引用本文
杨玉清, 张甜甜, 李军会, 鲁梦瑶, 刘慧, 赵龙莲, 张晔晖. 近红外高光谱的活体玉米叶片水分成像研究. 光谱学与光谱分析, 2018,38(12): 3743-3747
YANG Yu-qing, ZHANG Tian-tian, LI Jun-hui, LU Meng-yao, LIU Hui, ZHAO Long-lian, ZHANG Ye-hui. Water Imaging of Living Corn Leaves Based on Near-Infrared Hysperspectral Imaging. Spectroscopy and Spectral Analysis, 2018,38(12): 3743-3747.  
Doi: 10.3964/j.issn.1000-0593(2018)12-3743-05
Permissions
Copyright©2018, 光谱学与光谱分析
光谱学与光谱分析 所有
近红外高光谱的活体玉米叶片水分成像研究
杨玉清1,2, 张甜甜1,2, 李军会1,2,*, 鲁梦瑶1,2, 刘慧1,2, 赵龙莲1,2, 张晔晖1,2
1. 中国农业大学信息与电气工程学院, 北京 100083
2. 中国农业大学, 教育部现代精细农业系统集成研究重点实验室, 北京 100083
*通讯联系人 e-mail: caunir@cau.edu.cn

作者简介: 杨玉清, 女, 1992年生, 中国农业大学信息与电气工程学院硕士研究生 e-mail: 519215532@qq.com

收稿日期: 2017-07-31 接受日期: 2017-12-10
基金项目: 国家重点研发计划子课题(2016YFD0700304)资助
摘要

无损检测植物叶片水分对植物生理生化研究及灌溉管理和旱情监测等均具有重要意义。 利用Gaia Sorter近红外高光谱仪(900~1 700 nm), 以不同生育期的60个鲜活玉米叶片为试验材料, 对叶肉不同区域的平均光谱及烘干称重法得到的水分含量分别用偏最小二乘法(PLS)及逐步多元线性回归(SMLR)进行建模分析。 结果表明, 验证集决定系数/标准偏差分别为0.975/1.18和0.980/1.02, 均取得较好的预测效果, 可实现单个玉米叶片平均含水量的测定; SMLR优选的特征波长(1 406和1 692 nm)建模预测结果表明, 利用高通量近红外相机结合滤光片方法实现玉米叶片冠层或高空遥感测量的可行性。 同时, 进行了叶片不同区域水分含量的成像分析, 结果表明, 验证集中6个叶片的叶肉与主叶脉区域水分含量的参考均值和预测均值的相关系数均达到0.85以上, 预测结果与实际情况相符合。

关键词: 玉米叶片; 近红外高光谱; 水分成像
中图分类号:O657.3 文献标识码:A
Water Imaging of Living Corn Leaves Based on Near-Infrared Hysperspectral Imaging
YANG Yu-qing1,2, ZHANG Tian-tian1,2, LI Jun-hui1,2,*, LU Meng-yao1,2, LIU Hui1,2, ZHAO Long-lian1,2, ZHANG Ye-hui1,2
1. College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China
2. Key Laboratory of Modern Precision Agriculture System Integration Research, Ministry of Education, China Agricultural University, Beijing 100083, China
Abstract

Non-destructive detection of plant leaves water content is of significance to plant physiological, biochemical research, irrigation management and drought monitoring. In this paper, Gaia Sorter Near-Infrared Spectrometer (900~1 700 nm) was used to detect the water content of 60 fresh corn leaves in different growth stages using PLS and SMLR models. The results demonstrated that the R2/SEP of validation set were 0.975/1.18, 0.980/1.02, all achieving better predictive results, which could bring out the determination of a single corn leaf average water content. The results of the SMLR model established with the preferred characteristic wavelength (1 406 nm, 1 692 nm) indicated that the use of high-throughput near-infrared camera combining filter method achieved the feasibility of corn leaves canopy or high-altitude remote sensing measurement. Simultaneously, the imaging analysis of the water content in different regions of the leaves was carried out, and the results revealed that the correlation coefficients between the measured mean values and the predictive mean values of the mesophyll and the main vein of the six leaves were 0.85, and the predictive results were in accordance with the actual situation.

Key words: Corn leaves; Near-infrared hysperspectral; Water imaging
引 言

玉米是我国重要的粮食作物, 在国民经济中占有重要地位, 玉米叶片含水量反映了植物的生理生化信息, 植物的水分代谢一旦失去平衡, 将导致植物体生理活动紊乱, 物理特征发生显著变化[1]。 无损检测植物叶片水分对植物生理生化研究及灌溉管理和旱情监测等均具有重要意义。 传统的植物叶片水分含量测定方法包括烘干法[2]、 介电法[3]和电容法[4]等, 它们往往具有测试过程复杂、 耗时、 对检测样本造成永久伤害、 不能实时监测等诸多缺点。

高光谱成像作为一门影像数据技术, 可以将传统的光学成像和光谱学方法结合起来, 并同时获得样品空间点的光谱, 进一步得到空间各点的组成和结构信息[5], 具有图像信息量丰富、 识别度较高、 数据描述模型多等优点。 在非接触式无损测量的前提下, 既能对样品内部组分进行定量检测, 也能根据成像图对外部特征直观判断, 在食品、 医学、 农作物[6, 7, 8, 9, 10, 11]等各行业中得到了广泛应用。

目前, 国内外研究者在利用近红外高光谱成像技术对植物叶片含水量进行检测的研究上取得了较大进展, 郑建鸿[12]等利用荧光高光谱图像和光谱角算法快速无损检测了鲜茶叶表面的多菌灵农药残留, 达到了预期的检测效果。 赵杰文[13]等根据近红外图像的纹理特征值测定青菜叶片与含水率之间的关系。 Higa[14]等借助近红外高光谱成像技术, 通过优化单像素图来评估预测玉米叶片的含水量模型。 刘燕德[15]等获取赣南脐橙叶片高光谱图像的有效信息, 对水分含量进行定量分析。 上述研究均实现了对作物水分含量的无损检测, 但是对活体植物叶片不同区域水分含量的成像分析研究还鲜有报道。 同时, 应用高光谱数据进行特征波长优选, 增加模型实用性和简单性的文献还未见报道。

本工作根据高光谱成像系统提取玉米叶肉区域平均光谱, 应用偏最小二乘法(partial least squares, PLS)及逐步多元线性回归(stepwise multiple linear regression, SMLR)建立水分含量预测模型; 根据预测模型计算高光谱图像中所有像素点对应的水分值, 以水分值取代对应像素点的图像信号, 得到玉米叶片不同区域的水分含量分布图, 可应用于叶片不同区域的水分含量预测, 对植物生理生化研究及灌溉管理和旱情监测等均具有重要意义。

1 实验部分
1.1 材料

实验材料为不同生育期的玉米叶片, 采集于中国农业大学上庄实验站, 共60片。

1.2 设备与测试方法

高光谱仪器及测试方法: Gaia Sorter近红外高光谱仪(四川双利合谱科技有限公司), 其系统配置为: 均匀光源、 光谱相机、 电控移动平台(或传送带)、 计算机及控制软件等部分; 采集软件: Spec View; 光谱范围: 900~1 700 nm; 采样间隔: 3.37 nm; 一次采集可得到256幅独立的高光谱图像, 对采集到的图像进行黑白校准, 去除噪声及其他光源干扰信息。

水分测量仪器及测试方法: 202型系列电热恒温干燥箱(上海树立仪器仪表公司), 电子天平(北京赛多利斯仪器系统有限公司)。 测试方法: 烘干称重法; 测量方式: 玉米叶片叶肉与主叶脉分离, 分别测其水分含量。 烘干条件: 恒温干燥箱105 ℃, 烘干时间4 h, 进入干燥器平衡3 h测其干重。 采用式(1)计算叶片水分含量。

ω=m1-m2m1×100%(1)

式中, ω 为样本的水分含量; m1为样本的鲜重, m2为样本的干重。

1.3 数据处理分析

针对每个玉米叶片样品的高光谱图像, 避开主叶脉, 利用ENVI5.1软件中的感兴趣区工具(ROI Tool)对样本叶肉部分选取4个目标区域, 以4个目标区域内像素点的平均值作为原始光谱。

1.3.1 偏最小二乘法

偏最小二乘法(PLS)是建立在X(自变量)与Y(因变量)矩阵基础上的双线性模型[16], 在光谱数据处理中已经得到广泛应用。

1.3.2 逐步多元线性回归

逐步多元线性回归(SMLR)[17]是一种广泛使用的波长选取算法, 所选波长中吸收值和相应参考基准之间相关性最强, 能够有效消除各波长变量之间的共线性影响, 在光谱分析多波长选择中具有很好的效果。 使用SPSS统计软件分析平台进行特征波长的优选。

采用PLS和SMLR作为建模方法, 评价模型的指标性参数为建模集与验证集的决定系数(R2)和标准偏差(standard error of calibration/prediction, SEC/SEP)[18]。

2 结果与讨论
2.1 叶片含水量模型的建立与验证

根据1.3节中的方法获取60个玉米叶片的平均光谱, 随机从60个样品中抽取40个作为建模集, 剩余的20个样品作为验证集。 应用PLS方法建模中采用的谱区范围、 光谱点数、 主成分数等参数见表1; 应用SMLR方法建模中选择的特征波长点及相关统计参数情况见表2; 两种方法建模集与验证集的相关指标及测量值与预测值的关系图分别见表3、 图1。

表1 PLS建模参数 Table 1 Model parameters of PLS
表2 SMLR建模参数 Table 2 Model parameters of SMLR
表3 玉米叶片水分含量模型分析结果 Table 3 Analysis results of water content in corn leaves

图1 PLS模型测量值与预测值的关系图(a, b); SMLR模型测量值与预测值的关系图(c, d)
(a): PLS校正集结果; (b): PLS验证集结果; (c): SMLR校正集结果; (d): SMLR验证集结果Fig.1 Correlation plot for measured values and predictive values of PLS model (a, b); Correlation plot for measured values and predictive values of SMLR model (c, d)
(a): Results for calibration set of PLS model; (b): Results for verification set of PLS model; (c): Results for calibration set of SMLR model; (d): Results for verification set of SMLR model

由表3、 图1可知, PLS与SMLR两种模型建模集与验证集决定系数R2均在0.9以上, 标准偏差值均维持在1左右, 预测效果较好, 二者无显著差异, 可满足农业分析需求。 同时, SMLR方法使模型更具有简单性和实用性, 有望利用高通量近红外相机结合滤光片方法实现玉米叶片冠层或高空遥感测量的可行性。

2.2 叶片不同区域的水分成像研究与分析

选取验证集中4幅玉米叶片的高光谱图像数据进行不同叶片区域的水分含量预测。 根据2.1中建立的SMLR水分含量预测模型, 计算高光谱图像中所有像素点对应的水分值, 将水分值取代对应像素点的图像信号, 得到玉米叶片不同区域的水分含量分布, 如图2所示。 子图(a), (b), (c)和(d)各对应验证集中4个检测样品, 左侧图像为叶片提取区域水分分布, 右侧颜色条为水分含量区间(%), 叶片中不同位置的颜色及颜色深浅表示该位置对应的水分含量, 根据分布图可得到每一个像素点的具体水分含量预测值。

图2 玉米叶片不同区域的水分含量分布图Fig.2 Water content distribution of corn leaves in different regions

为验证叶片不同区域水分预测的可靠性, 分别对6个叶片中叶肉与主叶脉区域水分含量的参考均值和预测均值作对比分析, 结果如表4所示。 通过表4, 可以清楚的对比发现在随机选取的6个叶片样品中叶肉和主叶脉区域水分含量参考均值与预测均值之间具有较高的一致性, 二者相关系数均可达到0.85以上, 表明叶肉光谱数据所建模型可预测叶脉及其他区域; 同时表明, 平均光谱和平均含水量数据所建模型可适用于不同区域样品的预测。

表4 玉米叶片不同区域水分含量均值及对比结果 Table 4 Mean water contents of corn leaves in different regions

从图2可见, 叶脉与叶肉部分清晰分明, 主叶脉两侧与附近区域差异更为明显; 主叶脉两侧水分饱满, 但主叶脉内水分含量较低, 且比附近的细脉含水量更低; 4幅图中叶肉和主叶脉的平均水分含量在参考均值的区间内, 理论分析的水分含量分布与参考均值呈现出相同的规律。

3 结 论

以60份不同生育期的玉米叶片为研究对象, 探讨近红外高光谱成像技术在活体玉米叶片水分成像的可行性, 可实现无损检测植物叶片水分含量, 对植物生理生化研究及灌溉管理和旱情监测等均具有重要意义。 具体的研究结论如下:

(1)应用PLS及SMLR建立水分含量预测模型, 均取得较好的预测效果, 可实现单个玉米叶片平均含水量的测定;

(2)双波长的预测结果同时表明, 利用高通量近红外相机结合滤光片方法实现玉米叶片冠层或高空遥感测量的可行性;

(3)根据叶片不同区域水分含量的成像分析, 应用叶肉平均光谱与水分均值所建模型可应用于叶片不同区域的水分含量预测, 预测结果与实际情况相符合。

致谢: 感谢上海烟草集团北京卷烟厂技术中心马雁军、 马莉等在实验中的大力支持与帮助。

The authors have declared that no competing interests exist.

参考文献
[1] LI He-sheng(李合生). Modern Plant Physiology(现代植物生理学). Beijing: Higher Education Press北京: 高等教育出版社, 2002. 39. [本文引用:1]
[2] CHEN Xiang, LI Min-zan, SUN Hong(陈香, 李民赞, 孙红). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(21): 137. [本文引用:1]
[3] Mizukami Y, Sawai Y, Yamaguchi Y, et al. Biosystems Engineering, 2006, 93(3): 293. [本文引用:1]
[4] JIN Shu-de(金树德). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 1999, 15(3): 91. [本文引用:1]
[5] FAN Yang-yang, QIU Zheng-jun, CHEN Jian, et al(樊阳阳, 裘正军, 陈俭, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2017, 37(3): 836. [本文引用:1]
[6] Xie C Q, Yang C, He Y, et al. Computers and Electronics in Agriculture, 2017, 135: 154. [本文引用:1]
[7] Kamruzzaman M, Makino Y, Oshita S, et al. Journal of Food Engineering, 2016, 170: 8. [本文引用:1]
[8] ElMasry G, Sun D W, Allen P, et al. Journal of Food Engineering, 2012, 100(1): 127. [本文引用:1]
[9] Qin J W, Thomas F B, Mark A R, et al. Journal of Food Engineering, 2009, 93(2): 183. [本文引用:1]
[10] Ariana D P, Lu R F, Guyer D E, et al. Computers and Electronics in Agriculture, 2006, 53(1): 60. [本文引用:1]
[11] CAI Jia-yue, LIANG Miao, WEN Ya-dong, et al(蔡嘉月, 梁淼, 温亚东, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(10): 2758. [本文引用:1]
[12] ZHENG Jian-hong, WU Rui-mei, XIONG Jun-fei, et al(郑建鸿, 吴瑞梅, 熊俊飞, 等). Laser Journal(激光杂志), 2016, 37(6): 57. [本文引用:1]
[13] ZHAO Jie-wen, ZHAO Xiao-bing, et al(赵杰文, 周晓兵, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 1999, 15(3): 39. [本文引用:1]
[14] Higa S, Kobori H, Tsuchikawa S, et al. Appl. Spectrosc. , 2013, 67(11): 1302. [本文引用:1]
[15] LIU Yan-de, JIANG Xiao-gang, ZHOU Yan-hua, et al(刘燕德, 姜小刚, 周衍华, 等). Journal of Chinese Agricultural Mechanization(中国农机化学报), 2016, (3): 218. [本文引用:1]
[16] Sarmento Junior Mazivila, Felipe Bachion de Santana, Hery Mitsutake, et al. Fuel, 2015, 142: 222. [本文引用:1]
[17] Latt Z Z, Wittenberg H. Water Resources Management, 2014, 28(8): 2109. [本文引用:1]
[18] YAN Yan-lu(严衍禄). Principle, Technology and Application of NIR Spectra Analysis(近红外光谱分析的原理、 技术与应用). Beijing: China Light Industry Press(北京: 中国轻工业出版社), 2013. [本文引用:1]