CN103674929B - 光谱分析用于植物幼苗的体检方法 - Google Patents
光谱分析用于植物幼苗的体检方法 Download PDFInfo
- Publication number
- CN103674929B CN103674929B CN201310725083.6A CN201310725083A CN103674929B CN 103674929 B CN103674929 B CN 103674929B CN 201310725083 A CN201310725083 A CN 201310725083A CN 103674929 B CN103674929 B CN 103674929B
- Authority
- CN
- China
- Prior art keywords
- plant seedlings
- chlorophyll
- spectrum analysis
- plant
- neutral net
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明的光谱分析用于植物幼苗的体检方法,涉及植物幼苗叶绿素的检测方法,利用拉曼光谱图像检测平台,检测植物幼苗在不同碱基溶液胁迫下的叶绿素含量。有益效果是:不使用任何化学试剂,降低了检测成本,同时不会对环境造成污染;采用拉曼光谱分析,不需要对样品进行复杂的处理,可以达到无损鉴别的效果,并且实验数据准确快速;通过神经网络的建模,能够处理大量不同介质对于幼苗叶绿素影响的程度,节省了时间;能够快速、准确、稳定、实时的完成实验,为植物幼苗的成长的实验研究带来很大的突破。
Description
技术领域
本发明涉及植物幼苗叶绿素的检测方法,特别涉及一种光谱分析用于植物幼苗的体检方法。
技术背景
叶绿素(chlorophyll)是一类与光合作用(photosynthesis)有关的最重要的色素。光合作用是通过合成一些有机化合物将光能转变为化学能的过程。叶绿素实际上存在于所有能营造光合作用的生物体,包括绿色植物、原核的蓝绿藻(蓝菌)和真核的藻类。叶绿素从光中吸收能量,然后能量被用来将二氧化碳转变为碳水化合物。因此,叶绿素多少指示了植株生长状态、健康情况,根据指示值调整培养液组分。
植物的生长是一个复杂的生理生化、物质代谢的过程,植物叶色变异是每一个植物生长中都会出现的问题,在植物的生长过程中必不可少的就是土壤和水,而这两种因素在不同的环境下都存在着化学元素和碱度的明显不同,为了检测这些因素对植物叶绿素的影响,我国的实验研究人员做了大量的实验,其中大多数的检测方法是采用近红外光谱检测的方法进行检测。近红外光谱仪是介于可见光和中红外之间的电磁辐射波,美国材料检测协会将近红外光谱区定义为780-2526nm的区域,是人们在吸收光谱中发现的第一个非可见光区。近红外光谱区与有机分子中含氢基团(OH、NH、CH)振动的合频和各级倍频的吸收区一致,通过扫描样品的近红外光谱,可以得到样品中有机分子含氢基团的特征信息,而且利用近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低,不消耗化学试剂,不污染环境等优点,因此该技术受到越来越多人的青睐。但是使用近红外光谱检测一颗植物的样品时需要将所要检测的样品通过复杂的剪碎研磨处理后才能进行观察,这样的方法不仅仅破坏了植物的原始样子,更是不能进行连续的样品检测,因为暴露于外部的植物内成分很容易和空气内的一些物质进行反映,从而使所检测的光谱信息不准确,存在差异。而且对于红外光谱来说有关叶绿素的检测并不是十分的敏感,不能快速有效的实现对叶绿素的检测。
发明内容
为了解决上述技术问题,本发明提供了一种光谱分析用于植物幼苗的体检方法,能够达到无损检测植物的光品信息,快速有效的得到植物在不同碱基溶液的培养下的准确的叶绿素a、叶绿素b和总体叶绿素的含量。
本发明的光谱分析用于植物幼苗的体检方法,利用拉曼光谱图像检测平台,检测植物幼苗在不同的碱基溶液胁迫下的叶绿素含量:
a、选择正常健康的植物种粒若干颗,在室温的情况下,放入盛有不同有机溶液的容器内进行育种,在培育10至20天后用拉曼光谱分析;
b、根据拉曼光谱仪得到不同有机溶液下培育的植物幼苗检测光谱图,对全波段数据主成分分析,选用累积贡献率95%以上主成分做神经网络输入神经元;
c、采用神经网络的方法进行建模,得出植物幼苗在不同有机溶液培养后的叶绿素a,叶绿素b和总叶绿素的含量。
作为本发明的进一步改进神经网络有输入层,中间层和输出层,输入来自主成分分析结果,输出层是叶绿素值。
拉曼光谱,是一种散射光谱。拉曼光谱分析法是基于印度科学家C.V.拉曼所发现的拉曼散射效应,对与入射光频率不同的散射光谱进行分析以得到分子振动、转动方面信息,并应用于分子结构研究的一种分析方法。拉曼光谱相对于其他光谱来说具有独特的优点:首先对于非极性基团C-C,C=C和S-S等红外吸收较弱的官能团在拉曼光谱中可以得到吸收强烈的光谱带,其次水分子的拉曼光谱信号很弱可以很容易的得到含水样品的拉曼光谱。拉曼光谱的另一大优点是不要求样品具有光透性,可以很容易的得到浑浊样品的拉曼光谱。因此拉曼光谱具有快速、样品制备简单、不需要研磨处理可以进行无损鉴别及检测结果精确等诸多的优点。
本发明的有益效果是:
1、本发明不使用任何化学试剂,降低了检测成本,同时不会对环境造成污染;
2、本发明采用拉曼光谱分析,不需要对样品进行复杂的处理,可以达到无损鉴别的效果,并且实验数据准确快速;
3、本发明通过神经网络的建模,能够处理大量不同介质对于幼苗叶绿素影响的程度,节省了时间;
4、本发明能够快速、准确、稳定、实时的完成实验检测,为植物幼苗的成长的实验研究带来很大的突破,为调整培养液的组份、满足幼苗的生长需要,提供了依据。
附图说明
图1为本发明光谱分析用于植物幼苗的体检方法的原理图;
图2为玉米幼苗在未加碱溶液中培养后的光谱图;
图3为玉米幼苗在碱协迫浓度200的溶液中培养后的光谱图。
具体实施方式
如图1所示,本发明的光谱分析用于植物幼苗的体检方法,利用拉曼光谱图像检测平台,检测植物幼苗在不同的碱基溶液胁迫下的叶绿素含量:
a、选择正常健康的植物种粒若干颗,在室温的情况下,放入盛有有机溶液的容器内进行育种,在培育10至20天后用拉曼光谱分析;
b、根据拉曼光谱仪得到碱基溶液下培育的植物幼苗检测光谱图,对全波段数据主成分分析,选用累积贡献率95%以上主成分做神经网络输入神经元;
c、采用神经网络的方法进行建模,得出植物幼苗在有机溶液培养后的叶绿素a,叶绿素b和总叶绿素的含量。
所述的神经网络有输入层,中间层和输出层,输入来自主成分分析结果,输出层是叶绿素值。
如图2、图3所示本发明以玉米幼苗为例,对其在不同溶液培中培养后的幼苗进行叶绿素的分析和检测。
选择颗粒饱满的玉米种粒50颗,在室温下,将其分为两组分别至于不含碱的有机溶液和碱协迫浓度200的有机溶液(有机溶液配方为是每升水中含有下列是组份:硫酸铵48.2 g/L、硫酸镁65.9/L、硝酸钾18.5/L、磷酸二氢钾 24.8/L)中进行育种培养。在培养10至20天后,对玉米幼苗在不含碱的有机溶液和碱协迫浓度200的有机溶液培养后得到的拉曼光谱进行全波段数据主成分分析,建立神经网络模型,选用累积贡献率95%以上主成分做神经网络输入神经元,通过设定中间层节点个数,进行简单的模内函数计算,得出玉米幼苗分别置于两种溶液内培养后的叶绿素a、叶绿素b和总叶绿素的含量,从而根据叶绿素的含量来调整培养液的成份。图2是在不含碱的有机溶液中培养的幼苗的谱图;图3是在碱协迫浓度200的有机溶液中进行育种培养的细苗的光谱图。
培养液的配方有多种,本发明中均可以适用,本领域的技术人员可以根据不同的种子生产条件进行混配,其幼苗叶绿素的检测,本方法均适用。
Claims (2)
1.光谱分析用于植物幼苗的体检方法,其特征在于利用拉曼光谱图像检测平台,检测植物幼苗在不同的碱基溶液胁迫下的叶绿素含量,其方法如下:
a、选择正常健康的植物种粒若干颗,在室温的情况下,放入盛有不同有机溶液的容器内进行育种,在培育10至20天后用拉曼光谱分析;
b、根据拉曼光谱仪得到不同有机溶液下培育的植物幼苗检测光谱图,对全波段数据主成分分析,选用累积贡献率95%以上主成分做神经网络输入神经元;
c、采用神经网络的方法进行建模,得出植物幼苗在不同有机溶液培养后的叶绿素a,叶绿素b和总叶绿素的含量。
2.根据权利要求1所述的光谱分析用于植物幼苗的体检方法,其特征在于神经网络有输入层,中间层和输出层,输入来自主成分分析结果,输出层是叶绿素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310725083.6A CN103674929B (zh) | 2013-12-25 | 2013-12-25 | 光谱分析用于植物幼苗的体检方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310725083.6A CN103674929B (zh) | 2013-12-25 | 2013-12-25 | 光谱分析用于植物幼苗的体检方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103674929A CN103674929A (zh) | 2014-03-26 |
CN103674929B true CN103674929B (zh) | 2016-08-17 |
Family
ID=50313137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310725083.6A Active CN103674929B (zh) | 2013-12-25 | 2013-12-25 | 光谱分析用于植物幼苗的体检方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103674929B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290294B (zh) * | 2016-07-25 | 2018-12-28 | 浙江大学 | 一种利用共聚焦显微拉曼检测茶叶中叶绿素b含量的方法 |
CN106290295B (zh) * | 2016-07-25 | 2019-04-02 | 浙江大学 | 一种利用共聚焦显微拉曼检测茶叶中叶绿素a含量的方法 |
CN106290292B (zh) * | 2016-07-25 | 2018-12-28 | 浙江大学 | 一种利用共聚焦显微拉曼检测茶叶中类胡萝卜素含量的方法 |
CN108007916B (zh) * | 2017-03-16 | 2020-08-04 | 黑龙江八一农垦大学 | 希尔伯特黄法建立稻株氮含量的共聚焦显微拉曼测量模型 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006130921A1 (en) * | 2005-06-08 | 2006-12-14 | Monash University | Investigating biological cells using enhanced raman spectroscopy |
CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
CN101726742A (zh) * | 2009-12-01 | 2010-06-09 | 中国地质大学(北京) | 农作物污染胁迫水平遥感测量方法 |
CN103091296A (zh) * | 2013-01-23 | 2013-05-08 | 浙江大学 | 基于光谱成像技术的植物健康状况检测方法及其装置 |
-
2013
- 2013-12-25 CN CN201310725083.6A patent/CN103674929B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006130921A1 (en) * | 2005-06-08 | 2006-12-14 | Monash University | Investigating biological cells using enhanced raman spectroscopy |
CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
CN101726742A (zh) * | 2009-12-01 | 2010-06-09 | 中国地质大学(北京) | 农作物污染胁迫水平遥感测量方法 |
CN103091296A (zh) * | 2013-01-23 | 2013-05-08 | 浙江大学 | 基于光谱成像技术的植物健康状况检测方法及其装置 |
Non-Patent Citations (2)
Title |
---|
汪得凯等.拉曼光谱法鉴定水稻叶绿素缺乏突变体.《光谱实验室》.2008,第25卷(第1期), * |
谢传奇等.基于高光谱技术的灰霉病胁迫下番茄叶片SPAD值检测方法研究.《光谱学与光谱分析》.2012,第32卷(第12期), * |
Also Published As
Publication number | Publication date |
---|---|
CN103674929A (zh) | 2014-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kalaji et al. | A comparison between different chlorophyll content meters under nutrient deficiency conditions | |
Shah et al. | Response of chlorophyll, carotenoid and SPAD-502 measurement to salinity and nutrient stress in wheat (Triticum aestivum L.) | |
Dong et al. | Assessment of portable chlorophyll meters for measuring crop leaf chlorophyll concentration | |
Padilla et al. | Proximal optical sensors for nitrogen management of vegetable crops: A review | |
Ramoelo et al. | Water-removed spectra increase the retrieval accuracy when estimating savanna grass nitrogen and phosphorus concentrations | |
CN103674929B (zh) | 光谱分析用于植物幼苗的体检方法 | |
Yang et al. | Analyzing the performance of fluorescence parameters in the monitoring of leaf nitrogen content of paddy rice | |
CN104076009B (zh) | 一种生物颗粒远红外波段复折射率的快速测量方法 | |
Song et al. | Spatial variability analysis of within-field winter wheat nitrogen and grain quality using canopy fluorescence sensor measurements | |
Wagner et al. | Subcommunity FTIR-spectroscopy to determine physiological cell states | |
CN110189793A (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
Kutasy et al. | Mitigating the negative effect of drought stress in oat (Avena sativa L.) with silicon and sulphur foliar fertilization | |
Sun et al. | Water-extractable organic matter and its fluorescence fractions in response to minimum tillage and organic farming in a Cambisol | |
Zhou et al. | A new coupled elimination method of soil moisture and particle size interferences on predicting soil total nitrogen concentration through discrete nir spectral band data | |
Qiao et al. | Maize characteristics estimation and classification by spectral data under two soil phosphorus levels | |
Zhao et al. | Simultaneous quantification and visualization of photosynthetic pigments in Lycopersicon esculentum mill. Under different levels of nitrogen application with visible-near infrared hyperspectral imaging technology | |
Zheng et al. | Tomato comprehensive quality evaluation and irrigation mode optimization with biogas slurry based on the combined evaluation model | |
Zhang et al. | Detection of tomato water stress based on terahertz spectroscopy | |
Li et al. | Water-salt thresholds of cotton (Gossypium hirsutum L.) under film drip irrigation in arid saline-alkali area | |
Kinyangi | Soil health and soil quality: a review | |
Li et al. | Prediction of plant nutrition state of rice under water-saving cultivation and panicle fertilization application decision making | |
Li et al. | Effects of light conversion film on the growth of leafy vegetables in facilities under haze weather | |
Li et al. | Diagnosis of nitrogen status in Chinese cabbage (Brassica rapa chinensis) using the ratio of amide II to amide I in leaves based on mid‐infrared photoacoustic spectroscopy | |
Fang et al. | Prediction Models for the Content of Calcium, Boron and Potassium in the Fruit of ‘Huangguan’Pears Established by Using Near-Infrared Spectroscopy | |
Sari et al. | Relationship between chlorophyll content and canopy reflectance in Washington navel orange trees (Citrus sinensis (L.) Osbeck) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |