基于无人机图像的玉米冠层叶绿素含量检测与分布研究

0 引 言

叶绿素含量是植物光合作用能力和生长状况的重要评定指标，因此检测作物叶绿素含量在农业生产中具有重要意义。传统的农作物叶绿素检测主要通过化学分析法进行，费时、耗力，不利于大面积田间数据的高效分析。基于作物吸收蓝光和红光进行光合作用、反射绿光呈现绿色特征的机理，开展可见光反射光学成像分析，可为田间作物叶绿素含量的快速原位分析提供支持。

国内外学者利用可见光RGB图像，针对植株和大田不同尺度开展了大量作物叶绿素含量检测研究。徐远芳等应用图像提取了玉米叶片的颜色信息，采用一元和多元回归分析方法建立了玉米叶片叶绿素含量诊断模型，结果表明，RGB颜色模型中 G分量和颜色特征 2G-Ｒ可以作为叶绿素含量诊断模型中的主要特征参数，模型的相关系数达到0. 84 以上。程立真等以苹果树叶片为研究对象，提取叶片红、绿、蓝三通道的值，通过组合运算构建了 9 种颜色指数作为参数，建立了单变量回归模型和支持向量机( Support vector machine，SVM) 回归模型，实验结果显示，SVM 的估测精度高于单变量回归模型。蔡鸿昌等提取叶片的颜色特征，通过线性拟合和逐步回归分析，建立了黄瓜初花期叶片光合色素含量的颜色特征估算模型，实验结果显示，Ｒ /( Ｒ + G + B) 可以作为叶绿素含量估算的主要颜色特征参数; G /Ｒ 和 Ｒ /( Ｒ + G + B) 是类胡萝卜素含量估算的主要特征参数。基于上述方法进行地面田间植物叶绿素含量检测时，由于平台高度的限制，每次只能获得单株植物叶片的样本数据，大范围样本数据采集能力和效率有限。

随着无人机遥感技术的发展，无人机以快速便捷、操作简单、采集范围大的优点，逐渐成为农田信息获取的重要手段和研究热点。毛智慧等基于无人机遥感技术，以大田玉米为对象，采集了不同氮肥水平下大田玉米的多光谱影像，实现了玉米SPAD的精准测量。张乐春以无人机为平台，获取大田植物的高光谱数据，建立了叶绿素含量的回归模型，实现了植物叶绿素含量的快速、无损检测。袁炜楠等提出了一种基于主基底分析的无人机高光谱遥感数据降维方法，采用最小二乘回归模型实现了叶绿素含量的估算。李静等采用低成本消费级无人机对水稻冠层进行图像获取，基于回归统计建立SPAD预测模型，结果显示，遥感指数Ｒ与水稻剑叶叶片SPAD的相关关系显著。

上述研究可为无人机获取的图像参数提取、叶绿素检测建模的方法提供参考。在获得叶绿素含量检测模型后，结合田间位置分析大田作物冠层叶绿素含量整体水平，是指导田间精细化管理的重要基础。其中，实现田间作物冠层叶绿素分布的可视化是开展空间信息分析的重要环节。因而，本文采用无人机成像技术进行大田玉米叶绿素含量估测和空间分布绘制方法研究。获取大田玉米无人机图像，对图像进行拼接和分割处理，提取无人机RGB图像中10种颜色特征和6种纹理特征，建立叶绿素含量检测模型，并反演大田玉米图像每个像素点的叶绿素值，进而绘制大田玉米叶绿素含量空间分布图，以期为田间作物长势评价与精细化管理提供技术支持。

1 材料与方法

1.1 实验样本

实验对象为玉米，地点位于河北省衡水市玉米研究基地。实验区域为 700 m × 300 m 的玉米地，时间为 2018 年 9 月，无人机为大疆 M600，莱森光学的无人机载高光谱成像系统iSpecHyper-VM系列亦是搭载大疆 M600无人机。在实验区域等距选取 80 个实验样本，人为对玉米叶片进行拔除处理，装入密封袋，以保持玉米叶片新鲜，带回实验室对样本进行叶绿素萃取。

1.2 玉米冠层航拍图像信息获取

系统硬件结构如图 1 所示，主要由大疆M600 型无人机、莱森光学的高光谱成像相机、计算机及控制软件等构成。无人机的飞行速度为 10 m /s，飞行高度为 200 m，共获得150 幅局部图像。用软件进行图像拼接，最终得到实验地的全局遥感图像。

图1 无人机信息获取示意图

采用等距采样方式采集玉米叶片，在 700 m × 300 m 实验区域的长宽两侧分别留取 50 m 空白区，剩余边界以 20 m 为距共选取 80 个实验点，每个实验点向内 1 m 处选取一株玉米，采集其叶片作为样本，共获取 80 个叶绿素待测样本。

1.3 叶绿素含量测定

选用化学计量法和分光光度计对叶绿素含量进行测定。首先在每个叶片中部选取 4 × 4 cm 的叶组织( 不包括叶脉) 将其剪碎，然后使用镊子将剪碎的叶片( 约0.4 g) 放入25 mL的丙酮和乙醇混合液中避光浸泡 24 h。

叶绿素萃取后，使用紫外-可见光分光光度计对其进行吸光度测定。为实现仪器内部的热平衡，分光光度计开机后预热30 min，将样本溶液倒入3个比色皿中，对 645 nm和 663 nm两个波长测定吸光度，计算叶绿素总含量的公式为

1.4 无人机图像处理

玉米无人机图像处理主要包括图像拼接、图像分割和图像数据处理 3 部分，数据处理流程如图 2所示。经过无人机图像拼接后，对采样点进行 POS匹配和图像分割，特征参数提取，划分训练集和验证集，采用 BP 神经网络对训练集进行建模，并利用验证集讨论其检测精度。其中，图像特征参数提取包括图像颜色特征与纹理特征。

图2 无人机数据分析流程图

用软件对无人机图像进行拼接、行样本点 POS 数据匹配，并实现样本点分割。利用 Matlab 软件对图像进行特征值提取和实现 BP 神经网络建模。

1.5 BP神经网络建模

反向传播网络简称 BP 神经网络，该算法是一种按照误差逆向传播算法训练的多层前馈神经网络。经典的 BP 神经网络由输入层、隐含层和输出层构成，每层由若干个神经元构成。其计算过程可分为正向传播过程和误差反向传播过程。正向传播过程主要为样本数据从输入层传入，以正向传播的方式从隐含层传输到输出层，并形成检测结果; 误差反向传播过程主要为神经网络计算检测结果与实际结果的误差，并将误差以反向传播的方式从输出层传递到输入层，并对每层的神经元权值进行调整。

本文在对 BP 神经网络进行建模时，正向传递过程中遵循 S 型函数，反向传递过程中遵循纠错学习规则，激活函数选取 ＲeLU 函数; 对模型的检测能力进行评价时，采用实际值与检测值的均方根误差( ＲMSE) 和决定系数 Ｒ2 进行评估。其中，ＲMSE 用来衡量实验结果的离散程度，值越小模型效果越好;决定系数 Ｒ2代表模型的拟合程度，其值越接近 1 模型检测精度越高。

2 结果与分析

2.1 样本叶绿素含量统计

对80个玉米叶片样本的叶绿素含量进行统计分析可知，其取值范围位于18.23 ～ 60.61mg /L 区间，平均值为37.68 mg /L，标准差为9.01 mg /L。选取64个样本作为训练集，16个样本作为测试集，如表1所示，训练集和验证集均包含较大范围的叶绿素含量值。

表1 样本叶绿素含量统计

2.2 图像特征参数提取

实验采集的无人机图像是RGB颜色空间图像，在RGB图像中，Ｒ、G、B分量分别位于622～ 760 nm、492～577 nm、435～450 nm 区间，作物叶绿素a于叶绿素b在435～450 nm 和622～760 nm 内存在光谱吸收，在492～577 nm内存在反射的典型特征，因而利用 Ｒ、G、B以及由它们组合成的颜色特征植被指数可以用于玉米叶绿素检测。因而，研究建立了归一化红光参数、归一化绿光参数、归一化蓝光参数、归一化红蓝差值、归一化红绿差值、超绿等10种颜色特征。因为叶绿素指征作物营养状态并与群体长势紧密相关，会在冠层图像纹理特征上有所表现，所以选取玉米冠层图像均值、标准偏差、平滑度、三阶矩等6种纹理特征与叶绿素含量建立检测模型。所使用的图像特征参数及其计算公式如表 2 所示。

表2 特征参数计算公式

2.3 无人机图像处理

实验共采集150幅无人机图像，采用软件对其进行拼接，图3a为无人机单次拍摄部分图像示意图，图3b为拼接后的全局图像。

图3b全局图像中红色框标记区域为本文后续研究的目标区域。在全局拼接图像中存在部分白色空缺是由于图像在进行拼接时存在异常POS数据导致。

图3 无人机图像拼接前后效果图

2.4 玉米冠层叶绿素含量检测模型

基于筛选的特征参数和叶绿素含量，使用经典的3层BP 神经网络结构进行建模，经过对模型进行优化，最终确定BP神经网络的结构为16-4-1，其中输入层节点个数为16，对应10个颜色特征和6个纹理特征，输出层节点个数为1，对应叶绿素含量。利用Matlab软件编写基于 BP 神经网络的玉米冠层叶绿素含量检测程序，当学习速率为0.01，最大迭代次数为10000 时，玉米冠层叶绿素检测结果如图4所示，模型的ＲMSE为4.4659 mg /L，决定系数Ｒ2为0.7246。

图4 玉米冠层叶绿素含量检测结果

2.5 田间玉米冠层叶绿素分布

提取大田玉米图像每个像素点的Ｒ、G、B3分量的值，根据特征参数的计算公式得到每个像素点对应的颜色特征以及纹理特征，代入BP神经网络检测模型中可以计算每个像素点对应的叶绿素含量，从而得到基于叶绿素含量的大田玉米灰度分布图，对灰度图进行伪彩色处理，绘制大田玉米冠层叶绿素含量分布图，如图5所示。

图5 大田玉米冠层叶绿素含量分布图

图5中不同颜色和颜色深浅程度代表不同大田玉米冠层叶绿素含量，红色部分为道路边缘和土壤区域，叶绿素含量基本为0，绿色部分为靠近土壤和道路区域，玉米植株较稀疏，区域内叶绿素含量较低，整体范围在20～40 mg /L，蓝色部分为玉米植株较为茂密区域，叶绿素含量相对较高，区域内叶绿素含量范围为40～60 mg /L。由此基于BP神经网络模型检测大田玉米冠层叶绿素含量的结果，绘制出大田玉米叶绿素含量的分布情况，可为田间作物营养水平和精细化管理决策提供支持。

4 结  论

1.采集了大田玉米无人机图像数据，采集叶片样本并萃取测量了叶绿素含量，提取图像特征参数建立了基于 BP 神经网络的玉米冠层叶绿素检测模型，并绘制了大田玉米叶绿素分布图。

2.对无人机图像进行拼接和分割，形成全局图像和样本点图像，并对全局图像进行Ｒ、G、B分量提取，筛选出10种颜色特征及6种纹理特征，基于BP神经网络建立大田玉米叶绿素含量检测模型，实验结果显示，模型的验证精度为决定系数Ｒ2为0.7246，均方根误差ＲMSE为4.4659 mg /L。

3.利用 BP 神经网络叶绿素检测模型计算大田玉米全局图像每个像素点的叶绿素含量，进而绘制大田玉米叶绿素分布图，最终实现大田玉米叶绿素快速、无损检测和叶绿素分布可视化。