AOTF高光谱成像探测作物氮素含量方法*

吴静珠， 申 舒， 董晶晶， 李 慧， 陈 岩， 毛文华

(1.北京工商大学 计算机与信息工程学院 食品安全大数据技术北京市重点实验室，北京 100048； 2.中国农业机械化科学研究院，北京100083)

AOTF高光谱成像探测作物氮素含量方法*

吴静珠1， 申 舒1， 董晶晶1， 李 慧1， 陈 岩1， 毛文华2

(1.北京工商大学计算机与信息工程学院食品安全大数据技术北京市重点实验室，北京100048；2.中国农业机械化科学研究院，北京100083)

使用声光可调谐滤光器(AOTF)型高光谱成像仪采集10种不同氮素处理水平下的西红柿苗各部位(老叶、嫩叶和主茎)的高光谱图像，经模板匹配预处理后提取615～1 000 nm高光谱信息，采用竞争自适应重采样(CARS)方法优选西红柿苗氮素含量表达的特征部位和特征波段。实验结果表明：综合番茄苗叶茎的光谱信息建立的氮素定量模型性能最差，由番茄苗老叶和嫩叶建立的氮素定量模型性能较好，由番茄苗老叶建立的氮素定量模型性能最佳，在挑选的703，906 nm等10个波长点的基础上，采用5折—偏最小二乘交互校验方法建立的氮素定量分析模型的决定系数R2达到了0.95，交叉校验标准差(RMSECV)为0.08。因此，采用AOTF高光谱成像技术定量测量番茄苗氮素含量是可行的，应以氮素含量相对稳定的老叶建立定量分析模型，703，906 nm为氮素分析的首选特征波长。

声光可调谐滤波器； 高光谱成像； 氮素含量； 竞争自适应重采样法

0 引 言

基于光谱成像的作物氮素含量监测技术[1～6]将光谱和图像技术结合起来，充分利用了二者的优点，具有较高的光谱分辨率和空间分辨率，成为该领域新的发展方向。多数基于光谱成像的作物营养信息采集系统由光源、成像光谱仪及计算机等组成。一般采用氙气灯、卤素灯等作为可控光源，通用PC进行数据采集和分析。所用成像光谱仪多为3CCD多光谱成像仪，滤光片型多光谱成像仪、调谐型高光谱成像仪。一般采用统计分析的方法，从多光谱或者高光谱图像提取作物的光谱信息，分析有效识别作物养分的光谱特征集；再采用图像处理方法，从多光谱或者高光谱图像提取作物的形状、纹理等信息，定量分析作物养分含量的空间特征集，以光谱特征集和(或)空间特征集建立作物养分的预测模型，进行作物养分的定量分析[7～9]。

已有研究结果显示，植物叶片氮素含量的特征光谱，随不同的植物、不同的试验条件而有所差异，有关植物叶片氮素含量与光谱参数的规律性和定量化的关系，还有待进一步研究。本文以番茄苗为研究对象，利用声光可调滤光器(acousto-optic tunable filter,AOTF)为分光元件的AOTF调谐型高光谱成像仪，采集西红柿苗各部位(老叶、嫩叶和主茎)的高光谱图像进行处理和分析，优选西红柿苗氮素含量表达的特征波段和空间特征，探索作物氮素含量的AOTF高光谱成像检测方法，为作物营养的定量监测提供新的技术手段。

1 实验材料和方法

1.1 样品制备

采用基质育苗方式，草炭：蛭石(体积比)=2∶1为混合基质，50孔穴盘育番茄苗，待幼苗在1～2片时移栽至10 cm×10 cm的营养钵中，开始浇灌浓度不同的尿素溶液。采用NH4NO3作为氮源，以40 mg/L浓度为对照，分别设定以下10个处理：N1-120 mg/L，N2-80 mg/L，N3-70 mg/L，N4-60 mg/L，N5-50 mg/L，N6-40 mg/L，N7-30 mg/L，N8-20 mg/L，N9-10 mg/L，N10-0 mg/L。

采用H2S04—H202消煮凯氏定氮法测定10个不同处理下的番茄苗的氮素含量，测定得到10个不同处理下的番茄样本氮素含量,含量范围为3.12 %～4.98 %,均值为3.61 %,方差为0.35 %。

1.2 数据采集设备

利用AOTF高光谱成像系统采集样本的高光谱图像,系统采用AOTF进行电调谐滤光，进行凝视式光谱成像，能同时获得被观测对象丰富的空间维和光谱维信息。系统由美国Brimrose 公司的CVA200—.55—1.0—L 型AOTF及其控制器、日本JAI公司的 CV—A5OIR型CCD近红外相机、日本腾龙(TAMRON)镜头、HP卤素灯光源、大恒图像采集卡、计算机和机柜等组成。AOTF高光谱成像系统可采集550～1 055 nm高光谱图像，光谱分辨率为2～6 nm，图像分辨率为768×478。

被测对象西红柿苗的光谱通过物镜入射到AOTF中，AOTF控制器产生射频电信号作用到AOTF上。AOTF中TeO2晶体一端的换能器在射频信号作用下激励晶体表面产生超声波，在晶体表面形成衍射光栅，影响通过晶体表面光波的传播，通过改变射频信号源频率大小，改变通过AOTF的光波波长，从而有目的选择光谱波长，实现分光。经过AOTF后，所选择的光谱波段的光被CCD探测到，形成了对应光谱波段的光谱图像，最后由图像采集卡采集存储到计算机中并经过图像处理算法的处理，得到理想的高光谱图像并显示。

1.3 数据采集方法

在番茄苗4～20片叶期间采集数据，随机选取10株不同处理下的株苗。分别摘取老叶，嫩叶(按照颜色和叶片大小来区分老叶和嫩叶)和主茎作为样本。由于番茄苗老叶较多，因此,每株苗可分别采集2次老叶，共制备老叶样本20个，嫩叶样本10个，主茎样本10个。将番茄苗的各部位样品分别放置于AOTF高光谱成像系统的载物架上，调整载物台的高度使样本位于视场内，调谐频率从92～185 MHz，以1 MHz的间隔递增连续采集样本550～1 055 nm的高光谱图像，所采集的N6处理的老叶、嫩叶、主茎样本在803 nm波段下的高光谱图像如图1所示。

图1 N6处理下的番茄苗在803 nm的高光谱图像

1.4 高光谱图像预处理

以番茄苗叶片的高光谱图像HSIi.bmp ,i∈[550,1055]预处理为例。

1)提取前景模板：先抽取803nm波段的高光谱图像HSI803.bmp，用最大方差自动取阈法[10]二值化后，采用行程标记算法标记前景区域，并用面积滤波算法滤除噪声区，如果面积小于50像素，则从标记的前景区域中滤除该区域(面积阈值由试验得到)，得到一帧番茄苗叶片模板图像mask.bmp。

2)分割前景图像：将原始图像HSIi.bmp逐帧与模板图像mask.bmp相匹配，得到番茄叶片样本图像ROIi.bmp,i∈[550,1055]。如果mask.bmp中某像素点为番茄叶片样本(像素值为255)，则ROIi.bmp中该像素点为番茄叶片(像素值为HSIi.bmp中该点的像素值)；否则，ROIi.bmp中该像素点为背景(像素值为0)。

1.5 光谱信息提取

基于光谱信息的氮素含量检测仪器，常使用红光和NIR高原区的谱段，本文选取615～1 000 nm波段分析番茄幼苗的光谱特性。对预处理后的高光谱图像逐帧提取图像中各前景点的灰度值，并除以256进行归一化处理，作为该图像在615～1 000 nm波段的反射率。以番茄苗嫩叶为例，每个不同处理下提取的光谱均值如图2所示(图中N1～N10对应了10种不同浓度的氮素处理水平)。从图2中可以看出，所有番茄幼苗的反射规律总体上一致，“红边”效应明显；不同氮素处理的番茄之间有着一定的区别。

图2 不同氮素处理的番茄苗嫩叶的光谱均值

1.6 特征波长优选

实验以采集的西红柿苗各部位(老叶、嫩叶和主茎)样本的高光谱图像为基础，拟从3个样本集1)老叶;2)老叶+嫩叶；3)老叶+嫩叶+茎，逐步优选表征西红柿苗氮素含量的特征波段，比较西红柿苗在3个样本集下建立的氮素含量的近红外定量分析模型，探索作物氮素含量的AOTF高光谱成像检测方法。

运用竞争自适应重加权采样 (competitive adaptive reweighted sampling，CARS)方法[11]对上述番茄苗样本提取的光谱信息进行特征波长优选。算法中引入了指数衰减函数来控制变量的保留率，具有很高的计算效率，适用于高维数据的变量选择。本文所用的CARS，PLS等程序均在Matlab R 2008a环境下运行。

1.7 特征部位优选

采用CARS方法优选的特征波长及PLS分别建立番茄苗(老叶，老叶+嫩叶，老叶+嫩叶+茎)氮素含量的定量分析模型。模型的预测精度和稳健性采用最佳主成分数nf、决定系数R2、交叉校验标准差(root mean square error of cross validation,RMSECV)进行综合评价。根据文献[12],K折交叉校验与留一法交叉校验相比，更接近于实际预测能力，采用K折交叉校验的模型指标来评价模型预测能力更有意义实际。本文采用5折—PLS交互校验。

2 结果分析

CARS法根据交互校验均方根误差最小原则优选出的番茄苗样本的特征波长如表1所示。可以看出:样本集(3)包含西红柿苗的老叶、嫩叶、茎全部样本，而通过CARS法优选的样本集(3)的特征波长与样本集(1)和(2)选择的特征波长部分重合，如表征样本集(1)的特征波长703，906 nm和表征样本集(2)的特征波长729，845 nm均出现在样本集(3)的特征波长中。表明通过CARS法选择出的样本集的特征波长与样本集的样本组成情况基本相符。

表1 CARS法优选的番茄苗样本的特征波长

5折—PLS交互校验番茄苗氮素含量定量模型的结果，如表2所示。可以比较得出样本集(1)番茄苗老叶建立的氮素定量模型性能最佳。样本集(2)和样本集(1)所建模型的性能指标接近，而样本集(3)的模型指标有明显降低的。分析3个样本集的样本组成：样本集(1)和(2)由番茄苗叶片组成，而在样本集(3)中增加了番茄苗茎的样本。而植物体内的氮素主要存在于蛋白质和叶绿素中，因此，幼嫩器官和种子中含氮量较高，而茎秆含量较低，尤其是老熟的茎秆含氮量更低。因此，可以分析得到样本集(3)在增加了番茄苗茎样本后，使得模型指标有了明显下降，这是由于植物体内氮含量分布的差异所引起的。样本集(1)和样本集(2)中的番茄苗叶片的氮含量相对较高，因此，两个样本集的氮含量定量分析模型性能较好。根据实验结果，采用叶片建立的定量分析模型较建立整株苗的氮素含量定量分析模型更具可行性。另外在后期的研究中将进一步考虑高光谱图像的影响因素，探索增强模型鲁棒性的方法。

表2 5折—PLS交互校验番茄苗氮素含量定量模型结果

3 结 论

利用AOTF为分光元件的AOTF高光谱成像仪，采集西红柿苗各部位(老叶、嫩叶和主茎)的高光谱图像进行光谱信息处理和分析。通过CARS方法优选番茄苗特征波长后，采用5折—PLS交互校验法分别验证番茄苗(老叶，老叶+嫩叶，老叶+嫩叶+茎)氮素含量的定量分析模型，得出如下结论：1)采用AOTF高光谱成像技术定量测量番茄苗氮素含量可行；2)703，906 nm为氮素分析的首选特征波长；3)氮素含量相对稳定的老叶为氮素分析的特征部位。

[1] 刘明博,唐延林,李晓利,等.水稻叶片氮含量光谱监测中使用连续投影算法的可行性[J].红外与激光工程,2014(4):1265-1271.

[2] 何 勇,彭继宇,刘 飞,等.基于光谱和成像技术的作物养分生理信息快速检测研究进展[J].农业工程学报,2015(3):174-189.

[3] 张东彦,刘良云,黄文江,等.利用图谱特征解析和反演作物叶绿素密度[J].红外与激光工程,2013(7):1871-1881.

[4] 吴静珠,吴胜男,刘翠玲,等.近红外和高光谱技术用于小麦籽粒蛋白含量预测探索[J].传感器与微系统,2013,32(2):60-62.

[5] 吴静珠,刘 倩,陈 岩,等.基于近红外与高光谱技术的小麦种子多指标检测方法[J].传感器与微系统,2016,35(7):42-44.

[6] 张东辉,赵英俊,陆冬华,等.高光谱传感器CASI与SASI支持下的水体精准提取[J].传感器与微系统,2016,35(5):25-27.

[7] 杨 玮,李民赞,孙 红,等.温室黄瓜叶片近红外图像消噪算法与含氮量快速检测[J].农业机械学报,2013,44(7): 216-221.

[8] 李子扬,钱永刚,申庆丰,等.基于高光谱数据的叶面积指数遥感反演[J].红外与激光工程,2014(3):944-949.

[9] 李 丹,何建国,刘贵珊，等.基于高光谱成像技术的小黄瓜水分无损检测[J].红外与激光工程,2014(7):2393-2397.

[10] Rafael C G,Richard E W,Steven L E．Digital image processing using Matlab[M]．Beijing: Publishing House of Electronics Industry,2005:305-306.

[11] 肖海斌,赵进辉,袁海超,等.同步荧光光谱结合CARS变量优选预测猪肉中四环素残留含量[J].光学精密工程,2013(10):2513-2519.

[12] 袁大林,梁逸曾,许青松.QSAR/QSPR模型中的蒙特卡罗交叉效验评价[J].计算机与应用化学,2006,23(6):569-573.

CropnitrogencontentdetectionmethodbyAOTFhyper-spectralimaging*

WU Jing-zhu1， SHEN Shu1， DONG Jing-jing1， LI Hui1， CHEN Yan1， MAO Wen-hua2

(1.BeijngKeyLaboratoryofBigDataTechnologyforFoodSafety,SchoolofComputerandInformationEngineering,BeijingTechnologyandBusinessUniversity,Beijing100048,China；2.ChineseAcademyofAgriculturalMechanizationSciences,Beijing100083,China)

Acousto-optic tunable filter(AOTF)hyper-spectral imaging system with acousto-optic tunable filter are used to collect the hyper-spectral images of tomato seedlings’ various parts,such as main stem,new leaves and old leaves.In this experiment,tomato seedlings were cultivated at 10 different nitrogen-treatment levels.The spectral information from 615 nm to 1 000 nm are extracted from the hyper-spectral imaging by template matching preprocessing.Competitive adaptive reweighted sampling(CARS)method is adoptded to select feature.The experimental results show that the performance of nitrogen quantitative model built by the leaves and stems set is the worst,that of the model built by the leaves set is better,and that of the model built only by the old leaves is the best.The best model is established by 5 fold partial least square(PLS)regression method on the base of 10 wavelength points selected by CARS including 703 nm,906 nm and so on.The best principal component number is 9,the determine coefficientR2is 0.95 and the root mean square error of cross validation(RMSECV)is 0.08.Therefore,it is possible to monitor the nitrogen content of tomato seedlings with the AOTF hyper-spectral imaging technology.The old leaves with relative stability of old leaf nitrogen content should be recommended to build quantitative analysis model,and the preferred feature wavelength for nitrogen analysis is 703 nm and 906nm.

acousto-optic tunable filter(AOTF)； hyper-spectral imaging； nitrogen content； competitive adaptive reweighted sampling(CARS)

10.13873/J.1000—9787(2017)11—0064—03

S 123

A

1000—9787(2017)11—0064—03

2016—11—15

国家重点基础研究发展计划资助项目(2012CB723704)； 国家自然科学基金资助项目(31272056)； 2015年北京高等学校高水平人才交叉培养毕业设计(创业类)支持计划项目

吴静珠(1979-)，女，博士，副教授，主要从事分子光谱检测技术方面的研究工作。