CN108519339B - 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 - Google Patents
一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 Download PDFInfo
- Publication number
- CN108519339B CN108519339B CN201810253782.8A CN201810253782A CN108519339B CN 108519339 B CN108519339 B CN 108519339B CN 201810253782 A CN201810253782 A CN 201810253782A CN 108519339 B CN108519339 B CN 108519339B
- Authority
- CN
- China
- Prior art keywords
- data
- leaf
- ssvr
- spectral
- sample
- 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
- 229910052793 cadmium Inorganic materials 0.000 title claims abstract description 73
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 title claims abstract description 73
- 230000003595 spectral effect Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 39
- 229910001385 heavy metal Inorganic materials 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 9
- 238000001479 atomic absorption spectroscopy Methods 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 31
- 238000002790 cross-validation Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001079 digestive effect Effects 0.000 claims description 6
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000007788 liquid Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 abstract description 35
- 240000003768 Solanum lycopersicum Species 0.000 abstract description 35
- 238000012843 least square support vector machine Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 5
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 2
- 229930003268 Vitamin C Natural products 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 235000019154 vitamin C Nutrition 0.000 description 2
- 239000011718 vitamin C Substances 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010005949 Bone cancer Diseases 0.000 description 1
- 206010061728 Bone lesion Diseases 0.000 description 1
- 208000018084 Bone neoplasm Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 229930003427 Vitamin E Natural products 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 235000006708 antioxidants Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 description 1
- 230000009036 growth inhibition Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000002015 leaf growth Effects 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000010451 perlite Substances 0.000 description 1
- 235000019362 perlite Nutrition 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 210000005084 renal tissue Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 235000019165 vitamin E Nutrition 0.000 description 1
- 229940046009 vitamin E Drugs 0.000 description 1
- 239000011709 vitamin E Substances 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/3103—Atomic absorption analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了，一种基于小波变换‑偏最小二乘支持向量机回归(WT‑LSSVR)的叶片镉含量可见光‑近红外光谱(Vis‑NIR)特征建模方法，对不同浓度重金属镉胁迫下番茄叶片的可见光‑近红外光谱(Vis‑NIR)进行有效的光谱敏感波段数据提取，以及采用原子吸收光谱法测定叶片中重金属镉(Cd)含量，获得叶片重金属镉含量标签集合，并利用提取得到的敏感特征波长采用WT‑LSSVR特征建模算法，完成叶片镉含量Vis‑NIR光谱特征建模，具有检测速度快，镉含量预测精度高，镉含量预测效率高，对叶片不造成损坏等优点，可实现同一品种番不同镉残留含量的定量检测，以及未知叶片镉残留含量预测。
Description
技术领域
本发明属于植物检测领域，,尤其涉及一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法。
背景技术
绿色蔬菜是世界上消费最丰富的作物之一，含有丰富的抗氧化剂，如维生素C、维生素E、多酚和类胡萝卜素等。相关的试验研究表明，维生素C在人体健康中起着重要作用，包括提升人体免疫能力和降低阿尔茨海默病的发病率。此外，经常食用绿色蔬菜将提升人体对于包括癌症、心血管和脑血管等疾病的抵抗力。正常条件下，作物的生长与土壤环境密切相关。重金属镉(Cd)污染胁迫是土壤种植危害中较大的一个农业问题，在作物相关信息检测中得到了深入研究。虽然重金属镉(Cd)不是作物生长的必需元素，但其容易在作物体内蓄积，对作物构成潜在危害。此外，镉(Cd)通过食物链进入人体后，很难被人体排出体外而易于蓄积于人体的肝、肾组织中，使得肾脏吸收功能不全，轻则恶心呕吐、全身乏力，重则引起骨质酥松、骨骼病变，诱发骨癌以及心血管疾病等。因此，在不同镉胁迫下叶片生长过程中重金属含量的检测是十分必要的。
高光谱成图像技术是一种新兴的平台技术，它将传统的光谱学和成像技术结合起来，从而实现从检测样品中获得光谱和空间信息。不同镉浓度胁迫下，将产生叶片的生长抑制作用，叶绿素含量下降等影响。可见光-近红外高光谱图像技术能有效的反映了作物叶片内部色素和细胞结构的变化。为此，可见光-近红外高光谱成像技术可用于叶片中镉的检测。由于高光谱图像的噪声干扰，在分析高光谱图像数据时需要适当的去噪算法。此外，为了更方便地找到光谱值与预测值之间的关系，需要找到一种合适的特征选择和定量建模方法。
小波分析是一种变分辨率的时频分析方法。在分析低频信号时，其时间窗很大；而分析高频信号时，其时间窗较小。这恰恰符合实际问题中高频信号持续时间短，低频信号持续时间长的自然规律。为此，小波变换被广泛应用于信号处理、图像处理、模式识别以及数据压缩等领域。小波变换分析光谱时，其能够通过一个较强的光谱振荡来确定不同位置的光谱区域特征。小波多尺度变换分解所产生的高频细节部分能有效的反应物质的敏感波段，而低频逼近部分可以平滑由局部振荡所产生的噪声。小波变换分析本身不能够实现对原始信号的特征提取。通常情况下，小波变换分析使用特征提取策略，来实现光谱特征选择。
目前，小波变换算法在光谱信息处理研究主要集中在光谱数据敏感波段选取方面。比如：中国发明专利申请号为CN 201410744881.8、名为“基于小波变换的近红外光谱有用信息分辨方法”中指出了一种基于小波变换的近红外光谱有用信息分辨方法，利用UVA-PLS方法对信号进行选择，构建预测模型。中国发明专利申请号为CN 201510206549.0、名为“基于3-D小波变换和稀疏张量的高光谱图像特征抽取方法”中指出了一种基于3-D小波变换和稀疏张量的高光谱图像特征抽取方法，通过稀疏张量判别方法实现特征稀疏化。但是采用上述两个发明专利算法存在未进行深层次算法嵌合，并且所建立的模型随机性较大等问题。
发明内容
本发明为了克服现有技术的不足与缺陷，提出了一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，目的在于提供一种检测速度快、精度高、对作物叶片不会造成破坏的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法。
本发明解决其技术问题所采用的技术方案是：
一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，包括以下步骤：
步骤1，采用可见光-近红外高光谱图像采集系统，采集不同浓度重金属镉胁迫下的叶片Vis-NIR高光谱图像信息；
步骤2，在所采集的叶片Vis-NIR高光谱图像信息中获取叶片感兴趣区域可见光-近红外光谱信息；
步骤3，采用二阶导数法，对获取的叶片感兴趣区域可见光-近红外光谱信息预处理，获得光谱数据集合P；
步骤4，采用原子吸收光谱法测定叶片中重金属镉(Cd)含量，获得叶片重金属镉含量标签集合V；
步骤5，采用WT-LSSVR特征建模算法，完成叶片镉含量Vis-NIR光谱特征建模。
进一步，所述步骤5中WT-LSSVR特征建模算法对叶片镉含量Vis-NIR光谱特征建模包括以下步骤：
步骤5.1，输入预处理后光谱数据集合P＝{(x1,y1),(x2,y2),...,(xm,yn)}，以及叶片重金属镉含量标签集合V＝{(p1,v1),(p2,v2),...,(pn,vn)}；其中，xi∈X,yi∈Y,pi∈P,vi∈V,xi为某个叶片样本光谱波长，yi为叶片样本光谱反射值，X为叶片样本光谱波长集合，Y为叶片样本光谱反射值集合，pn为某一个叶片样本，vn为某一个叶片重金属镉含量，m表示光谱波段数，n为叶片样本总数，i＝1,2,3,...,n。
步骤5.2，对预处理后光谱数据集合P进行小波七层分解，采用db4(Daubechies 4)作为小波基函数，将光谱数据集合P小波七层分解得到的高频组分和低频组分数据分别放在数据集合D和数据集合L中；D＝{(x1,d1),(x2,d2),...,(x7,d7)},L＝{(x1,l1),(x2,l2),...,(x7,l7)},xi∈X,di∈cD,li∈cL,i＝1,2,3,...,7，di为某小波分解层下高频组分，li为某小波分解层下低频组分。cD和cL分别表示不同小波分解层下高频组分和低频组分。令数据集合T＝{(d1,l1),(d2,l2),...,(d7,l7)},其中，T中某一个数据集合表示为Ti＝{(di,li)},i＝1,2,3,...,7；
步骤5.3，采用蒙特卡洛算法循环提取不同小波分解层的特征波长数据；具体过程为：
步骤5.3.1，设定最大循环次数为rmax＝2500，循环次数记为r，0≤r≤rmax，将数据集合Ti的75％数据分配给训练集合TCi，TCi＝{(dci,lci)},i＝1,2,3,...,7；Ti中剩余的25％数据将分配给预测集合TPi，TPi＝{(dpi,lpi)},i＝1,2,3,...,7；其中，dci，lci分别为训练集合TCi中小波i层分解的低频组分和高频组分，dpi,lpi分别为预测集合TPi中小波i层分解的低频组分和高频组分；
步骤5.3.2，采用五折交叉验证法从数据集合TCi中获取交叉验证集合TVi，TVi＝{(dcvi,lcvi)},i＝1,2,3,...,7；其中，训练集合TCi、交叉验证集合TVi和预测集合TPi样本数分别为n1、n2和n3，n＝n1+n3，n1＝n2×5，dcvi,lcvi分别为交叉验证集合TVi中小波i层分解的低频组分和高频组分；
步骤5.3.3，根据叶片重金属镉含量标签集合V依次获取训练集合VCi(n1×1)、交叉验证集合VCVi(n2×1)和预测集合样本镉含量标签VPi(n3×1)；
步骤5.3.4，采用最小二乘法(LS)对训练集合中dci进行处理得到的回归系数，并通过比较回归系数的绝对值获得特征波长，并将特征波长数据放置在矩阵集合CWi中。
步骤5.4，对选取步骤5.3的特征波长数据进行评估；具体过程如下：
步骤5.4.1，从集合lci、lcvi和lpi分别提取特征波长对应的小波七层分解对应的低频组分数据放入集合CSi、VSi和PSi中，i＝1,2,3,...,7，集合CSi、VSi和PSi分别作为LSSVR模型的训练集合、交叉验证集合和预测集合，数据集合VCi(n1×1)、VCVi(n2×1)和VPi(n3×1)依然作为训练集合、交叉验证集合和预测集合中样本镉含量标签；
步骤5.4.2，采用径向基函数RBF作为LSSVR核函数，惩罚因子C为：
径向基函数RBF为：
其中，
和σy分别为训练集的平均值和标准偏差；K(x,xi)为径向基函数RBF；x为交叉验证集或预测集的数据、xi和p分别为训练集数据和宽度参数。
步骤5.4.3，分别计算训练集合、交叉验证集合和预测集合相关系数R2和均方根误差RMSE，
其中，n为样本数；yk和
分别表示第k个样本实际测量值和LSSVR模型评估值；
是实测值的平均值，k的取值范围为1,2,3,...,n。
步骤5.5，循环次数增加，循环次数r＝r+1，如果满足条件
或(r>rmax)则循环结束，计算终止；否则，继续步骤5.3，其中，
和
分别表示第r和r-1次循环预测集相关系数。
进一步，所述步骤2中获取叶片感兴趣区域可见光-近红外光谱信息的方法为：
将整个叶片作为感兴趣区域(ROI，region of interest)，设定二值化分割阈值为1.6，利用反射值大的波长图像与反射值小的波长图像作比，对作比后图像进行阈值分割获取淹模图像，通过对淹模图像去除背景后获取整个叶片感兴趣区域光谱信息。
进一步，所述步骤3中，二阶导数法计算公式为：
其中A为叶片样本光谱反射值，λ为叶片样本光谱波长。
进一步，所述步骤4中，叶片重金属镉含量计算公式为：
其中X为试样中镉含量；c1为试样消化液中镉含量；c0为空白液中镉含量；V为试样消化液定容总体积；m为试样质量或体积；1000为换算系数。
本发明的有益效果：
本发明是在提取不同镉胁迫叶片Vis-NIR高光谱图像信息基础上，通过淹模图像获取整个叶片感兴趣区域光谱，利用WT-LSSVR算法完成叶片镉含量Vis-NIR光谱特征建模，具有检测速度快，精度高，定量检测效果好，对待检测物不造成破坏的优点，可实现作物叶片重金属镉胁迫定量检测，为重金属镉胁迫梯度诊断提供可靠的技术保障。
附图说明
图1是基于WT-LSSVR的番茄叶片镉含量Vis-NIR光谱特征建模方法的流程图；
图2是叶片感兴趣区域Vis-NIR光谱图；
图3是叶片感兴趣区域Vis-NIR光谱数据二阶导预处理后光谱图；
图4是WT-LSSVR算法特征建模预测集数据示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
如图1所示，本实施例以番茄叶片作为例子阐述，对番茄叶片中重金属镉含量定量检测，采用的技术方案如下：
(1)培育试验在Venlo型温室大棚内进行番茄的无土栽培，以便获取较纯正的实验样本，番茄样本拟选用红粉1号。番茄种子首先在营养基质槽中进行育苗，在幼苗3叶期前采用营养液培养，营养液按照日本山崎配方进行配置，待长出新叶后选取长势较好且一致的番茄幼苗移植于珍珠岩固体基质中，1周之后进行镉胁迫处理。营养液中的Cd以CdCl2形式加入，镉浓度梯度设置为0mg/L(CK)、0.2mg/L、0.5mg/L、1mg/L、2mg/L、5mg/L、10mg/L，每个处理8次重复。培养期间每天用HCl或NaOH调节营养体系以稳定PH值，每4d更换一次营养液并保持连续通气。于幼苗期(7-8片叶)，采集相同位置的叶片用于Vis-NIR高光谱图像采集试验。
(2)获取番茄叶片感兴趣区域可见光-近红外光谱信息。将整个番茄叶片作为感兴趣区域(ROI，region of interest)，利用反射值较大的波长(546.55nm)图像与反射值较小的波长(687.06nm)图像作比，设定二值化分割阈值为1.6，对作比后图像进行阈值分割获取淹模图像，最后通过淹模图像获取去除背景后整个番茄叶片感兴趣区域光谱如图2所示。
(3)采用原子吸收光谱法(AAS，atomic absorption spectrometry)测定番茄叶片中重金属镉(Cd)含量，参照国家标准GB5009.15-2014，番茄叶片重金属镉含量计算公式为：
其中X为试样中镉含量；c1为试样消化液中镉含量；c0为空白液中镉含量；V为试样消化液定容总体积；m为试样质量或体积；1000为换算系数。
得到番茄叶片重金属镉含量检测结果如表1所示：
表1原子吸收光谱法测定样品中镉含量
(4)番茄叶片感兴趣区域可见光-近红外光谱信息预处理。采用二阶导数法，二阶导数法计算公式为：
其中A为番茄叶片样本光谱反射值，λ为番茄叶片样本光谱波长。对番茄叶片感兴趣区域可见光-近红外光谱信息进行有效预处理，预处理光谱图如图3所示。
(5)采用WT-LSSVR特征建模算法，完成番茄叶片镉含量Vis-NIR光谱特征建模，包括以下步骤：
S1，输入预处理后光谱数据集合P＝{(x1,y1),(x2,y2),...,(xm,yn)}，以及番茄叶片重金属镉含量标签集合V＝{(p1,v1),(p2,v2),...,(pn,vn)}；其中，xi∈X,yi∈Y,pi∈P,vi∈V,xi为某个番茄叶片样本光谱波长，yi为番茄叶片样本光谱反射值，X为番茄叶片样本光谱波长集合，Y为番茄叶片样本光谱反射值集合，pn为某一个番茄叶片样本，vn为某一个番茄叶片重金属镉含量，m表示光谱波段数，n为番茄叶片样本总数，i＝1,2,3,...,n。
S2，对预处理后光谱数据集合P进行小波七层分解，采用db4(Daubechies 4)作为小波基函数，将光谱数据集合P小波七层分解得到的高频组分和低频组分数据分别放在数据集合D和数据集合L中；D＝{(x1,d1),(x2,d2),...,(x7,d7)},L＝{(x1,l1),(x2,l2),...,(x7,l7)},xi∈X,di∈cD,li∈cL,i＝1,2,3,...,7，di为某小波分解层下高频组分，li为某小波分解层下低频组分。cD和cL分别表示不同小波分解层下高频组分和低频组分。令数据集合T＝{(d1,l1),(d2,l2),...,(d7,l7)},其中，T中某一个数据集合表示为Ti＝{(di,li)},i＝1,2,3,...,7；
S3，采用蒙特卡洛算法循环提取不同小波分解层的特征波长数据；具体过程为：
S3.1，设定最大循环次数为rmax＝2500，循环次数记为r，0≤r≤rmax，将数据集合Ti的75％数据分配给训练集合TCi，TCi＝{(dci,lci)},i＝1,2,3,...,7；Ti中剩余的25％数据将分配给预测集合TPi，TPi＝{(dpi,lpi)},i＝1,2,3,...,7；其中，dci，lci分别为训练集合TCi中小波i层分解的低频组分和高频组分，dpi,lpi分别为预测集合TPi中小波i层分解的低频组分和高频组分；
S3.2，采用五折交叉验证法从数据集合TCi中获取交叉验证集合TVi，TVi＝{(dcvi,lcvi)},i＝1,2,3,...,7；其中，训练集合TCi、交叉验证集合TVi和预测集合TPi样本数分别为n1、n2和n3，n＝n1+n3，n1＝n2×5，dcvi,lcvi分别为交叉验证集合TVi中小波i层分解的低频组分和高频组分；
S3.3，根据番茄叶片重金属镉含量标签集合V依次获取训练集合VCi(n1×1)、交叉验证集合VCVi(n2×1)和预测集合样本镉含量标签VPi(n3×1)；
S3.4，采用最小二乘法(LS)对训练集合中dci进行处理得到的回归系数，并通过比较回归系数的绝对值获得特征波长，并将特征波长数据放置在矩阵集合CWi中。
S4，对选取步骤S3的特征波长数据进行评估；
步骤S4.1，从集合lci、lcvi和lpi分别提取特征波长对应的小波七层分解对应的低频组分数据放入集合CSi、VSi和PSi中，i＝1,2,3,...,7，集合CSi、VSi和PSi分别作为LSSVR模型的训练集合、交叉验证集合和预测集合，数据集合VCi(n1×1)、VCVi(n2×1)和VPi(n3×1)依然作为训练集合、交叉验证集合和预测集合中样本镉含量标签；
步骤S4.2，采用径向基函数RBF作为LSSVR核函数，惩罚因子C为：
核函数半径G为：
其中，
和σy分别为训练集的平均值和标准偏差；K(x,xi)为径向基函数RBF；x为交叉验证集或预测集的数据、xi和p分别为训练集数据和宽度参数。
步骤S4.3，分别计算训练集合、交叉验证集合和预测集合相关系数R2和均方根误差RMSE，
其中，n为样本数；yk和
分别表示第k个样本实际测量值和LSSVR模型评估值；
是实测值的平均值，k的取值范围为1,2,3,...,n。
步骤S5，循环次数增加，循环次数r＝r+1，如果满足条件
或(r>rmax)则循环结束，计算终止；否则，继续步骤5.3，其中，
和
分别表示第r和r-1次循环预测集相关系数。
利用WT-LSSVR算法完成番茄叶片镉含量Vis-NIR光谱特征建模，提取得到的特征波长如表2所示:
表2WT-LSSVR算法选取得到的敏感波段
所建立模型的预测集番茄叶片镉含量预估结果如图4所示,可以看出小波基函数db4所分解得到的敏感波段建立的番茄叶片镉含量预测模型预测集相关系数为0.8919，均方根误差为0.2514，获得了较好的预测效果。
本发明的基于WT-LSSVR的番茄叶片镉含量Vis-NIR光谱特征建模方法同样适用于其他作物叶片重金属镉含量光谱检测，例如生菜、油菜等。不同重金属镉浓度胁迫下这些作物叶片中将形成一些富含N-H和O-H有机物(碳水化合物、氨基酸、蛋白质、多酚等)、以及叶细胞膜过氧化程度加深以增强叶片对镉的抗逆性，为此Vis-NIR光谱能有效表征作物叶片中重金属镉含量，本发明可以适用于作物叶片Vis-NIR光谱特征建模。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (5)
1.一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法,其特征在于，包括以下步骤：
步骤1，采用可见光-近红外高光谱图像采集系统，采集不同浓度重金属镉胁迫下的叶片Vis-NIR高光谱图像信息；
步骤2，在所采集的叶片Vis-NIR高光谱图像信息中获取叶片感兴趣区域可见光-近红外光谱信息；
步骤3，采用二阶导数法，对获取的叶片感兴趣区域可见光-近红外光谱信息预处理，获得光谱数据集合P；
步骤4，采用原子吸收光谱法测定叶片中重金属镉含量，获得叶片重金属镉含量标签集合V；
步骤5，采用WT-LSSVR特征建模算法，完成叶片镉含量Vis-NIR光谱特征建模；
所述步骤5中WT-LSSVR特征建模算法对叶片镉含量Vis-NIR光谱特征建模包括以下步骤：
步骤5.1，输入预处理后光谱数据集合P＝{(x1,y1),(x2,y2),...,(xm,yn)}，以及叶片重金属镉含量标签集合V＝{(p1,v1),(p2,v2),...,(pn,vn)}；其中，xi∈X,yi∈Y,pi∈P,vi∈V,xi为某个叶片样本光谱波长，yi为叶片样本光谱反射值，X为叶片样本光谱波长集合，Y为叶片样本光谱反射值集合，pi为某一个叶片样本，vi为某一个叶片重金属镉含量，m表示光谱波段数，n为叶片样本总数，i＝1,2,3,...,n；
步骤5.2，对预处理后光谱数据集合P进行小波七层分解，采用db4作为小波基函数，将光谱数据集合P小波七层分解得到的高频组分和低频组分数据分别放在数据集合D和数据集合L中；D＝{(x1,d1),(x2,d2),...,(x7,d7)},L＝{(x1,l1),(x2,l2),...,(x7,l7)},xi∈X,di∈cD,li∈cL,i＝1,2,3,...,7，di为某小波分解层下高频组分，li为某小波分解层下低频组分；cD和cL分别表示不同小波分解层下高频组分和低频组分；令数据集合T＝{(d1,l1),(d2,l2),...,(d7,l7)},其中，T中某一个数据集合表示为Ti＝{(di,li)},i＝1,2,3,...,7；
步骤5.3，采用蒙特卡洛算法循环提取不同小波分解层的特征波长数据；
步骤5.4，对选取步骤5.3的特征波长数据进行评估；
步骤5.5，循环次数增加，循环次数r＝r+1，如果满足条件
或r>rmax则循环结束，计算终止；否则，继续步骤5.3，其中，R2 p(r)和R2 p(r-1)分别表示第r和r-1次循环预测集相关系数；
所述步骤5.3中提取不同小波分解层的特征波长数据的方法为：
步骤5.3.1，设定最大循环次数为rmax＝2500，循环次数记为r，0≤r≤rmax，将数据集合Ti的75％数据分配给训练集合TCi，TCi＝{(dci,lci)},i＝1,2,3,...,7；Ti中剩余的25％数据将分配给预测集合TPi，TPi＝{(dpi,lpi)},i＝1,2,3,...,7；其中，dci，lci分别为训练集合TCi中小波i层分解的高频组分和低频组分，dpi,lpi分别为预测集合TPi中小波i层分解的高频组分和低频组分；
步骤5.3.2，采用五折交叉验证法从训练集合TCi中获取交叉验证集合TVi，TVi＝{(dcvi,lcvi)},i＝1,2,3,...,7；其中，训练集合TCi、交叉验证集合TVi和预测集合TPi样本数分别为n1、n2和n3，n＝n1+n3，n1＝n2×5，dcvi,lcvi分别为交叉验证集合TVi中小波i层分解的高频组分和低频组分；
步骤5.3.3，根据叶片重金属镉含量标签集合V依次获取训练集合VCi、交叉验证集合VCVi和预测集合样本镉含量标签VPi；
步骤5.3.4，采用最小二乘法LS对训练集合中dci进行处理得到的回归系数，并通过比较回归系数的绝对值获得特征波长，并将特征波长数据放置在矩阵集合CWi中；
所述步骤5.4中特征波长数据进行评估方法为：
步骤5.4.1，从lci、lcvi和lpi分别提取特征波长对应的小波七层分解对应的低频组分数据放入集合CSi、VSi和PSi中，i＝1,2,3,...,7，集合CSi、VSi和PSi分别作为LSSVR模型的训练集合、交叉验证集合和预测集合，数据集合VCi(n1×1)、VCVi(n2×1)和VPi(n3×1)依然作为训练集合、交叉验证集合和预测集合中样本镉含量标签；
步骤5.4.2，采用径向基函数RBF作为LSSVR核函数，惩罚因子C为：
径向基函数RBF为：
其中，
和σy分别为训练集的平均值和标准偏差；K(x,xi)为径向基函数RBF；x为交叉验证集或预测集的数据、xi和p分别为训练集数据和宽度参数；
步骤5.4.3，分别计算训练集合、交叉验证集合和预测集合相关系数R2和均方根误差RMSE，
其中，n为样本数；yk和
分别表示第k个样本实际测量值和LSSVR模型评估值；
是实测值的平均值，k的取值范围为1,2,3,...,n。
2.根据权利要求1所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤2中获取叶片感兴趣区域可见光-近红外光谱信息的方法为：
将整个叶片作为感兴趣区域，利用反射值大的波长图像与反射值小的波长图像作比，对作比后图像进行阈值分割获取淹模图像，通过对淹模图像去除背景后获取整个叶片感兴趣区域光谱信息。
3.根据权利要求2所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤2中设定二值化分割阈值为1.6。
4.根据权利要求1所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤3中，二阶导数法计算公式为：
其中A为叶片样本光谱反射值，λ为叶片样本光谱波长。
5.根据权利要求1所述的一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法，其特征在于，所述步骤4中，叶片重金属镉含量计算公式为：
其中X为试样中镉含量；c1为试样消化液中镉含量；c0为空白液中镉含量；V为试样消化液定容总体积；m为试样质量或体积；1000为换算系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810253782.8A CN108519339B (zh) | 2018-03-26 | 2018-03-26 | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810253782.8A CN108519339B (zh) | 2018-03-26 | 2018-03-26 | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108519339A CN108519339A (zh) | 2018-09-11 |
| CN108519339B true CN108519339B (zh) | 2020-07-31 |
Family
ID=63434378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810253782.8A Active CN108519339B (zh) | 2018-03-26 | 2018-03-26 | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108519339B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109916845A (zh) * | 2019-01-18 | 2019-06-21 | 武汉大学 | 基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置 |
| CN110132865B (zh) * | 2019-04-03 | 2021-09-10 | 江苏大学 | 基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法 |
| CN111912793A (zh) * | 2020-08-21 | 2020-11-10 | 河南农业大学 | 利用高光谱测量烟草中镉含量的方法及预测模型的建立 |
| CN112748085A (zh) * | 2020-12-22 | 2021-05-04 | 湖南省水稻研究所 | 一种预测大米中镉含量的近红外模型的建立方法及预测大米中镉含量的方法 |
| CN114018864B (zh) * | 2021-11-10 | 2022-09-16 | 黑龙江八一农垦大学 | 灌浆期玉米籽粒醇溶蛋白质含量变化快速检测方法 |
| CN114359544B (zh) * | 2021-12-27 | 2024-04-12 | 江苏大学 | 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101867960A (zh) * | 2010-06-08 | 2010-10-20 | 江苏大学 | 一种无线传感器网络性能综合评价方法 |
-
2018
- 2018-03-26 CN CN201810253782.8A patent/CN108519339B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101867960A (zh) * | 2010-06-08 | 2010-10-20 | 江苏大学 | 一种无线传感器网络性能综合评价方法 |
Non-Patent Citations (4)
| Title |
|---|
| Detection of adulterants such as sweeteners materials in honey using near-infrared spectroscopy and chemometrics;Xiangrong Zhu等;《Journal of Food Engineering》;20100625;第101卷(第1期);第92-97页 * |
| 基于光谱参数对小白菜叶片镉含量的高光谱估算;顾艳文等;《生态学报》;20150731;第35卷(第13期);第4445-4453页 * |
| 基于成像高光谱数据的温室水稻重金属胁迫诊断研究;张双印等;《安徽农业科学》;20180131;第46卷(第1期);第5-9页 * |
| 液相色谱和光谱法结合化学计量学用于中药指纹图谱研究;赖燕华;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20110415(第4期);第38-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108519339A (zh) | 2018-09-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108519339B (zh) | 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法 | |
| Ren et al. | Using near-infrared hyperspectral imaging with multiple decision tree methods to delineate black tea quality | |
| CN109948596B (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
| Bauriegel et al. | Early detection of Fusarium infection in wheat using hyper-spectral imaging | |
| Eshkabilov et al. | Hyperspectral imaging techniques for rapid detection of nutrient content of hydroponically grown lettuce cultivars | |
| Xiaobo et al. | Independent component analysis in information extraction from visible/near-infrared hyperspectral imaging data of cucumber leaves | |
| Hong et al. | Hyperspectral imaging using multivariate analysis for simulation and prediction of agricultural crops in Ningxia, China | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| CN107421911A (zh) | 一种基于便携式近红外光谱仪的土壤氮素检测的预处理方法 | |
| Lin et al. | Predicting copper content in chicory leaves using hyperspectral data with continuous wavelet transforms and partial least squares | |
| CN112215090A (zh) | 融合物候知识的遥感水稻制图方法及其应用 | |
| Jin et al. | Predicting the nutrition deficiency of fresh pear leaves with a miniature near-infrared spectrometer in the laboratory | |
| Phanomsophon et al. | Rapid measurement of classification levels of primary macronutrients in durian (Durio zibethinus Murray CV. Mon Thong) leaves using FT-NIR spectrometer and comparing the effect of imbalanced and balanced data for modelling | |
| Fu et al. | Nondestructive evaluation of Zn content in rape leaves using MSSAE and hyperspectral imaging | |
| Zhou et al. | Nondestructive testing and visualization of compound heavy metals in lettuce leaves using fluorescence hyperspectral imaging | |
| Yang et al. | Classification of sugar beets based on hyperspectral and extreme learning machine methods | |
| Fan et al. | Non-destructive detection of single-seed viability in maize using hyperspectral imaging technology and multi-scale 3D convolutional neural network | |
| CN110132865B (zh) | 基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法 | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
| Ma et al. | Spectral difference analysis and identification of different maturity blueberry fruit based on hyperspectral imaging using spectral index | |
| Zhang et al. | Quantitative analysis of cadmium content in tomato leaves based on hyperspectral image and feature selection | |
| Zhong et al. | Inversion of heavy metal copper content in soil-wheat systems using hyperspectral techniques and enrichment characteristics | |
| Zhai et al. | Stability evaluation of the PROSPECT model for leaf chlorophyll content retrieval | |
| Chen et al. | Quality detection and variety classification of pecan seeds using hyperspectral imaging technology combined with machine learning | |
| Chen et al. | The application of optical nondestructive testing for fresh berry fruits |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231026 Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231026 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University |
|
| TR01 | Transfer of patent right |