计算机视觉在作物水分亏缺诊断中的应用进展

劳东青 李发永

(1 塔里木大学信息工程学院， 新疆 阿拉尔 843300)(2 塔里木大学水利与建筑工程学院，新疆 阿拉尔 843300)

随着干旱缺水局势的日益严峻，人口增长、城镇化和社会经济的快速发展使得我国用水矛盾日渐尖锐。缺水已成为困扰我国社会经济可持续发展的世纪性难题。农业是我国用水最多的产业，发展现代节水农业以确保我国粮食安全、水安全和生态安全的重大战略举措已成为共识[1]。当今农业节水发展的重点已经由输水过程节水、田间灌水过程节水转移到生物节水、作物精量控制用水以及节水系统的科学管理[2]。根据作物缺水信息实施精量控制灌溉是提高水的利用率和水的生产效率的重要途径之一[3]。目前，国内进行作物水分亏缺诊断主要通过土壤水分、叶水势、气孔响应、径流、叶片相对含水量等指标，但这些指标诊断法都存在着各种各样的缺陷。比如，土壤水分仅能反映植物的水分供应情况，不能直接测定植物的水分状况；叶水势等生理指标虽能反映植物缺水程度，但对样品具有破坏性，难以提供实时缺水信息等[4]。

计算机视觉技术是随着计算机的发展和成熟而迅速发展起来的一个重要应用技术领域。在作物生产和科研中，大量的工作需借助于对形态、色泽、纹理等外部特征的判断。由于图像获取设备具有比人眼更精细的分辨能力，更能客观地描述所“看到”的事物，采集、挖掘出专家肉眼不可能辨别出来的形态、色泽、纹理等的统计特性和相关特性，计算机视觉技术在作物生长形态检测、营养组分检测、质量检测与分级、病虫害诊断等领域得到了一定的研究与应用[5-7]。

植物的水分散失主要由叶片承担。叶片是水分胁迫下植物外部形态中反应最为敏感的器官，因而，植物缺水会在叶片的颜色、纹理和形状上表现出一定的症状，如：颜色变暗、变黄、叶片萎蔫、叶面积减少、叶角改变等[4]。可见，植株叶片的颜色、纹理、形状特征能够较好地反映植物的水分亏缺状况，可以应用计算机视觉技术开展作物水分亏缺状况的诊断研究。目前，相关的研究主要集中在黄瓜、棉花、土豆、万寿菊等植株的水分监测上。

1 计算机视觉技术简介

20世纪70年代初期，在遥感图片和生物医学图片分析技术取得卓越成就后，计算机视觉技术逐步兴起。计算机视觉(Computer Vision)，又称机器视觉，是一门主要研究如何应用图像获取设备和计算机代替人眼对目标进行识别、跟踪、测量等工作的综合性学科[8-11]，涉及人工智能、神经生物学、投影几何、数学、光电子学、计算机科学、图像理解、图像处理以及模式识别等诸多领域[12]。

由于具有信息检测简便、快捷、精确、无破坏性等优点，计算机视觉技术被誉为现代无损检测技术之一[13]，目前，已被广泛应用于医学、材料学、工业制造、石油开采、生物、环境污染监测、农业信息监测等领域[14-16]。

计算机视觉技术以图像处理技术为核心，通过图像采集设备对研究对象进行拍摄，应用人工智能和图像处理等技术对图像信息进行分析，从而获得所需的研究信息，具体包括图像采集、图像预处理、图像分割与特征提取、对图像特征进行分析和处理等步骤[12]。

一个计算机视觉监测系统一般包含三个组成部分：图像采集设备、计算机、拍摄光源。图像采集设备可以将目标对象以图像的形式记录、保存下来。计算机用以对目标对象的数字化图像进行处理和分析。拍摄光源是影响数字图像处理的一个很重要的元素。

2 作物图像获取方法

作物图像采集时所用设备、光源、镜头距作物的距离、拍摄角度、图像分辨率和图像存储格式等并无硬性规定。不同的研究采集图像时所选参数各不相同，一般根据目标需求进行选择。

在作物水分亏缺诊断研究中，大多数研究采集图像都使用数码相机。于常乐在对温室中的黄瓜进行叶片含水量的无损检测研究中，指出数码相机采集具有图像质量好、成本低廉、易于开发和集成等优点，数码相机取代CCD摄像机进行图像采集是新技术、新产品及新的应用需求的产物，因而选用了具有实时采集功能的佳能A620相机进行图像采集[17]。而在背景光源选择中，于常乐对比分析了红、黄、蓝、绿、白五色发光二极管照射下富水叶片与缺水叶片的灰度梯度比，指出黄光照射下，黄光的富水叶片和缺水叶片主叶脉两侧亮度对比最为明显，因而黄光为最适背景光[17]。孙瑞东等在研究中也得到了同样的结论[18]。同样是对黄瓜进行叶片含水率诊断研究，蔡鸿昌等在研究中选用了FinePixE550数码相机作为图像采集设备，拍摄光源选择晴天自然光照，拍摄时间选择12:00-13:00，并在拍摄对象底下放置白板以保持叶片水平，拍摄角度为叶片上方垂直方向，高度为35cm[19]。

王方永等在基于图像的棉花水分状况诊断研究中，选用了OLYMPUS C-5060 Wide Zoom型数码相机作为采集设备，在晴天12:00-14:00间于田间自然光照下垂直拍摄，采集高度为镜头距地面2m，图像分辨率设为2592×1944像素[20]。宋亚杰、甘露萍等在万寿菊和鲜烟叶的水分无损检测研究中，也是采用数码相机，在自然光条件下采集图像[21-22]。

也有部分专家学者采用其他类型摄像设备进行图像采集，如：张晓东等在油菜水分胁迫诊断研究中，应用多光谱相机采集油菜冠层图像，采集时镜头位于冠层上方70cm处，垂直于被测物[23]；张南等在基于叶片高度信息的植物水分监控研究中，在温室环境下应用电脑摄像头采集图像，摄像头使用固定架固定，侧拍时镜头距植物70cm左右[24]；程麒等在棉花冠层水分胁迫指数与光合特性的关系研究中，在冠层上方垂直高度3m处通过热像仪采集图像，提供了一种通过红外热图像获取作物冠层温度从而实现作物水分状况监测的方法[25]。

3 作物图像信息分析方法

在当前的相关研究中，提取作物图像的颜色特征，分析颜色特征与作物水分状况的相关关系的研究居多，也有部分研究图像的纹理特征或形状特征与作物水分状况的关系。

3.1 基于颜色特征的作物水分状况的诊断

颜色是图像最直观和相对重要的一种视觉特征。常见的颜色特征提取方法有颜色直方图、颜色矩、颜色集、颜色聚合向量法等。其中，颜色直方图是最常用的一种。在基于颜色特征的水分亏缺诊断研究中，大多数是提取作物图像的R、G、B、H、I、S分量的值，并对它们进行多种组合变换，从而分析它们与作物水分状况的相关关系，建立相应的估算模型。蔡鸿昌等通过不同氮素营养水平的水培试验，应用直方图法提取黄瓜叶片颜色特征，采用线性拟合和逐步回归分析建立了黄瓜叶片干基含水率与比叶重的颜色特征估算模型，发现G/(R+G+B)和(G-R)可以作为叶片干基含水量估算的主要颜色特征参数[19]。王方永等分析了颜色参数与棉花水分含量及水分含量指数的关系，以(G-R)参数建立了棉花水分含量及水分含量指数的预测模型，预测精度分别达到了90.71%和91.02%，证明了应用数字化图像技术进行棉花水分状况诊断是可行的[20]。R. Zakaluk和R. Sri Ranjan在温室条件下，用高达500万像素的数码相机采集土豆植株的数字化图像，通过数字化图像、彩色空间变换、RGB植被指数等，构建了土豆叶水势的人工神经网络预测模型，结果表明叶水势的预测值与实测值相差无几[26]。

作物图像的灰度梯度值用于作物水分状况诊断，也能取得很好地预测结果。于常乐通过绘制最适背景光下叶片含水量与图像灰度梯度值变化关系曲线，建立了黄瓜叶片含水量的预测模型，并从临界点试验中确定出黄瓜缺水临界点区域，实现了黄瓜叶片水分亏缺的无损检测[17]。孙瑞东等绘制了最适背景光下黄瓜叶片含水量与图像特征参数关系曲线，并采用非线性最小二乘拟合法建立了叶片含水量与特征区域图像灰度梯度的回归模型，实现了通过黄瓜叶片图像特征判断缺水状态的无损检测[18]。

3.2 基于形态特征的作物水分状况的诊断

图像的形状信息不随周围环境的变化而变化(如亮度)，是物体的稳定特征；人们对图像的理解也在很大程度上依赖于图像中物体形状的感知和区别[27]。植物叶片对水分胁迫的适应性变化表现在于叶面积的减少以及叶片的运动，因而，可以利用计算机视觉技术监测叶片形状的变化，从而得到植物的缺水状况。彭文等提出了一种基于叶尖相对距离或基于叶尖倾角的植物水分胁迫状况监测方法，采用最小二乘法拟合分析了图像处理算法测量得到的叶尖相对距离、叶尖倾角与手工测量得到的值的相关关系，模型拟合度分别高达0.9781、0.9842。实验结果表明，叶尖相对距离和叶尖倾角的变化趋势能够较好地反映出植物的水分亏缺程度，可用于对植物水分胁迫状况的监测[4]。张南等应用图像处理技术分析了在水分胁迫条件下的叶片高度的变化规律，指出基于叶片高度的植物水分亏缺诊断是可行的[24]。

3.3 基于纹理特征的作物水分状况的诊断

纹理是图像和物体表面的重要视觉特性，反映了图像在灰度域中像素及其邻域之间的分布规律，表达了物体表面颜色和灰度的某种变化。与图像的颜色特征相比，纹理能更好地兼顾图像的宏观特征与细部结构，可用于图像分割和图像的分类识别[28]。单一分析作物图像的纹理特征与作物水分状况的相关性的研究很少见报道。国外Farshad Vesali等人通过研究苹果含水量与图像特征(果皮皱褶)的相关关系，提取了图像的密度、纹理等特征参数，并根据这些参数应用人工神经网络对苹果含水率进行估算，获得了很高的精度[29]。

3.4 基于多信息融合的作物水分状况的诊断

植物缺水，会在植物叶片的颜色、形状、纹理特征上都表现出一定的症状，因而，综合考虑这些特征以及外部环境信息与植物水分状况的相关性的研究更加的系统、科学。宋亚杰应用直方图法提取万寿菊冠层图像的颜色特征(R、G、B)以及纹理特征(均值、一致性、熵)，用改进的AHP法及模糊综合评判理论等，建立了万寿菊缺水状态判断的综合评价指标体系，实现了万寿菊水分状况评判模型的构建[21]。甘露萍等用MATLAB软件进行图像分割算法研究，提取了r、g、H、面积、均值、一致性和熵等鲜烟叶图像特征作为烟叶含水量综合评价指标，并用三标度AHP法对指标综合排序，结果表明，叶宽、叶面积以及均值可用作快速判断鲜烟叶含水量的指标[22]。高洪燕等对番茄冠层的反射光谱、多光谱图像、冠层温度特征及环境温湿度进行多信息融合，评判其水分胁迫状况，结果表明：多信息融合模型的各项指标均高于单一信息模型[30]。孙俊等采用中值滤波法对生菜叶片图像进行滤波处理，采用二维最大熵算法进行二值化处理，提取了图像的灰度分量均值和纹理特征，并通过相关性分析，筛选出与生菜叶片水分含量相关性较高的图像特征，最终以PLS-ANN方法建立了叶片水分预测模型，模型平均误差率约为9.323%[31]。

4 存在的问题及未来展望

4.1 存在问题

4.1.1 作物图像的质量易受外部环境的影响。计算机视觉技术要在作物水分监测中实际应用，不可避免地需要进行田间作业，而光照强度、拍摄高度、拍摄角度、风速变化等因素都会引入图像噪声、降低图像质量，从而增加图像预处理的难度，降低模型诊断的精确性和快速性。

4.1.2 土壤和杂草等构成的复杂背景会增加目标对象的识别难度。在实际的生产应用中，通常需要快速、精确、实时地获取作物的水分亏缺状况，这就对目标对象的识别算法提出了更高的要求。

4.1.3 已有作物水分状况预测模型鲁棒性差，难以普及。作物的形态差异、对水分亏缺的敏感度的不同，使得不同作物在相同水分胁迫条件下呈现出不同的反应症状。甚至，同一作物在不同区域、不同生长期对水分亏缺的反应症状也不尽相同。这导致：针对某些品种的作物，在某些区域所构建的作物水分状况检测模型，并不一定适用于其他作物。因而，有必要研究更高效的特征提取算法，以便能够建立通用性更强的作物水分状况预测模型。

4.1.4 单一特征描述机制存在局限性。当前相关的研究集中在挖掘出与作物含水量相关的单一特征上，综合考虑颜色特征、形状特征、纹理特征在作物含水量评价体系中的影响的研究相对较少，更勿论说对来自多个传感器的信息进行综合处理。

4.1.5 计算机视觉在作物水分亏缺诊断中的研究，国内起步较晚，一些图形图像算法存在一定的局限性，还不能满足该领域的应用需求，因而，相关研究目前尚处于实验验证阶段，未能大量投入生产实际。

简而言之，应用计算机视觉技术进行作物水分亏缺诊断是行之有效的，并且某些成果开始走向应用，因而其前景极为广阔。但该技术的实际应用目前仍存在许多问题急需解决。就南疆地区而言，因为沙尘大，作物冠层易落灰，相关研究是否适用尤待探讨。可见，计算机视觉技术应用于作物水分监测的研究离商品化生产还存在一定距离，未来需要进一步开展深入而广泛的研究。

4.2 未来展望

纵观该领域的国内外研究现状，可知未来的研究方向主要有以下三个方面：

4.2.1 多信息融合。单一的图像特征描述机制仅能在有限范围内对图像内容进行建模，巧妙融合多种信息可使作物图像分析更精确，是图像信息描述的主流趋势。

4.2.2 高效的图像识别与分析算法的研究。应用计算机视觉技术进行作物水分亏缺诊断研究的关键是从复杂背景中识别出目标对象、提取目标对象的特征量。只有精确地提取出研究目标特征，才有可能建立高效而精准的作物含水量评价体系。因此，对高效的目标特征提取算法以及大田复杂背景下的目标识别的研究将成为该领域未来的研究重点。

4.2.3 作物水分亏缺诊断研究与作物缺水临界点、作物灌水量研究有机结合。单一的作物水分亏缺诊断研究只能提供作物的缺水信息，没有实际意义。只有与缺水临界点研究和作物灌水量研究有机结合，确定出作物的应灌溉时间和应灌水量，才能实现作物的田间实时灌溉和精量灌溉，促进传统农业向自动化、智能化方向发展。

[1] 吴普特, 冯浩, 牛文全, 等. 现代节水农业技术发展趋势与未来研发重点[J]. 中国工程科学, 2007, 9(2): 12-18.

[2] 柴强. 节水灌溉水分诊断指标研究现状与展望[J]. 现代农业科技, 2006, (12): 102-104.

[3] 康绍忠, 蔡焕杰, 冯绍元. 现代农业与生态节水的技术创新与未来研究重点[J]. 农业工程学报, 2004, 20(1)：1-6.

[4] 彭文, 李庆武, 霍冠英, 等. 基于计算机视觉的植物水分胁迫状况监测方法[J]. 科学技术与工程, 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, 杨锦忠, 陈稳良, 等.计算机图像处理与分析技术在作物领域的应用[J]. 科技情报开发与经济, 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] 邹修国. 基于计算机视觉的农作物病虫害识别研究现状[J]. 计算机系统应用, 2011,20(06):238-242.

[9] 苗永梅. 计算机视觉技术在农业中的应用[J]. SCIENCE & TECHNOLOGY INFORMATION, 2012,(13):80.

[10] 李永奎, 刘冬. 计算机视觉技术在农业生产中的应用[J]. 农业科技与装备，2011,(06):58-60.

[11] 曲赟,吴玉洁, 刘盼. 计算机视觉技术在农作物病虫草害防治中的研究进展[J]. 安徽农业科学,2011，39(9)：5570-5571.

[12] 李永奎, 刘冬. 计算机视觉技术在农业生产中的应用[J]. 农业科技与装备，2011,(06):58-60.

[13] 吴琼, 朱大洲, 王成, 等. 农作物苗期长势无损监测技术研究进展[J]. 农业工程, 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] 于常乐. 基于图像处理的叶片含水量的无损检测研究[D]. 吉林: 吉林大学, 2005.

[18] 孙瑞东, 于海业, 于常乐, 等.基于图像处理的黄瓜叶片含水量无损检测研究[J]. 农机化研究, 2008, (7): 87-89.

[19] 蔡鸿昌, 崔海信, 高丽红, 等. 基于颜色特征的叶片含水率与比叶重估算模型初探[J]. 中国农学通报, 2006, 22(8): 532-535.

[20] 王方永, 王克如, 王崇桃, 等. 基于图像识别的棉花水分状况诊断研究[J]. 石河子大学学报, 2007, 25(4): 404-407.

[21] 宋亚杰. 基于机器视觉的作物水分无损检测及评判模型研究 [D]. 重庆: 西南大学, 2008.

[22] 甘露萍, 谢守勇, 邹大军. 基于计算机视觉的烤烟鲜烟叶含水量无损检测及MATLAB实现[J]. 西南大学学报(自然科学版), 2009, 31(7): 166-170.

[23] 张晓东, 毛罕平, 左志宇, 等. 基于多光谱视觉技术的油菜水分胁迫诊断[J]. 农业工程学报, 2011, 27(3): 152-157.

[24] 张南, 李杰, 郝慧鹏. 基于叶片高度信息的植物水分监控[J]. 电子技术与软件工程, 2013, (22):106-107.

[25] 程麒, 黄春燕, 王登伟, 等. 基于红外热图像的棉花冠层水分胁迫指数与光合特性的关系[J]. 棉花学报, 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] 陈宏. 基于形态特征的图像检索[D]. 陕西：西安电子科技大学, 2010.

[28] 王晓静, 张炎, 李磐, 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．

[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, 张晓东, 等. 基于多信息融合的番茄冠层水分诊断[J]. 农业工程学报, 2012, 28(16)：140-144.

[31] 孙俊, 武小红, 张晓东, 等. 基于高光谱图像的生菜叶片水分预测研究[J]. 光谱学与光谱分析, 2013, 33(2): 522-526