1 黑龙江八一农垦大学工程学院, 黑龙江 大庆 163319
2 黑龙江八一农垦大学信息与电气工程学院, 黑龙江 大庆 163319
3 黑龙江省农业科学院绥化分院, 黑龙江 绥化 152052
4 大庆市绿色农产品监测中心, 黑龙江 大庆 163311
大豆品种快速准确的鉴别, 对于鉴定种子品质、 净化种业市场以及保障粮食安全具有重要意义。 为解决传统农作物品种鉴别方法中存在精度差和效率低等问题, 采用拉曼光谱结合特征波长提取方法建立偏最小二乘(PLS)鉴别模型, 对黑龙江省4个高蛋白大豆品种（黑农88、 黑农98、 绥农71以及绥农76）进行快速鉴别。 随机蛙跳(RF)算法是一种通过迭代计算变量被选概率, 以确定变量重要性的新型特征波长选择算法, 可以有效剔除全光谱数据中的冗余信息。 该方法存在初始变量集随机性、 所需迭代次数大、 阈值选取不确定的问题, 因此提出一种基于最小绝对收敛与选择算子(LASSO)回归的改进随机蛙跳（MRF）算法。 采用LASSO算法提取与属性变量最相关的特征波长点作为RF初始变量集F0, 消除初始变量的随机性, 在此基础上开始迭代计算, 可以减少无用迭代次数, 提高模型的预测精确度。 RF算法通过设定阈值的方法选择变量, 因此提取的特征波长往往具有不确定性。 改进如下: 首先去除被选概率为0的变量, 对于排序后变量以10个波长点为间隔, 每次增加1个间隔建立特征波长与大豆品种属性的偏最小二乘回归模型, 当交叉验证均方根误差(RMSECV)取最小值时的建模波长为优选特征波长。 以MRF优选特征波长作为输入变量建立PLS鉴别模型, 并与全光谱以及常用的RF、 LASSO和ElasticNet特征波长选择算法建模结果进行对比分析。 结果表明, MRF算法提取300个特征波长点, 仅占全谱波长的9.37%, 有效筛选了关键特征变量, 简化了模型复杂度。 预测结果中均方根误差(RMSEP)和决定系数(R2p)分别为0.246 9和0.951 2, 识别准确率达到100%, 为所有模型中最优。 拉曼光谱结合MRF算法可以实现大豆品种的快速鉴别, 同时也为其他农作物品种的快速鉴别提供了一种新思路。
拉曼光谱 大豆 特征波长选择 随机蛙跳 最小绝对收敛与选择算子 Raman spectroscopy Soybean Characteristic wavelength selection Random frog LASSO 光谱学与光谱分析
2023, 43(12): 3763
炭疽杆菌是高致病性病原微生物, 引起的炭疽病在我国属于乙类传染病, 因此建立操作简便、 灵敏准确的炭疽杆菌检测方法对预防和控制炭疽传播, 维护公共卫生安全至关重要。 该研究创新性地提出以绿色材料大豆蛋白为保护剂和还原剂, 采用微波加热法合成了一种具有强烈红色荧光发射的大豆蛋白金纳米簇(SPI-AuNCs)。 采用TEM、 UV-Vis、 FL、 XPS、 FTIR等方法表征了SPI-AuNCs的成功合成和部分特殊性能。 结果表明SPI-AuNCs呈球形, 粒径大小在1.8~3.2 nm范围内, 平均粒径为2.65 nm, 在500～550 nm范围内未出现表面等离子体共振峰; SPI-AuNCs的最大激发波长为370 nm, 最大发射波长为680 nm。 SPI-AuNCs的表面官能团主要有—NH、 —COOH、 —OH、 —SH等官能团, 元素的组成主要包括C、 N、 O、 S、 Au元素。 根据Cu2+与SPI-AuNCs表面基团通过配位作用形成非荧光复合物, 使荧光猝灭; 而2,6-吡啶二羧酸(DPA)与Cu2+具有更高的亲和力, 可将Cu2+从SPI-AuNCs表面竞争下来, 使荧光恢复, 据此建立了一种荧光“关-开”策略检测DPA的新方法。 在最佳实验条件下, 荧光恢复率(ΔF/F1)与DPA的浓度在1.15～70.0 μmol·L-1范围内呈良好的线性关系, 线性方程为ΔF/F1=0.011c+0.131, 相关系数r=0.991, 方法检出限为0.34 μmol·L-1。 同时, 通过加标回收实验研究了湖水和牛奶样品中DPA, 得到加标回收率在97.3%～103.6%, 表明了该方法在环境和食品样本DPA的检测中具有很大的应用潜力, 可以为环境监测和食品安全提供方法学支持。
大豆蛋白金纳米簇 2,6-吡啶二羧酸 生物标志物 炭疽杆菌 荧光探针 Soy protein gold nanoclusters 2,6-pyridinedicarboxylic acid Biomarkers Bacillus anthrax Fluorescence probe 光谱学与光谱分析
2023, 43(6): 1815
1 吉林农业大学园艺学院， 吉林 长春 130118
2 吉林大学生物与农业工程学院， 吉林 长春 130022
3 吉林农业大学工程技术学院， 吉林 长春 130118
作物病害类型的快速无损检测对提高作物品质和产量至关重要。 传统的病害分类方法费时费力且不能实时检测。 为此， 利用高光谱进行大豆病害分类。 以健康大豆为对照， 灰斑病和细菌性斑点病两种病害为研究对象， 获取三种类别叶片高光谱数据。 基于高光谱曲线分析病害与健康叶片反射率的变化规律。 采用主成分分析（PCA）和光谱指数（SI）两种单一方法进行病害有效信息提取， 共使用30个SI。 在此基础上， 提出一种PCA与SI相结合的组合方法（PCA-SI）， 通过提取有效主成分（PC）及有效SI， 将有效SI按得分情况分为两组（9SIs和18SIs）， 再分别对应每一个有效PC进行分组， 形成病害光谱有效信息的变量集。 采用三种方法分别进行病害有效信息的提取， 基于提取后的光谱变量， 采用最小二乘支持向量机（LSSVM）和支持向量机（SVM）两种分类器建立病害分类模型。 以原始高光谱为基准， 以病害分类正确率为指标， 评价模型的病害分类性能及不同病害有效信息提取方法和分类器的有效性。 结果表明: 高光谱反射率具有可见光450～700 nm 波段范围病害叶片高于健康叶片而近红外760～1 000 nm波段范围其特征完全相反的规律。 采用单一PCA方法提取出了34个有效PC用于病害分类。 基于PCA-SI组合方法提取出5个有效PC（PC1—PC5）和18个有效SI， 将其进行分组得到10组变量， 共计13组变量作为建模集。 三种方法提取病害有效信息后的光谱变量均比原始高光谱具有更好的病害分类能力， 提出的PCA-SI组合方法具有最优的病害有效信息提取能力， PC1-18SIs和PC4-18SIs为最优建模集， LSSVM分类器具有最优的分类性能。 PC1-18SIs-LSSVM和PC4-18SIs-LSSVM模型为最优病害分类模型， 训练集和预测集的总病害分类正确率分别为100%和98.85%， 与原始高光谱分类模型相比， 总分类能力分别提高了6.47%和21.74%， 模型分类能力较好， 可为病害实时无损分类识别提供参考。
大豆 病害分类 高光谱 Soybean Disease classification Hyperspectral data 光谱学与光谱分析
2023, 43(5): 1550
1 黑龙江省农业科学院土壤肥料与环境资源研究所, 黑龙江 哈尔滨 150086
2 中国农业科学院农业资源与农业区划研究所/耕地培育技术国家工程实验室/农业部植物营养与肥料重点实验室, 北京 100081
3 北京农林科学院植物营养与资源研究所, 北京 100097
4 黑龙江省科学院微生物研究所, 黑龙江 哈尔滨 150001
5 农业农村部环境保护科研监测所, 天津 300191
土壤有机碳是农业生态系统的关键驱动和调节者, 特别是根际微域有机碳动态对土壤碳素循环和矿质营养元素释放起着重要作用。 研究长期不同化肥和有机肥施用下大豆根际土壤有机碳、 活性有机碳以及有机碳结构的变化规律, 深入了解根际有机碳固持和稳定机制, 为完善农田生态系统碳固持和农田可持续发展提供科学依据和理论支撑。 该研究依托黑土长期定位试验, 采用化学分析、 固态13C-核磁共振 (13C-NMR)等方法研究大豆根际土壤有机碳含量、 活性有机碳含量和有机碳结构组分变化规律。 结果表明, 与非根际土壤相比, 大豆根际土壤有机碳含量显著增加, 长期施肥处理能够显著增加根际土壤有机碳和低活性有机碳含量, 以常量有机肥加氮磷钾（MNPK）处理提升效果最好。 核磁共振实验结果表明, 与不施肥处理相比, MNPK处理明显增加根际土壤烷基碳、 烷氧基碳比例以及烷基碳/烷氧基碳比值, 降低芳香基碳和芳香碳/总碳比值, 在非根际土壤中尤其显著; 常量氮磷钾（NPK）处理增加芳香基碳比例和芳香碳/总碳比值, 在根际土壤中烷基碳比例和烷基碳/烷氧基碳比值增加, 烷氧基碳比例降低, 非根际土壤测试结果相反。 综上所述, MNPK处理能够显著提升根际有机碳含量, 增加有机碳中烷基碳、 烷氧基碳比例以及烷基碳/烷氧基碳比值, 促进团聚体形成和增加土粒结构稳定性, 而NPK处理增加芳香基碳比例和芳香碳/总碳比值, 降低根际烷氧基碳比例, 团聚体稳定性降低, 同时证明固态13C-核磁共振技术结合半定量分析能够准确地分析不同有机碳结构组分变化, 深刻认识根际土壤有机碳的稳定机制。
有机碳 大豆根际 黑土 13C-核磁共振 Soil organic carbon Soybean rhizosphere Black soil 13C-NMR 光谱学与光谱分析
2022, 42(12): 3883
北京理工大学光电成像技术与系统教育部重点实验室, 北京 100081
转基因技术对实现作物增产增质, 降低农药使用量, 降低生产成本等具有重要作用, 但对生态环境也存在一定的潜在威胁。 为了防止转基因大豆在食品化中的滥用, 对转基因产品快速鉴别技术的研究尤为迫切。 紫外拉曼光谱检测技术具备外场远距离无损遥测检测, 简单高效, 快速准确等优点, 可有效用于物质遥测鉴别领域。 基于紫外拉曼光谱的转基因/非转基因大豆油以及与其他类别食用油鉴别方法, 采集了五种不同食用油(两种品牌转基因/非转基因大豆油各500组样本和一种稻米油100组样本, 共2 100组样本)在3 500~400 cm-1(268~293 nm)范围内的日盲紫外拉曼光谱信息, 为提高光谱数据的信噪比并保证分类识别的准确性, 对上述光谱数据采用Savitzky-Golay滤波降噪、 基于自适应迭代加权惩罚最小二乘法(airPLS)的基线校正以及多元散射校正(MSC)的光谱数据修正等预处理。 根据大豆油的紫外拉曼指纹图谱, 分析出主要化学成分包含脂肪类、 蛋白质类、 酰胺类。 将每种大豆油样本按1∶1划分为训练集和测试集, 输入训练集数据至支持向量机(SVM)进行训练, 采用10折交叉验证建立最佳模型, 识别准确率达99.81%, 对转基因大豆油的判别效果显著; 采用主成分分析法(PCA)进行数据降维处理, 提取出8个主成分, 累计贡献率为74.84%, 可代表大部分原始数据特征。 在此基础上, 将预处理后的光谱数据按4∶1划分为训练集和测试集, 采用偏最小二乘回归判别分析方法(PLS-DA), 结合10折交叉验证法建立全谱的最佳PLS-DA模型(判别阈值设置为0.5), 判别准确率达到70.95%。 研究表明, 紫外拉曼光谱分析方法可较为准确地鉴别非转基因/转基因大豆油, 同时可鉴别大豆油与稻米油, 实现对转基因大豆食品的快速无损鉴别, 可望成为转基因大豆油及其食品的现场检测新的技术途径, 对推动转基因产品遥测鉴别技术的发展具有进步意义。
拉曼光谱 紫外 转基因大豆油 识别 支持向量机 Raman spectroscopy UV Transgenic soybean oil Distinguish SVM 光谱学与光谱分析
2022, 42(12): 3830
为探究气候变化背景下，小麦-大豆轮作体系中小麦季施用硝化抑制剂对大豆土壤无机氮、N2O排放及相关酶活性的后效作用，在控制气室内设置了不同的大气CO2浓度(400和600 μmol/mol)和气温(环境温度T和T+2℃)，在此基础上测定了小麦季添加硝化抑制剂时大豆土壤的硝态氮和铵态氮的含量、土壤硝化-反硝化相关酶活性以及N2O排放量。结果表明，小麦季添加硝化抑制剂配合麦秸还田，使大豆土壤的硝态氮和铵态氮均有所增加，但是对土壤硝化-反硝化酶的活性影响较小。升温(ET)使大豆土壤硝态氮含量显著增加，而铵态氮含量显著降低; 大气CO2浓度增加(EC)或同时升高气温和CO2浓度(ECT)，土壤硝态氮和铵态氮的含量均有所增加，但与环境高温和CO2浓度(CK)下的无机氮含量差异不显著。不同环境条件下的土壤硝化-反硝化酶的活性没有明显规律。在ET和ECT条件下，大豆生长季N2O排放总量均显著高于CK处理，且添加硝化抑制剂使N2O排放量降低。EC与CK条件下的N2O排放量差异较小，但在CK条件下，硝化抑制剂处理的N2O排放量显著高于普通尿素处理。综上所述，在气温和CO2浓度升高背景下，硝化抑制剂的合理施用有利于大豆土壤有效氮的增加，但是温度升高(ET和ECT)使N2O排放量增加，在此条件下添加硝化抑制剂可以减少N2O的排放，单独升高CO2浓度(EC)时，N2O排放的变化不明显。本研究可为未来气候变化背景下的小麦-大豆轮作施肥管理及农田N2O减排提供理论支持。
大豆 气候变化 土壤硝态氮 酶 soybean climate change soil nitrate nitrogen N2O N2O enzyme
1 黑龙江八一农垦大学信息与电气工程学院, 黑龙江 大庆 163319
2 黑龙江八一农垦大学园艺园林学院, 黑龙江 大庆 163319
为解决大豆冠层在近地端的多光谱图像边缘灰度不均, 目标与背景之间灰度差别小, 难以准确高效地获取大豆冠层目标区域的难题, 将多光谱成像处理技术与经典图像分割方法有机融合, 提出基于多光谱图像处理技术的大豆冠层提取方法。 以东北大豆为对象, 通过Sequoia多光谱相机采集绿光、 近红外、 红光、 红边和可见光五类大豆多光谱图像, 采用高斯平滑滤波法对原始大豆多光谱图像进行预处理, 分析多光谱图像中大豆冠层和背景的灰度直方图分布特性, 在此基础上利用迭代法、 Otsu法和局部阈值法提取原大豆多光谱图像中冠层区域, 并以图像形态学开运算处理细化和扩张背景, 避免图像区域内干扰噪声对大豆冠层识别效果的影响, 同时以有效分割率、 过分割率、 欠分割率、 信息熵以及运行时间等为监督指标, 对大豆冠层多光谱图像识别模型进行效果评价。 大豆冠层识别模型中迭代法可以有效分割近红外和可见光大豆冠层图像, 有效分割率分别为97.81%和87.99%, 对绿光、 红光和红边大豆冠层图像分割效果较差, 有效分割率低于70%; Otsu法和局部阈值法可以有效分割除红光波段的其余四种多光谱大豆冠层图像, 且有效分割率均在82%以上; 三种算法对红光大豆冠层图像的有效分割率均低于20%, 未达到较好效果。 在原始多光谱图像中应用迭代法、 Otsu法和局部阈值法提取大豆冠层图像与标准图像的信息熵平均值波动幅度分别为: 0.120 1, 0.054 7和0.059 8, 其中Otsu法和局部阈值法较小, 表明了对于大豆冠层多光谱图像识别中两种算法的有效性。 该算法中Otsu法和局部阈值法均可以有效提取绿光、 近红外、 红边和可见光等多光谱的大豆冠层图像, 二者较为完整地保留了大豆冠层信息, 其中Otsu法实时性能较局部阈值法更好。 该成果为提取农作物冠层多光谱图像提供理论依据和技术借鉴。
大豆冠层 多光谱图像 图像处理 识别模型 算法评价 Soybean canopy Multispectral image Image processing Recognition model Algorithm evaluation 光谱学与光谱分析
2022, 42(11): 3568
山东理工大学农业工程与食品科学学院, 山东 淄博 255000
采用近红外高光谱成像技术对大豆水分含量进行快速无损检测, 实现大豆水分含量可视化。 采集了96个不同品种大豆样本在900~2 500 nm的高光谱图像, 采用直接干燥法测量每个大豆样品的水分含量。 利用系统自带的HSI Analyzer软件提取图像感兴趣区域(ROI)的平均光谱信息, 代表样品的光谱信息。 利用SPXY算法划分样品校正集和预测集, 并保留938~2 215 nm波段范围内的光谱数据。 采用移动平滑(moving average)、 S-G平滑、 基线校正(baseline)、 归一化(normalize)、 标准正态变量变换(standard normal variate, SNV)、 多元散射校正(multiple scattering correction, MSC)、 去趋势(detrending)共7种光谱预处理方法, 发现Normalize方法处理后的PLSR模型效果较好。 为了去除光谱冗余信息, 简化预测模型, 采用连续投影算法(SPA)、 竞争性自适应加权算法(CARS)、 无信息消除变量法(UVE)提取特征波长, 其中SPA, CARS和UVE三种算法优选出14, 16和29个波长, 分别占总波长的6.5%, 7.4%和13.4%。 分别对938~2 215 nm波段光谱和特征波长建立预测模型, 并将效果较优的模型与Normalize方法结合。 建立的14种预测模型效果相比较, 发现SPA算法筛选的特征波长建模预测效果较好, 并优选出Normalize-SPA-PCR模型, 模型的和值较高, 分别为0.974 6和0.977 8, RMSEP和RMSECV值较低, 分别为0.238和0.313, 模型的稳定性和预测性较好, 可以对大豆水分含量进行准确预测。 将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型, 计算高光谱图像每个像素点的水分含量, 得到灰度图像, 对灰度图像进行伪彩色变换, 得到大豆水分含量可视化彩色图像。 对预测集的24个大豆品种进行可视化处理, 发现不同水分含量大豆的可视化图像颜色不同, 水分含量变化对应的颜色变化较为明显。 结果表明, 高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量, 实现大豆水分含量可视化, 为大豆收获、 贮藏加工过程中水分含量检测提供了技术支持。
高光谱成像技术 水分含量 大豆 无损检测 可视化 Hyperspectral imaging Moisture content Soybean Non-destructive detection Visualization 光谱学与光谱分析
2022, 42(10): 3052
1 浙江理工大学信息学院, 浙江 杭州 310018
2 浙江理工大学机械与自动控制学院, 浙江 杭州 310018
为减轻虫害对大豆的影响, 首先使用相应的高光谱仪器进行样本采集, 样本分为4类: 包括带有微小虫卵的, 带有幼虫的, 有啃食痕迹的和完全正常的大豆各20颗; 然后提出了一种基于三维图像检索(3D-R-D, 3D Resnet18 DCH)的大豆食心虫的高光谱检测方法。 该方法从视频检索的应用中得到启发, 考虑到视频不同帧之间和高光谱不同层之间存在类比关系, 使用了在大规模视频检索数据集下训练而成的分类模型, 将它作为预训练3D卷积模型进行训练。 和已知的文献方法相同, 使用公开的光谱数据集进行正式训练和微调, 从而得到能进行特征提取的3D卷积网络, 用图像检索来实现间接分类, 通过利用样本之间的特征距离, 实现在全新类别上的分类。 为能适应任务, 将模型最后的分类层变成了图像检索常用的hash层, 从而得到了代表特征的二进制码。 该方法不但完成了对不同情况下大豆种类的检测, 还解决了训练时样本不足的问题。 为探寻一种好的相似度匹配损失函数, 对比了多种较新的方法, 最后发现使用融入柯西分布的损失函数, 实验效果最佳, 最终模型的分类精度达86%±1.00%, 和在大豆食心虫检测上最新的小样本方法对比, 3D-R-D方法提高了3.5%左右的精度, 表明该方法是有效的, 它也为结合高光谱检测相关研究提供了一种全新思路。
图像检索 大豆食心虫 高光谱 虫害检测 Image retrieval Soybean heartworm Hyperspectral 3DCNN Pest detection 3D CNN 光谱学与光谱分析
2022, 42(9): 2931
哈尔滨学院, 黑龙江省寒区湿地环境与生态研究重点实验室, 黑龙江 哈尔滨 150086
以叶绿素荧光分析为技术手段, 通过研究土壤中多环芳烃(菲)胁迫对野生大豆叶绿素荧光特性以及光能分配参数的影响。 结果表明: 土壤菲胁迫降低了PSⅡ反应中心活性和电子传递能力, 导致其光能利用能力降低。 200 mg·kg-1菲胁迫促使Fv/Fm, qP, ETR和NPQ的发生变化, 降低了光合电子传递链上的电子传递能力和光合反应活性; 在不同光强的调控下, 土壤菲胁迫浓度的增大使得大豆幼苗叶片叶绿素荧光响应曲线ФPSⅡ和qP参数呈现降低趋势, NPQ的上调启动了叶黄素循环途径耗散过剩的辐射激发能, 以维持光合机构的正常生理功能。 土壤菲胁迫下野生大豆叶片的Fm, Fv/Fm, Fv/Fo和PIABS等参数均随着菲含量的增加而降低, 即土壤菲胁迫抑制了野生大豆叶片的PSⅡ光化学活性。 通过对PSⅡ电子供体侧和受体侧的电子供应及传递能力的研究发现, 土壤菲胁迫下野生大豆叶片OJIP曲线上0.3 ms时(即K点)的荧光强度增加, 即放氧复合体(OEC)活性降低。 土壤菲胁迫还导致OJIP曲线上J点和I点荧光强度的增加, 说明土壤菲胁迫导致了野生大豆叶片PSⅡ受体侧电子接受能力的降低, 使电子由QA向QB传递受阻。 野生大豆叶片的光能吸收和分配参数也明显受到土壤菲胁迫的影响; 随着土壤菲浓度的增加野生大豆叶片PSⅡ反应中心吸收光能用于Q-A以后的电子传递能量比例和单位反应中心捕获用于电子传递的能量降低, 即吸收的光能用于光化学反应的比例降低。 因此, 土壤菲胁迫下导致PSⅡ电子供体侧OEC的损伤和PSⅡ电子受体侧电子传递能力的降低, 以及光能分配利用的改变均是导致其PSⅡ反应中心的活性降低的重要原因。 研究结果表明, 以叶绿素荧光分析技术可为环境中多环芳烃(菲)胁迫对植物光合作用的影响机理研究提供指导。
野生大豆 多环芳烃 荧光分析 荧光参数 荧光曲线 Glycine soja PAHs Fluorescence analysis Fluorescence parameters Fluorescence curves 光谱学与光谱分析
2022, 42(7): 2207
