計算機視覺在作物水分虧缺診斷中的應用進展

勞東青 李發永

(1 塔里木大學信息工程學院， 新疆 阿拉爾 843300)(2 塔里木大學水利與建筑工程學院，新疆 阿拉爾 843300)

隨著干旱缺水局勢的日益嚴峻，人口增長、城鎮化和社會經濟的快速發展使得我國用水矛盾日漸尖銳。缺水已成為困擾我國社會經濟可持續發展的世紀性難題。農業是我國用水最多的產業，發展現代節水農業以確保我國糧食安全、水安全和生態安全的重大戰略舉措已成為共識[1]。當今農業節水發展的重點已經由輸水過程節水、田間灌水過程節水轉移到生物節水、作物精量控制用水以及節水系統的科學管理[2]。根據作物缺水信息實施精量控制灌溉是提高水的利用率和水的生產效率的重要途徑之一[3]。目前，國內進行作物水分虧缺診斷主要通過土壤水分、葉水勢、氣孔響應、徑流、葉片相對含水量等指標，但這些指標診斷法都存在著各種各樣的缺陷。比如，土壤水分僅能反映植物的水分供應情況，不能直接測定植物的水分狀況；葉水勢等生理指標雖能反映植物缺水程度，但對樣品具有破壞性，難以提供實時缺水信息等[4]。

計算機視覺技術是隨著計算機的發展和成熟而迅速發展起來的一個重要應用技術領域。在作物生產和科研中，大量的工作需借助于對形態、色澤、紋理等外部特征的判斷。由于圖像獲取設備具有比人眼更精細的分辨能力，更能客觀地描述所“看到”的事物，采集、挖掘出專家肉眼不可能辨別出來的形態、色澤、紋理等的統計特性和相關特性，計算機視覺技術在作物生長形態檢測、營養組分檢測、質量檢測與分級、病蟲害診斷等領域得到了一定的研究與應用[5-7]。

植物的水分散失主要由葉片承擔。葉片是水分脅迫下植物外部形態中反應最為敏感的器官，因而，植物缺水會在葉片的顏色、紋理和形狀上表現出一定的癥狀，如：顏色變暗、變黃、葉片萎蔫、葉面積減少、葉角改變等[4]?？梢?，植株葉片的顏色、紋理、形狀特征能夠較好地反映植物的水分虧缺狀況，可以應用計算機視覺技術開展作物水分虧缺狀況的診斷研究。目前，相關的研究主要集中在黃瓜、棉花、土豆、萬壽菊等植株的水分監測上。

1 計算機視覺技術簡介

20世紀70年代初期，在遙感圖片和生物醫學圖片分析技術取得卓越成就后，計算機視覺技術逐步興起。計算機視覺(Computer Vision)，又稱機器視覺，是一門主要研究如何應用圖像獲取設備和計算機代替人眼對目標進行識別、跟蹤、測量等工作的綜合性學科[8-11]，涉及人工智能、神經生物學、投影幾何、數學、光電子學、計算機科學、圖像理解、圖像處理以及模式識別等諸多領域[12]。

由于具有信息檢測簡便、快捷、精確、無破壞性等優點，計算機視覺技術被譽為現代無損檢測技術之一[13]，目前，已被廣泛應用于醫學、材料學、工業制造、石油開采、生物、環境污染監測、農業信息監測等領域[14-16]。

計算機視覺技術以圖像處理技術為核心，通過圖像采集設備對研究對象進行拍攝，應用人工智能和圖像處理等技術對圖像信息進行分析，從而獲得所需的研究信息，具體包括圖像采集、圖像預處理、圖像分割與特征提取、對圖像特征進行分析和處理等步驟[12]。

一個計算機視覺監測系統一般包含三個組成部分：圖像采集設備、計算機、拍攝光源。圖像采集設備可以將目標對象以圖像的形式記錄、保存下來。計算機用以對目標對象的數字化圖像進行處理和分析。拍攝光源是影響數字圖像處理的一個很重要的元素。

2 作物圖像獲取方法

作物圖像采集時所用設備、光源、鏡頭距作物的距離、拍攝角度、圖像分辨率和圖像存儲格式等并無硬性規定。不同的研究采集圖像時所選參數各不相同，一般根據目標需求進行選擇。

在作物水分虧缺診斷研究中，大多數研究采集圖像都使用數碼相機。于常樂在對溫室中的黃瓜進行葉片含水量的無損檢測研究中，指出數碼相機采集具有圖像質量好、成本低廉、易于開發和集成等優點，數碼相機取代CCD攝像機進行圖像采集是新技術、新產品及新的應用需求的產物，因而選用了具有實時采集功能的佳能A620相機進行圖像采集[17]。而在背景光源選擇中，于常樂對比分析了紅、黃、藍、綠、白五色發光二極管照射下富水葉片與缺水葉片的灰度梯度比，指出黃光照射下，黃光的富水葉片和缺水葉片主葉脈兩側亮度對比最為明顯，因而黃光為最適背景光[17]。孫瑞東等在研究中也得到了同樣的結論[18]。同樣是對黃瓜進行葉片含水率診斷研究，蔡鴻昌等在研究中選用了FinePixE550數碼相機作為圖像采集設備，拍攝光源選擇晴天自然光照，拍攝時間選擇12:00-13:00，并在拍攝對象底下放置白板以保持葉片水平，拍攝角度為葉片上方垂直方向，高度為35cm[19]。

王方永等在基于圖像的棉花水分狀況診斷研究中，選用了OLYMPUS C-5060 Wide Zoom型數碼相機作為采集設備，在晴天12:00-14:00間于田間自然光照下垂直拍攝，采集高度為鏡頭距地面2m，圖像分辨率設為2592×1944像素[20]。宋亞杰、甘露萍等在萬壽菊和鮮煙葉的水分無損檢測研究中，也是采用數碼相機，在自然光條件下采集圖像[21-22]。

也有部分專家學者采用其他類型攝像設備進行圖像采集，如：張曉東等在油菜水分脅迫診斷研究中，應用多光譜相機采集油菜冠層圖像，采集時鏡頭位于冠層上方70cm處，垂直于被測物[23]；張南等在基于葉片高度信息的植物水分監控研究中，在溫室環境下應用電腦攝像頭采集圖像，攝像頭使用固定架固定，側拍時鏡頭距植物70cm左右[24]；程麒等在棉花冠層水分脅迫指數與光合特性的關系研究中，在冠層上方垂直高度3m處通過熱像儀采集圖像，提供了一種通過紅外熱圖像獲取作物冠層溫度從而實現作物水分狀況監測的方法[25]。

3 作物圖像信息分析方法

在當前的相關研究中，提取作物圖像的顏色特征，分析顏色特征與作物水分狀況的相關關系的研究居多，也有部分研究圖像的紋理特征或形狀特征與作物水分狀況的關系。

3.1 基于顏色特征的作物水分狀況的診斷

顏色是圖像最直觀和相對重要的一種視覺特征。常見的顏色特征提取方法有顏色直方圖、顏色矩、顏色集、顏色聚合向量法等。其中，顏色直方圖是最常用的一種。在基于顏色特征的水分虧缺診斷研究中，大多數是提取作物圖像的R、G、B、H、I、S分量的值，并對它們進行多種組合變換，從而分析它們與作物水分狀況的相關關系，建立相應的估算模型。蔡鴻昌等通過不同氮素營養水平的水培試驗，應用直方圖法提取黃瓜葉片顏色特征，采用線性擬合和逐步回歸分析建立了黃瓜葉片干基含水率與比葉重的顏色特征估算模型，發現G/(R+G+B)和(G-R)可以作為葉片干基含水量估算的主要顏色特征參數[19]。王方永等分析了顏色參數與棉花水分含量及水分含量指數的關系，以(G-R)參數建立了棉花水分含量及水分含量指數的預測模型，預測精度分別達到了90.71%和91.02%，證明了應用數字化圖像技術進行棉花水分狀況診斷是可行的[20]。R. Zakaluk和R. Sri Ranjan在溫室條件下，用高達500萬像素的數碼相機采集土豆植株的數字化圖像，通過數字化圖像、彩色空間變換、RGB植被指數等，構建了土豆葉水勢的人工神經網絡預測模型，結果表明葉水勢的預測值與實測值相差無幾[26]。

作物圖像的灰度梯度值用于作物水分狀況診斷，也能取得很好地預測結果。于常樂通過繪制最適背景光下葉片含水量與圖像灰度梯度值變化關系曲線，建立了黃瓜葉片含水量的預測模型，并從臨界點試驗中確定出黃瓜缺水臨界點區域，實現了黃瓜葉片水分虧缺的無損檢測[17]。孫瑞東等繪制了最適背景光下黃瓜葉片含水量與圖像特征參數關系曲線，并采用非線性最小二乘擬合法建立了葉片含水量與特征區域圖像灰度梯度的回歸模型，實現了通過黃瓜葉片圖像特征判斷缺水狀態的無損檢測[18]。

3.2 基于形態特征的作物水分狀況的診斷

圖像的形狀信息不隨周圍環境的變化而變化(如亮度)，是物體的穩定特征；人們對圖像的理解也在很大程度上依賴于圖像中物體形狀的感知和區別[27]。植物葉片對水分脅迫的適應性變化表現在于葉面積的減少以及葉片的運動，因而，可以利用計算機視覺技術監測葉片形狀的變化，從而得到植物的缺水狀況。彭文等提出了一種基于葉尖相對距離或基于葉尖傾角的植物水分脅迫狀況監測方法，采用最小二乘法擬合分析了圖像處理算法測量得到的葉尖相對距離、葉尖傾角與手工測量得到的值的相關關系，模型擬合度分別高達0.9781、0.9842。實驗結果表明，葉尖相對距離和葉尖傾角的變化趨勢能夠較好地反映出植物的水分虧缺程度，可用于對植物水分脅迫狀況的監測[4]。張南等應用圖像處理技術分析了在水分脅迫條件下的葉片高度的變化規律，指出基于葉片高度的植物水分虧缺診斷是可行的[24]。

3.3 基于紋理特征的作物水分狀況的診斷

紋理是圖像和物體表面的重要視覺特性，反映了圖像在灰度域中像素及其鄰域之間的分布規律，表達了物體表面顏色和灰度的某種變化。與圖像的顏色特征相比，紋理能更好地兼顧圖像的宏觀特征與細部結構，可用于圖像分割和圖像的分類識別[28]。單一分析作物圖像的紋理特征與作物水分狀況的相關性的研究很少見報道。國外Farshad Vesali等人通過研究蘋果含水量與圖像特征(果皮皺褶)的相關關系，提取了圖像的密度、紋理等特征參數，并根據這些參數應用人工神經網絡對蘋果含水率進行估算，獲得了很高的精度[29]。

3.4 基于多信息融合的作物水分狀況的診斷

植物缺水，會在植物葉片的顏色、形狀、紋理特征上都表現出一定的癥狀，因而，綜合考慮這些特征以及外部環境信息與植物水分狀況的相關性的研究更加的系統、科學。宋亞杰應用直方圖法提取萬壽菊冠層圖像的顏色特征(R、G、B)以及紋理特征(均值、一致性、熵)，用改進的AHP法及模糊綜合評判理論等，建立了萬壽菊缺水狀態判斷的綜合評價指標體系，實現了萬壽菊水分狀況評判模型的構建[21]。甘露萍等用MATLAB軟件進行圖像分割算法研究，提取了r、g、H、面積、均值、一致性和熵等鮮煙葉圖像特征作為煙葉含水量綜合評價指標，并用三標度AHP法對指標綜合排序，結果表明，葉寬、葉面積以及均值可用作快速判斷鮮煙葉含水量的指標[22]。高洪燕等對番茄冠層的反射光譜、多光譜圖像、冠層溫度特征及環境溫濕度進行多信息融合，評判其水分脅迫狀況，結果表明：多信息融合模型的各項指標均高于單一信息模型[30]。孫俊等采用中值濾波法對生菜葉片圖像進行濾波處理，采用二維最大熵算法進行二值化處理，提取了圖像的灰度分量均值和紋理特征，并通過相關性分析，篩選出與生菜葉片水分含量相關性較高的圖像特征，最終以PLS-ANN方法建立了葉片水分預測模型，模型平均誤差率約為9.323%[31]。

4 存在的問題及未來展望

4.1 存在問題

4.1.1 作物圖像的質量易受外部環境的影響。計算機視覺技術要在作物水分監測中實際應用，不可避免地需要進行田間作業，而光照強度、拍攝高度、拍攝角度、風速變化等因素都會引入圖像噪聲、降低圖像質量，從而增加圖像預處理的難度，降低模型診斷的精確性和快速性。

4.1.2 土壤和雜草等構成的復雜背景會增加目標對象的識別難度。在實際的生產應用中，通常需要快速、精確、實時地獲取作物的水分虧缺狀況，這就對目標對象的識別算法提出了更高的要求。

4.1.3 已有作物水分狀況預測模型魯棒性差，難以普及。作物的形態差異、對水分虧缺的敏感度的不同，使得不同作物在相同水分脅迫條件下呈現出不同的反應癥狀。甚至，同一作物在不同區域、不同生長期對水分虧缺的反應癥狀也不盡相同。這導致：針對某些品種的作物，在某些區域所構建的作物水分狀況檢測模型，并不一定適用于其他作物。因而，有必要研究更高效的特征提取算法，以便能夠建立通用性更強的作物水分狀況預測模型。

4.1.4 單一特征描述機制存在局限性。當前相關的研究集中在挖掘出與作物含水量相關的單一特征上，綜合考慮顏色特征、形狀特征、紋理特征在作物含水量評價體系中的影響的研究相對較少，更勿論說對來自多個傳感器的信息進行綜合處理。

4.1.5 計算機視覺在作物水分虧缺診斷中的研究，國內起步較晚，一些圖形圖像算法存在一定的局限性，還不能滿足該領域的應用需求，因而，相關研究目前尚處于實驗驗證階段，未能大量投入生產實際。

簡而言之，應用計算機視覺技術進行作物水分虧缺診斷是行之有效的，并且某些成果開始走向應用，因而其前景極為廣闊。但該技術的實際應用目前仍存在許多問題急需解決。就南疆地區而言，因為沙塵大，作物冠層易落灰，相關研究是否適用尤待探討?？梢?，計算機視覺技術應用于作物水分監測的研究離商品化生產還存在一定距離，未來需要進一步開展深入而廣泛的研究。

4.2 未來展望

縱觀該領域的國內外研究現狀，可知未來的研究方向主要有以下三個方面：

4.2.1 多信息融合。單一的圖像特征描述機制僅能在有限范圍內對圖像內容進行建模，巧妙融合多種信息可使作物圖像分析更精確，是圖像信息描述的主流趨勢。

4.2.2 高效的圖像識別與分析算法的研究。應用計算機視覺技術進行作物水分虧缺診斷研究的關鍵是從復雜背景中識別出目標對象、提取目標對象的特征量。只有精確地提取出研究目標特征，才有可能建立高效而精準的作物含水量評價體系。因此，對高效的目標特征提取算法以及大田復雜背景下的目標識別的研究將成為該領域未來的研究重點。

4.2.3 作物水分虧缺診斷研究與作物缺水臨界點、作物灌水量研究有機結合。單一的作物水分虧缺診斷研究只能提供作物的缺水信息，沒有實際意義。只有與缺水臨界點研究和作物灌水量研究有機結合，確定出作物的應灌溉時間和應灌水量，才能實現作物的田間實時灌溉和精量灌溉，促進傳統農業向自動化、智能化方向發展。

[1] 吳普特, 馮浩, 牛文全, 等. 現代節水農業技術發展趨勢與未來研發重點[J]. 中國工程科學, 2007, 9(2): 12-18.

[2] 柴強. 節水灌溉水分診斷指標研究現狀與展望[J]. 現代農業科技, 2006, (12): 102-104.

[3] 康紹忠, 蔡煥杰, 馮紹元. 現代農業與生態節水的技術創新與未來研究重點[J]. 農業工程學報, 2004, 20(1)：1-6.

[4] 彭文, 李慶武, 霍冠英, 等. 基于計算機視覺的植物水分脅迫狀況監測方法[J]. 科學技術與工程, 2013, 13(9): 2313-2317.

[5] Ahmad U, Mardison S, Tjahjohutomo R, et al. Development of automatic grading machine prototype for citrus using image processing[J]. Aust J Agric Eng, 2010, 1(5): 165-169.

[6] 梁改梅, 楊錦忠, 陳穩良, 等.計算機圖像處理與分析技術在作物領域的應用[J]. 科技情報開發與經濟, 2006, 16(12): 222-224.

[7] Romano G. An Approach for Monitoring the Moisture Content Changes of Drying Banana Slices with Laser Light Backscattering Imaging[J]. FOOD AND BIOPROCESS TECHNOLOGY, 2008, 1(4): 410-414.

[8] 鄒修國. 基于計算機視覺的農作物病蟲害識別研究現狀[J]. 計算機系統應用, 2011,20(06):238-242.

[9] 苗永梅. 計算機視覺技術在農業中的應用[J]. SCIENCE & TECHNOLOGY INFORMATION, 2012,(13):80.

[10] 李永奎, 劉冬. 計算機視覺技術在農業生產中的應用[J]. 農業科技與裝備，2011,(06):58-60.

[11] 曲赟,吳玉潔, 劉盼. 計算機視覺技術在農作物病蟲草害防治中的研究進展[J]. 安徽農業科學,2011，39(9)：5570-5571.

[12] 李永奎, 劉冬. 計算機視覺技術在農業生產中的應用[J]. 農業科技與裝備，2011,(06):58-60.

[13] 吳瓊, 朱大洲, 王成, 等. 農作物苗期長勢無損監測技術研究進展[J]. 農業工程, 2011 ,1(4): 19-25.

[14] Mesquita D P, Dias O, Amaral A L. Monitoring of activated sludge settling ability through image analysis: validation on full-scale wastewater treatment plants[J]. Bioprocess and Biosystems Engineering, 2009, 32(3): 361-367.

[15] Gross Colin A, Reddy Chandan K, Dazzo Frank B. CMEIAS Color Segmentation: An Improved Computing Technology to Process Color Images for Quantitative Microbial Ecology Studies at Single-Cell Resolution[J]. Microbial Ecology, 2010, 59(2): 400-414.

[16] Xu Bin Gang, Murrells, Charlotte Marion, et al. Automatic Measurement and Recognition of Yarn Snarls by Digital Image and Signal Processing Methods[J]. Textile Research Journal, 2008, 78(5): 439-456.

[17] 于常樂. 基于圖像處理的葉片含水量的無損檢測研究[D]. 吉林: 吉林大學, 2005.

[18] 孫瑞東, 于海業, 于常樂, 等.基于圖像處理的黃瓜葉片含水量無損檢測研究[J]. 農機化研究, 2008, (7): 87-89.

[19] 蔡鴻昌, 崔海信, 高麗紅, 等. 基于顏色特征的葉片含水率與比葉重估算模型初探[J]. 中國農學通報, 2006, 22(8): 532-535.

[20] 王方永, 王克如, 王崇桃, 等. 基于圖像識別的棉花水分狀況診斷研究[J]. 石河子大學學報, 2007, 25(4): 404-407.

[21] 宋亞杰. 基于機器視覺的作物水分無損檢測及評判模型研究 [D]. 重慶: 西南大學, 2008.

[22] 甘露萍, 謝守勇, 鄒大軍. 基于計算機視覺的烤煙鮮煙葉含水量無損檢測及MATLAB實現[J]. 西南大學學報(自然科學版), 2009, 31(7): 166-170.

[23] 張曉東, 毛罕平, 左志宇, 等. 基于多光譜視覺技術的油菜水分脅迫診斷[J]. 農業工程學報, 2011, 27(3): 152-157.

[24] 張南, 李杰, 郝慧鵬. 基于葉片高度信息的植物水分監控[J]. 電子技術與軟件工程, 2013, (22):106-107.

[25] 程麒, 黃春燕, 王登偉, 等. 基于紅外熱圖像的棉花冠層水分脅迫指數與光合特性的關系[J]. 棉花學報, 2012, 24(4): 341-347.

[26] R. Zakaluk, R. Sri Ranjan. Artificial Neural Network Modelling of Leaf Water Potential for Potatoes Using RGB Digital Images: A Greenhouse Study[J]. Potato Research, 2007, (4): 255-272.

[27] 陳宏. 基于形態特征的圖像檢索[D]. 陜西：西安電子科技大學, 2010.

[28] 王曉靜, 張炎, 李磐, 等． 地面數字圖像技術在棉花氮素營養診斷中的初步研究[J]． 棉花學報，2007，19( 2) : 106-113．

[29] Farshad Vesali, Masoud Gharibkhani, Mohmmad Hasan Komarizadeh. An approach to estimate moisture content of apple with image processing method[J]. Australian Journal of Crop Science, 2011, 5(2): 111-115.

[30] 高洪燕, 毛罕平, 張曉東, 等. 基于多信息融合的番茄冠層水分診斷[J]. 農業工程學報, 2012, 28(16)：140-144.

[31] 孫俊, 武小紅, 張曉東, 等. 基于高光譜圖像的生菜葉片水分預測研究[J]. 光譜學與光譜分析, 2013, 33(2): 522-526