水稻田间试验于2015— 2017年在江西农业大学农学试验站和江西省成新农场进行, 供试品种为籼型三系杂交水稻品种金优458(JY458)、常规稻品种中早35(ZZ35)、籼型两系杂交稻品种两优培九(LYP9), 每个品种设计4组不同的氮素水平。金优458和中早35的氮肥施用量为N1, CK(0); N2, 225 kg· hm^-2; N3, 150 kg· hm^-2; N4, 75 kg· hm^-2。两优培九的氮肥施用量为N1, CK(0); N2, 210 kg· hm^-2; N3, 300 kg· hm^-2; N4, 390 kg· hm^-2。分别采集金优458水稻品种740组叶片, 中早35水稻品种640组叶片以及两优培九水稻品种1 860组叶片作为观测样本。

1.2.1 水稻叶片数字图像获取

水稻取样后, 扫描3种水稻品种叶片的数字图像。选择平板扫描仪MRS-9600TFU2, 图像传感器为CCD, 光学分辨率为4 800 dpi× 9 600 dpi。植株活体剪下叶片取样后, 整齐地平放在扫描仪工作台面上, 尽快扫描避免水稻缺失水分枯萎造成叶子卷曲。

1.2.2 水稻叶片SPAD值获取

使用叶绿素测定仪SPAD-502测量3种水稻品种叶片的SPAD值, 由于测定部位对SPAD值读数影响较大, 测量时应尽量保持一致并避开叶脉^[19]。分别测量每个水稻品种的叶尖, 叶中以及叶基3个位置的SPAD读数, 并取其平均值作为本文的试验数据。

扫描仪扫描叶片图像, 背景白色, 单一简单, 对叶片图像特征提取影响不大, 但由于扫描仪自身传递和转换的原因, 获取的水稻数字图像质量会随之下降, 为避免分析误差产生, 在提取叶片图像特征前, 对图像背景进行消噪处理。本文选取面向硬件设备的RGB和色彩处理的HSI两个颜色空间实现作物数字图像特征提取。

RGB颜色空间适合于图像的采集和显示, 但由于R、G、B三分量间的高相关性^[20], 不适合于图像分割与分析, 在进行彩色测量时, 也不能靠设置R、G、B的值对图像进行阈值分割, 而将RGB图像转换灰度图像再进行阈值分割^[21], 这样做会损失图像的色彩特征。但利用各种变换, 可以由RGB空间推导出其他颜色空间^[22]。其中HSI颜色空间是从人的视觉系统出发, 用色调、色饱和度和亮度来三种基本特征量来描述色彩^[23], 便于色彩处理和识别, 可以大大简化图像分析和处理的工作量。RGB色彩空间到HSI色彩空间的转换^[24]如公式(1)所示。

H=θ B≤G360-θB> G θ∈[0, 360°]θ=arccos[(R-G)+(R-B)/2][(R-G)2+(R-B)(G-B)]1/2S=1-3(R+G+B)[min(R, G, B)]I=(R+G+B)3。 (1)

为了减少数值变化范围, 加快模型计算的速度以及提高模型的精度, 原始数据在进行模型训练的时候都进行了归一化处理^[25]。将不同量纲的数据归一化到[0, 1]范围内, 归一化处理采用式(2), 即

y= (ymax-ymin)·(x-xmin)(xmax-xmin)+y_min。 (2)

式(2):中x表示样本数据; x_max和 x_min分别表示样本数据中的最大值和最小值; y表示归一化后的数据; y_max和y_min分别表示归一化后数据的最大值和最小值。

合理选取SVM的参数对于模型的回归预测问题尤为重要, 尤其是核函数的参数g以及惩罚系数c对SVM的性能有着很大影响^[26], 所以快速选择合适的SVM参数, 对减少训练和预测时间有着很重要的实际意义。

目前, 对于支持向量机参数选择的方法有:遗传算法^{[27, 28]}、粒子群算法^{[29, 30]}以及网格搜索算法^[31]等等。前两种算法在选择SVM参数的过程中具有搜索速度快, 效率快的优点, 但是均容易陷入局部最优, 网格搜索算法是让c和g在一定的范围划分网格并遍历网格内所有点进行取值, 对于选定的c和g利用K-CV方法得到此组c和g下训练集验证分类准确率, 最终选择使训练集交叉验证分类准确率最高的那组c和g作为最优参数组合。传统的网格搜索算法虽然能找出最优参数组合c和g, 但是搜索效率低。而本文采用改进的网络搜索算法对支持向量机(SVM)参数进行选定, 其算法原理是先采用大步距大范围的粗搜选择最高的一组c和g, 再在这组参数附近确定一个小区间, 再在此区间内进行小步距精搜, 达到减少参数寻优时间的目的。

以试验观测到的金优458(JY458)水稻数据为分析样本, 分为两组, 每组均有740个样本, 其中第一组的输入变量为水稻叶片图像的RGB分量, 输出变量为水稻SPAD值, 第二组的输入变量为水稻叶片图像的HSI分量, 输出变量为水稻SPAD值。

采用改进的网格搜索进行寻优, 设定网格搜索的变量c和g的初始范围为[2^-8, 2⁸], 搜索步距设为1, 采用K-CV方法对训练集进行测试, 其中K=3, 得到局部最优参数组合, 根据得到的局部最优参数, 在其附近选择不同的区间进行二次寻优, 搜索步距设为0.1。本文分别采用了传统网格搜索算法, 改进搜索算法进行测试, 比较各自性能, 比较结果见表1。

表1

Table 1

表1(Table 1)

表1 不同方法进行参数寻优结果的比较 Table 1 Comparison of different methods for parameter optimization 试验组别 Test group 传统的网格搜索Traditional grid search method 改进的网格搜索Improved grid search method c g R2/% t/s c g R2/% t/s RGB 0.3536 68.59 83.6614 258.27 2.4623 4 82.6242 12.58 HSI 0.4353 16 83.714 241.20 1.1487 4 83.7622 15.35

表1 不同方法进行参数寻优结果的比较 Table 1 Comparison of different methods for parameter optimization

由表1看出, 在RGB色彩空间下传统的网格搜索算法参数寻优时间大约是改进的网格搜索算法参数寻优时间的21倍, 而在HSI色彩空间下传统的网格搜索算法参数寻优时间大约是改进的网格搜索算法参数寻优时间的16倍, 寻优时间明显更高。但由于其在二次寻优的区间的选择上含有较多的经验成分^[32], 所以在平方相关系数上要低于传统的网格搜索, 即这种改进的网格搜索法相当于牺牲了平方相关系数, 来减少了大量的搜索时间。在回归模型的评价指标上, 当回归模型的平方相关系数达到了80%, 则判定该模型是有效的。经试验证明, 采用改进的网格搜索算法能够满足本文的需求。

本文以试验观测到的3种不同水稻数据为依据, 采用参数优化后的支持向量机算法对水稻叶片SPAD值进行训练和预测。采用归一化法将观测数据处理到(0, 1)区间, 金优458(JY458)水稻品种选取555组数据为训练样本, 185组数据为预测样本, 中早35(ZZ35)水稻品种选取480组数据为训练样本, 160组数据为预测样本, 两优培九(LYP9)水稻品种选取1 395组数据为训练样本, 465组数据为预测样本。

2.2.1 叶色图像RGB分量与水稻叶片SPAD值之间的关系模型

本模型以水稻叶片图像RGB分量作为水稻叶片SPAD值预测模型的输入参数, 叶片SPAD值作为模型的输出参数, 其样本的训练过程见图1。从图1上看, 3种不同水稻品种的模型在样本训练过程中表现出了良好的数据泛化能力, 水稻叶片SPAD值基本稳定在20~55, 基于参数优化后的支持向量机回归对于不同水稻品种训练样本的平方相关系数分别为82.624 2%(JY458)、86.290 0%(ZZ35)以及86.011 4%(LYP9), 学习效果较好, 为了测试该3种模型的精度, 利用所建立模型对预测样本数据进行预测, 其预测结果图如图2所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 不同水稻品种SPAD值的训练结果(RGB)Fig.1 Training results of SPAD values for different rice varieties(RGB)

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 不同水稻品种SPAD值的预测结果(RGB)Fig.2 Predicted results of SPAD values for different rice varieties (RGB)

从图2可以看出, 基于参数优化后的支持向量机预测模型能够有效地预测水稻的SPAD值, 3种水稻品种SPAD值的浮动范围不大, 预测效果良好。为了定量地分析本文的预测效果, 文中引入均方根误差和平均相对误差两个评价指标, 评价结果如表2所示。从表2看出:3种水稻品种基于SVM预测水稻SPAD值的误差都较小, 其中中早35(ZZ35)的预测结果与观测结果的均方根误差和平均相对误差最大, 其值分别为3.021 4和5.667 0%。

2.2.2 叶色图像HSI分量与SPAD值之间的关系模型

本模型以水稻叶片图像HSI分量作为水稻叶片SPAD值预测模型的输入参数, 叶片SPAD值作为模型的输出参数, 其样本的训练过程见图3。从图3可知, 3种水稻品种SVM的回归曲线围绕观测值小幅度浮动, 和观测值的拟合效果较好, 其训练样本的平方相关系数分别为83.762 2%(JY458)、86.431 7%(ZZ35)以及86.303 5%(LYP9)。为了测试该3种模型的精度, 利用所建立模型对样本数据进行预测, 其预测结果图如图4所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同水稻品种SPAD值的训练结果(HSI)Fig.3 Training results of SPAD values of different rice varieties (HSI)

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同水稻品种SPAD值的预测结果(HSI)Fig.4 Predicted results of SPAD values for different rice varieties (HSI)

从图4可知:本文提出的模型的预测结果与观测数据吻合良好, 定量地分析本文的预测效果, 均方根误差和平均相对误差如表2所示。表2中3种水稻品种基于SVM预测水稻SPAD值的误差都较小, 其中中早35(ZZ35)预测结果与观测结果的均方根误差和平均相对误差最大, 分别为3.001 4和5.533 5%。

表2

Table 2

表2(Table 2)

表2 SPAD观测值和模型预测值比较 Table 2 Comparison of actual SPAD values and model predictions 品种 Variety RGB HSI 均方根误差 RMSE 平均相对误 差MRE/% 均方根误差 RMSE 平均相对误 差MRE/% JY458 2.0127 3.7880 1.9452 3.7038 ZZ35 3.0214 5.6670 3.0014 5.5335 LYP9 1.9888 3.8441 1.8346 3.6059

表2 SPAD观测值和模型预测值比较 Table 2 Comparison of actual SPAD values and model predictions