基于加權(quán)隨機(jī)森林的番茄氮元素缺乏分級模型研究

　　摘要：基于葉面顏色特征建立番茄氮元素缺乏分級模型判別準(zhǔn)確率可達(dá) 80%以上。夏季定植的番茄葉片表面會覆蓋粘質(zhì)腺毛，粘質(zhì)腺毛利于番茄吸收水分和營養(yǎng)元素，相同營養(yǎng)液氮離子濃度下葉片黃化過程異于未覆蓋粘質(zhì)腺毛的葉片。故僅基于葉面顏色特征建立分級模型，其準(zhǔn)確率降至 65%。覆蓋粘質(zhì)腺毛番茄其葉片周長和葉面積兩個形狀特征均小于未覆蓋粘質(zhì)腺毛的番茄葉片，本文將番茄葉片兩個形狀特征結(jié)合原有葉面顏色特征共同作為模型輸入，建立新的番茄氮元素缺乏分級模型。搭建圖像采集系統(tǒng)，該圖像采集單元由樹莓派和其相機(jī)模塊構(gòu)建，使用 WiFi 或 4G 網(wǎng)絡(luò)完成智能手機(jī)、圖像采集單元、本地計算機(jī)之間無線數(shù)據(jù)傳輸。智能手機(jī)通過 Web 界面可遠(yuǎn)程控制采集圖像并將圖像傳輸?shù)皆破脚_存儲。本地計算機(jī)對圖像進(jìn)行預(yù)處理提取葉片形狀、顏色特征后輸入模型進(jìn)行預(yù)測，并輸出預(yù)測結(jié)果。試驗結(jié)果表明，圖像采集系統(tǒng)春季和夏季平均溫度在 19.7~28.3℃范圍內(nèi)，光照在 1125~9543lx 范圍內(nèi)均可正常使用，采集的圖像經(jīng)預(yù)處理分割后降低了受環(huán)境光線影響。使用優(yōu)化后的加權(quán)隨機(jī)森林模型，基于形狀特征和顏色特征相結(jié)合的葉片氮元素缺乏分級判別準(zhǔn)確率可達(dá) 83%。

　　李莉; 藍(lán)天; 趙奇慧; 孟繁佳， 農(nóng)業(yè)機(jī)械學(xué)報 發(fā)表時間：2021-09-29

　　關(guān)鍵詞：番茄;氮元素;形狀特征;顏色特征;判別分級;加權(quán)隨機(jī)森林;貝葉斯優(yōu)化

　　0 引言

　　基質(zhì)栽培番茄其氮元素含量直接影響番茄生長狀況和果實品質(zhì)。番茄苗期、花期、果期3個時期的正常生長對氮元素含量有不同的需求[1-4]。其中花期最容易產(chǎn)生氮元素缺乏現(xiàn)象，原因是這一階段既需要完成第一花序開花坐果，又需要保證植株莖干和葉片生長以及第二、第三花序開花，因此需要在花期進(jìn)行實時監(jiān)測以保障番茄的正常生長 [5-10] 。

　　通過葉綠素含量、葉片光譜數(shù)據(jù)等參數(shù)結(jié)合葉片顏色、形狀特征能很好地判別氮元素缺乏程度[11-18]。胡昊等[19] 利用手持式 GreenSeeker 型作物傳感器和 SPAD-502 型葉綠素儀分析不同氮處理條件下冬小麥葉片 SPAD 和冠層 NDVI，結(jié)果表明三者相關(guān)系數(shù)均很高。鄭一力等[20] 采用波段為 350~2500 nm 的地物光譜儀獲取金鑲玉竹葉片光譜數(shù)據(jù)，對比 4 種估測模型校驗，結(jié)果表明在光譜反射率的對數(shù)一階微分變化下，采用拓?fù)浣Y(jié)構(gòu)為 6-10-1 的基于主成分分析的 BP 神經(jīng)網(wǎng)絡(luò)估測模型，校驗環(huán)節(jié)決定系數(shù)為 0.838，均方根誤差為 0.0452。王遠(yuǎn)等[21] 利用數(shù)碼相機(jī)依據(jù)水稻數(shù)字圖像綠色通道和紅色通道差值設(shè)定閾值對圖像進(jìn)行分割，分割后圖像中提取的紅光標(biāo)準(zhǔn)化 NRI 與 SPAD 值、葉片含氮量相關(guān)系數(shù)達(dá)到-0.87 和-0.65。基于光譜學(xué)判斷植物組織氮含量設(shè)備價格昂貴，測量過程易受環(huán)境光線因素制約。

　　CHEN 等[22] 基于靜態(tài)掃描技術(shù)獲取稻米葉片和鞘的圖像顏色和形狀特征通過支持向量機(jī)(SVM)鑒定水稻氮含量 4 個不同生長階段準(zhǔn)確率分別為 94%、98%、96%和 100%，使用不同年份數(shù)據(jù)進(jìn)行驗證，識別準(zhǔn)確率分別為 88%、98%、90%和 100%。提取的形狀特征雖然增加了識別準(zhǔn)確率，但是采集過程過于繁瑣且僅能在實驗室環(huán)境采集。

　　上述研究只關(guān)注信息獲取和處理本身，并未考慮葉片本身生理特征對圖像信息的影響。經(jīng)研究發(fā)現(xiàn)，春季育苗、夏季種植的番茄幼苗半數(shù)以上會在表面覆蓋有粘質(zhì)腺毛。若采取原有的顏色特征建模判別會降低模型準(zhǔn)確率。本文以溫室番茄葉片為研究對象，基于形狀特征和顏色特征采用隨機(jī)森林機(jī)器學(xué)習(xí)算法，開展番茄葉片氮含量差異分析，建立氮含量缺乏分級預(yù)測模型，以指導(dǎo)科學(xué)施肥。

　　1 材料與方法

　　1.1 數(shù)據(jù)采集

　　2020年3-7月在中國農(nóng)業(yè)大學(xué)精細(xì)農(nóng)業(yè)研究中心的日光溫室進(jìn)行了番茄氮元素缺乏程度判別試驗。所用氮肥為四水合硝酸鈣和硝酸鉀。采集不同氮離子濃度施肥策略下番茄葉片表面 RGB 圖像和 SPAD-502 型葉綠素儀測定的番茄葉片氮含量。

　　灌溉系統(tǒng)采用中國農(nóng)業(yè)大學(xué)日光溫室封 閉 式 栽 培 水 肥 智 能 調(diào) 控 系 統(tǒng) 。 利 用 JZH-0xx 型集成傳感器采集溫室內(nèi)光照強(qiáng)度、空氣相對濕度、空氣溫度。采集時間為每天 7:00-21:00，采集間隔為 1h。連續(xù)采集番茄花期開始前至結(jié)束后共 40 d(包含花期 30 d) 環(huán)境參數(shù)數(shù)據(jù)。2020 年春季，溫室內(nèi)部平均溫度保持在 23.7±0.3( 白 天 )/19.7±0.1( 夜晚)℃，相對濕度為 52%。2020 年夏季，溫室 保 持 平 均 溫 度 為 28.3±0.2( 白天)/23.5±0.4(夜晚)℃，相對濕度為 69%。白天光照強(qiáng)度在 1125lx-9543lx 范圍內(nèi)變化。

　　1.2 試驗方案設(shè)計

　　番茄幼苗高度為 15~20cm(包含根系長度)，兩個品種幼苗區(qū)別是植株表面是否有粘質(zhì)腺毛(白色絨毛)。盆栽容量為 7L，基質(zhì)配比按體積分?jǐn)?shù)分別為 20%珍珠巖、20%蛭石、60%泥炭。

　　當(dāng)植株生長至第一花序開花即番茄花期開始時，將所有植株分成 3 個實驗組，使用 70 mg/L、140 mg/L、210 mg/L 濃度營養(yǎng)溶液分別對 3 組內(nèi)植株進(jìn)行施肥灌溉。濃度 210 mg/L 氮營養(yǎng)溶液配方見表 1。每周在固定日期用新配置肥料溶液對番茄植株施肥，一周其余的時間每隔 1 d 用去離子水灌溉保證植株水分供需。依據(jù)以上施肥灌溉策略，可保證不同實驗組番茄植株中組織氮水平具備明顯差異。

　　1.3 RGB 圖像采集

　　現(xiàn)場圖像數(shù)據(jù)采集使用樹莓派 3b+微處理器，樹莓派官方 8×106像素攝像模塊，樹莓派鋰電池擴(kuò)展模塊以及塑料樹莓派外殼共同組成 RGB 圖像采集單元。通過直徑 41mm 的圓形云臺和三腳架調(diào)節(jié)圖像采集單元的高度和角度。樹莓派上安裝Apache Web 服務(wù)器用來為 RPi-Cam-Web-Interface 提供服務(wù)，使其通過唯一的地址連接樹莓派。智能手機(jī)使用 RPi-Cam-Web-Interface 控制樹莓派捕獲番茄植株 RGB 彩色圖像。智能手機(jī)與圖像采集單元和本地計算機(jī)使用 WiFi 或 4G 網(wǎng)絡(luò)進(jìn)行交互連接。圖像獲取系統(tǒng)結(jié)構(gòu)如圖 1 所示。

　　為了盡量消除環(huán)境光線對 RGB 彩色圖像的影響，在番茄開花期 30 d 內(nèi)固定每日 11:00 采集不同氮濃度處理下番茄主干中部枝杈上生長的葉片圖像。采集圖像中至少包括該枝杈最前端葉片在內(nèi) 6 片葉子。調(diào)節(jié)三腳架高度保證 RGB 圖像采集攝像頭清晰聚焦，拍攝位置保持在植物斜側(cè)方距目標(biāo)葉片約 0.3m處，圖像分辨率為 3648×2736 像素。為了準(zhǔn)確提取葉片形狀特征，拍攝時需要使用厚度為 3mm 長方形透明亞克力板置于葉片背面使葉片盡可能平整展開。采集的圖像以特定文件名傳輸至云平臺存儲。

　　1.4 葉片氮含量測定

　　整 個 番 茄 花 期 ， 每 日 16:00 使 用 SPAD-502 型葉綠素儀分別對番茄植株的目標(biāo)葉片進(jìn)行葉綠素含量測定。每棵植株至少選取主干中部的兩個枝杈上各 5 個葉片，總計 10 個葉片進(jìn)行采集。重復(fù)測量每個葉片 3 次取平均值以降低因儀器操作帶來的誤差，最大程度確保葉綠素含量準(zhǔn)確測量。

　　1.5 圖像預(yù)處理

　　分割植物前需要消除采集圖像時因陰天、多云、少云等天氣原因造成環(huán)境光線過暗對圖像亮度的影響，使用直方圖均衡化或?qū)?shù)變化方法只提高圖像亮度，不改變圖像色度。從背景中分割植物分為 2 個步驟，① 使用 OpenCV 中的 TenenGrad 評價函數(shù)實現(xiàn)圖像分割。①使用“2g-r-b”算法[23] 得到背景為黑色僅含有目標(biāo)葉片的 RGB 彩色圖像。圖像預(yù)處理流程如圖 2 所示。

　　1.6 模型輸入特征提取

　　覆蓋粘質(zhì)腺毛的番茄葉片單個葉面積、周長均小于未覆蓋粘質(zhì)腺毛的番茄葉片，并且前者葉片在整個花期因組織氮素缺乏產(chǎn)生顏色變化程度明顯低于后者。若將二者提取出的輸入特征共同放入判別模型會極大降低模型準(zhǔn)確率，因此需要在輸入特征中添加形狀特征(葉面積和葉片周長)進(jìn)行種類區(qū)分。此處選取單個枝葉(尖端葉片)提取形狀特征。形狀特征提取分為 4 個步驟：①高斯模糊消除圖像中的噪點。①二值化得到葉片對象。①形態(tài)學(xué)閉操作(先腐蝕后膨脹)填充葉片中間的小洞。①RETR_EXTERNAL 函數(shù)確定葉片輪廓后 contourArea 函數(shù)和 arcLength 函數(shù)分別計算葉片像素面積和像素周長。

　　顏色特征通過 RGB 彩色圖像獲取，分別使用 minMaxLoc 函數(shù)、mean 函數(shù)、 meanStdDev 函數(shù)獲得 B、G、R 三通道各自最大值、平均值、標(biāo)準(zhǔn)差共 9 個變量顏色特征作為模型輸入特征參數(shù)。獲取葉片紋理特征同樣僅使用尖端葉片，過程見圖 3。

　　2 結(jié)果與分析

　　2.1 數(shù)據(jù)集

　　番茄花期圖像采集時間為 2020 年 3 月 14 日—4 月 15 日(共 32 d);夏季番茄花期圖像采集時間為 2020 年 5 月 15 日—6 月 17 日(共 32 d)。整個番茄花期共獲得 576 幅不同氮元素濃度的 RGB 彩色圖像。其中覆蓋粘質(zhì)腺毛和未覆蓋粘質(zhì)腺毛番茄植株圖像分別為 192 幅和 384 幅，包含 3 個不同營養(yǎng)液離子梯度。整個圖像采集周期內(nèi)不同營養(yǎng)液離子梯度下兩種番茄葉片圖像如圖4所示。

　　由圖 4 可知，營養(yǎng)溶液中所含氮元素減少，葉片黃化過程加快，反之葉片逐漸變成深綠。同時能夠看出植株表面是否覆蓋粘質(zhì)腺毛對其產(chǎn)生的影響。

　　2.2 覆蓋粘質(zhì)腺毛對于模型分級準(zhǔn)確率的影響

　　隨機(jī)森林屬于集成學(xué)習(xí)的一個重要分支，特點是將各個沒有依賴關(guān)系的弱學(xué)習(xí)器 (CART 決策樹)并行擬合以提升整體模型分級判別準(zhǔn)確率，如圖 5 所示。

　　對于一個樣本，它在含 m 個樣本的訓(xùn)練集的隨機(jī)采樣中，每次被采集到的概率為 1/m。不被采集到的概率是 1-1/m。如果 m 次采樣都沒有被采集到的概率是(1-1/m)m。當(dāng) m趨近于無窮大時，(1-1/m)m趨近于 1/e，約等于 0.368。Bagging 每輪隨機(jī)采樣中，數(shù)據(jù)集中約有 36.8%的數(shù)據(jù)沒有被采樣集采集到。

　　對于這部分約 36.8%的沒有被采樣到的數(shù)據(jù)，稱之為袋外數(shù)據(jù)(Out of Bag, OOB)。這些數(shù)據(jù)沒有參與訓(xùn)練集模型的擬合，因此可以用來檢測模型的泛化能力。

　　傳統(tǒng)隨機(jī)森林模型每棵決策樹投票權(quán)重相等，低分級準(zhǔn)確率的單棵決策樹會影響整個森林分級準(zhǔn)確率。解決這一問題的方法是提前確定每棵樹的權(quán)重，投票時每棵樹均乘以對應(yīng)權(quán)重。獲得對應(yīng)權(quán)重需要將訓(xùn)練樣本分為兩部分，即訓(xùn)練集和測試集。訓(xùn)練完成后對每棵樹進(jìn)行測試，計算其分類正確率。