《Smart Agricultural Technology》：Smartphone-based paddy leaves SPAD value prediction from RGB contact imaging using ensemble deep learning model
编辑推荐：
叶绿素含量评估对于理解精准农业中植物氮素状态至关重要。传统的破坏性叶绿素定量方法耗时、费力，且不适合高通量表型分析应用。SPAD计（Soil Plant Analysis Development）通过测量叶片绿度作为叶绿素含量的替代指标，提供了一种快速、非破坏
叶绿素含量评估对于理解精准农业中植物氮素状态至关重要。传统的破坏性叶绿素定量方法耗时、费力，且不适合高通量表型分析应用。SPAD计（Soil Plant Analysis Development）通过测量叶片绿度作为叶绿素含量的替代指标，提供了一种快速、非破坏性的替代方案。近年来成像传感器和计算方法的进步使得开发低成本方法预测SPAD值成为可能。在本研究中，研究人员提出了一种基于集成深度学习模型的Android应用（SPAD预测器），该应用旨在从RGB接触成像中预测SPAD值。共使用了34个特征，包括颜色空间特征、RGB衍生特征和植被指数，用于开发模型。该模型由轻量级多层感知器（MLP）和随机森林（RF）回归器层组成，采用堆叠集成架构。使用线性回归作为元模型来集成MLP和RF层。基于排列的特征重要性分析表明，a*通道、ExGR、RG、NRI和VARI指数在预测SPAD值中发挥了最重要的作用。所提出的集成深度学习模型在训练集上R2为0.987，测试集上R2为0.89，RMSE（均方根误差）为3.25。所开发的应用成功部署，能够执行图像提交、后端通信、预测生成、结果显示和历史管理。该应用的田间验证产生了R2为0.848，RMSE为3.068，MAE（平均绝对误差）为2.544。这些发现表明，所开发的系统作为低成本、田间适用的工具，用于估算稻叶SPAD值具有实际潜力。
**论文解读：基于智能手机RGB接触成像的稻叶SPAD值预测方法**
### 研究背景与问题
叶绿素含量是评估作物氮素状况和生理状态的关键指标，对精准农业中的氮素管理至关重要。传统叶绿素定量方法（如有机溶剂提取后的分光光度法）虽准确，但耗时、费力且具破坏性，难以用于高通量表型分析。SPAD计（Soil Plant Analysis Development）通过测量叶片绿度提供快速非破坏性替代，但其读数受采样程序影响，且设备成本较高。近年来，智能手机相机和计算方法的进步推动了低成本SPAD预测方法的发展，但现有复杂深度学习模型（如卷积神经网络CNN）需要大量训练数据和计算资源，不适合实时田间应用，尤其在计算资源有限的发展中国家。此外，多数研究聚焦于模型精度提升，而对图像特征（如颜色、纹理、结构）的相对重要性探索不足，导致模型可解释性差。为此，本研究提出一种基于集成深度学习模型的Android应用（SPAD Predictor），从RGB接触成像中预测稻叶SPAD值，旨在实现低成本、高精度且可部署于移动端的方法。该论文发表在《Smart Agricultural Technology》。
### 主要关键技术方法
研究人员从孟加拉国农业大学稻田采集2033张稻叶接触图像（使用小米Mi 9T手机，2025年11月2日至12月3日，上午和下午，光照强度1828–3474 Lux）。提取34个特征，包括颜色空间特征（RGB、HSV、Lab、YCrCb、CMYK）、RGB衍生特征（如NRI、RG、BG等）和植被指数（如ExG、ExGR、VARI、GRVI等）。模型采用堆叠集成架构：轻量级多层感知器MLP（3个隐藏层64、32、16神经元，ReLU激活，L2正则化，Dropout 0.3）和随机森林回归器（RF，300棵树），以线性回归为元模型。数据集按85%训练、15%测试（Kennard-Stone算法划分），在NVIDIA RTX 3060 GPU上训练，使用Adam优化器和Huber损失函数，辅以早停和学习率衰减。特征重要性采用排列重要性方法。Android应用使用Flutter开发，后端FastAPI部署于Render云平台，模型以TFLite格式运行。田间验证使用101个独立样本（Samsung S10手机，固定相机设置，上午和下午采集）。
### 研究结果
**3.1 采集的稻叶图像**：共2033张接触图像，图像无背景干扰、无模糊，且在不同环境条件下保持稳定，表明接触成像方法有效消除了背景和光照变化的影响。
**3.2 提取特征与相关性**：34个特征的描述性统计分析显示，绿色通道均值最高（160.10±7.04），蓝色通道最低（12.82±13.82）。Pearson相关分析表明，a*通道（CIELAB空间中的红绿轴）与SPAD值呈最强负相关（r = -0.85），ExGR（Excess Green minus Excess Red）指数呈最强正相关（r = 0.83），表明绿色主导的植被指数与叶绿素浓度高度相关。
**3.3 使用集成深度学习预测SPAD值**：模型在训练集上R2=0.9877，MSE=0.8684，RMSE=0.9319，MAE=0.7302；测试集上R2=0.8915，MSE=10.5931，RMSE=3.2547，MAE=2.6249。训练与测试误差差距较小，表明模型泛化良好且未过度拟合。损失曲线显示模型在5–10个epoch后快速收敛，验证损失与训练损失趋势一致。
**3.4 特征重要性**：排列重要性分析显示，a*通道重要性最高，其次为ExGR、GRVI、VARI、NRI、MGRVI和Cr成分。原始RGB通道（红、绿、蓝）重要性较低，表明衍生植被指数和颜色空间特征比原始强度更富含叶绿素信息。Key、Yellow、BGR等特征重要性极低，对预测贡献有限。
**3.5 与其他机器学习模型比较**：集成深度学习模型在测试集上表现最佳（R2=0.8915，RMSE=3.2547），优于多元线性回归MLR（R2=0.7464）、随机森林RF（R2=0.7964）、偏最小二乘回归PLSR（R2=0.7397）和支持向量机SVM（R2=0.7226）。Kruskal-Wallis检验显示模型间预测误差有显著差异（H(4)=44.325，p<0.001），Dunn事后检验表明集成深度学习模型与MLR、PLSR误差显著更低，但与RF无显著差异，说明深度学习方法捕捉了非线性关系。
**3.6 与先前研究比较**：与基于RGB接触成像的1D-CNN（R2=0.82，RMSE=3.92）和MLR（R2=0.74，RMSE=3.27）等研究相比，提出的模型R2提升7.4%–11.2%，且RMSE在可接受范围内（<3.3），而对比方法的RMSE均超出可接受范围。
**3.7 使用开发的应用进行SPAD预测**：应用在未选择图像时显示验证提示，选择图像后显示预览，预测过程中显示处理消息，完成后返回预测值。历史记录面板存储预测值、时间戳和图像来源，功能完整。
**3.8 田间验证**：使用101个田间样本，整体R2=0.848，RMSE=3.068，MAE=2.544，偏差-1.189（轻微低估）。下午样本（16:00–17:30）的RMSE和MAE低于上午样本（10:00–11:30），表明光照条件影响预测稳定性。
### 结论
研究人员研究了集成深度学习模型并部署为Android应用，从RGB接触图像预测稻叶SPAD值。在多种RGB衍生颜色和植被指数中，CIELAB空间的a*通道、ExGR植被指数、RG衍生特征、NRI植被指数、GRVI植被指数和YCrCb空间的Cr成分对叶绿素含量预测最重要。模型训练集R2=0.987，测试集R2=0.891，RMSE=3.2547，在数据拟合和预测方面优于RF、DT、SVR和PLSR等方法。使用101个稻叶样本的田间验证进一步表明，该应用可在真实田间条件下提供有意义的SPAD估计，整体R2=0.848，RMSE=3.068，MAE=2.544。这些发现证实RGB接触成像可用于估算稻叶SPAD值（即叶绿素含量）。但开发的应用存在一些局限性：预测性能在上午和下午观测间存在差异，表明对自然光照和图像采集条件敏感；可通过使用人工光箱标准化光照条件，确保一致图像采集，且需将样本暴露于2000–3500 lux光照强度；系统不支持离线操作，因预测依赖后端服务器通信，在互联网连接不稳定区域可能限制实用性。总体而言，开发的系统作为低成本、用户友好的工具，用于估算稻叶SPAD值具有实际潜力。
