1 西北农林科技大学机械与电子工程学院,陕西 杨凌 712100
2 农业农村部农业物联网重点实验室,陕西 杨凌 712100.
3 陕西省农业信息感知与智能服务重点实验室,陕西 杨凌 712100
重金属污染会影响农作物的正常生长, 如何快速准确的实现对农作物中重金属的检测已成为亟待解决的问题之一。 传统植物中重金属检测依赖于化学方法, 虽然可以实现重金属含量的精准检测, 然而其操作过程繁琐, 并且无法实现批量样本的检测, 更无法实现重金属胁迫下植物组织的原位微观检测。 拉曼光谱具备无损探测固体、 液体和气体状态的分子振动信息、 光谱分辨率高和对水分不敏感等优势, 因此利用拉曼光谱技术检测农作物中重金属含量具有可行性。 苹果砧木是苹果树幼苗嫁接的基础, 能够保障后期的苹果树体健康以及苹果果品品质与产量, 而苹果砧木根系受到重金属污染, 阻碍其健康生长并影响苹果树幼苗的抗逆性, 因此探明重金属与苹果砧木根系互作机理十分必要。 该研究以5组不同浓度CuSO4·5H2O溶液胁迫下的苹果砧木为研究对象, 首先采集不同铜离子(Cu2+)胁迫梯度下苹果砧木根系的拉曼散射光谱, 利用自适应迭代重加权惩罚最小二乘法(Air-PLS)和S-G平滑方法对所获得的拉曼光谱数据进行预处理, 去除荧光影响以及进行基线校正; 其次建立偏最小二乘判别分析(PLS-DA)模型和支持向量机(SVM)判别模型, 结果表明: 基于显微拉曼光谱和SVM, PLS-DA判别模型对苹果砧木根系的铜离子胁迫进行判别, SVM模型准确率可达100%, PLS-DA模型准确率为96%, 能够较好的预测出苹果砧木受重金属铜的胁迫程度; 最后基于特征拉曼光谱峰1 096, 1 329, 1 605和2 937 cm-1进行苹果砧木根系横截面的化学成像可视化研究。 研究结果表明, 拉曼光谱技术结合Air-PLS和S-G平滑建立的SVM模型和PLS-DA模型可以快速、 有效地进行苹果砧木根系受重金属胁迫程度的诊断, 为重金属胁迫农作物检测提供新的思路, 对农作物的重金属逆境胁迫互作机理诊断具有理论指导意义。
拉曼光谱技术 苹果砧木 根系 重金属胁迫 Raman spectroscopy Apple stock Roots Heavy metal stress 光谱学与光谱分析
2022, 42(9): 2890
1 山西农业大学农业工程学院, 山西 太谷 030801
2 山西农业大学谷子研究所, 山西 长治 046000
3 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
小米米粉的主要成分是淀粉, 其食味品质决定小米米粉的市场价值。 糊化特性是小米米粉的重要物理特性, 而碱消值是能够直接反应其糊化特性的主要特征指标。 通过小米米粉碱消值的差异, 可以间接反映直链淀粉含量, 当碱消值降低时, 相反, 糊化温度和直链淀粉含量却很高, 而小米米粉口感粘糯性越差。 采用高光谱技术结合化学计量学方法, 建立快速检测小米米粉碱消值预测模型, 旨在探索一种快速、 无损、 低成本预测小米米粉碱消值的方法。 实验采集小米米粉高光谱数据, 在被测样品感兴趣区域(ROI)按像素点逐一选择, 提取高光谱数据矩阵, 并进行均值运算, 得到每个样品在各个光谱波段的平均光谱值。 利用粘度测定仪(RVA)测定小米米粉碱消值指标。 光谱数据采用全波段、 竞争性自适应重加权采样法(CARS)及随机蛙跳(RF)法选择特征波段处理, 建立偏最小二乘回归(PLSR)模型; 全波段建立预测模型Rp值最高为0.77, 说明能够利用小米米粉高光谱反射率反演小米米粉的碱消值, 而采用其他两种计算方法所得Rp值分别为0.72和0.7, 与前者较为接近, 也反映了采用CARS和RF建立的回归模型具有可行性。 为提高预测精度, 采用Savitzky-Golay(S-G)法、 多元散射校正(MSC)和S-G+MSC对数据预处理。 可以看出采用MSC预处理光谱数据建立PLSR模型性能较好(Rp=0.83)。 对MSC预处理后的数据再次CARS和RF法选择特征波段, 建立PLSR模型, 与未进行预处理的回归模型相比, Rp值变化不大, 这也说明CARS和RF具有一定的稳定性, 可以作为小米米粉高光谱反射率预测碱消值的参考方法。 结果表明: 为实现对小米米粉碱消值的快速、 无损检测, 通过运用高光谱技术能够利用小米米粉高光谱反射率预测碱消值, 进而为小米米粉品质评级、 加工及碱消值传感器的开发提供参考依据和数据支撑。
高光谱 小米米粉 碱消值 化学计量学方法 Hyperspectral Mellet of flour The alkali spreading value Chemometrics methods 光谱学与光谱分析
2021, 41(10): 3189
西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
植物非生物胁迫是指对植物产生不利影响的非生物因素, 非生物胁迫威胁植物发芽、 生长、 发育和繁殖, 是阻碍农作物高效栽培和农业可持续发展的主要因素。 植物胁迫精准管理和抗逆植物育种是缓解和解决非生物胁迫的有效途径, 其中植物表型分析是一个不可或缺的环节, 但是传统滞后的如人工、 破坏式表型测量方法很难满足高通量表型分析的需求, 制约着植物非生物逆境治理的精度和现代植物育种的效率。 高通量植物表型分析技术旨在实现植物复杂性状的快速、 自动、 无损地获取与分析, 能实时原位监测植物受胁迫状态与程度, 指导胁迫治理措施和资源精准投入, 可以为优良抗逆植物品种高通量筛选鉴定提供解决方案、 能为植物抗逆基因解析与定位、 植物遗传变异分析等提供大数据支撑。 由于成像光谱技术能够实时、 非接触、 高效地测量植物结构形态、 生理生化等多样化的表型, 在高通量植物表型分析中表现出良好的潜力, 近年来在植物精准种植和现代植物育种中得到广泛研究与应用。 主要阐述可见光成像(RGB Imaging)、 多光谱成像(MSI)、 高光谱成像(HSI)、 叶绿素荧光成像(ChlFI)、 多光谱荧光成像(MFI)、 热红外成像(TIRI)高通量表型分析技术在植物非生物胁迫表型分析中的研究进展以及评估分析其发展趋势; 首先简单介绍了不同成像光谱的技术特点以及在植物表型分析中的应用差异和高通量分析流程; 其次总结了近年来基于成像光谱技术高通量分析植物非生物胁迫表型的部分研究和应用, 介绍范围从植物胁迫监测、 抗逆植物品种筛选鉴定、 植物遗传分析3个方面出发, 主要涉及植物干旱、 温度、 盐害、 养分胁迫以及其他非生物逆境。 最后探讨了上述成像光谱技术在植物非生物胁迫表型高通量分析的机遇和其面临的挑战。
成像光谱 非生物胁迫 高通量表型分析 精准管理 植物育种 Imaging spectroscopy Abiotic stress High-throughput plant phenotyping Precision farming Plant breeding 光谱学与光谱分析
2020, 40(11): 3365
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 农业农村部农业物联网重点实验室, 陕西 杨凌 712100
3 陕西省农业信息感知与智能服务重点实验室, 陕西 杨凌 712100
猕猴桃是我国发展势头和经济效益比较突出的水果之一, 其果肉色泽是评价猕猴桃果实品质的重要指标。 利用近红外光谱技术对贮藏期猕猴桃不同深度果肉色泽的变化进行研究。 以贮藏期“哑特”猕猴桃果皮下0, 5和10 mm处果肉色泽(L*, a*和b*)为研究对象, 用近红外光谱(830~2 500 nm)结合化学计量学方法对猕猴桃果肉色泽特征进行预测分析。 通过建立基于全波段的偏最小二乘回归(PLSR)模型, 发现猕猴挑果皮下5 mm处色泽特征(L*5, a*5, b*5)所建立的校正预测模型效果好, 说明该处的色泽数据和近红外光谱信息的相关度较高。 运用竞争性自适应重加权采样法(CARS)和无信息变量消除法(UVE)两种算法从高维近红外光谱全波段信息中选取与颜色特征相关的特征波长信息, 并与猕猴桃果皮下5 mm处的色泽(L*5, a*5, b*5)分别建立PLSR和多元线性回归(MLR)预测模型。 其中对果肉色泽L*5所建立的模型中, CARS-PLSR模型的校正和预测效果均为最好, RC达到0.942 7, RMSEC为1.699 7, RP达到0.885 0, RMSEP为1.642 4； 对猕猴桃果肉色泽a*5所建立的模型中, UVE-MLR模型的校正和预测效果最好, RC达到0.946 3, RMSEC为0.342 4, RP达到0.854 9, RMSEP为0.629 6； 对猕猴桃果肉色泽b*5所建立的模型中, CARS-MLR模型的效果最好, RC达到0.944 3, RMSEC为1.010 1, RP达到0.839 8, RMSEP为1.354 3。 研究表明近红外光谱分析技术检测猕猴桃果皮下5 mm处色泽(L*5, a*5和b*5)具有良好的准确度, 为猕猴桃品质评价提供技术支撑。
猕猴桃 近红外光谱 贮藏期 不同深度 果肉色泽 Kiwifruit Near-infrared spectroscopy Storage periods Different depths Pulp color features 光谱学与光谱分析
2020, 40(7): 2240
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 农业农村部农业物联网重点实验室, 陕西 杨凌 712100
3 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
测试参数的选择和优化是进行激光诱导击穿光谱(LIBS) 试验的重要步骤之一, 合适的测试参数能够保障所得光谱数据的准确性。 本研究运用LIBS技术, 以土壤中主要元素(硅、 铁、 镁、 钙、 铝、 钠、 钾等) 为载体, 研究LIBS不同测试参数对元素谱线特性影响, 优化得到普适的土壤测试条件。 设计了以LIBS系统中激光脉冲能量(LE) 、 延迟时间(DT) 和聚焦透镜到样品的距离(LTSD) 三因素的二次中心组合的试验, 以土壤中主要元素的特征谱线组合信背比(SBR) YSBR为目标函数, 分析了三因素之间交互作用对YSBR的影响。 结果表明: 因素DT对YSBR的线性效果显著, 而LE和LTSD对YSBR的线性效果均不显著; 三者的交互影响对YSBR的交互效果都不显著; 对于二次项LE2, DT2和LTSD2对YSBR的曲面效应均显著。 优化得到最佳的试验条件是: 激光能量LE为103.09 mJ, 延迟时间为2.92 μs, 透镜到样品的距离LTSD为97.69 mm, 得到最大组合信背比YSBR为198.602。 这些测试参数是后期LIBS数据准确分析的前提, 为田间实地土壤LIBS检测参数的选择提供重要的借鉴。
激光诱导击穿光谱 测试参数 响应面 信背比 Laser-induced breakdown spectroscopy Test parameters Response surface methodology Signal-background-ratio
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 农业农村部农业物联网重点实验室, 陕西 杨凌 712100
3 陕西省农业信息感知与智能服务重点实验室, 陕西 杨凌 712100
4 西北农林科技大学农学院, 陕西 杨凌 712100
为探讨利用可见/近红外光谱进行小麦黑胚病快速无损检测的可行性, 以及基于主流机器学习算法, 寻找面向生产的小麦黑胚病优化识别模型, 利用自行研发的近红外光谱采集平台采集了579～1 099 nm波段23个品种共2760个小麦单籽粒的吸光度光谱数据, 采用标准正态变量变换(SNV)进行预处理之后分别经过SPA(successive projections algorithm), PCA(principal component analysis)等两种数据降维方法, 结合ELM(extreme learning machine), SVM(support vector machine), RF(random forest)和AdaBoost等四种分类方法, 分别构建SPA-SVM, SPA-ELM, SPA-RF, SPA-AdaBoost, PCA-SVM, PCA-ELM, PCA-RF, PCA-AdaBoost八种小麦黑胚病识别模型; 结果表明小麦黑胚籽粒的识别准确率达到93.3%～98.6%, 识别效果优于前人文献中利用近红外波段的识别效果; 其中SPA-SVM模型具有最高的识别率, PCA-AdaBoost模型具有更好的普适性。 将SPA-SVM模型和PCA-AdaBoost模型作为优选模型, 从生产实际出发, 分别对未感病+轻感病、 中感病+重感病籽粒进行了二分类识别, 对未感病, 轻感病+中感病、 重感病籽粒进行了三分类识别, 以及对未感病、 轻感病、 中感病、 重感病籽粒进行了四分类识别, 并深入分析了识别效果和产生原因。 总体来说, 小麦黑胚粒的识别准确率随分类程度的细化而下降, 二分类的识别模型可直接用于生产, 尽管三分类和四分类的感病粒识别效果较差, 但是对未感病粒的检出率则不受分类程度的影响, 识别率在87.2%以上, 符合生产需求。 综合来看, SPA-SVM模型分类效果优于PCA-AdaBoost模型, 可作为首选识别模型, 该研究为小麦籽粒黑胚病的在线批量快速检测提供了技术依据。
小麦黑胚病 可见/近红外 机器学习 模型优选 多分类 Wheat black tip disease Vis/NIR Machine learning Optimized Models Multiple classification 光谱学与光谱分析
2018, 38(12): 3912
西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
为了给冬枣采收后成熟度分级提供理论指导, 运用高光谱技术获取特征波长和计算光谱指数对其成熟度可视化分级。 采集三类成熟度冬枣(未成熟果、 白熟-初红果、 半红-全红果)样本共336个并获取其高光谱信息, 通过Savitzky-Golay(S-G)平滑对原始光谱降噪后再用Kennard-Stone(K-S)方法将样本分为训练集(226个)和测试集(110个)。 选用连续投影法(SPA)和竞争性自适应重加权采样法(CARS)选择特征波长(CWs); 同时从水果生理成分变化角度引入7个光谱指数(SIs)。 基于SPA和CARS选取的CWs和引入的SIs分别建立偏最小二乘判别分析(PLS-DA)模型, 并比较了3个模型的分级效果。 结果表明: 基于SPA和CARS选择的特征波长和引入的SIs建立的PLS-DA模型判别精度分别为: 97.27%, 95.45%和98.18%。 为了直观展现判别结果, 选用SIs建立的PLS-DA回归系数拟合判别向量Y的回归方程, 依据Y中最大值元素所在类别为该样本预测类别的规则, 将结果用不同颜色直观显示。 该研究为冬枣成熟度可视化分级提供了思路, 引入的SIs参数为开发适于多种水果成熟度分级的设备提供了技术支撑。
冬枣 高光谱技术 特征波长 光谱指数 化学计量学方法 Winter jujube Hyperspectral technique Characteristic wavelengths Spectral indices Chemometrics methods 光谱学与光谱分析
2018, 38(7): 2175
浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
实时监测发酵液中固形物含量的变化, 对控制厌氧发酵过程的稳定性具有重要作用。 研究中采用近红外高光谱技术结合化学计量学方法, 对水葫芦和稻草秸秆混合厌氧发酵过程中的固形物含量进行定量检测研究。 与传统2540G(APHA, 1990)标准方法相比, 近红外高光谱技术具有无损、 快速的优点。 实验过程中, 首先获取发酵液样本的高光谱信息, 应用移动平均平滑法(MAS)进行光谱预处理, 并采用竞争自适应重加权采样算法(CARS)、 连续投影算法(SPA)和Random frog算法提取光谱特征信息, 然后基于全谱和所选特征波长下的光谱信息分别建立总固形物含量(TS)和挥发性固形物含量(VS)的校正模型, 建模方法包括偏最小二乘回归(PLSR)和最小二乘-支持向量机(LS-SVM)。 研究表明, SPA-LS-SVM模型的预测结果最好, 其中TS的预测均方根误差(RMSEP)及相关系数(Rp)分别为0.005 8和0.841; 而VS的RMSEP和Rp分别为0.004 1和0.874。 结果表明, 利用近红外高光谱结合化学计量学方法可以实现厌氧发酵液中的固形物含量的检测, 为布置光谱传感器以便定量检测厌氧发酵过程中的固形物含量奠定了理论依据。
近红外高光谱 总固形物含量 挥发性固形物含量 厌氧发酵 化学计量学方法 Infrared hyperspectral Total solid Volatile solid Anaerobic digestion Chemometrics 光谱学与光谱分析
2017, 37(12): 3833
浙江大学生物系统工程与食品科学学院, 农业部设施农业装备与信息化重点实验室, 浙江 杭州 310058
土壤元素的丰缺是对土壤养分检测、 农业按需种植和科学施肥的依据, 是精准农业农情信息感知技术检测的关键点, 更为农业生态、 高效和优质生产提供理论指导。 该研究运用激光诱导击穿光谱(LIBS)技术结合定标曲线法和偏最小二乘回归（PLSR）方法对土壤中的Al, Fe, Mg, Ca, Na和K多种元素同时进行定量分析。 利用LIBS检测仪获取了五种标准土壤样品（国家编号: GBW07446, GBW07447, GBW07454, GBW07455和GBW07456）的LIBS数据之后, 将每种土壤的多条谱线平均处理来消除试验误差。 通过分析所获取的土壤LIBS谱线信息, 选取了Al, Fe, Mg, Ca, Na和K元素的特征分析谱线和分析光谱区间, 并利用谱线的峰值信息和分析光谱区间内的单个或多个谱峰的积分信息（峰面积）与对应元素浓度拟合并建立定标曲线。 结果表明, 基于谱峰的峰面积建立的定标曲线的线性关系优于利用峰值信息建立的定标曲线（Fe除外）。 同时, 针对所选的分析光谱区间和元素的浓度信息, 运用PLSR建立定量分析模型, 其结果明显要优于定标曲线的分析精度, 这也表明LIBS技术结合化学计量学分析在未来光谱化学分析领域有很大应用前景。 研究的结果不仅为现代农业的土壤养分空间分布检测和农田精准施肥技术的应用起指导作用, 还为田间使用的便携式LIBS土壤检测仪的开发奠定了理论基础。
激光诱导击穿光谱 土壤 定标曲线法 化学计量学分析 Laser-induced breakdown spectroscopy Soil Calibration curve Chemometrics analysis 光谱学与光谱分析
2017, 37(9): 2879
1 浙江大学农业与生物技术学院, 生物技术研究所, 浙江 杭州 310058
2 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
应用可见/近红外高光谱对细菌性角斑病早期胁迫下的黄瓜叶片中所含过氧化物酶（peroxidase, POD）活性进行检测。 在380~1 030 nm光谱范围获取120个样本（健康, 病害轻微感染1级和2级）的光谱曲线, 并使用分光光度计法测量感染病害样本中的过氧化物酶活性值。 采用单因素方差分析（analysis of variance, ANOVA）对三种不同程度早期病害胁迫下过氧化物酶活性值进行统计分析, 结果表明不同程度病害胁迫下黄瓜叶片中的过氧化物活性存在显著性差异（p=005）。 采用SPXY方法将样本分为建模集（80个样本）与预测集（40个样本）。 采用random frog（RF）和回归系数法（regression coefficient, RC）方法提取特征波段, 并建立过氧化物酶活性值的偏最小二乘回归（partial least square regression, PLSR）预测模型。 最终得到RF-PLSR具有最佳的预测效果, 预测集相关系数为0816, 预测均方根误差为11235。 研究结果表明高光谱结合化学计量学方法可以实现细菌性角斑病早期胁迫下黄瓜叶片中过氧化物酶活性的测定, 为植物病害的早期无损诊断提供参考。
高光谱 黄瓜细菌性角斑病 过氧化物酶 化学计量学方法 Hyper-spectra BALD Cucumber leaves POD Chemometrics method 光谱学与光谱分析
2017, 37(6): 1861
