基于圖像處理烤煙鮮煙葉含水率的診斷研究

0引?言

烤煙是貴州省各地區(qū)農(nóng)戶的主要經(jīng)濟(jì)作物之一，種植質(zhì)量的好壞直接影響其產(chǎn)量和儂戶的收成。葉片作為作物進(jìn)行光合作用和蒸騰作用的主要器官，其大小、紋理和顏色?等外觀形態(tài)特征反映了作物的生長狀態(tài)。如在生長期水分不足時，會在葉片大小和顏色等外部形態(tài)上表現(xiàn)出來，此時利用圖像處理的方法可以發(fā)現(xiàn)肉眼很難分辨出的一些細(xì)小差別,及早對烤煙葉片含水率進(jìn)行診斷，以降低缺水對煙葉生長的影響。

圖像處理與分析技術(shù)在作物水分檢測方面得到了一定的研究與應(yīng)用。目前，相關(guān)的研究主要集中在葡萄、玉米、棉花、黃瓜等作物的水分檢測上。顏色作為圖像最直觀的視覺特征之一，在基于顏色特征的水分虧缺診斷研究中，大多是提取農(nóng)作物的圖像?R、G、B、H、I、S分量的值，對其進(jìn)行多種組合變換，從而分析它們與作物水分狀況的相關(guān)關(guān)系，建立相應(yīng)的數(shù)學(xué)模型。勞東青等是取溫棚葡萄葉片的灰度均值，基于?MATLAB?軟件，建立了均值與葉片含水率的估算模型，結(jié)果表明，葉片圖像灰度均值可以對葡萄葉片的含水率進(jìn)行診斷。徐騰飛等通過改變灌溉不同水量的盆栽試驗，利用玉米葉片圖像的灰度直方圖提取葉片的各種特征值，采用線性回歸的方法建立各種特征值與葉片含水率之間的關(guān)系模型，結(jié)果表明，葉片灰度直方圖均值參數(shù)可以對玉米的葉片含水率進(jìn)行預(yù)測。王方永等分析了顏色參數(shù)與棉花水分含量及水分含量指數(shù)的預(yù)測模型，預(yù)測精度達(dá)到了90%以上，證明了基于數(shù)字化圖像技術(shù)診斷棉花水分狀況是可行的。孫瑞東等座繪制了最適合背景光下黃瓜葉片含水量與圖像特征參數(shù)關(guān)系曲線，并采用非線性最小二乘擬合?法建立了葉片含水量與特征區(qū)域圖像灰度梯度的回歸模型，實現(xiàn)了通過黃瓜葉片圖像特征判斷缺水狀態(tài)的無損檢測目的。

本文以需要高水量的旺長期烤煙鮮煙葉為例，對基于圖像處理的烤煙葉片含水率診斷方法進(jìn)行探討，旨在探討圖像處理應(yīng)用于煙葉水分檢測的可行性，為實現(xiàn)農(nóng)戶種植烤煙的精準(zhǔn)灌溉提供技術(shù)依據(jù)。

1材料與方法

1.1?試驗概況

試驗在黔西南州興義市黔龍古鎮(zhèn)落紅組進(jìn)行，供試烤煙品種是本地區(qū)使用比較廣的云煙87。采用田間覆膜種植，土壤質(zhì)地為黃土壤。采摘處于旺長期的煙葉，并進(jìn)行編號。

此時土壤相對含水量為?73.68%，晴，氣溫為?24℃。

1.2?圖像采集

使用數(shù)碼相機(jī)在晴天室外自然光條件下采集煙葉葉片圖像。拍攝時，將葉片平放置于水平白板上，在葉片上方垂直高度約為?0.6m?處拍攝圖像，相機(jī)平面與葉片平面平行，每次拍攝均采用自動曝光模式控制曝光時間和色彩平衡，避免陽光直射，也避免身體及其他物體在葉片上產(chǎn)生陰影。采集時間為北京時間?9:00—11:00,?圖像采用?JPG?的統(tǒng)一存儲格式。

1.3?煙葉含水率測定

圖像采集后，量取最大葉長度與最大葉寬度，隨后迅速放入保鮮袋中密封，帶回實驗室測定煙葉含水率。首先利用精度為0.01g?的電子天平稱取煙葉的鮮重，再放入、電熱鼓風(fēng)烘箱中，調(diào)整烘干機(jī)溫度為?107℃，進(jìn)行烘干，由于葉片的大小不一，所以烘干時間為?5-8?h,?當(dāng)間隔1h重暈恒定時，此重量即為葉片的干重。根據(jù)下式計算烤煙葉片的含水率。

式中，w0為葉片含水率，w1為葉片濕重，w2為葉片干重。

1.4?圖像預(yù)處理

將數(shù)碼相機(jī)中的圖像文件導(dǎo)入計算機(jī)，并調(diào)整擺放方向使所有的圖像統(tǒng)一。由于圖像在采集、傳輸和量化等過程中可能會引入各種噪聲，會導(dǎo)致圖像質(zhì)量下降，降低分析結(jié)果的準(zhǔn)確性，所以必須對圖像進(jìn)行濾波降噪處理。

采用線性空間濾波來對圖像進(jìn)行濾波處理。這一過程可以使用Matlab圖像處理工具箱中的imfilter函數(shù)來實現(xiàn)濾波降噪處理后，利用ACDsee軟件中編輯功能的魔術(shù)棒工具和快速選擇工具選擇葉片部分，去除多余且復(fù)雜的背景和陰影。處理前后的圖像對比如圖1和圖2所示。

圖1?濾波降噪后的葉片

圖2?去除背景后的葉片

1.5?圖像特征參數(shù)提取

采用Matlab中的imread()函數(shù)讀取經(jīng)過預(yù)處理的葉片?圖像，用rgb2gray()函數(shù)將彩色圖像轉(zhuǎn)化為灰度圖像如圖3?所示，然后對灰度圖像取反如圖4所示，再利用Matlab的圖?像處理中的灰度直方圖提取其灰度均值和反映灰度均勻性的嫡值特征值。

圖3?葉片灰度

圖3?葉片取反

2?結(jié)果與分析

2.1?葉片的含水率和對應(yīng)的特征值

各煙葉葉片的含水率、灰度均值和嫡值如表1所示。

表1?葉片含水率及其對應(yīng)特征值

2.2?預(yù)測參數(shù)提取

測量并計算出葉片的各種參數(shù)（葉片的最大寬度、最大長度、伸縮率、濕重、含水率、灰度均值和嫡值）。煙葉樣本含水率處于84%-87%之間，根據(jù)含水率大小分成2組共15個樣本進(jìn)行參數(shù)分析。

從圖5可以看出，葉片不同含水率的灰度均值特征參數(shù)的區(qū)分效果比較理想，而其他參數(shù)（葉片的最大寬度、最大長度、伸縮率、濕重和嫡值）的區(qū)分效果都不太明顯。并且含水率大的葉片灰度均值較含水率小的葉片的灰度均值要大，2條曲線沒有交叉，可以利用均值作為區(qū)分葉片含水率的特征值。因此，提取灰度均值參數(shù)作為對煙葉葉片含水率?預(yù)測的特征值。

圖5?葉片寬度(a)、長度(b)、灰度均值(c)、嫡值(d)、濕重(e)及伸縮率(f)對比

2.3?預(yù)測模型建立

為了分析煙葉含水率與灰度均值之間的關(guān)系，采用一元一次多項式和一元二次多項式擬合，擬合結(jié)果如圖6和圖7所示。

葉片含水率與其灰度均值之間的一元一次多項式預(yù)測模型為：

y=0.0534x+83.12，R2=0.7965

葉片含水率與其灰度均值之間的一元二次多項式預(yù)測?模型為：

y=0.0005x2+0.002lx+84.31，R2=0.8038。

式中，x為提取的灰度均值，y為根據(jù)灰度均值預(yù)測的

葉片含水率。相關(guān)系數(shù)越接近1，說明回歸線對觀測值的擬合效果越好。

圖6?一元一次多項式擬合結(jié)果

?

圖7?一元一次多項式擬合結(jié)果

從圖6和圖7可以看出，煙葉葉片的灰度均值與其含水率呈正相關(guān)關(guān)系，灰度均值越大，含水率越大。一次多項式和二次多項式擬合的相關(guān)系數(shù)值表明，使用二次多項式擬合的效果較一次多項式的擬合效果要好些，但2次的相關(guān)系數(shù)的值差別很小，而一次多項式預(yù)測模型運(yùn)算要簡單些。因此，選擇一元一次多項式預(yù)測模型作為烤煙煙葉含水率的預(yù)測和評價指標(biāo)。

3?結(jié)??論

研究結(jié)果表明，在烤煙葉片的最大長度、最大寬度、伸縮率、品重、含水率、灰度均值和墑值等參數(shù)中，灰度直方圖中的灰度均值可以對烤煙葉片含水率進(jìn)行預(yù)測；并建立了灰度均值與烤煙葉片含水率的線性擬合預(yù)測模型；該模型的預(yù)測結(jié)果相對比較理想，所以應(yīng)用圖像處理診斷煙葉的含水率是可行的。今后可對圖像的預(yù)處理方法和更多的灰度特征值與葉片含水率的相關(guān)關(guān)系等進(jìn)行研究，以期建立擬合程度更高的葉片含水率預(yù)測模型。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯：符乾江