基于计算机视觉的番茄营养元素亏缺识别研究

张 陆

(天津职业技术师范大学，天津 300222)

0 引言

在现代农业生产中，农作物在初期大多采用无土培育幼苗，容易出现营养元素的亏缺。农作物亏缺必需的营养元素会出现一些异状，如叶片变形、叶片的颜色也会变得不一样，从而影响到农作物的产量，且亏缺营养元素会导致果实变异。因此，判断农作物在生长过程中需要哪些营养元素和需要多少，对农业种植有着非常重大的意义。

目前，用于农作物营养元素亏缺识别的方法有化学方法、形态法和施肥法等，这些方法检测的成本高，且会破坏到植物本身，不易在实际农业生产中推广使用。在农作物生长周期中，营养元素的亏缺比较严重时，在叶片上的表现比较明显，这时可以通过肉眼判断出来；但在亏缺的初期，在叶片上的表现不明显，肉眼判断识别不准确且不易确诊。亏缺氮、镁的叶片与正常叶片的差别不大，在正常光线下，肉眼无法识别确定，而采用计算机视觉技术来分析可达到缺素识别的要求。农作物前期无土育苗是现代农业的特色，无土育苗的产量高，产品品质好；但无土育苗易出现缺素症，且缺素症在早期不易被发现，若不能及时进行施肥，后期就会严重影响农作物的生长，严重时可能会造成农作物绝产。在农作物生长所必须的营养元素中，氮、镁、磷对农作物生长有比较明显的作用，缺少氮、镁、磷严重会造成减产或不能结果，借用计算机来识别营养元素亏缺现象，可以及早地采取补救措施。农作物出现缺素症表现在叶片的纹理和颜色上，穗波信雄等[1]利用计算机技术对茨植物茨菇的叶子进行识别，分析茨菇叶片亏缺钙、镁、铁营养元素的情况，利用颜色特征分析确定缺素症。现今很多研究者都在这方面取得了突出的贡献[2-12]，采用计算机视觉分析研究农作物生长，可为农作物种植提供良好技术支持。

1 样本培育

1.1 实验材料

实验材料：番茄品种为巨粉宝石品种。采用温室大棚培养，无土栽培，温室无土栽培不会不受时间和空间的限制。基质选择珍珠岩，珍珠岩稳定性好，不会影响到番茄对营养液的吸收。该试验使用的营养液采用日本的山崎配方[13]，EC值为1.2ms/cm，配方原料为KNO3、Ca(NO3)2、MgSO4、NH4H2PO3。缺氮元素样本的营养液有两种配置：一种是去除100%的氮元素的营养液；另一种是保留正常的50%的氮元素的营养液。去除100%氮元素的营养液浇灌番茄样本，可以在短时间内获得亏缺样本，且亏缺比较大；用第二种营养液浇灌番茄获得的样本亏缺氮比较轻微。同样，缺镁样本的营养液也采用同样的方法配置，获得100%缺镁营养液和50%缺镁营养液。营养液采用自来水配置。

1.2 番茄培养

分3批进行番茄样本培养，直接采用番茄苗培养，珍珠岩需干净无杂质。番茄苗移栽到珍珠岩中，移栽前将番茄苗根部清洗干净且需保证幼苗成活，并开始添加正常营养液，添加的营养液的量须保证珍珠岩湿润，每天添加1～3次，分早中晚浇灌；到番茄苗长到开花期时，将盆中的珍珠岩取出，用清水清洗番茄根部，换上新的珍珠岩，开始缺素营养液的浇灌。取50盆番茄苗进行试验，正常营养液浇灌10盆，缺100%氮营养液浇灌10盆，缺50%氮营养液浇灌10盆，缺镁100%、50%的营养液各10盆。营养液每天分3次浇灌，同时观察番茄叶的变化状况，发现缺100%氮营养元素的营养液在浇灌3～5天后，番茄叶开始出现变化，叶片开始变黄；缺50%氮营养液浇灌需要差不多10天才开始出现变化；缺50%镁营养液的番茄叶在20天左右才出现缺素状态。

2 图像采集

2.1 硬件组成

计算机视觉采集系统硬件组成包括：由采集箱、CCD摄像机、图像采集卡和上位机，如图1所示。采集箱和CCD摄像机采集到清晰的图像，图像是否清晰与采集图像时的光线有重大关系，采集图像上的灰度值与样本上的影响因素有关，其他影响因素也会影响到图像分析，如样本本身的特性、观察方法等影响因素。样本的本身特性无法改变，也不可改变，故改变其他的影响因素可控制采集图像的质量。因此，采集箱采用封闭式环形光源，以减少因光照条件影响图像采集质量，进而减少图像识别误差。

图1 计算机视觉系统组成

2.2 图像采集

实验中，缺氮、镁营养液的番茄样本采用隔天取样的方法，采样时间从实验刚开始浇灌缺素营养液开始，每隔一天取一次样；正常营养液浇灌的番茄样本和缺素营养液的番茄样本分别取样，样本采集部位为番茄植株中间的叶片和顶部的新叶片。隔天取样可以连续地观察叶片缺素症状，并且可以观察到缺素前期的表现。故取样对5组中的各5盆番茄进行观察，在观察番茄苗中每株选两片叶片观察，有50片叶片需要进行跟踪观察，观察时间为浇灌实验开始到缺素症状表现明显，可用肉眼观察出来截止。

图像采集时，背景颜色会影响到图像采集的效果，须有较大的对比度来突出样本色泽。因番茄叶片为绿色，故背景颜色采用白色。对所有的叶片需要保持相同的条件，CCD摄像机拍摄图像时的设置需保持一致，即拍照时的光圈和焦距一致，并保证图像清晰。将CCD摄像机采集的图像存于采集卡中，并置于上位机中进行分析。为保持图像分析准确连续，取图像的数量各10张，故采集的图像有500张。

3 图像处理及特征提取

3.1 图像预处理

图像的预处理是为改变图像的质量，提高图像的分辨率，包括图像增强、几何校正和复原。图像的增强是为了增强图像中的信息，帮助后期获得分析信息，并去除图像的杂质信息，排除图像中影响图像分析的干扰因素，如加大图像的对比度、降噪处理、滤波及分割等。图像在采集中易受到干扰，影响图像的质量，对后期图像的特征参数的提取和识别工作造成不良影响，故需要对这些干扰因素进行排除。在排除这些因素时需要做到：①不会影响图像的边缘和轮廓，不会造成重要信息缺失；②不会影响图像的纹理和颜色特征；③图像预处理后的效果需清晰，可用于图像特征参数的提取。

3.2 特征提取

3.2.1 颜色特征提取

番茄亏缺营养元素的营养液养元素会在叶片上表现出来，本实验采集的样品是浇灌了缺氮、镁营养液的叶片，通过颜色参数模型来识别，颜色参数模型是识别样本颜色特征的参考。亏缺营养元素的番茄叶片会存在较大的差别，故需要一些方法来提取图像中的颜色特征参数。亏缺营养元素的番茄叶片与正常的番茄叶片会在颜色上存在差别，亏缺营养元素的番茄叶片会有黄化。叶片静脉之间叶绿素缺失。番茄叶片逐步亏缺营养元素，叶片也会逐渐出现黄化，营养元素亏缺的越严重，叶片黄化也越严重，故认为黄色的图像特征是需要提取的特征参数，消除图像中的不利条件，采用相对差值百分率直方图法来提取图像中的颜色特征，并将色度、特征面积比作为颜色特征参数。

3.2.2 纹理特征提取

番茄亏缺营养元素不仅仅会在颜色上表现出来，在叶片的纹理上也会出现不同的症状。纹理特征在处理过的图像上是灰度空间分布的描述，描述纹理的图像像素灰度的变化。图像中的纹理特征表现样本本身的特性，将图像分区进行提取并用不同像素进行提取，即达到提取纹理特征参数的目的。将纹理特征提取出来进行分析的方法，有统计法及构造法等：统计法可用于分析局部纹理特征，描述模型空间统计特征，采用图像中的空间密度来度量；构造法以纹理特征的单元和排列的空间几何特征进行分析。还有其他方法也可用于纹理特征分析，如傅立叶变换法及小波变换法等。纹理特征参数分析的研究在20世纪就已取得很大的进展，从最开始采用二阶灰度统计特征的统计法分析到后期随机场模型法等。实验发现：统计法优于其他方法，因此本研究采用统计法进行纹理特征分析。

4 识别仿真测试

采用上述培养的番茄试验样本进行实验，并将提取特征参数以遗传算法进行优化，得到的组合有：直方图法提取4个颜色特征参数和1个统计法提取的纹理特征，并以这5个特征组合为向量进行分析。将实验中采集的图像采用模糊k-近邻法识进行识别，以二叉树法建立的分类框架可以降低缺素识别的难度。实验结果数据如表1和表2所示。

表1 模糊k-近邻法识别正常叶片与缺素叶片的概率

表2 模糊k-近邻法识别缺氮、镁叶片的概率

由实验数据可知:亏缺氮营养元素的识别度可以达到92%，亏缺镁营养元素的识别度为90%；正常样本与亏缺营养元素的分辨率可达96%，识别度比较高，可用于实际生产种植中，为无土栽培中营养液的配置提供参考。

5 结论

1)在基于计算机视觉技术的番茄营养元素亏缺识别研究中，从颜色特征和纹理特征对番茄亏缺营养元素进行分析，以番茄叶亏缺营养元素的表现建立缺素判断的参数模型，并建立缺氮、镁的分类器，以识别营养元素亏缺与叶片状态变化的关系。

2)采用计算机视觉技术识别营养元素的亏缺，不仅可用于番茄的种植，也可以用于其他方面的应用，如在采摘、分级、病虫害识别及杂草区分等方面。随着数字图像处理及分析的发展及计算机硬件的成本降低，计算机视觉技术在各个领域的应用广泛，在农业生产中更是取得了良好的经济效益。计算机视觉技术识别营养元素的亏缺，可实时快速地诊断农作物的健康状态，进而快速地采取有效措施，保证农作物的产量，提高农作物的经济价值。