應用方向：
在本研究中，高光譜成像技術被應用于茶樹扦插苗的生長監(jiān)測與建模，展現(xiàn)出在農(nóng)業(yè)育種與智能管理中的廣闊應用前景。通過對葉片和嫩梢的高光譜反射數(shù)據(jù)采集，結(jié)合深度學習可以在不破壞樣本的前提下實現(xiàn)茶苗地上部和根系生物量的快速、精準預測，解決根系難以直接測量的問題，為替代傳統(tǒng)耗時且破壞性的稱重方法提供了有效途徑。因此，高光譜技術不僅能夠為茶樹優(yōu)良品種的篩選和扦插苗的生長監(jiān)測提供可靠手段，還可為苗圃精細化管理和智能化育苗奠定技術基礎。
背景：
茶樹是全球重要的經(jīng)濟作物，具有龐大的消費市場，但茶苗的繁育與生長受到不良氣候條件等因素的限制，導致茶樹扦插苗生長緩慢、成本高昂，從而制約了優(yōu)良品種的推廣與產(chǎn)業(yè)化水平。扦插苗的地上部和根系生物量是衡量其生長發(fā)育質(zhì)量的重要指標，因此，如何快速、準確地監(jiān)測其生長過程對于提高成活率和苗木管理水平具有重要意義。
傳統(tǒng)的人工稱重方法在測定茶樹扦插苗生物量時具有破壞性且效率低，難以滿足高通量、無損檢測的需求。近年來，高光譜成像技術因其能夠同時獲取樣品的結(jié)構(gòu)和化學信息，被廣泛應用于作物性狀監(jiān)測。已有研究表明，光譜信息與植物的生理、生化特征存在緊密聯(lián)系，可用于反映植株的養(yǎng)分含量、激素水平及生理狀態(tài)。結(jié)合機器學習和深度學習的方法，能夠進一步提升高光譜數(shù)據(jù)的建模精度與穩(wěn)定性。
因此，該研究提出利用高光譜成像技術結(jié)合深度學習方法，對茶樹扦插苗的地上部和根系生物量進行快速、無損預測，以解決傳統(tǒng)方法耗時、破壞性強的問題，為茶樹優(yōu)良品種的高效篩選和精細化育苗管理提供新的技術途徑和數(shù)據(jù)支撐。
作者信息：丁兆堂；山東省農(nóng)業(yè)科學院
期刊來源：Scientia Horticulturae
研究內(nèi)容
本研究旨在利用高光譜成像技術結(jié)合深度學習模型，實現(xiàn)對茶樹扦插苗地上部和根系生物量的快速、無損與精準預測，以解決傳統(tǒng)人工稱重方法破壞性強、效率低的問題。研究過程中，首先采集不同生長階段茶樹扦插苗葉片與嫩梢的高光譜反射數(shù)據(jù)，并對光譜數(shù)據(jù)進行預處理，以去除噪聲和散射效應并增強光譜與生理指標的相關性。隨后，提取關鍵光譜特征波段，減少冗余信息并突出與生物量密切相關的變量。在建模環(huán)節(jié)，利用 Mask R-CNN 網(wǎng)絡對扦插苗進行圖像與光譜特征融合，構(gòu)建CNN-GRU生物量預測模型。研究建立了一種高效可靠的檢測方法，為茶樹優(yōu)良品種的篩選、扦插苗的生長監(jiān)測以及智能化育苗管理提供了新的技術途徑與數(shù)據(jù)支撐。
實驗設計
茶樹扦插苗選用了三個品種：‘玉金香（YJX）’、‘中白1號（ZB）’和‘中茗6號（ZM）’。為了獲取不同生長期的茶扦插苗，實驗每25天進行一次，共進行了10次。每次試驗1個穴盤（含32株扦插苗），共收獲扦插苗960株（3個品種× 32株扦插苗× 10個試驗）。
為了測定扦插苗的生長情況，對960條扦插苗的枝條和根系進行破壞性分析，并采集高光譜數(shù)據(jù)，將枝條和根系置于105 ℃烘箱中20 min，然后將烘箱溫度調(diào)至90 ℃干燥至恒重，最后用電子秤記錄重量
本研究采用了高光譜成像技術來監(jiān)測茶扦插苗從扦插到成長為幼苗過程中生物量的變化（見圖1a）。高光譜成像采集系統(tǒng)包括成像光譜相機（Gaia field pro-v10，江蘇雙利合譜技術有限公司），四個鹵素燈、電腦、校正白板、黑色背景。高光譜相機所拍攝圖像的光譜范圍在可見-近紅外波段（391-1010 nm），光譜范圍為1101 × 960像素，可測量360個波段的光譜反射率。為了避免光譜相機內(nèi)部暗電流的影響，提高高光譜圖像的信噪比，對獲取的原始高光譜圖像進行黑白白色校正。利用高光譜相機采集了960株扦插苗的高光譜數(shù)據(jù)，每幅高光譜圖像包含8株扦插苗作為一個模型樣本，得到包括120個高光譜圖像的總數(shù)據(jù)集。通過結(jié)合成熟葉片和莖葉的光譜信息以及深度學習和機器學習算法，對莖葉和根系的生物量進行了評估（見圖1b）。
圖1. 圖像采集與流程圖的結(jié)合。(a) 圖像采集 (b) 數(shù)據(jù)處理流程圖
研究方法
為了增加模型訓練的數(shù)據(jù)量，120張圖像通過兩種不同的數(shù)據(jù)增強方法進行處理：旋轉(zhuǎn)（90°、180°和270°）和翻轉(zhuǎn)（水平和垂直），圖像數(shù)量增加到720張。這些圖像通過Labelme軟件進行手動標注。首先，對成熟葉片和莖葉區(qū)域分別用不同顏色的標簽進行標注和分類，其中綠色代表莖葉，紅色代表成熟葉片。未標注的區(qū)域被視為背景。圖2展示了成熟葉片和莖葉的標注圖像。隨后，將這些標注圖像輸入到Mask R-CNN中進行訓練。
圖2. 標注圖像 (a) 標注成熟葉片和莖葉的圖像；(b) 標注完成的成熟葉片和莖葉圖像
Mask R-CNN網(wǎng)絡被用于獲取莖葉和成熟葉片的面積。圖3展示了Mask R-CNN網(wǎng)絡的結(jié)構(gòu)圖。Mask R-CNN 網(wǎng)絡主要分為五個結(jié)構(gòu)：Backbone、區(qū)域建議網(wǎng)絡（RPN）、感興趣區(qū)域?qū)R（ROI Align）、邊框回歸（Box Regression）以及分類與掩膜（Classification and Mask）。通過5折交叉驗證將標記的圖像劃分為訓練集和測試集。所采用的學習率為0.001，Epoch為20，Batch大小為1。
圖3. Mask R-CNN的結(jié)構(gòu)圖。
由于高光譜采集儀器及環(huán)境因素的影響，在成熟葉片和嫩梢的光譜中存在散射效應、隨機噪聲和系統(tǒng)噪聲。因此，本研究對其光譜數(shù)據(jù)進行了 MSC、S-G 和一階導數(shù)（1-D）預處理。另外為了減少數(shù)據(jù)計算量并提高后續(xù)建模的準確性，本研究采用了連續(xù)投影算法（SPA）、競爭自適應重加權采樣算法（CARS）和不確定性變量消除算法（UVE）來選擇具有代表性的光譜波段作為特征波段。
在模型的建立方面，構(gòu)建了卷積神經(jīng)網(wǎng)絡與門控循環(huán)單元（CNN-GRU）網(wǎng)絡模型和傳統(tǒng)機器學習模型。CNN-GRU模型網(wǎng)絡結(jié)構(gòu)如圖4所示。首先，為了更好地提取數(shù)據(jù)的底層特征，使用CNN來提取數(shù)據(jù)特征。然后，數(shù)據(jù)被輸入到一個5×5的濾波器中進行卷積。經(jīng)過4次卷積、平均池化、序列擴展和展平后，數(shù)據(jù)被輸入到GRU網(wǎng)絡中。在這里，一維光譜數(shù)據(jù)與莖葉和根系生物量數(shù)據(jù)被GRU網(wǎng)絡結(jié)合，用于回歸預測。此外，在CNN網(wǎng)絡中，步長為1，填充為“same"（填充值由算法根據(jù)卷積核大小內(nèi)部計算），輸入數(shù)據(jù)通道為1。經(jīng)過3次門控循環(huán)后，預測數(shù)據(jù)被輸入到全連接層，并通過回歸器輸出。
圖4. CNN-GRU的結(jié)構(gòu)圖。
為了進一步驗證CNN-GRU網(wǎng)絡的性能，使用了SVR、RFR和PLSR三種機器學習方法和CNN、LSTM兩種深度學習方法作為對比模型，CNN和LSTM網(wǎng)絡的層數(shù)均設置為16層。為了防止模型的過擬合，在訓練過程中確定了超參數(shù)，支持向量回歸機的核函數(shù)為多項式核函數(shù)，RFR的樹的數(shù)量為200，PLSR的隱變量為18。在本研究中，用6種方法分別建立了以地上部、成熟葉和地上部、根系生物量為指標的回歸模型。
為了進一步保證算法的準確性，本研究采用五重交叉驗證，將數(shù)據(jù)集分成五部分，依次取其中4個作為訓練數(shù)據(jù)，1個作為測試數(shù)據(jù)，重復五次，然后對結(jié)果進行平均，為了更準確地評價回歸模型的性能，使用決定系數(shù)（R2）、均方根誤差（RMSE）、歸一化均方根誤差（NRMSE）和相對百分比偏差（RPD）來評價模型的性能。為了評估Mask R-CNN模型的光譜信息提取性能，使用精度，召回率和F1得分來評估模型的性能。
結(jié)果
通過實驗室方法測定了茶扦插苗的莖葉和根系生物量。結(jié)果顯示，三種品種的扦插苗莖葉萌發(fā)時間相同，均在第25天開始萌發(fā)。然而，中茗6號（ZM）的生根時間最早，從第125天開始生根；中茗6號的莖葉和根系生長量最大，莖葉生長量約為1.7克，根系生長量約為0.6克。在200–225天期間，莖葉和根系的生長速度最快；中白1號（ZB）的生根時間最晚，從第175天開始生根；玉金香（YJX）的莖葉和根系生長量最小，莖葉生長量約為0.8克，根系生長量約為0.1克。
對成熟葉片和莖葉的分割結(jié)果進行了比較和分析，結(jié)果顯示，Mask R-CNN能夠以高精度分割成熟葉片和莖葉。其中，成熟葉片光譜的提取效果優(yōu)于莖葉光譜，提取精度達到97.8%。莖葉光譜的提取精度為91.5%。成熟葉片和莖葉光譜的提取精度均超過90%。因此，Mask R-CNN模型能夠準確且高效地從茶扦插苗圖像中提取成熟葉片和莖葉的光譜信息。
對Mask R-CNN模型提取的成熟葉片和枝條原始光譜分別采用MSC、1-D和S-G算法進行預處理，如圖5所示，與原始光譜相比，MSC、1-D和S-G聯(lián)合預處理后光譜曲線的波峰和波谷更加突出，提高了光譜的分辨率和靈敏度，有利于提高后期建立回歸模型的準確性。
圖5. 原始光譜與MSC、1D和S-G預處理后的光譜對比。(a) 莖葉光譜 + 莖葉生物量；(b) 莖葉光譜 + 根系生物量；(c) 成熟葉片光譜 + 莖葉生物量；(d) 成熟葉片光譜 + 根系生物量。
為了消除無關波段對模型準確性的影響，在基于莖葉光譜選擇莖葉生物量特征波段的方法中，UVE選擇的特征波段數(shù)量最多，達到212個波長，而SPA選擇的特征波段數(shù)量最少，僅為8個波長；在基于莖葉光譜選擇根系生物量特征波段的方法中，UVE選擇的特征波段數(shù)量最多，為135個波長，SPA選擇的特征波段數(shù)量最少，為6個波長；在基于成熟葉片光譜選擇莖葉生物量特征波段的方法中，UVE選擇的特征波段數(shù)量最多，為69個波長，SPA選擇的特征波段數(shù)量最少，為14個波長；在基于成熟葉片光譜選擇根系生物量特征波段的方法中，UVE選擇的特征波段數(shù)量最多，為90個波長，SPA選擇的特征波段數(shù)量最少，為17個波長。
在基于莖葉光譜評估莖葉生物量時，UVE算法的建模效果優(yōu)于CARS和SPA，UVE+CNN-GRU提供了最佳的估算模型（Rp2=0.90，RMSEP=0.12，RPD=2.43）。CARS算法的建模效果較差，CARS+PLSR模型的效果最差（Rp2=0.50，RMSEP=0.32，RPD=1.36）。
在基于成熟葉片光譜評估莖葉生物量時，UVE算法的建模效果優(yōu)于CARS和SPA，UVE+CNN-GRU提供了最佳的估算模型（Rp2=0.78，RMSEP=0.16，RPD=2.13）。SPA算法的建模效果較差，SPA+PLSR模型的效果最差（Rp2=0.48，RMSEP=0.29，RPD=1.00）。在基于成熟葉片光譜評估根系生物量時，SPA算法的建模效果優(yōu)于UVE和CARS，SPA+LSTM提供了最佳的估算模型（Rp2=0.65，RMSEP=0.05，RPD=1.67）。CARS算法的建模效果較差，CARS+PLSR模型的效果最差（Rp2=0.39，RMSEP=0.10，RPD=1.22）。圖6展示了四種最佳估算模型的預測值與實際值的散點圖。
圖6. 四種最佳估算模型的預測值與實際值的散點圖。(a) 莖葉光譜 + UVE + CNN-GRU；(b) 成熟葉片光譜 + UVE + CNN-GRU；(c) 莖葉光譜 + SPA + CNN；(d) 成熟葉片光譜 + SPA + LSTM。
結(jié)論
本研究提出了一種利用高光譜成像技術監(jiān)測茶扦插苗莖葉生長和根系生長的方法。首先，通過Mask R-CNN提取茶扦插苗成熟葉片的光譜和莖葉的光譜。隨后，利用MSC、S-G濾波和1-D對光譜進行預處理，并通過UVE、CARS和SPA篩選特征波段。最后，采用CNN-GRU網(wǎng)絡構(gòu)建莖葉和根系生物量的預測模型。研究結(jié)果表明：（1）Mask R-CNN能精確提取成熟葉片（精確率=97.8%）和嫩梢（精確率=91.5%）的光譜特征；（2）通過UVE方法篩選獲得的嫩梢（212個）和根系（105個）生物量特征波段，較CARS和SPA方法更具豐富性；（3）基于嫩梢光譜構(gòu)建的UVE+CNN-GRU模型（Rp2=0.90，RMSEP=0.12，RPD=2.43）對嫩梢生物量的估算效果*優(yōu)，表明該模型預測結(jié)果可靠，與實際值誤差較小；（4）基于成熟葉片光譜構(gòu)建的SPA+LSTM模型（Rp2=0.65，RMSEP=0.05，RPD=1.67）對根系生物量的估算效果*佳，證明該模型可用于茶樹扦插苗根系狀況評估，為根系生長監(jiān)測提供了有效手段。
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線客服