基于图像处理技术的小麦营养状况诊断技术研究

1绪论

1.1研究背景

小麦学名 Triticum aestivum，禾本科植物，是世界范围内广泛种植的粮食作物之一，世界上有43个国家，约35%~40%人口以小麦为主要粮食。我国小麦的种植面积占据全世界的13%，是世界上最大的小麦生产国和消费国。保证小麦的高产、优产以及高效率的生产对解决我国粮食储备及安全问题、实现我国粮食战略目标具有重要的意义1-21）。

保证小麦的高产、优产，需要精准监测其生长状态及营养情况。叶绿素是表征作物生长状态、病虫害胁迫以及作物营养状况的重要指标，是植物进行光合作用、吸收和传递光能的主要物质。通过光合作用，植物可以从土壤中吸取碳、氧、氮、磷、钙等多种元素，故植物叶片中的叶绿素含量与植物的光合能力、发育情况以及作物物质积累能力有良好的相关性3。

植株缺乏氮、镁、铁、锰、铜等元素往往会导致其叶绿素含量下降，检测叶绿素含量可实现植株氮、镁、铁、锰、铜等元素含量的诊断（45）。因此，现代农业中叶绿素含量常被作为小麦养分检测和生长状态监测的重要指标，故快速检测叶绿素含量对作物生长至关重要。

小麦生长过程中叶绿素含量的准确检测是科学合理施肥的重要前提，而快速、无损地进行作物生长情况诊断和检测是当前农业生产与精准农业实施中急需解决的重要问题之一。化学分析法是目前最常用、最精确的方法，也是各类延伸方法的基础。但化学分析法操作复杂、周期长，需要进行田间破坏性采样，将样本带回实验室进行化验，同时化学分析法使用试剂会造成环境污染。

随着信息技术和光学传感器的不断发展，光谱和数字图像以其信息量大、分辨率高等特点在农业领域得到了广泛应用。很多高校和科研机构采集作物样本，利用光谱仪、数码相机、扫描仪等光学设备研究作物叶绿素成分含量和生长状况与光谱反射率或图像特征之间的关系，建立相应的数学预测模型，评估作物叶绿素含量或生长状态（6-19。为了保证模型精度，很多研究将样本采集回实验室，在暗室或者固定光源的设备箱内完成实验。这些方式虽然解决了环境污染问题且实现了快速检测，但仍然需要对作物进行破坏性取样。这样的取样方式不利于重复检测，并且室内检测的手段不能作为现场实时化肥施用的检测方案。

随着现代农业的不断发展，2018年我国发布了《国务院关于加快推进农业机械化和农机装备产业转型升级的指导意见》，文件提出“我国农业生产已从主要依靠人力畜力转向主要依靠机械动力”的重大判断，明确了“没有农业机械化，就没有农业农村现代化”的重要定位。文件释放了全国范围内全面推进农业机械化的重大信号，并建立了“国家农业机械化发展协调推进机制”。可见，推进农业全程机械化是新时代国家推进现代农业向资源高效配置和综合集成方向发展的重大决策2-21。在农业全程机械化推进中，机械化精准施肥是其关键环节，也是较难突破的环节之一。为此，许多专家学者做了大量努力，将信息技术运用到提高农业机械化精准施肥水平的进程中12-231]。为实现机械化精准施肥，就必须将实验室内对作物叶绿素的评估转移到大田环境下进行。通过在大田环境下对作物叶绿素的实时检测，指导施肥机械现场进行精准的化肥施用。但相较于实验室高标准、严苛的实验条件及装置，大田环境复杂，数据采集易受到光照、温度、天气变化等情况的影响，从而造成检测结果的精度和稳定性降低。光谱技术作为一种新兴的光电检测技术，有机地将电子学、光学以及计算机科学等领域的先进技术结合在一起。它拥有分辨率高、波段涵盖范围广等优点，可以在一定程度上减少环境光照和天气变化对作物检测结果造成的影响，这些优点使光谱技术在近几年大田环境下作物叶绿素快速检测中广泛应用。许多地物光谱仪和室外高光谱成像……

本书以大田环境下的拔节期小麦为研究对象，以准确、快速、无损的小麦矿质养分含量检测为研究目标，利用小麦叶片和冠层两个尺度的小麦图像及叶绿素含量数据，构建了冬小麦图像评价指标体系，基于数字图像技术和机器学习算法，对小麦氮素缺乏等级判别模型展开深入研究，以更好地实现对小麦生长过程的动态监控，为合理变量施肥提供科学指导。利用数字图像准确、快速、无损地开展小麦生育期养分检测方法研究，对小麦作物生长管理及产量预测具有重要意义，同时也是农业机械化与自动化发展的迫切需求。