基于数码相机图像的甜菜冠层氮素营养监测

张 珏，田海清，李 哲，李 斐，史树德

（1. 内蒙古农业大学机电工程学院，呼和浩特 010018；2. 内蒙古师范大学物理与电子信息学院，呼和浩特 010020；3. 内蒙古农业大学草原与资源环境学院，呼和浩特 010019；4. 内蒙古农业大学农学院，呼和浩特 010019）

0 引 言

氮元素是农作物必需的营养元素和影响产量的关键因子，同时又是造成农田生态环境污染的主要因素[1]。因此，及时准确地进行氮素营养监测对实时掌握作物长势及营养丰缺状况有重要意义。传统实验室化学分析虽具有较高的准确度，但花费高、时效性差，且具有破坏性[2]。便携式叶绿素仪（SPAD-502）需要进行多点测定以降低变异性[3]，测量精度也会受到作物品种、环境条件和测定叶位等因素影响[4-6]，且当接近或高于作物的最佳施氮量时，该仪器不能准确反应叶绿素含量[7]。随着遥感技术的发展，近年来已有研究者将近地多光谱遥感[8]、高光谱遥感[9-10]和卫星及航拍图像技术[11-13]应用于作物氮素营养诊断研究中，但应用这些技术成本高且实现实时监测难度较大。

随着数码产品价格的不断下降及智能手机的普及，利用可见光光谱分析技术进行作物氮素营养诊断已具备一定的应用潜力。数码相机是可见光光谱最为便捷且经济的近地遥感工具，近年来已被众多研究者应用于作物氮素营养监测研究中[14-24]。通过对氮素营养状况的实时跟踪监测可形成作物完整的营养诊断体系，有利于及时掌握作物的营养需求量，进而制定出有效的调控策略。如贾彪等[14]根据冠层颜色信息建立起较为准确的棉花氮素诊断模型，并搭建了“一网三层五中心”棉花监测管理诊断体系，初步实现了对棉花生长信息和氮素营养状况的快速准确监测。

国内外利用数码相机进行植物营养诊断的研究主要集中在棉花[14-16]、小麦[17-19]、玉米[20-21]、水稻[22-24]等作物上。王娟等[15]对不同水分背景下棉花叶片叶绿素含量进行监测，发现经灰板校正前后图像的 R-B与叶绿素含量的相关系数分别为-0.87和-0.90。李红军等[19]分别研究了小麦返青期和拔节期的叶片氮素敏感颜色参数，认为返青期小麦反光叶面的G/R与R/(R+G+B)能较好地反映小麦的氮素营养状况，拔节期叶片的 R/(R+G+B)与植株全氮相关性较好。综上所述，作物叶片光学特性受作物类型及其所处生育时期等因素影响，进而导致表征作物营养信息的敏感颜色参数各有差异。而选取合适的敏感颜色参数，对准确评估作物营养状况具有重要意义，目前多数研究采用的方法是对比常见颜色特征参数或对某几个单色分量进行自由组合构建，从中选取应用效果较好的参数，而关于构建作物敏感颜色参数的一般方法研究较少。本文以甜菜为研究对象，充分考虑各单色分量对甜菜冠层LNC（leaf nitrogen content）的表征力，探寻构建作物颜色特征参数的一般方法，找出适合甜菜氮素监测的敏感颜色参数，以期进一步提升应用数码相机进行甜菜营养监测的准确性。

1 材料与方法

1.1 试验区概况

本研究试验于2014年5月至10月于内蒙古赤峰市松山区太平地镇进行，119°24′～119°42′E，42°29′～42°49′N，属中温带半干旱大陆性季风气候区，冬季漫长，春季干旱，年降雨量300～500 mm。5‒9月份日照时数长达12～14 h。试验地基本理化性状为：pH值8.2，有机质13.04 g/kg，全氮0.76 g/kg，速效磷12.48 mg/kg，速效钾114.2 mg/kg。甜菜幼苗（品种KWS1676）在大棚内培育，于5月中下旬移栽至试验田内，10月上旬收获。

每个试验小区面积大约50 m2，植株行距为50 cm，株距为25 cm。为进一步研究氮素营养对甜菜光谱及生长发育的影响，试验共设0、15、32、76、108、163和217 kg/hm2共7个氮肥水平，不同氮肥水平均设4次重复，随机区组排列。试验所用氮肥为普通尿素（碳酸二铵），且该肥料无缓释作用。每个小区的磷肥和钾肥用量分别为3.8 kg和1.2 kg。为保证对甜菜生长过程的连续观测且测定参数不受施肥时间及施肥量的影响，试验肥料均在甜菜移栽前一天做基肥一次性施用。

1.2 冠层图像获取与处理

1.2.1 冠层图像获取

分别于2014年6月23日（叶丛快速生长中期）、7月10日（叶丛快速生长后期）、7月25日（糖分增长中期）、8月17日（糖分增长后期）、8月30日（糖分积累前期）、9月15日（糖分积累中期）分6次采集甜菜冠层图像，数码相机型号为Canon EOS7D，分辨率为5 184×3 456像素。为尽量减小不同采样时间光照强度差异对图像质量的影响，提高所拍摄图像的可比性，选择光线强烈且太阳高度角相对稳定的12:00‒14:00进行图像采集[22]。图像采集时，相机距离甜菜冠层高度为 1.50 m，与地面成60°角[25]，相机设置为光圈优先自动曝光模式，由相机自动控制快门速度和色彩平衡，并采用多点自动对焦，选择相邻 2×2株完整甜菜冠层作为拍摄对象，图像采用JPEG格式存储。每次每个小区采集1张样本图像，28个小区共采集28个样本图像，6次共采集到168个样本图像。本研究以华北地区常见甜菜品种（KWS1676）为研究对象，在赤峰市松山区太平地镇进行田间试验，

1.2.2 冠层图像处理

因叶片与背景灰度值差异明显，故采用基于灰度值的阈值分割方法进行图像分割，依次对土壤、阴影叶和编号标识板进行分割，分割效果见图1。

H（hue）、S（saturation）、I（intensity）通道图像及其灰度直方图显示，土壤部分的色调信息与其他部分有显著差别，且H通道灰度直方图具有明显的3个特征峰，故针对H通道选定合适的阈值进行土壤分割，当阈值为49时，可以较为准确地划分土壤信息（包括阴影部分的土壤）和其他图像信息。考虑到图像绿叶部分在整幅图像中占很大比例，且图像前景色与背景色的像素比值较大，鉴于上述灰度分布特点，本文利用最大间类方差法（Otsu阈值分割法）进行阴影叶的分割，阈值设定为 112时能基本扣除阴影叶，且保留绝大多数亮叶，得到较为理想的分割效果。编号标识板为白色，在图像中所占像素比例较小，且其红光R (redness intensity)、绿光G (greenness intensity) 和蓝光B (blueness intensity)值较大，分析YCbCr颜色空间中各分量颜色通道图像及其灰度直方图发现，当阈值选定为129时，利用Cb颜色通道能够清晰分割出编号标识区域。

经图像分割后得到只剩下目标绿叶的彩色图像，获取图像上各像素点的R、G、B平均值，并计算相应的红光标准化值NRI((normalized redness intensity)、绿光标准化值NGI(normalized greenness intensity)和蓝光标准化值NBI(normalized blueness intensity)，各标准化值计算如下[23]

红光标准化值：NRI=R/(R+G+B)

绿光标准化值：NGI=G/(R+G+B)

蓝光标准化值：NBI=B/(R+G+B)

1.3 冠层氮素指标测定

甜菜冠层图像采集完成之后，及时将所取甜菜样品整株密封保存带回实验室，摘取其全部叶片，在烘箱内105 ℃下杀青30 min后，温度调为80 ℃烘至质量恒定粉碎，浓硫酸（98%）消煮后，凯氏定氮法[26]确定甜菜冠层LNC含量。

2 试验与结果分析

2.1 不同施氮水平对甜菜冠层LNC的影响

分析甜菜各生育期在不同氮肥水平下的冠层LNC变化趋势（图2）发现，甜菜冠层LNC在叶丛快速生长中期和糖分增长后期相对较高，在整个生育期内呈现最高-低-较高-低的变化态势。分析认为，甜菜生育前期氮素代谢旺盛，冠层氮素浓度则相对较高，随着生育期的推进，伴随块根膨大和糖分的积累，氮素代谢逐渐减弱且浓度逐渐降低。甜菜氮代谢在叶丛快速生长期最为旺盛，冠层的氮素占较大比例，全氮量占全株总氮量的85%～90%以上[27]，该时期适宜作为利用图像处理技术进行甜菜氮素营养监测的关键时期。另外，各生育期的冠层 LNC基本在N4或N5氮肥水平下取得最大值，与不施氮（N0水平）相比，甜菜各生育期LNC最大增幅为11.46%、7.07%，2.82%，22.4%，23.81%和29.09%。

图2 不同氮肥水平下甜菜冠层LNC值Fig.2 Beet canopy LNC under different nitrogen levels

2.2 颜色特征参数与甜菜冠层LNC相关性分析

以甜菜叶丛快速生长期为研究对象，依照常规敏感颜色参数分析方法[28]，拟对比 R、G、B、NRI、NGI、NBI、R-B、R/B、G+B、G/R共 10个颜色特征参数，以期确定比较适合作为甜菜氮素营养监测的评价指标。将冠层LNC的实际测定值分别与上述10个颜色特征参数进行线性相关分析，以各颜色特征参数与冠层LNC相关系数的绝对值为评价指标，各参数对甜菜冠层氮素营养表征差异见图3。

图3 颜色特征参数与甜菜冠层LNC的相关系数Fig.3 Correlation coefficients between color characteristic parameters and beet canopy LNC

图3表明，在由数码图像获得的甜菜冠层10个颜色特征参数中，复合参量G/R、NRI与冠层LNC的相关系数均在0.8左右，表现为极显著线性相关（P＜0.01）。由此可见，上述2个复合参量对冠层LNC的表征力明显优于其他颜色特征参数，比较适宜作为甜菜氮素营养监测的数字化指标。

2.3 颜色特征参数调优

基于上述10个颜色特征参数与冠层LNC相关性分析，发现颜色空间中单色分量对甜菜冠层LNC虽具备一定的表征力，但相对较弱，而复合参量的表现则更稳定且更为显著。然而单色分量对冠层LNC敏感性的差异会影响复合参量中各分量的贡献度，因此，构建甜菜表征冠层LNC的颜色特征参数，应权衡RGB空间单色分量的复合权重，且需对各分量的权值进行交互调优及归一化处理，进而确定最佳权重组合。基于上述分析，本研究构建了基础调优参数BOP（basic optimal parameter）和归一化调优参数NOP（normalized optimal parameter）。定义如下

式中 u1、v1、w1为 BOP各单色分量权值；u2、v2、w2为各标准归一化分量权值。

调优算法流程图见图4，调优过程如下：

图4 调优算法流程图Fig.4 Flow chart of optimization algorithm

1）反复测试单色分量权值范围，确定BOP和NOP的系数分布区间范围为[–2, 2]，系数绝对值大小表征其对应颜色分量的贡献度。

2）在[–2, 2]区间范围内，设定调优步长为0.2，反复调整BOP系数u1、v1、w1与NOP系数u2、v2、w2。

3）将上述确定的组合参数与冠层 LNC进行回归分析，并计算各组合参数与冠层LNC的相关系数，构建四维数组[u1v1w1r1]和[u2v2w2r2]，其中r1和r2分别表示BOP、NOP与冠层LNC的相关系数。

4）根据上述数组[u1v1w1r1]和[u2v2w2r2]，绘制变量关系变化的颜色分布图。

数据分析结果表明，权重数组[u1v1w1]和[u2v2w2]分别取[1.4,–1.2,–0.2]和[1.6,–2,–1]时，调优参数 BOP、NOP与冠层LNC的相关系数最高，其值分别为0.83和0.82。由上述数组确定的调优参数计算公式为：BOP=1.4R–1.2G–0.2B，NOP=1.6NRI–2NBI–NGI。

图5a为调优参数BOP与冠层LNC相关性随系数矩阵[u1v1w1]变化分布图，图5b为调优参数NOP与冠层LNC相关性随系数矩阵[u2v2w2]变化分布。调优参数BOP、NOP与冠层LNC相关性最高区域分别为：

图5 BOP、NOP与冠层LNC相关性随系数矩阵变化分布Fig.5 Correlation coefficient between BOP, NOP and canopy LNC with different coefficient matrix

2.4 甜菜冠层LNC预测模型及精度验证

为定量研究敏感颜色参数对甜菜冠层LNC预测的准确性，以甜菜氮素营养监测的关键时期—叶丛快速生长期为研究对象，并建立冠层LNC预测模型且进行精度验证，每张图像对应的敏感颜色参数和冠层LNC实测值构成一组有效样本，该时期共采集到52组有效样本。随机选取38组样本作为训练集，14组样本作为验证集。训练集和验证集差异性分析结果表明，训练集冠层 LNC的平均值为29.73 g/kg，变异系数为18.18%，冠层LNC的变化范围为19.37～39.95 g/kg；而测试集的平均值为28.72 g/kg，变异系数为 16.80%，冠层 LNC的变化范围为 21.17～38.12 g/kg，训练集与测试集数据范围基本相符，样本划分合理。利用2.2节常规方法下得到的敏感颜色参数G/R、NRI与甜菜冠层 LNC进行线性回归分析，并建立冠层LNC预测模型，再对比本文调优参数BOP、NOP的分析结果并进行冠层LNC模型的精度检验。以决定系数R2、均方根误差 RMSE(root mean square error)和相对误差RE(relative error)3个指标来综合考察模型的表现（表1）。

试验数据分析结果表明，4个敏感颜色参数建立的冠层 LNC模型的预测值与实测值均达极显著线性相关水平。常规参数G/R、NRI与冠层LNC实测值的相关系数分别为0.80和0.79，调优参数BOP、NOP与冠层LNC实测值的相关系数分别为0.84和0.83，可见，三原色权值调优方法确定的BOP、NOP两个参数较常规参数在氮素营养预测方面表现出较为明显的优势。冠层LNC预测模型的精度分析表明，BOP预测模型的决定系数R2、均方根误差RMSE和RE分别为0.69、2.65和2.27%，NOP预测模型的R2、RMSE和RE分别为0.68、2.73和2.90%。综上分析，BOP、NOP比常规敏感颜色参数G/R、NRI均保持了较高的决定系数及较稳定的拟合精度，对甜菜冠层LNC反映较准确，适宜于作为甜菜冠层叶片氮素营养监测的数字化指标。图6为BOP、NOP甜菜冠层LNC预测模型的精度检验对比结果。

表1 不同敏感颜色参数预测模型及精度检验Table 1 Regression models of different sensitive color parameters and accuracy test

图6 BOP、NOP甜菜冠层LNC预测模型的精度检验对比Fig.6 Comparison of accuracy for BOP and NOP prediction model of beet canopy LNC

3 讨 论

由于不同氮肥水平下甜菜冠层LNC存在一定程度的差异（图 2），使得叶片内部化学和物理性状产生分异，进而影响冠层叶片对光的反射、吸收和透射，致使不同氮含量叶片的光谱特性表现各异，这就为利用冠层颜色信息预测甜菜叶片氮含量提供了理论依据。此外，各生育期甜菜冠层 LNC 基本均在 N4(108 kg/hm2)，N5(163 kg/hm2)氮肥水平下取得最大值，随施氮水平的升高基本呈现单峰变化趋势，这与侯云鹏等[29]、景立权等[30]分别对小麦和玉米的研究结果存在共性。可见，在一定范围内增施氮肥有利于营养吸收，促进植株生长发育；过量施氮则可能造成营养过剩，甚至改变根区土壤微环境，反而不利于作物营养代谢，从而影响植株营养的吸收利用。

敏感颜色参数直接影响作物营养监测的精确度，而多数研究是从常见颜色特征参数中选择应用效果较好的参数作为敏感颜色参数，如Saberioon等[31]分析对比了R、G、B等27个颜色特征参数与水稻叶片SPAD值的相关系数，发现参数G、IKAW((R-B)/(R+B))与叶片SPAD值均表现出较高的相关性，2个敏感颜色参数确立叶片SPAD预测模型的决定系数R2分别为0.56和0.55。本文依据常规方法选取G/R和NRI作为敏感颜色参数，常规较优参数G/R确立冠层LNC预测模型的R2和RMSE分别为0.64和3.49，而调优参数BOP确立冠层LNC预测模型的R2、RMSE和RE分别为0.69、2.27和2.65，3项模型评价指标均优于 G/R预测模型。由此可见，调优算法可实现作物敏感颜色参数自动寻优，具有较强的普适性，可推广为一般常规作物敏感颜色参数的提取方法。

虽然利用数码相机作为近地遥感工具监测作物氮素营养状况具有较高的可行性，但图像阈值分割的精度是影响作物氮素监测的重要因素。作物冠层图像中存在土壤、阴影等干扰信息，同时光线及周围环境等因素对图像质量也有影响，所以很难找到一种通用的图像分割方法能够一次性去除全部干扰信息，这也是未来进行作物营养诊断需要解决的重要问题。此外，数字图像处理技术的应用基础是土壤和植物冠层对光的吸收、反射与折射，因此，为得到规律性和普适性更强的作物氮素营养诊断结果，需要结合传统土壤测试和植株测试进行深入研究。

4 结 论

本文以不同氮肥水平下甜菜冠层为研究对象，应用数码相机获取冠层图像，开展基于颜色特征参数的冠层LNC（leaf nitrogen content）监测研究，得到以下结论：

1）甜菜冠层 LNC在整个生育期大致呈现先高后低的规律，且以叶丛快速生长中期含量最高。各生育期甜菜冠层LNC基本均在N4(108 kg/hm2)和N5(163 kg/hm2)氮肥水平下取得最大值。

2）定量分析了单色分量对冠层LNC监测的贡献度，提出了三原色权值调优方法，探明了构建表征作物营养状况颜色特征参数的一般规律，为数字图像处理技术在作物营养无损监测方面提供一定的理论方法。

3）采用常规方法选取的敏感颜色参数 G/R、NRI(R/(R+G+B))与冠层 LNC的相关系数分别为 0.80和0.79，三原色权值调优方法确定的调优参数 BOP（basic optimal parameter）、NOP（normalized optimal parameter）与冠层LNC的相关系数分别为0.84和0.83，算法优化后提高了颜色参数与冠层LNC的相关性。模型精度检验结果表明，调优参数BOP、NOP建立模型的预测精度均高于常规参数G/R、NRI，BOP预测模型的决定系数R2和均方根误差RMSE(root mean square error)分别为0.69和2.65，NOP预测模型的R2和RMSE分别为0.68和2.73。综上所述，调优参数BOP、NOP比常规方法下所得的G/R、NRI均保持了较高的决定系数及较稳定的拟合精度，对甜菜冠层LNC反映较准确，适宜于作为甜菜冠层叶片氮素营养监测的数字化指标。

[1] 魏全全，李岚涛，任涛，等. 基于数字图像技术的冬油菜氮素营养诊断[J]. 中国农业科学，2015，48(19)：3877－3886.Wei Quanquan, Li Lantao, Ren Tao, et al. Diagnosing nitrogen nutrition status of winter rapeseed via digital Image processing technique[J]. Scientia Agricultura Sinica, 2015,48(19): 3877－3886. (in Chinese with English abstract)

[2] 李岚涛，汪善勤，任涛，等. 基于高光谱的冬油菜植株氮素积累量监测模型[J]. 农业工程学报，2016，32(14)：209－218.Li Lantao, Wang Shanqin, Ren Tao, et al. Evaluating models of leaf phosphorus content of winter oilseed rape based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(14): 209－218. (in Chinese with English abstract)

[3] Adan M L, Enrique R G, Alfredo L H, et al. Nitrogen determination on tomato (Lycopersicon esculentum Mill.)seedlings by color image analysis[J]. African Journal of Biotechnology, 2009, 9(33): 5326－5332.

[4] 刘艳春，樊明寿. 应用叶绿素仪SPAD-502进行马铃薯氮素营养诊断的可行性[J]. 中国马铃薯，2012，26(1)：45－48.Liu Yanchun, Fan Mingshou. Application feasibility of SPAD-502 in diagnosis of potato nitrogen nutrient status[J]. Chinese Potato Journal, 2012, 26(1): 45－48. (in Chinese with English abstract)

[5] 袁媛，陈雷，李淼，等. 基于数字图像技术的黄瓜缺氮营养诊断[J]. 中国农业大学学报，2016，21(12)：35－40.Yuan Yuan, Chen Lei, Li Miao, et al. Diagnosis of nitrogen nutrition of cucumber based on digital image process in technique[J]. Journal of China Agricultural University, 2016,21(12): 35－40. (in Chinese with English abstract)

[6] 夏文豪，刘涛，关钰，等. 硝酸盐反射仪和 SPAD 法对玉米氮素营养诊断的比较[J]. 中国生态农业学报，2016，24(10)：1339－1346.Xia Wenhao, Liu Tao, Guan Yu, et al. Comparison of RQ flex and SPAD methods of diagnosing maize (Zea mays) nitrogen nutrient[J]. Chinese Journal of Eco-Agriculture, 2016, 24(10):1339－1346. (in Chinese with English abstract)

[7] Lin Fengfang, Qiu Lefeng, Deng Jingsong, et al. Investigation of SPAD meter-based indices for estimating rice nitrogen status[J]. Computers and Electronics in Agriculture, 2010,71(Suppl.1): 60－65.

[8] 刘雪峰，吕强，何绍兰，等. 柑橘植株冠层氮素和光合色素含量近地遥感估测[J]. 遥感学报，2015，19(6)：1007－1018.Liu Xuefeng, Lü Qiang, He Shaolan, et al. Estimation of nitrogen and pigments content in citrus canopy by low-altitude remote sensing[J]. Journal of Remote Sensing, 2015, 19(6):1007－1018. (in Chinese with English abstract)

[9] 王树文，赵越，王丽凤，等. 基于高光谱的寒地水稻叶片氮素含量预测[J]. 农业工程学报，2016，32(20)：187－194.Wang Shuwen, Zhao Yue, Wang Lifeng, et al. Prediction for nitrogen content of rice leaves in cold region based on hyperspectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(20): 187－194. (in Chinese with English abstract)

[10] 孙俊，金夏明，毛罕平，等. 基于高光谱图像光谱与纹理信息的生菜氮素含量检测[J]. 农业工程学报，2014，30(10)：167－173.Sun Jun, Jin Xiaming, Mao Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 167－173. (in Chinese with English abstract)

[11] 李粉玲，常庆瑞，申健，等. 基于 GF-1卫星数据的冬小麦叶片氮含量遥感估算[J]. 农业工程学报，2016，32(9)：157－164.Li Fenling, Chang Qingrui, Shen Jian, et al. Remote sensing estimation of winter wheat leaf nitrogen content based on GF-1 satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(9): 157－164. (in Chinese with English abstract)

[12] 高金龙，孟宝平，杨淑霞，等. 基于 HJ-1A 卫星数据的高寒草地氮素评估—以青海省贵南县及玛沁县高寒草地为例[J]. 草业学报，2016，25(10)：11－20.Gao Jinlong, Meng Baoping, Yang Shuxia, et al. Estimation of nitrogen content of alpine grassland in Maqin and Guinan Counties, Qinghai Province, using remote sensing[J]. Acta Prataculturae Sinica, 2016, 25(10): 11－20. (in Chinese with English abstract)

[13] 秦占飞，常庆瑞，谢宝妮，等. 基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测[J]. 农业工程学报，2016，32(23)：77－85.Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77－85. (in Chinese with English abstract)

[14] 贾彪，马富裕. 基于机器视觉的棉花氮素营养诊断系统设计与试验[J]. 农业机械学报，2016，47(3)：305－310.Jia Biao, Ma Fuyu. Design and experiment of nitrogen nutrition diagnosis system of cotton based on machine vision[J].Transactions of the Chinese Society for Agricultural Machinery,2016, 47(3): 305－310. (in Chinese with English abstract)

[15] 王娟，危常州，王肖娟，等. 采用灰板校正的计算机视觉预测棉花叶绿素含量[J]. 农业工程学报，2013，29(24)：173－180.Wang Juan, Wei Changzhou, Wang Xiaojuan, et al. Estimation of chlorophyll contents in cotton leaves using computer vision based on gray board[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2013, 29(24): 173－180. (in Chinese with English abstract)

[16] Rorie R L, Purcell L C, Mozaffari M, et al. Association of"greenness" in corn with yield and leaf nitrogen concentration[J].Agronomy Journal, 2011, 103(2): 529－535.

[17] 陈佳悦，姚霞，黄芬，等. 基于图像处理的冬小麦氮素监测模型[J]. 农业工程学报，2016，32(4)：163－170.Chen Jiayue, Yao Xia, Huang Fen, et al. N status monitoring model in winter wheat based on image processing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 163－170. (in Chinese with English abstract)

[18] Jia Liangliang, Chen Xinping, Zhang Fusuo, et al. Use of digital camera to assess nitrogen status of winter wheat in the northern China plain[J]. Journal of Plant Nutrition, 2007,27(3): 441－450.

[19] 李红军，张立周，陈曦鸣，等. 应用数字图像进行小麦氮素营养诊断中图像分析方法的研究[J]. 中国生态农业学报，2011，19(1)：155－159.Li Hongjun, Zhang Lizhou, Chen Ximing, et a1. Image analysis method in application of digital image on diagnosing wheat nitrogen status[J]. Chinese Journal of Eco-Agriculture,2011, 19(1): 155－159. (in Chinese with English abstract)

[20] Williams J D, Kitchen N R, Scharf P C. Within-field nitrogen response in corn related to aerial photograph color[J].Precision Agriculture, 2010, 11(11): 291－305.

[21] 白金顺，曹卫东，熊静，等. 应用数码相机进行绿肥翻压后春玉米氮素营养诊断和产量预测[J]. 光谱学与光谱分析，2013，33(12)：3334－3338.Bai Jinshun, Cao Weidong, Xiong Jing, et al. Nitrogen status diagnosis and yield prediction of spring maize after green manure incorporation by using a digital camera[J]. Spectroscopy and Spectral Analysis, 2013, 33(12): 3334－3338. (in Chinese with English abstract)

[22] 王远，王德建，张刚，等. 基于数码相机的水稻冠层图像分割及氮素营养诊断[J]. 农业工程学报，2012，28(17)：131－136.Wang Yuan, Wang Dejian, Zhang Gang, et a1. Digital camerabased image segmentation of rice canopy and diagnosis of nitrogen nutrition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(17): 131－136. (in Chinese with English abstract)

[23] 李岚涛，张萌，任涛. 应用数字图像技术进行水稻氮素营养诊断[J]. 植物营养与肥料学报，2015，21(1)：259－268.Li Lantao, Zhang Meng, Ren Tao. Diagnosis of N nutrition of rice using digital image processing technique[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(1): 259－268. (in Chinese with English abstract)

[24] Lee K J, Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis [J].European Journal of Agronomy, 2013, 48(6): 57－65.

[25] 张立周，侯晓宇，张玉铭，等. 数字图像诊断技术在冬小麦氮素营养诊断中的应用[J]. 中国生态农业学报，2011，19(5)：1168－1174.Zhang Lizhou, Hou Xiaoyu, Zhang Yuming, et al. Diagnosis of the state of N in wheat via digital image processing technique[J].Chinese Journal of Eco-Agriculture, 2011, 19(5): 1168－1174. (in Chinese with English abstract)

[26] 鲁长豪，许春向，傅世全，等. 食品理化检验学[M]. 北京：人民卫生出版社，1993：49－51.

[27] 邵金旺，蔡葆，张家骅. 甜菜生理学[M]. 北京：农业出版社，1991：1－2，184－189，220－222.

[28] 秦小立，叶露，李玉萍，等. 基于图像处理的作物营养诊断研究进展[J]. 热带农业科学，2016，36(9)：101－108.Qin Xiaoli, Ye Lu, Li Yuping, et al. Advances in research on crop nutrient diagnosis based on image processing[J]. Chinese Journal of Tropical Agriculture, 2016, 36(9): 101－108. (in Chinese with English abstract)

[29] 侯云鹏，韩立国，孔丽丽，等. 不同施氮水平下水稻的养分吸收、转运及土壤氮素平衡[J]. 植物营养与肥料学报，2015，21(4)：836－845.Hou Yunpeng, Han Liguo, Kong Lili, et al. Nutrient absorption,translocation in rice and soil nitrogen equilibrium under different nitrogen application doses[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(4): 836－845. (in Chinese with English abstract)

[30] 景立权，赵福成，王德成，等. 不同施氮水平对超高产夏玉米氮磷钾积累与分配的影响[J]. 作物学报，2013，39(8)：1478－1490.Jing Liquan, Zhao Fucheng, Wang Decheng, et al. Effects of nitrogen application on accumulation and distribution of nitrogen, phosphorus, and potassium of summer maize under super-high yield conditions[J]. Acta Agronomica Sinica,2013, 39(8): 1478－1490. (in Chinese with English abstract)

[31] Saberioon M M, Amin M S, Aimrun W, et al. Assessment of color indices derived from conventional digital camera for determining nitrogen status in rice plants[J], Journal of Food,Agriculture &Environment, 2013, 11(2): 655－662.