基于近红外高光谱成像技术的南疆红枣冠层叶片水分分布研究
时间：2023-02-09 22:25:02 来源：柠檬阅读网 本文已影响 人 
王长旭，王玉婷，索玉婷，徐嘉翊，高 峰，罗华平，2*
（1.塔里木大学机械电气化工程学院，新疆阿拉尔 843300；
2.新疆维吾尔族自治区普通高等学校农业工程重点实验室）
我国红枣主要在新疆，新疆红枣看南疆。近年来，由于我国农村产业政策对红枣行业的支持以及红枣生产需求量的不断快速增长[1]，我国枣树栽培面积也呈现了快速增长的趋势。随着科学带动与人民思想的进步，红枣种植逐渐科学化，肥料不再盲目使用，田间管理更加科学，红枣栽培面积逐渐增加[2]，红枣产业链更加完善，已经成为带动地方经济发展的又一助力。
据统计，目前，我国在新疆红枣的栽培面积已超过650万亩，居于我国红枣种植面积的首位，平均年产超过100万kg，在收获季节约占全国总产量的50%[3]。新疆维吾尔自治区特殊的地形地貌、气候环境使新疆红枣的品质得到人们的广泛认可，特别是南疆地区全年干旱少雨，全年日照时间多达3500h，昼夜温差大，十分适合红枣的糖分积累，造就了南疆红枣的卓越品质。新疆红枣产业快速发展使新疆南疆地区逐步摆脱贫困，有些农户还走上致富的道路。据调查，巴音郭楞蒙古自治州且末县红枣栽培面积已超过18万亩地，该县在2015年的红枣总产超过3万kg，其每年产值超过4.5亿人民币，现如今红枣主导产业已真正变成农户脱贫致富增收的重要支柱产业之一[4]。红枣产业急速发展的同时国家推出智慧农业的概念，即充分利用现代信息技术的成果集成应用计算机与网络技术、物联网技术、无线通信技术等结合专家的知识与农户的经验实现农业可视化、远程诊断病害、自动控制作物生长状态、病害预警等智能管理等，达到农业生产的高级阶段的终极目标。虽然红枣已然成为新疆重要的经济效益之一，但对红枣生长的监测方法还不够完善，影响着红枣品质。在红枣种植、生长、收获、运输、加工过程中仍然有很多需要改进优化的地方，急需新技术来解决这些问题。
近红外高光谱成像技术（Near-infrared hyperspectral imaging techniques）是近些年热门的无损检测技术，其工作原理是通过光栅扫描式地将若干张带有波段信息图片迭代在一起形成一个图像。与普通相机不同，普通相机只有R、G、B三个波段，而高光谱相机可以将波长980-1750nm分成256个波段，并且在图像上每个像元点都带有被测物的256个波段。由于高光谱相机是扫描式拍摄的，所以每张图像还有空间信息与时间维度信息，这些信息蕴含着被测物品的各种理化信息所在的空间信息。与传统检测方法不同，传统检测方法不仅要破坏样品，并且检测时间长，需要消耗大量的人力物力，较新兴的多光谱检测技术来说有着更加全面的波段信息和空间信息，这大大增加了其精确度，它不仅可以用在检测表面的纹理特征（如病害、冻害等），亦可用于内部品质特征（水分、糖度、维C等）。正是由于高光谱相机的这些特性，高光谱成像技术常用在卫星遥感、农产品品质分级、显微细胞光谱成像等。虽然高光谱成像技术有着高精度、高分辨率的特点，但这些特性也同时存在着负面影响；
高光谱图像具有庞大的数据量和严重的冗余现象，但这些数据并不都是有用的，要从庞大的数据里提取出可用数据所花费的时间和精力都非常大，因此，处理高光谱图像并分析数据是非常困难的事，并且由于测量时环境的影响会导致杂散光，这些杂散光会增加测量时的误差，导致测出来的光谱有所偏差，为了消除这些影响不仅需要在图像处理上花费大量时间，而且也要在提取的数据上花费大量的时间。
针对光谱数据量大，数据严重冗余的负面影响，一般采用的方式为降维，将高光谱图像由多维的图像转变为数字信息，在图像上提取需要的信息并且以各个波段反射率方式加以使用，目前常用的有主成分分析法与小波变换方法。主成分分析主要利用其原始数据协方差矩阵的特征值计算各个主成分的贡献率，根据主要成分贡献率的大小在图像上用不同颜色标记并提取特征，该方法压缩效果显著减少数据量，但是由于主成分分析为全部压缩，在数据分析上光谱特征与空间特征不够突出。小波变换是针对每个像元来进行降维，可以较好地凸显被测物的光谱特征与空间特征，但小波变换降维所耗时间较大，并且降维效果不是很好，因此高光谱图像处理工艺流程还需进一步改善。针对高光谱图像受杂散光影响的处理方式：1）归一化处理，将图像亮度值通过加权统一到[0，1]区间以减小亮度差异，改图像对比度。2）辐射校正，在近地面高光谱数据中，通过在实验时添加标准漫反射白板来做校正，标准白板为朗伯体，从每个角度照射的光反射出来的反射率都为1，在处理图像时以标准白板为基准计算每个波段的平均光谱值得到整幅图像的平均参考光谱，从而达到降噪的效果。
由于高光谱成像技术相较于传统检测方法的快速无损的特性，被广泛应用于农产品的品质监测与快速无损检测中[5]。例如，利用高光谱图像识别检测番茄的霉变及虫眼[6]；
高光谱数据建模定量检测粮油的品质[7]；
通过高光谱数据与内部糖分建模甜瓜内部品质[8]；
种子的活力检验[9-10]；
高光谱图像建模分类检测鸡肉[11]、羊肉[12]、鸡蛋品质[13]；
利用高光谱图像提取数据建模反演对苹果糖度无损检测[14]；
农副产品分类检测等。但鲜有高光谱图像技术应用的相关报道，同时，由于高光谱的数据量过于庞大并且维数较高，因此使用不同的降维处理方法和光谱数据处理方法均会引发模型的多样性，这就导致模型的不稳定性，预测的精度低。所以，高光谱图像技术用于果品的快速无损检测流程亟待进一步优化。本文基于高光谱成像技术研究南疆骏枣干燥叶片与新鲜叶片在高光谱偏振光下与非偏振光下的差异来探究红枣叶片水分分布，为后续定量化描述枣树其他指标以及生理状态提供依据。
1.1 试验材料
试验所用主要仪器是四川双利合谱科技有限公司生产的Image-λ-N17E-N3型增强型近红外高光谱相机、标准漫反射白板、手持式测距仪、温湿度控制传感器、卤素灯（光源波段全），骏枣枝采集于新疆维吾尔自治区阿拉尔市十团优质枣园。
1.2 试验方法
实验选用新鲜骏枣枣树树枝和放置一周的干燥枣树，将标准板放置在两棵枣树之后用作调焦与校正，在枣树1.5m处放置高光谱相机进行调焦、调整曝光度，室内温度为25℃，确保室内没有其他杂散光干扰，实验时间于2020年10月20日北京时间20∶54分，打开卤素灯开始扫描，在相机前安装偏振片分别扫描无偏振、0°偏振、45°偏振、90°偏振、135°偏振下干湿枣树冠层和标准漫反射白板的高光谱图像。
1.3 光学探测原理
根据菲涅尔定律，当一束平行的光源作用在被测物上，那么会出现图1所示几种情况：由于被测农作物大多表面不是完全平滑的界面，所以平行光线会在粗糙表面上进行特异性反射，这部分光线也包括外界反射来的光线对实验造成影响，通常这部分光线还有部分平行光，会在光滑的表面上进行镜面反射，镜面反射会使看到的图像出现亮斑，一般来说亮斑是被测物的一部分，为了探究亮斑下与非亮斑下的光谱是否有区别，可以通过偏振来区别。因为为大多被测物是有透光性的，因此有部分光被物品吸收，吸收部分不会被检测出来，还有部分光在进入果品内部后便反射出来，反射这部分光在不同波长下反射出来的反射率也不同，不同的物质、化学键的断裂、使内部的物理变化均会在特定的波长下反射率发生改变，在光谱上会有很大的差异。利用这些差异寻找特征并建立模型、反演，便可以用于后续检测的模型。这就是光学在检测农产品的基本原理。
图1 光学探测原理图
而在大批量检测中，由于条件复杂，光源不会均匀地作用在果品上，导致理论上的检测精度达不到实际效果。因此采用偏振的特性可以极大地改善这一现象。
1.4 偏振
物质的偏振特征是指一束平行的光线照射在物品上所导致的偏振状态发生改变的现象，常用Stokes向量或Muller（穆勒）矩阵来表示。
光的偏振特征是一种能够表征物体本质特性的物理量，对于地球表面和大气中的目标，在反射和辐射电磁波的过程中，都会产生由他们自身性质决定的偏振特征。因此，它可以用作目标的检测、跟踪、识别等并为其提供了新的检测手段。
部分偏振光可以分解为相互独立的未偏振光和完全偏振光，而部分偏振光的Stokes参数可以用相互独立的未偏振光和完全偏振光的各自Stokes参数的累加和来表示，即部分偏振光的Stokes向量S表示为；
式中：S（1）为未偏振光的Stokes向量，S（2）为完全偏振光的Stokes向量。
式中，I。（0 =0°，45°，90″，135）为偏振片旋转0度偏振时的热图像，IRCP与ILCP分别表示右旋和左旋圆偏振。Stokes参量主要用来描述一束光作用在物品上的偏振状态，但不能完整描述目标景物反射，光作用在物体表边上的变化与其表面粗糙度和物品内外部固有属性的密切关系。目前，常用的两个表征目标景物表面状态和属性特征的重要参量为偏振度（degree of linear polarization，DoLP）和偏振角（angle of linear polarization，AoLP）。偏振度表示从0到1的无量纲常数。当偏振度为0时，表示非偏振光；
当偏振度为1时，表示全偏振光；
当偏振度处于0-1之间时，表示部分偏振光。通常可由Stokes 参量计算得到，一般将其定义为；
线偏振度（Degree of Linear Polarizationg，Dolp）在图像上可以细化纹理勾勒被测物边缘，强化被测物特征信息，其数据与原始数据对比寻找规律可以在特定的条件下寻找其特征，如太阳耀斑。高光谱数据在植被探测中由于被测物受光照条件的影响很容易导致“异物同谱”“同物异谱”的现象，而偏振在高光谱图像的处理中起到至关重要的作用，它是区别于高光谱图像的光谱信息与空间信息的特征，目前主要用于构建偏振信息与其物品本身信息之间的关系。在高光谱图像中添加偏振信息可以起到强光弱化的效果，在目标识别中可以强化被测目标特征，可以较好地避免“异物同谱”“同物异谱”的现象。
偏振角表示入射光的偏振方向相对于x轴的夹角，对于部分偏振光，就是能量最大的偏振方向与x轴的夹角，可以用来表征目标及背景的状态特征。偏振角可表示为Stokes参量的函数，计算公式如下；
将采集的高光谱枣树冠层图像（图2所示）利用envi软件进行主成分分析（Principal Component Analysis，PCA），利用协方差算法对其进行优化得到较为明显水分分布的图像，如图3所示。
图2 高光谱枣树冠层图像图像
图3 主成分分析处理后的图像
对图像进行主成分分析处理后我们可直观地看到两种水分分布不同的枣树，左边颜色较暗（紫色）为干燥的枣叶，右边颜色叫鲜艳（黄色）为新鲜的枣叶。
主成分分析法通过协方差矩阵的特征值计算各个主成分的贡献率，根据主要成分贡献率的大小在图像上用不同颜色标记并提取特征，这种方法可以将多个相关性高的实测数据综合成少量的变量，这些变量体现着各个被测物个体之间的差异，并在与图像中用不同颜色标记差异达到上图的效果。
将原始图像利用ENVI对图2进行Dolp计算得到图4，再分别提取原始光谱图像干湿枣叶如图5所示与Dolp处理之后的光谱干湿枣叶如图6所示，通过对比可以发现，在波长在1450nm附近具有明显差异，新鲜叶片在1450nm附近有明显的反射峰，干燥的叶子光谱曲线较为平缓，而原图像趋势基本相同差异不大不能做为特征，说明dolp在光谱上可以强化特征。其原因可以根据菲涅尔原理解释，在物品直接被反射的辐射是部分偏振的，即物品直接被反射的概率为rs
图4 Dolp处理后的图像
图5 原始图像的干鲜枣叶光谱对比图
图6 dolp图像的干鲜枣叶光谱对比图
当光线进入到物品内部，与内部物质相互作用后，辐射被散射向上的总概率为；
则辐射被吸收的概率ai以及向下投射的概率ti为；
传感器接收到的辐射与物品及内部相互作用后的总能量则可以简单表示为；
一般情况下rs可以以为是常量，即是与波长无关的量。当枣叶的水分较大时，其反射率就会增加即ω、ρ增大，DOP值减小，而干燥的枣叶水分含量少，反射率较小即ω、ρ减小DOP值增大。说明在Dolp图像中在水分吸收峰处峰值越小水分越高，峰值越高则水分越少。
本文基于近红外高光谱成像技术对不同干湿枣叶图像进行主成分分析处理后得到其水分分布图像，在对其不同水分分布的区域进行光谱对比可以发现：新鲜枣叶在波长1450nm附近线偏振度（Degree of Linear Polarizationg，Dolp）处理后图像具有明显的水分特征峰，干燥的枣叶在1450nm处曲线较为平缓且无明显的水分特征峰。根据实验结果表明；
在对偏振高光谱图像进行线偏振度（Degree of Linear Polarizationg，Dolp）计算处理后可以清楚地区分干燥叶片与新鲜叶片的差别，并在图像上波长1450nm处找到其水分特征峰，达到图像分辨水分高低分布，光谱对比两者变化的效果，为后续大面积枣园生长监测提供理论依据。
