):460-465.
[20]	宋翠薇, 李恺. 基于Matlab的图像信号降噪技术研究[J]. 舰船电子工程, 2018, 38(2):90-93.57/5000.
[21]	OTSU N. A threshold selection method from gray level histograms[J]. IEEE Trans on SMC, 1979, 9(1):62-69.
[22]	孙俊, 武小红, 张晓东, 等. 基于MFICSC算法的生菜图像目标聚类分割[J]. 农业工程学报, 2012, 28(13):149-153.
[23]	陈刚. MATLAB在数字图像处理中的应用[M]. 北京: 清华大学出版社, 2016: 179-184.
[24]	ABBAS Z, REHMAN M, NAJAM S, et al. An efficient gray-level co-occurrence matrix (GLCM) based approach towards classification of skin lesion[C/OL]// 2019 Amity International Con-ference on Artificial Intelligence (AICAI). (2019-02-01) [2019-11-01]. New York: IEEE, 2019:317-320.
[25]	SETIAWAN A S, WESLEY J, PURNAMA Y. Mammogram classification using law's texture energy measure and neural networks[J]. Procedia computer science, 2015, 59:92-97. doi: 10.1016/j.procs.2015.07.341 URL
[26]	鲍士旦. 土壤农化分析[M]. 3版. 北京: 中国农业出版社, 2000:264-256.
[27]	魏全全, 刘海波, 王珂, 等. 基于数字图像技术的冬油菜氮素营养诊断[J]. 中国农业科学, 2015, 48(19):3877-3886.
[28]	陈佳悦, 姚霞, 李瑞, 等. 基于图像处理的冬小麦氮素监测模型[J]. 农业工程学报, 2016, 32(4):164-168.
[29]	刘伟, 毛树春, 李亚兵, 等. 基于颜色特征进行棉花叶片氮素含量的估测[J]. 中国棉花, 2007, 34(11):22-23.
[30]	王晓静, 张炎, 王华强, 等. 地面数字图像技术在棉花氮素营养诊断中的初步研究[J]. 棉花学报, 2007, 19(2):106-113.

叶位	变量类型	模型关系式	决定系数(R²)
倒1叶	颜色	N(%)=-989.1+1519.6x₁+713.7x₂+126.8x₃	0.756
	纹理	N(%)=-3256.2+53420.2x₄+26933.2x₅	0.702
	颜色+纹理	N(%)=-1047.6+1562.3x₁+733.8x₂+124.3x₃+319.9x₄+181.9x₅	0.768
倒2叶	颜色	N(%)=-683.4+1207.6x₁+164.2x₂+208.6x₃	0.634
	纹理	N(%)=- 2246.7+64372.9x₅	0.601
	颜色+纹理	N(%)=-684.7+1207.9x₁+164.3x₂+208.4x₃+36.2x₅	0.693
倒3叶	颜色	N(%)=-392.6+34.3x₁+608.5x₂+92.6x₃	0.667
	纹理	N(%)= -6751.4+48971.6x₄	0.518
	颜色+纹理	N(%)=-393.9+34.3x₁+608.5x₂+92.6 x₃+9.8x₄	0.670
倒4叶	颜色	N(%)=-453.3+157.4x₁+555.8x₂+140.1x₃	0.856
	纹理	N(%)=-3510.5+35350.1x₄+16537.3x₅	0.763
	颜色+纹理	N(%)=-459.1+157.6x₁+556.7x₂+139.6x₃+16.1x₄+36.3x₅	0.875

叶位	变量类型	模型关系式	决定系数(R²)
倒1叶	颜色	N(%)=-989.1+1519.6x₁+713.7x₂+126.8x₃	0.756
	纹理	N(%)=-3256.2+53420.2x₄+26933.2x₅	0.702
	颜色+纹理	N(%)=-1047.6+1562.3x₁+733.8x₂+124.3x₃+319.9x₄+181.9x₅	0.768
倒2叶	颜色	N(%)=-683.4+1207.6x₁+164.2x₂+208.6x₃	0.634
	纹理	N(%)=- 2246.7+64372.9x₅	0.601
	颜色+纹理	N(%)=-684.7+1207.9x₁+164.3x₂+208.4x₃+36.2x₅	0.693
倒3叶	颜色	N(%)=-392.6+34.3x₁+608.5x₂+92.6x₃	0.667
	纹理	N(%)= -6751.4+48971.6x₄	0.518
	颜色+纹理	N(%)=-393.9+34.3x₁+608.5x₂+92.6 x₃+9.8x₄	0.670
倒4叶	颜色	N(%)=-453.3+157.4x₁+555.8x₂+140.1x₃	0.856
	纹理	N(%)=-3510.5+35350.1x₄+16537.3x₅	0.763
	颜色+纹理	N(%)=-459.1+157.6x₁+556.7x₂+139.6x₃+16.1x₄+36.3x₅	0.875

[1]	马元花, 印彩霞, 王红玉, 刘宇轩, 刘前通, 张泽. 基于高光谱的棉花叶片磷含量估测模型[J]. 中国农学通报, 2023, 39(1): 123-132.
[2]	周先林, 覃琴, 孟永明, 王龙, 胡成成, 朱海勇, 赖波. 不同改良剂对新疆盐碱土壤改良及棉花生长的影响[J]. 中国农学通报, 2022, 38(34): 91-96.
[3]	郭燕云, 王雪姣, 王森, 火勋国, 胡启瑞, 吉春容. 新疆棉花物候期对气候变化的响应及敏感性分析[J]. 中国农学通报, 2022, 38(18): 113-121.
[4]	徐敏, 金路路, 孙丽园, 李瑞春, 王子胜. 棉花化学脱叶剂在辽河流域棉区的应用效果研究[J]. 中国农学通报, 2022, 38(12): 47-54.
[5]	尹国, 路正营, 孙璐, 张彦波, 李世云. 金花葵染色体倍性分析及属间远缘杂交研究[J]. 中国农学通报, 2021, 37(9): 16-21.
[6]	刘晓伟, 何文清, 李志强, 李生太, 吕军. 可降解地膜对石河子垦区棉花农艺性状及产量的影响[J]. 中国农学通报, 2021, 37(7): 24-27.
[7]	娄慧, 赵曾强, 朱金成, 张薇. 褪黑素对低温胁迫下棉花种子萌发特性的影响[J]. 中国农学通报, 2021, 37(35): 13-19.
[8]	王倩, 李子玉, 刘建国. 新疆绿洲棉花长期连作土壤氨基糖积累特征[J]. 中国农学通报, 2021, 37(30): 59-64.
[9]	李琦, 郭文磊, 孟琦, 于金萍, 刘亦学, 张惟. 27%二甲戊灵·砜吡草唑乳油防治棉花田一年生杂草效果与安全性[J]. 中国农学通报, 2021, 37(25): 121-124.
[10]	纪伟帅, 陈红艳, 王淑婷, 张玉婷. 基于无人机多光谱的华北平原花铃期棉花叶片SPAD建模方法研究[J]. 中国农学通报, 2021, 37(22): 143-150.
[11]	华烨, 周昊楠, 许婷婷, 吉春容. 密度对棉花株间小气候、农艺性状及产量的影响[J]. 中国农学通报, 2021, 37(19): 36-41.
[12]	杨明凤, 王金梅, 吉春容, 刘勇, 白书军. 干旱胁迫对棉花生长发育和光合荧光参数的影响[J]. 中国农学通报, 2021, 37(13): 22-28.
[13]	张新, 薛惠云, 刘孝峰, 张金宝, 刘文豪, 沈诗涵, 张志勇. 适宜豫北地区棉豆轮作的荷兰豆品种与播期筛选[J]. 中国农学通报, 2021, 37(11): 32-38.
[14]	刘国栋, 张桂芝, 王爱玉, 赵红军, 赵金辉, 张晓洁, 陈兰. 品种和整枝方式对棉花产量及品质构成因素的影响[J]. 中国农学通报, 2020, 36(33): 45-49.
[15]	马君, 崔建平, 金亮, 徐海江, 林涛, 王亮, 师维军, 郭仁松. 新疆滴灌棉田深松后土壤理化性质及产量的变化特征[J]. 中国农学通报, 2020, 36(32): 82-87.