應(yīng)用方向：

在本研究中，高光譜成像技術(shù)被應(yīng)用于茶樹(shù)扦插苗的生長(zhǎng)監(jiān)測(cè)與建模，展現(xiàn)出在農(nóng)業(yè)育種與智能管理中的廣闊應(yīng)用前景。通過(guò)對(duì)葉片和嫩梢的高光譜反射數(shù)據(jù)采集，結(jié)合深度學(xué)習(xí)可以在不破壞樣本的前提下實(shí)現(xiàn)茶苗地上部和根系生物量的快速、精準(zhǔn)預(yù)測(cè)，解決根系難以直接測(cè)量的問(wèn)題，為替代傳統(tǒng)耗時(shí)且破壞性的稱(chēng)重方法提供了有效途徑。因此，高光譜技術(shù)不僅能夠?yàn)椴铇?shù)優(yōu)良品種的篩選和扦插苗的生長(zhǎng)監(jiān)測(cè)提供可靠手段，還可為苗圃精細(xì)化管理和智能化育苗奠定技術(shù)基礎(chǔ)。

背景：

茶樹(shù)是全球重要的經(jīng)濟(jì)作物，具有龐大的消費(fèi)市場(chǎng)，但茶苗的繁育與生長(zhǎng)受到不良?xì)夂驐l件等因素的限制，導(dǎo)致茶樹(shù)扦插苗生長(zhǎng)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(zhǎng)發(fā)育質(zhì)量的重要指標(biāo)，因此，如何快速、準(zhǔn)確地監(jiān)測(cè)其生長(zhǎng)過(guò)程對(duì)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(chēng)重方法在測(cè)定茶樹(shù)扦插苗生物量時(shí)具有破壞性且效率低，難以滿足高通量、無(wú)損檢測(cè)的需求。近年來(lái)，高光譜成像技術(shù)因其能夠同時(shí)獲取樣品的結(jié)構(gòu)和化學(xué)信息，被廣泛應(yīng)用于作物性狀監(jiān)測(cè)。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(jī)器學(xué)習(xí)和深度學(xué)習(xí)的方法，能夠進(jìn)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(shù)結(jié)合深度學(xué)習(xí)方法，對(duì)茶樹(shù)扦插苗的地上部和根系生物量進(jìn)行快速、無(wú)損預(yù)測(cè)，以解決傳統(tǒng)方法耗時(shí)、破壞性強(qiáng)的問(wèn)題，為茶樹(shù)優(yōu)良品種的高效篩選和精細(xì)化育苗管理提供新的技術(shù)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(xué)院

期刊來(lái)源：Scientia Horticulturae

研究?jī)?nèi)容

本研究旨在利用高光譜成像技術(shù)結(jié)合深度學(xué)習(xí)模型，實(shí)現(xiàn)對(duì)茶樹(shù)扦插苗地上部和根系生物量的快速、無(wú)損與精準(zhǔn)預(yù)測(cè)，以解決傳統(tǒng)人工稱(chēng)重方法破壞性強(qiáng)、效率低的問(wèn)題。研究過(guò)程中，首先采集不同生長(zhǎng)階段茶樹(shù)扦插苗葉片與嫩梢的高光譜反射數(shù)據(jù)，并對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，以去除噪聲和散射效應(yīng)并增強(qiáng)光譜與生理指標(biāo)的相關(guān)性。隨后，提取關(guān)鍵光譜特征波段，減少冗余信息并突出與生物量密切相關(guān)的變量。在建模環(huán)節(jié)，利用 Mask R-CNN 網(wǎng)絡(luò)對(duì)扦插苗進(jìn)行圖像與光譜特征融合，構(gòu)建CNN-GRU生物量預(yù)測(cè)模型。研究建立了一種高效可靠的檢測(cè)方法，為茶樹(shù)優(yōu)良品種的篩選、扦插苗的生長(zhǎng)監(jiān)測(cè)以及智能化育苗管理提供了新的技術(shù)途徑與數(shù)據(jù)支撐。

實(shí)驗(yàn)設(shè)計(jì)

茶樹(shù)扦插苗選用了三個(gè)品種：‘玉金香（YJX）’、‘中白1號(hào)（ZB）’和‘中茗6號(hào)（ZM）’。為了獲取不同生長(zhǎng)期的茶扦插苗，實(shí)驗(yàn)每25天進(jìn)行一次，共進(jìn)行了10次。每次試驗(yàn)1個(gè)穴盤(pán)（含32株扦插苗），共收獲扦插苗960株（3個(gè)品種× 32株扦插苗× 10個(gè)試驗(yàn)）。

為了測(cè)定扦插苗的生長(zhǎng)情況，對(duì)960條扦插苗的枝條和根系進(jìn)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(shù)來(lái)監(jiān)測(cè)茶扦插苗從扦插到成長(zhǎng)為幼苗過(guò)程中生物量的變化（見(jiàn)圖1a）。高光譜成像采集系統(tǒng)包括成像光譜相機(jī)（Gaia field pro-v10，江蘇雙利合譜技術(shù)有限公司），四個(gè)鹵素?zé)?、電腦、校正白板、黑色背景。高光譜相機(jī)所拍攝圖像的光譜范圍在可見(jiàn)-近紅外波段（391-1010 nm），光譜范圍為1101 × 960像素，可測(cè)量360個(gè)波段的光譜反射率。為了避免光譜相機(jī)內(nèi)部暗電流的影響，提高高光譜圖像的信噪比，對(duì)獲取的原始高光譜圖像進(jìn)行黑白白色校正。利用高光譜相機(jī)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(gè)模型樣本，得到包括120個(gè)高光譜圖像的總數(shù)據(jù)集。通過(guò)結(jié)合成熟葉片和莖葉的光譜信息以及深度學(xué)習(xí)和機(jī)器學(xué)習(xí)算法，對(duì)莖葉和根系的生物量進(jìn)行了評(píng)估（見(jiàn)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(xùn)練的數(shù)據(jù)量，120張圖像通過(guò)兩種不同的數(shù)據(jù)增強(qiáng)方法進(jìn)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(guò)Labelme軟件進(jìn)行手動(dòng)標(biāo)注。首先，對(duì)成熟葉片和莖葉區(qū)域分別用不同顏色的標(biāo)簽進(jìn)行標(biāo)注和分類(lèi)，其中綠色代表莖葉，紅色代表成熟葉片。未標(biāo)注的區(qū)域被視為背景。圖2展示了成熟葉片和莖葉的標(biāo)注圖像。隨后，將這些標(biāo)注圖像輸入到Mask R-CNN中進(jìn)行訓(xùn)練。

圖2. 標(biāo)注圖像 (a) 標(biāo)注成熟葉片和莖葉的圖像；(b) 標(biāo)注完成的成熟葉片和莖葉圖像

Mask R-CNN網(wǎng)絡(luò)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(luò)的結(jié)構(gòu)圖。Mask R-CNN 網(wǎng)絡(luò)主要分為五個(gè)結(jié)構(gòu)：Backbone、區(qū)域建議網(wǎng)絡(luò)（RPN）、感興趣區(qū)域?qū)R（ROI Align）、邊框回歸（Box Regression）以及分類(lèi)與掩膜（Classification and Mask）。通過(guò)5折交叉驗(yàn)證將標(biāo)記的圖像劃分為訓(xùn)練集和測(cè)試集。所采用的學(xué)習(xí)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(yīng)、隨機(jī)噪聲和系統(tǒng)噪聲。因此，本研究對(duì)其光譜數(shù)據(jù)進(jìn)行了 MSC、S-G 和一階導(dǎo)數(shù)（1-D）預(yù)處理。另外為了減少數(shù)據(jù)計(jì)算量并提高后續(xù)建模的準(zhǔn)確性，本研究采用了連續(xù)投影算法（SPA）、競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法（CARS）和不確定性變量消除算法（UVE）來(lái)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(luò)與門(mén)控循環(huán)單元（CNN-GRU）網(wǎng)絡(luò)模型和傳統(tǒng)機(jī)器學(xué)習(xí)模型。CNN-GRU模型網(wǎng)絡(luò)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(lái)提取數(shù)據(jù)特征。然后，數(shù)據(jù)被輸入到一個(gè)5×5的濾波器中進(jìn)行卷積。經(jīng)過(guò)4次卷積、平均池化、序列擴(kuò)展和展平后，數(shù)據(jù)被輸入到GRU網(wǎng)絡(luò)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(luò)結(jié)合，用于回歸預(yù)測(cè)。此外，在CNN網(wǎng)絡(luò)中，步長(zhǎng)為1，填充為“same"（填充值由算法根據(jù)卷積核大小內(nèi)部計(jì)算），輸入數(shù)據(jù)通道為1。經(jīng)過(guò)3次門(mén)控循環(huán)后，預(yù)測(cè)數(shù)據(jù)被輸入到全連接層，并通過(guò)回歸器輸出。

圖4. CNN-GRU的結(jié)構(gòu)圖。

為了進(jìn)一步驗(yàn)證CNN-GRU網(wǎng)絡(luò)的性能，使用了SVR、RFR和PLSR三種機(jī)器學(xué)習(xí)方法和CNN、LSTM兩種深度學(xué)習(xí)方法作為對(duì)比模型，CNN和LSTM網(wǎng)絡(luò)的層數(shù)均設(shè)置為16層。為了防止模型的過(guò)擬合，在訓(xùn)練過(guò)程中確定了超參數(shù)，支持向量回歸機(jī)的核函數(shù)為多項(xiàng)式核函數(shù)，RFR的樹(shù)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(biāo)的回歸模型。

為了進(jìn)一步保證算法的準(zhǔn)確性，本研究采用五重交叉驗(yàn)證，將數(shù)據(jù)集分成五部分，依次取其中4個(gè)作為訓(xùn)練數(shù)據(jù)，1個(gè)作為測(cè)試數(shù)據(jù)，重復(fù)五次，然后對(duì)結(jié)果進(jìn)行平均，為了更準(zhǔn)確地評(píng)價(jià)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(duì)百分比偏差（RPD）來(lái)評(píng)價(jià)模型的性能。為了評(píng)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(lái)評(píng)估模型的性能。

結(jié)果

通過(guò)實(shí)驗(yàn)室方法測(cè)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(shí)間相同，均在第25天開(kāi)始萌發(fā)。然而，中茗6號(hào)（ZM）的生根時(shí)間最早，從第125天開(kāi)始生根；中茗6號(hào)的莖葉和根系生長(zhǎng)量最大，莖葉生長(zhǎng)量約為1.7克，根系生長(zhǎng)量約為0.6克。在200–225天期間，莖葉和根系的生長(zhǎng)速度最快；中白1號(hào)（ZB）的生根時(shí)間最晚，從第175天開(kāi)始生根；玉金香（YJX）的莖葉和根系生長(zhǎng)量最小，莖葉生長(zhǎng)量約為0.8克，根系生長(zhǎng)量約為0.1克。

對(duì)成熟葉片和莖葉的分割結(jié)果進(jìn)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(dá)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(guò)90%。因此，Mask R-CNN模型能夠準(zhǔn)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(duì)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(jìn)行預(yù)處理，如圖5所示，與原始光譜相比，MSC、1-D和S-G聯(lián)合預(yù)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(zhǔn)確性。

圖5. 原始光譜與MSC、1D和S-G預(yù)處理后的光譜對(duì)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(wú)關(guān)波段對(duì)模型準(zhǔn)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(dá)到212個(gè)波長(zhǎng)，而SPA選擇的特征波段數(shù)量最少，僅為8個(gè)波長(zhǎng)；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(gè)波長(zhǎng)，SPA選擇的特征波段數(shù)量最少，為6個(gè)波長(zhǎng)；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(gè)波長(zhǎng)，SPA選擇的特征波段數(shù)量最少，為14個(gè)波長(zhǎng)；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(gè)波長(zhǎng)，SPA選擇的特征波段數(shù)量最少，為17個(gè)波長(zhǎng)。

在基于莖葉光譜評(píng)估莖葉生物量時(shí)，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(píng)估莖葉生物量時(shí)，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(píng)估根系生物量時(shí)，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(yù)測(cè)值與實(shí)際值的散點(diǎn)圖。

圖6. 四種最佳估算模型的預(yù)測(cè)值與實(shí)際值的散點(diǎn)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(shù)監(jiān)測(cè)茶扦插苗莖葉生長(zhǎng)和根系生長(zhǎng)的方法。首先，通過(guò)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(duì)光譜進(jìn)行預(yù)處理，并通過(guò)UVE、CARS和SPA篩選特征波段。最后，采用CNN-GRU網(wǎng)絡(luò)構(gòu)建莖葉和根系生物量的預(yù)測(cè)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(guò)UVE方法篩選獲得的嫩梢（212個(gè)）和根系（105個(gè)）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(duì)嫩梢生物量的估算效果*優(yōu)，表明該模型預(yù)測(cè)結(jié)果可靠，與實(shí)際值誤差較?。唬?）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(duì)根系生物量的估算效果*佳，證明該模型可用于茶樹(shù)扦插苗根系狀況評(píng)估，為根系生長(zhǎng)監(jiān)測(cè)提供了有效手段。