番茄穴盘育苗于2020年12月—2021年2月在河南洛阳诚研辣椒研究所温室大棚环境中培养, 白天温度控制在20~25 ℃, 夜间温度控制在10~15 ℃。 选用的番茄品种为毛粉802, 种子经消毒处理后, 采用一孔一种的播种方法, 将其播种于4个72孔穴盘中, 穴盘育苗基质为包含泥炭、 椰糠和珍珠岩的混合基质(比例为3:1:1)。 番茄秧苗日历苗龄为45 d时, 处于育苗移栽期, 此时穴盘中有276株幼苗(缺苗12株), 对其进行各项指标的测定和光谱检测。 对番茄叶片光谱反射率的采样使用海洋光学USB4000光纤光谱仪, 其波长范围为200~1 100 nm, 光谱间隔为0.21 nm, 试验选择在晴朗无云或少云的天气进行, 用OceanView软件对光谱数据进行采集。

按照以下顺序采集所需数据: 将番茄苗取出洗净并用滤纸擦干, 用直尺测定株高; 用游标卡尺测定茎粗; 采用万分之一电子天平称量全株鲜质量; 将光谱仪预热30分钟后采集光谱数据; 每个活体样本由多个叶片组成; 光谱仪探头垂直向下, 距叶片2 cm左右; 每次采集目标光谱前后进行参考板校正, 每点反复测量3次取平均值作为该样本光谱测量结果。 用分光光度法测定叶绿素a、 叶绿素b和总叶绿素含量; 用叶绿素仪测定叶片叶绿素相对含量SPAD; 最后将整株装于信封袋内置于鼓风干燥箱105 ℃杀青30 min, 80 ℃下烘至恒质量, 并称量其全株干质量。

试验数据采用SPSS 26.0进行分析处理, 光谱预处理和特征变量的选择是基于MATLAB 2019b实现的, 评价值的定量分析模型基于Python语言的TensorFlow框架实现, 绘图工作在Origin 2019上完成。

试验采集的各评价指标均为定量指标, 其中株高为区间型指标, 即它在某一范围内时, 秧苗质量较佳, 偏离这一范围不论是过长或是偏少都不利于秧苗质量。 其他指标均为极大型指标, 即这些指标没有明显的上下限, 随着指标的增长与秧苗质量成正相关。

为了构建评价指标体系, 便于后续分析, 需要对各指标进行一致化和归一化处理。 其中, 先将区间型指标转化为极大型指标[式(1)], 然后将其他各极大型指标进行向量归一化处理[式(2)], 得到每个秧苗各单项指标的评价值。

x˜i=1-a-xiM, xi< a1, a≤xi≤b1-xi-bM, xi> bM=max{a-min{xi}, max{xi}-b}(1)

xi*=x˜i∑i=1nx˜i2(2)

式中, a为株高指标最佳区间的下限, b为株高指标最佳区间的上限, x_i为转化前的指标值,x˜i为转化后的指标值,xi*为最终无量纲化后的评价值。

采用独立性权系数法, 根据各指标与其他指标之间的共线性强弱来确定指标权重。 首先建立幼苗的某项指标x_i与其他指标x₁, x₂, …, x_n的线性关系方程, 其中b₀, …, b_n为常数,x̂i为因变量。

x̂i=b0+b1x1+b2x2+…+bnxn(3)

指标x_i与其他指标的复相关系数R_i越大, 则说明它们之间的共线性关系越强, 重复信息越多, 则该指标的权重也就应该越小。

Ri=∑(xi-x̅i)(x̂i-x̅i)∑(xi-x̅i)2(x̂i-x̅i)2 (i≤5)(4)

每个指标的复相关系数的倒数1R作为得分S, 再经归一化处理得到权重系数S^*。 所得结果如表1所示。

S*=S∑i=1nS2(5)

由表1可知, 干质量和总叶绿素的权重较大, 即这两个指标所包含的信息量较多, 可以结合起来反映春季育苗移栽期的番茄苗健壮程度。 其他指标的权重指数较为接近且均明显低于前两项, 可能是因为在育苗期间温室大棚的水分、 温湿度、 光照、 养分等统一苗期管理中, 由经验对传统的壮苗指标予以干预, 如为防止徒长施加矮壮素等, 使得它们差异较小, 对健壮苗的评判结果贡献度低。

表1

Table 1

表1(Table 1)

表1 春季育苗移栽期番茄苗单项指标权重系数 Table 1 Weight coefficient of individual index of tomato seedlings in spring transplanting period 指标 权重 株高 0.135 茎粗 0.128 鲜质量 0.117 干质量 0.336 总叶绿素 0.284

表1 春季育苗移栽期番茄苗单项指标权重系数 Table 1 Weight coefficient of individual index of tomato seedlings in spring transplanting period

根据上述各项指标评价值和权重的确定, 每株番茄健壮度的评价值V可表示如式(6)

V=0.135x1*+0.128x2*+0.117x3*+0.336x4*+0.284x5*(6)

式(6)中,x1*,x2*,x3*,x4*和x5*分别为各幼苗的株高、 茎粗、 鲜质量、 干质量、 总叶绿素的评价值。 将所有被测秧苗的评价值V汇总后, 得到其范围在0.12~0.89之间, 如图1所示。 这表明试验苗样范围广, 包含各种优劣苗, 能够作为评判春季育苗移栽期番茄苗健壮度的依据。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 春季育苗移栽期番茄苗健壮度评价值Fig.1 The robustness evaluation value of tomato seedlings in the spring seedling transplanting period

作为对秧苗评价值V影响最大的两个因素: 干质量和总叶绿素, 若仅用这两项指标来反映春季育苗移栽期番茄苗健壮度, 则该简化后的秧苗评价值V_s可表示为式(7)

Vs=0.542x4*+0.458x5* (7)

将简化后的秧苗评价值V_s与评价值V进行对比分析, 如图2所示。 可以看出两者线性度高, 决定系数R²=0.920, 即简化后的秧苗评价值V_s可以很好的表征春季育苗移栽期番茄苗的健壮度。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 番茄简化评价值在评价值范围内的分布Fig.2 The distribution of tomato simplified evaluation value within the evaluation value range

将样本简化后的秧苗评价值V_s作为分类依据, 将番茄苗分为三种类型: 优质苗、 合格苗, 劣质苗, 对其进行聚类划分, 同时, 应考虑育苗移栽的实际情况, 对其进行优化, 以避免因标准过高而导致的资源浪费。 分类结果如表2所示, 分类样本情况如图3所示, 其中图3(a)为所培育72穴穴盘苗的整体情况, 图3(b), (c)和(d)分别为基于该分类依据所筛选出的优质苗, 合格苗和劣质苗。 基于该依据的分类结果相对于传统经验, 对健壮程度的划分更加精细。

表2

Table 2

表2(Table 2)

表2 番茄苗的品质分类结果 Table 2 Quality classification results of tomato seedlings 类别 聚类 样本数 聚类评价值 Vs 最终 样本数 最终评价值 Vs 最终 占比/% 优质苗 77 ≥ 0.623 88 ≥ 0.600 32 合格苗 94 0.366~0.623 127 0.300~0.600 46 劣质苗 105 ≤ 0.366 61 ≤ 0.300 22

表2 番茄苗的品质分类结果 Table 2 Quality classification results of tomato seedlings

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 春季育苗移栽期番茄苗分类情况 (a): 番茄穴盘苗整体情况; (b): 优质苗; (c): 合格苗; (d): 劣质苗Fig.3 Classification of tomato seedlings in spring seedling transplanting period (a): Overall condition of tomato plug seedlings; (b): High quality seedlings; (c): Qualified seedlins; (d): Poor quality seedlings

在构建了春季育苗移栽期番茄穴盘苗的评价体系的基础上, 为了获取其健壮度信息, 可以发挥光谱的无损检测优势, 用化学计量学的方法构建光谱数据与反映秧苗品质的两个重要指标及秧苗评价值V_s的定量分析模型, 以实现质量鉴别。 样本的原始光谱曲线如图4(a)所示, 是典型的绿色植物光谱曲线, 可以清晰的看出图像两端有较大噪声。 将光谱信号两端噪声较大的波段截掉后, 得到的光谱曲线如图4(b)所示。 为了消除由于颗粒分布不均匀及颗粒大小不同产生的散射对光谱的影响, 增强有用的光谱信息, 采用多元散射校正(MSC)的预处理方法, 得到的光谱曲线如图4(c)所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 春季育苗移栽期番茄苗的光谱 (a): 原始光谱; (b): 去噪后光谱; (c): MSC预处理后光谱Fig.4 Spectra of tomato seedlings in the spring nursery and transplant period (a): Raw spectral curve; (b): Spectral curve after denoising; (c): Spectral curve after MSC pretreatment

利用竞争性自适应重加权算法(CARS)和无信息变量消除-连续投影算法(UVE-SPA)对番茄苗的光谱特征进行重要波长的选择, 可以减少冗余的光谱特征信息, 便于构建高效的健壮苗检测模型, 并提高后期数据分析的计算速率。

CARS是通过选择模型中回归系数绝对值大的波长, 去掉权重小的波长, 再经内部交互验证选出RMSECV值最低的子集, 可有效的找到最优波长组合^[8]。 经过多次试验的结果如图5所示, 得到最佳迭代次数为25次, 并据此筛选出了58个光谱重要波长, 作为简化后番茄苗评价值的判别依据。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 CARS算法挑选特征波长的过程Fig.5 Key variables selection results by CARS

采用UVE算法对全波长下的2 604个光谱变量进行选择, UVE中产生的随机变量个数同样设置为2 604个, 决定被选变量的阈值选择标准为随机变量稳定性最大值的99%, 阈值外的波长变量将被保留作为特征波长^[9]。 经过UVE的变量选择, 得到了240个波长, 可以看出经UVE选择得到的特征波长数量仍较为庞大, 因此采用SPA对其选择后的波长变量做进一步选择。 验证集经过多元线性回归分析(MLR), 得到了最小的验证标准偏差(RMSEV), 其对应的变量即为所需的光谱重要波长。 最终选择结果为104个特征波长。

通过CARS和UVE-SPA两种方式选择出的特征波长在全谱中的分布情况如图6和图7所示。 可以看出, 两种方法得出的结果在450~520, 620~720和750~950 nm波段下分布较为类似, 后者较前者多筛选出的特征波长大部分集中于530~610 nm波段。 其中450~520, 530~610和620~720 nm三个波段与组成秧苗评价值的叶绿素含量相关性很强, 这与丁永军^[10]等的研究结果吻合; 750~950 nm波段与秧苗评价值中干质量相关性较强, 这与王洋等人研究结果相似^[11]: 干物质在可见光波段作用不明显, 在近红外-短波红外区域影响较大, 干物质含量越高, 叶片反射能力越弱。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 CARS挑选的特征波长在全波段的分布Fig.6 The distribution of characteristic wavelengths selected by CARS in the whole band

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 UVE-SPA挑选的特征波长在全波段的分布Fig.7 The distribution of characteristic wavelengths selected by UVE-SPA in the whole band

采用SPXY算法进行样本集划分^[12], 相较于传统的KS算法, 它以光谱变量为x变量, 秧苗评价值为y变量, 利用两种变量同时计算样品间距离以保证最大程度表征样本分布, 有效地覆盖多维向量空间, 增加了样本间的差异性和代表性。 最终以2:1的比例将样本集划分为建模集和预测集, 其中建模集样本有184个, 预测集样本有92个, 保证了训练集中的样本按照空间距离分布均匀。 样本间距离表示如式(8)

dx(p, q)=∑j=1N[xp(j)-xq(j)]2; p, q∈[1, N]dy(p, q)=(yp-yq)2=|yp-yq|; p, q∈[1, N]dxy(p, q)=dx(p, q)dx(p, q)max+dy(p, q)dy(p, q)max; p, q∈[1, N](8)

把所有的样本都看作建模集候选样本, 依次从中挑选样本进建模集。 首先选择距离最远的两个样本进入建模集, 其后通过计算剩下的每一个样品到建模集内每一个已知样品的距离, 找到拥有最大最小距离的待选样本放入建模集, 以此类推, 直到达到所要求的样本数目。 样本集划分的结果见表3, 可以看出建模集样本的秧苗评价值涵盖了预测集样本的秧苗评价值范围, 且平均值和标准偏差均接近, 表明样品集划分合理。

表3

Table 3

表3(Table 3)

表3 样本集划分 Table 3 Sample set division 统计参数 秧苗评价值 建模集 预测集 最小值 0.093 0.117 最大值 0.849 0.814 平均值 0.483 0.462 标准偏差 0.083 0.109

表3 样本集划分 Table 3 Sample set division

由于秧苗评价值在光谱曲线上的响应会受多种因素影响, 而简单的线性回归模型很难处理非线性、 随机性等复杂的问题, 因此在模型的选择上应考虑非线性模型。 选择LS-SVM和CNN两种非线性模型, 并通过比较分析选取最优组合。

最小二乘支持向量机(1east squares support vector machine, LS-SVM)是对SVM的改进, 它能有效的处理回归问题, 在解决小样本、 非线性和高维模式识别等问题中优势显著^[13]。 其优势主要表现在将经典SVM中复杂的二次优化问题改为了解线性方程组的问题, 降低了复杂度, 从而大大加快计算速度, 在LS-SVM算法模型中, 通过选择合适核参数σ 和惩罚系数γ , 可以实现模型复杂度和模型准确度的平衡折中。 本研究选择径向基函数(RBF)作为核函数, 并用网格搜索和交互验证法自优化模型的σ 和γ 。

卷积神经网络(convolutional neural networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络, 其中U-Net网络模型因其结构优势应用广泛。 它基于全卷积网络进行改进, 不需要大量的样本和计算资源, 就可以利用数据增强对一些比较少样本的数据进行训练^{[14, 15]}。 基于U-Net网络进行改造, 最终建立的模型结构如图8所示。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 基于U-Net模型的卷积神经网络结构Fig.8 CNN structure based on U-Net model

结构左侧部分为收缩路径, 可视为有4个子模块的编码器, 每个子模块有两个卷积核(核函数为ReLU, 大小为1×3, 填充为0, 步长为1)组成的卷积层, 用于特征提取, 后加一个最大池化层(大小为1×2, 步长为2)实现下采样, 降低数据维度。 除此之外, 卷积过滤器的深度从64逐层增长到1 024, 使得每一次降采样都会增加一倍的通道数。 右侧为扩展路径, 与收缩路径组成类似, 可视为实现上采样的解码器, 以恢复数据维度。 特别的是, 各模块完成一次反卷积后, 就会将收缩路径中对应步骤的特征图进行修剪, 使其数据尺寸能与反卷积的结果拼接, 以完成特征融合。 为了适应回归需求, 将U-Net原网络中最后用于输出的卷积层(大小为1×1)替换成了两个全连接层, 使其最终的输出为秧苗评价值。 训练过程中, 设置学习率为10^-3, 训练次数为1 000次。

将预处理后的光谱数据和提取特征波长后的光谱数据分别作为模型的输入, 且所建立光谱模型优劣采用以下参数进行评估: 建模和预测集的相关系数(r), 建模均方根误差(root mean square error for calibration, RMSEC)以及预测均方根误差(root mean square error for prediction, RMSEP)。 所建模型的相关系数越高, 均方根误差越低, 说明模型效果越好。 同时, RMSEC和RMSEP的绝对值的差越小, 表明所建立的模型的稳定性越好, 鲁棒性越强。 所得结果如表4所示。

表4

Table 4

表4(Table 4)

表4 不同光谱变量的各模型效果对比 Table 4 Comparison of model effects of different spectral variables 模型 变量数 建模集 预测集 Rc RMSEC Rp RMSEP LS-SVM 2 604 0.783 0.131 0.566 0.179 CNN 2 604 0.905 0.086 0.873 0.098 CARS-LS-SVM 58 0.900 0.141 0.723 0.091 CARS-CNN 58 0.954 0.084 0.907 0.064 UVE-SPA-LS-SVM 104 0.937 0.130 0.770 0.086 UVE-SPA-CNN 104 0.988 0.085 0.946 0.025

表4 不同光谱变量的各模型效果对比 Table 4 Comparison of model effects of different spectral variables

由表4可以看出, 基于全波段建立的LS-SVM和CNN模型, 建模集和预测集的结果差于其他经CARS和UVE-SPA预处理后波段所建模型, 可能是由于太多无用的波段信息对建模产生了干扰, 从而降低了最终回归的准确率。 CNN模型整体比LS-SVM模型的建模效果好, 说明训练的光谱信息数据量较大时, 神经网络的非线性回归效果更好。 经CARS筛选出的特征波段数比UVE-SPA的波段数少46个, 但在CNN模型的回归结果中, 基于UVE-SPA预处理的建模集和预测集, r, RMSEC, RMSEP的表现效果均好于CARS的预处理结果, 说明, CARS相对于UVE-SPA在简化光谱变量输入的同时, 过滤了一部分重要波段信息, 导致模型精度下降。

上述分析可知, 对于采集的春季移栽期番茄穴盘苗可见光-近红外光谱信息, 采用UVE-SPA-CNN模型对光谱数据和秧苗评价值的回归分析效果最好, 该模型既保留了原始光谱大量的有用信息, 又将输入变量由2 604个降为104个波长信息, 建模速度快且精度高。 其中建模集和的相关系数r_c和建模均方根误差RMSEC分别为0.988和0.085, 预测集的相关系数r_p和预测均方根误差RMSEP分别为0.946和0.025。