基于RGB图像与高光谱数据的温室生菜综合评估方法

本文综述了一项整合RGB图像与高光谱技术的生菜质量无损检测研究。作者通过RGB图像提取冠层投影面积、紧实度等特征，结合岭回归（Ridge）高效估算鲜重与叶面积（R2≥ 0.880）；同时，利用CARS与SPA算法筛选高光谱特征波段，构建基于随机森林（RF）的叶绿素、可溶性糖、蛋白质及维生素C含量反演模型。最终，采用AHP-CRITIC组合赋权法科学融合外观与内在品质数据，建立了综合评估体系，其分级结果与行业标准高度一致（kappa系数：0.788），为温室蔬菜采后无损检测与自动化分级提供了新颖的技术路径。

　　

2. 材料与方法

2.1. 研究区域

实验地点位于新疆维吾尔自治区石河子大学农科楼植物工厂。供试品种为散叶生菜，分别在2025年3月至5月和5月至7月进行栽培。温室昼夜平均温度维持在25 ± 2 °C，相对湿度为50 ± 10%。

2.2. 数据采集与测量

2.2.1. 品质指标测量

测量了每株生菜的鲜重、叶面积、可溶性蛋白质含量、可溶性糖含量、维生素C含量和叶绿素含量。具体方法为：鲜重用电子天平称量地上部鲜重；叶面积采用数字图像处理法测定；可溶性蛋白质含量采用BCA微板法测定；可溶性糖含量采用蒽酮比色法测定；维生素C含量采用Ferrozine比色法测定；叶绿素含量采用分光光度法测定，并给出了叶绿素a、叶绿素b及总叶绿素含量的计算公式。

2.2.2. RGB图像与高光谱数据采集

使用高通量植物表型平台中的Trait-RGB可见光成像单元和Trait-Hyperspec高光谱成像单元采集数据。RGB单元分辨率为4924 × 3283像素；高光谱单元覆盖400–1000 nm光谱范围，包含448个波段。采集距离统一为1.0 m。

2.2.3. 特征提取方法

(1) RGB图像特征参数提取

原始图像统一调整为2500 × 2500像素。通过颜色阈值、形态学操作和连通域分析进行生菜图像分割。从分割后的二值图像中提取了21个特征指标，包括12个颜色特征（如R_Avg, G_Avg, B_Avg, H_Avg, S_Avg, V_Avg, L_Avg, aAvg, b*Avg, Y_Avg, Cr_Avg, Cb_Avg）和9个形态学特征。颜色特征使用图像的一阶矩（平均值）提取，并给出了计算公式。形态学特征包括冠层投影周长(MC_1)、冠层投影面积(MC_2)、凸包周长(MC_3)、凸包面积(MC_4)、紧实度(MC_5)、外接矩形长轴长度(MC_6)、短轴长度(MC_7)、长宽比(MC_8)和圆形度(MC_9)。文中详细说明了面积、周长、凸包、紧实度（计算公式为MC_5 = MC_2 / MC_4）和长宽比（计算公式为MC_8 = MC_6 / MC_7）的计算原理与方法。

(2) 高光谱数据预处理与特征波长选择

对采集的高光谱数据进行黑白校正，并利用ENVI软件提取感兴趣区域(ROI)的平均光谱。采用标准正态变量变换(SNV)和多元散射校正(MSC)进行预处理。为降低数据维度并筛选关键波段，结合使用了竞争性自适应重加权采样(CARS)和连续投影算法(SPA)两种特征波长选择方法。

2.3. 模型构建与验证

2.3.1. 基于RGB图像的外观品质监测模型

以提取的21个RGB图像特征为自变量，生菜鲜重和叶面积为因变量，采用岭回归(Ridge Regression)算法构建估算模型。将数据集按7:3随机划分为训练集和测试集，使用10折交叉验证优化模型参数，并以确定系数(R²)、均方根误差(RMSE)和平均绝对误差(MAE)评价模型性能。

2.3.2. 基于高光谱的内在品质反演模型

以预处理后的光谱数据或CARS、SPA筛选出的特征波长作为输入，生菜叶绿素、可溶性糖、蛋白质和维生素C含量作为输出，构建基于随机森林(RF)的反演模型。同样按7:3划分数据集，采用网格搜索和10折交叉验证进行参数调优，并使用R²、RMSE和MAE评估模型。

2.4. 基于组合赋权的生菜综合品质评价

为将外观与内在品质监测数据科学融合，本研究建立了综合评估体系。首先确定了6个评价指标：鲜重(FW)、叶面积(LA)、叶绿素(Chl)、可溶性糖(SS)、可溶性蛋白(SP)和维生素C(VC)。然后采用层次分析法(AHP)获取主观权重，采用CRITIC法获取客观权重，最后通过乘法集成得到组合权重。计算各样本的综合评价值后，采用K均值聚类将生菜样本分为3个等级，并使用kappa系数验证分级结果与行业标准的一致性。

3. 结果与分析

3.1. RGB图像特征提取与外观品质估算

成功从RGB图像中提取了颜色和形态学特征。岭回归模型对鲜重和叶面积的估算精度较高，训练集和测试集的R²均不低于0.880，表明模型具有良好的拟合能力和泛化性能。

3.2. 高光谱特征选择与内在品质反演

经CARS和SPA算法筛选，分别从448个全波段中选择了23个和15个特征波长用于建模。基于全波段、CARS筛选波段和SPA筛选波段构建的RF模型，对四种内在品质成分的反演效果均较好。其中，基于CARS筛选波段构建的模型在多数指标上表现更优，证明了特征选择的有效性。

3.3. 综合品质评价结果

通过AHP-CRITIC组合赋权法计算得到各评价指标的最终权重。根据综合评价值进行K均值聚类，将生菜分为优、良、中三个等级。该综合分级结果与基于行业标准的分级结果具有高度一致性，kappa系数为0.788，表明本研究建立的综合评估方法可靠、有效。

4. 讨论

研究结果表明，整合RGB图像和高光谱数据，结合机器学习算法和科学的权重分配方法，能够实现对温室生菜外观与内在品质的协同、快速、无损监测与综合评估。该方法解决了当前生菜评价标准多侧重外观、缺乏内在品质统筹考虑的问题，为蔬菜采后精准分级提供了理论和方法基础。

5. 结论

本研究发展了一套基于多源传感技术的温室生菜综合品质评估方法。通过RGB图像实现了外观指标的高精度估算，通过高光谱技术实现了内在生化成分的有效反演。利用AHP-CRITIC组合赋权法融合多维度指标，构建的综合评价体系分级准确率高。该研究为温室蔬菜的标准化生产和智能化管理提供了创新的技术途径。