CN111289516B - 植物叶片氨基酸含量检测方法及装置 - Google Patents

植物叶片氨基酸含量检测方法及装置 Download PDF

Info

Publication number
CN111289516B
CN111289516B CN202010224436.4A CN202010224436A CN111289516B CN 111289516 B CN111289516 B CN 111289516B CN 202010224436 A CN202010224436 A CN 202010224436A CN 111289516 B CN111289516 B CN 111289516B
Authority
CN
China
Prior art keywords
amino acid
preset
acid content
reflectivity
regression
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
Application number
CN202010224436.4A
Other languages
English (en)
Other versions
CN111289516A (zh
Inventor
马韫韬
周龙
王喜庆
柴宏红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN202010224436.4A priority Critical patent/CN111289516B/zh
Publication of CN111289516A publication Critical patent/CN111289516A/zh
Application granted granted Critical
Publication of CN111289516B publication Critical patent/CN111289516B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Abstract

本发明实施例提供一种植物叶片氨基酸含量检测方法及装置，该方法包括：根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率；将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；其中，所述氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到。该方法通过高光谱图像获取待检测氨基酸的预设波段的反射率，样品处理简单、效率高且成本较低。将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，得到待检测氨基酸的含量，能够实现多种氨基酸的快速检测，具有高通量的特点。

Description

植物叶片氨基酸含量检测方法及装置
技术领域
本发明涉及作物检测领域，尤其涉及一种植物叶片氨基酸含量检测方法及装置。
背景技术
氨基酸是蛋白质的基本组成单位，植物通过根系吸收、同化的氮素主要也是以氨基酸的形式进行体内的运输。氨基酸将植物体内氮素的吸收、同化与器官中蛋白质的合成和降解紧密联系起来，也承担着源库之间氮素再分配的中转作用。此外，不同的氨基酸对植物的生理功能不同。因此，植物(作物)叶片内各种氨基酸的定量分析，对植物(作物)的遗传研究和育种都有重要的作用。
目前，常用氨基酸测定方法主要有：化学分析法、分光光度法、质谱法等。这些方法虽然具有测定的氨基酸种类多、灵敏度高、精准度高等优点，但是这些方法存在样品处理复杂、需要破坏性取样、通量低、价格昂贵等问题。
发明内容
为了解决上述问题，本发明实施例提供一种植物叶片氨基酸含量检测方法及装置。
第一方面，本发明实施例提供一种植物叶片氨基酸含量检测方法，包括：根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率；将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；其中，所述氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到。
进一步地，将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算之前，还包括：根据所述样本中的待检测氨基酸含量和高光谱图像预设波段的反射率，以每个波段的反射率作为自变量，以待检测氨基酸含量作为因变量，基于偏最小二乘回归法得到所述氨基酸含量检测模型。
进一步地，将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算之前，还包括：将随机森林、岭回归、偏最小二乘法、支持向量机回归和套索算法，作为叠加回归模型的第一层，将支持向量机回归作为叠加回归模型的第二层；以第一层的输出结果作为第二层的输入，构建叠加回归模型，根据所述样本中的待检测氨基酸含量和高光谱图像预设波段的反射率，拟合得到所述氨基酸含量检测模型。
进一步地，所述根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率之前，还包括：根据候选波段进行偏最小二乘回归建模，对模型进行回归系数检验，获取每个波段的回归系数；按照回归系数的绝对值从小到大，依次去除一个波段后，重新构建偏最小二乘回归模型；选取使模型的检测值误差平方和最小时的波段，作为所述预设波段。
进一步地，所述根据候选波段进行偏最小二乘回归建模之前，还包括：计算多个样本在每个波段的变异系数，选取变异系数大于预设阈值的波段作为候选波段；其中，所述变异系数反映对应波段对样品变化的敏感程度。
进一步地，所述根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率之前，还包括：在预设取样时刻获取植物叶片的高光谱图像；所述预设取样时刻，为预设波段的反射率变化最小时间段的中间时刻。
进一步地，所述候选波段为400-717.08nm。
第二方面，本发明实施例提供一种植物叶片氨基酸含量检测装置，包括：反射率获取模块，用于根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率；氨基酸检测模块，用于将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；其中，所述氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面植物叶片氨基酸含量检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面植物叶片氨基酸含量检测方法的步骤。
本发明实施例提供的植物叶片氨基酸含量检测方法及装置，通过高光谱图像获取待检测氨基酸的预设波段的反射率，样品处理简单、效率高且成本较低。将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，得到待检测氨基酸的含量，能够实现多种氨基酸的快速检测，具有高通量的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的植物叶片氨基酸含量检测方法流程图；
图2为本发明实施例提供的植物叶片氨基酸含量检测装置结构图；
图3为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实现玉米叶片内氨基酸含量的快速、低成本、高通量、无损检测，这对于玉米的遗传研究和改良育种都有着极大的帮助。为了解决目前的植物叶片氨基酸含量检测方法的缺陷，本发明实施例以玉米叶片为例，对本发明的方法进行说明，应当理解的是，该方法对其它需要检测叶片氨基酸含量的植物同样适用。
图1为本发明实施例提供的植物叶片氨基酸含量检测方法流程图，如图1所示，本发明实施例提供一种植物叶片氨基酸含量检测方法，包括：
101、根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率。
高光谱成像技术，是集成像、光谱和辐射测量等技术构建的，通过探测目标物的二维几何空间及一维光谱信息，获得高光谱分辨率的连续、窄波段的图像数据。物质的光谱信息是由物体本身的一些特性决定的，不同的营养状况、不同的生育期、不同的生长条件等都会引起叶片内化学成份和结构的变化，从而表现出不同的光谱反射率曲线。通过寻找每个叶片成百上千个波段的光谱反射率和实际测量的生理生化参数的联系，然后建立相应的稳定、准确的反演模型，便能使用叶片的反射率进行模型的估测。
以玉米为例，首先，通过高光谱仪获取玉米叶片的高光谱图像，提取每个叶片的反射率。对于全波段而言，每个波长都有对应的反射率值。考虑到并非所有波段都对氨基酸含量敏感，本实施例中使用的是对氨基酸含量敏感的预设波段，即预设波段是敏感波段。对于待检测氨基酸都有对应的敏感波段，并且待检测氨基酸的敏感波段可能不是连续的，存在多个波段都是敏感波段。同时，本发明实施例中的波段并不仅限于波长范围，同时还可以是具体的波长值。
考虑到在数据采集过程中可能会存在一定的误差，为了提取出更加精确、有效的数据，通常会采取一些数据预处的方法来改善数据。在进行建模前，需要对氨基酸数据和高光谱反射率数据进行数据的预处理。
数据的标准化处理(归一化处理)是为了消除数据量纲的影响，使数据指标之间具有可比性。常用的数据标准化处理方法有：min-max标准化(Min-max normalization)，z-score标准化(zero-mean normalization)，小数定标标准化(Decimal scaling)等。z-score标准化也叫零均值标准化(见下式)，是当前使用最为广泛的数据标准化方法，经过该方法处理，数据的均值变为0，标准差变为1。本实施例中对氨基酸含量数据进行z-score标准化。
Figure BDA0002427174840000051
其中，X*表示处理后的数据，X表示原始数据，
Figure BDA0002427174840000052
原始数据的平均值，σ是原始数据的标准差。相应地，氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合时，采用相同的标准化处理方式。
102、将预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；其中，氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到。
本实施例中对待检测氨基酸已经建立了一个预设的氨基酸含量检测模型，该氨基酸含量检测模型反映预设波段的反射率和待检测氨基酸含量之间的映射关系。例如，氨基酸含量检测模型可基于偏最小二乘法回归(partial least square regression，PLSR)算法、叠加回归(Stacked Regression)算法和支持向量机算法等构建。对于每一种氨基酸都可分别建立氨基酸含量检测模型，用于相应氨基酸含量的检测。已知氨基酸含量的高光谱图像样本中同时包含了预设波段的反射率和对应的氨基酸含量的已知信息，根据建立的初始氨基酸含量检测模型，以此样本进行拟合，便可得二者对应的映射关系。后续只需将预设波段的反射率作为已知量，输入该模型进行计算，便可得到待检测氨基酸的含量。同理，获取每种氨基酸的预设波段的反射率，通过相应氨基酸种类的氨基酸含量检测模型，便可得到所有氨基酸的含量。
本发明实施例提供的植物叶片氨基酸含量检测方法，通过高光谱图像获取待检测氨基酸的预设波段的反射率，样品处理简单、效率高且成本较低。将预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，得到待检测氨基酸的含量，能够实现多种氨基酸的快速检测，具有高通量的特点。
基于上述实施例的内容，作为一种可选实施例，将预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算之前，还包括：
根据样本中的待检测氨基酸含量和高光谱图像预设波段的反射率，以每个波段的反射率作为自变量，以氨基酸含量作为因变量，基于偏最小二乘回归法得到所述氨基酸含量检测模型。
其中，基于偏最小二乘回归法得到所述氨基酸含量检测模型，包括：确定多个相互独立的主成分；基于偏最小二乘回归确定主成分检测值的误差平方和，选取检测值误差平方和最小时的主成分个数作为回归的主成分数，并建立氨基酸含量检测模型。
具体可包括以下步骤:
(1)对反射率数据进行Savitzky-Golay滤波器(S-G滤波器)滤波，提高光谱的平滑性，并降低噪音的干扰，记为X；对氨基酸数据进行z-score标准化，为了消除数据量纲的影响，使数据指标之间具有可比性，记为Y。
(2)将光谱数据X，随机选择3/4作为训练集S1，剩下的1/4作为验证集S2，同样氨基酸数据Y也划分为训练集YS1和测试集YS2。
(3)将作为训练集的光谱数据S1和氨基酸数据YS1输入到偏最小二乘回归模型中，通过“留一验证法”计算每个主成分的预测(或者检测)值误差平方和(PRESS)，选取PRESS最小时的主成分个数作为回归的主成分数，建立氨基酸的估测模型。
(4)将作为验证集的光谱数据S2与对应值YS2，输入步骤(3)建立的估测模型，验证所建模型稳定性。评估的指标有决定系数R2，均方根误差RMSE，相对均方根误差RRMSE，相对分析误差RPD。R2和RPD越高，模型越好，RMSE和RRMSE越小越好。
(5)输入植物叶片待检测氨基酸预设波段的反射率到步骤(3)所建立的模型，实现植物叶片内氨基酸含量的定量分析。
本发明实施例以偏最小二乘法回归来建立氨基酸含量检测模型，偏最小二乘法回归的优点在于能够在小样本的情况下，实现多个变量对单个或者多个变量的回归建模。高光谱反射率通常有成百上千个波段，同时波段间又存在强共线性关系，而本实施例可有效解决此问题。PLSR在算法上类似于主成分回归，首先在自变量和因变量中寻找到相互独立的主成分，然后按照主成分的特征值大小选取特征值较大的主成分，这些主成分又是相互独立的。通过这些主成分来代替原来的变量进行建模，不仅达到了降维的目的，还能决解波段间共线性的问题。
PLSR与主成分分析一样，在进行回归之前，需要确定主成分的个数，本实施例采用“留一验证法”，分别求出每个主成分的预测值误差平方和(PRESS，计算见如下公式)，选取PRESS最小时的主成分个数最为回归的主成分数。
Figure BDA0002427174840000071
其中，yi，
Figure BDA0002427174840000072
分别代表测量值和模型预测值。然后，基于回归的主成分，结合样本中的待检测氨基酸含量和高光谱图像预设波段的反射率，拟合得到氨基酸含量检测模型。
本发明实施例提供的植物叶片氨基酸含量检测方法，基于偏最小二乘回归法得到所述氨基酸含量检测模型，通过选取检测值误差平方和最小时的主成分个数作为回归的主成分数，并拟合得到氨基酸含量检测模型，通过这些主成分来代替原来的变量进行建模，不仅达到了降维的目的，还能决解波段间共线性的问题。
基于上述实施例的内容，作为一种可选实施例，将预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算之前，还包括：将随机森林、岭回归、偏最小二乘法、支持向量机回归和套索算法，作为叠加回归模型的第一层，将支持向量机回归作为叠加回归模型的第二层；以第一层的输出结果作为第二层的输入，构建叠加回归模型，根据样本中的待检测氨基酸含量和高光谱图像预设波段的反射率，拟合得到氨基酸含量检测模型。
本实施例基于叠加回归(Stacked Regression)模型构建氨基酸含量检测模型。叠加回归模型是利用多层多模型集合成一种新模型的方式。由于集成后模型的平滑特性，通常集成后的模型能够在性能上优于任何一个用于集成的“初级拟合器”模型。集成模型的输出更信任表现好的模型，对于表现不好的模型不信任。采用PLSR进行高光谱分析时存在异质性的问题，即不同时间、不同地点的样品，模型的表现不稳定。为了应对这种模型的异质性，本实施例使用多种机器拟合叠加的方式，进行基于高光谱反射率叶片中氨基酸含量的估测。
具体地，采用2层模型5种机器拟合算法叠加的方式进行回归建模。第一层使用随机森林(random forest，RF)、岭回归(Ridge)、偏最小二乘法(PLS)、支持向量机回归(SVR)、套索算法(Lasso)，第二层使用支持向量机回归，并将两层算法进行叠加，以第一层的结果作为第二的输入值。具体方法为，首先将数据划分成N折(例如10折)，保留第N折作为测试集，剩下的N-1折数据，利用第一层的5种算法使用N-2折数据分别进行建模，使用第N-1折数据进行预测，并将所有的预测数据收集在一个矩阵中作为第二层模型的输入。第二层使用支持向量机回归进行建模，最终得到一个集成的模型。
具体步骤可包括：
(1)对反射率数据进行Savitzky-Golay滤波器(S-G滤波器)滤波，提高光谱的平滑性，并降低噪音的干扰，记为X；对氨基酸数据进行z-score标准化，为了消除数据量纲的影响，使数据指标之间具有可比性，记为Y。
(2)将光谱数据X，随机选择3/4作为训练集S1，剩下的1/4作为验证集S2，同样氨基酸数据Y也划分为训练集YS1和测试集YS2。
(3)将作为训练集的光谱数据S1和氨基酸数据YS1分别输入到随机森林、岭回归、偏最小二乘法、支持向量机回归和套索算法中，采用“十折交叉验证”，将所有的预测数据收集在一个矩阵记为P。
(4)将步骤(3)中的数据P作为自变量和氨基酸数据YS1作为因变量输入到支持向量机SVM中，建立第二层预测模型。
(5)将步骤(3)和步骤(4)的模型组合起来得到堆叠的氨基酸估测模型。
(6)将作为验证集的光谱数据S2与对应值YS2，输入步骤(5)建立的估测模型，验证所建模型稳定性。评估的指标有决定系数R2，均方根误差RMSE，相对均方根误差RRMSE，相对分析误差RPD。R2和RPD越高，模型越好，RMSE和RRMSE越小越好。
(7)输入植物叶片待检测氨基酸预设波段的反射率到步骤(5)所建立的模型，实现植物叶片内氨基酸含量的定量分析。
本发明实施例提供的植物叶片氨基酸含量检测方法，能够有效解决异质性的问题，即不同时间、不同地点的样品，模型的表现不稳定。
基于上述实施例的内容，作为一种可选实施例，根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率之前，还包括：根据候选波段进行偏最小二乘回归建模，对模型进行回归系数检验，获取每个波段的回归系数；按照回归系数的绝对值从小到大，依次去除一个波段后，重新构建偏最小二乘回归模型；选取使模型的检测值误差平方和最小时的波段，作为预设波段。
高光谱数据包含了成百上千个波段的反色率数据，在进行建模时，并非所有的波段对于模型的贡献都相同，有的贡献大，有的贡献小，有的甚至会降低模型的准确性。除此之外，冗余的高光谱数据还存在较强的共线性。选波段可以是高光谱图像的所有波段，先进行PLSR建模，然后对模型进行回归系数检验。例如，使用Python编程语言中sklearn包中的PLSRegression进行建模，然后通过访问pls.coef_对象获取回归系数，回归系数用于量化每个波长与模型响应的关联强度，回归系数的绝对值越大，表明该波长对于模型响应的关联强度越大。获得每个波长的回归系数后，按绝对值的大小从小到大重新对选用的波长排序，然后一次去除一个波段并重建模型，对重建的模型进行模型评估，评估方法可使用同上述实施例PLSR模型中使用的PRESS。统计使模型的PRESS最小时所使用的波段。例如，重复100次该过程，便能得到100次建模中，各个波段使得模型PRESS最小时所使用波段的次数，出现的次数越多，说明该波段越重要。如把100次重复建模中，使得PRESS最小时使用的波段出现的次数大于80次的波段作为各种氨基酸的敏感波段。使用这种方法为每种氨基酸筛选出敏感波段，并评估使用敏感波段所建模型的预测效果。
具体地，本实施例确定的各种氨基酸的敏感波段的一个实例如表1所示：
表1
Figure BDA0002427174840000101
Figure BDA0002427174840000111
本发明实施例提供的植物叶片氨基酸含量检测方法，通过筛选各种氨基酸估测模型对模型贡献较大的预设波段(敏感波段)，不仅可以减小计算量，还能提高模型的准确性和稳定性。
基于上述实施例的内容，作为一种可选实施例，根据候选波段进行偏最小二乘回归建模之前，还包括：计算多个样本在每个波段的变异系数，选取变异系数大于预设阈值的波段作为候选波段；其中，变异系数反映对应波段对样品变化的敏感程度。
考虑到对全波段进行敏感波段的筛选较为复杂，本实施例中从全波段中选取部分波段作为候选波段。例如，图像的每个像素点记录了400-1100nm光谱的反射率。由于波段数量较多，在进行敏感波段筛选之前，可以通过计算每个波段对于不同样品变化程度。本实施例使用变异系数(CV，Coefficient of Variation，计算见下式)衡量。
Figure BDA0002427174840000112
其中，SD，Mean分别代表所有样本的每个波段的标准差和平均值
一方面可以计算每个样品所有像素点各个波段的CV值；另一方面可以计算所有样本各个波段的CV值，CV值越大，表明在这些波段对样品的变化越敏感，可能有利于建模的准确性，但是还需要进一步的检验，即上述实施例中敏感波段的进一步筛选。预设阈值可具体设置，如选取CV值较大的60％的波段作为候选波段。
由于高光谱数据量巨大，包含的特征较大，并且各波段存在较强的共线性，这些都不利于建模。通过筛选各种氨基酸预测模型对模型贡献较大的关敏感波段，剔除干扰模型的无用波段，不仅可以大幅减小建模时的计算量，还能提高模型的准确度和稳定性。
本实施例先筛选出对不同样本表现更为敏感的候选波段区域，再根据回归系数检验筛选出对模型贡献较大的敏感波段，能够显著减少计算复杂度。
基于上述实施例的内容，作为一种可选实施例，根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率之前，还包括：在预设取样时刻获取植物叶片的高光谱图像；预设取样时刻，为预设波段的反射率变化最小时间段的中间时刻。
为了确定氮敏感波段变化最小的时间段，以此作为最佳的取样时间，即确定预设取样时刻。例如，采集一天中6：00—22：00每隔2小时的某样本完全展开叶的高光谱图像数据，通过评估这9个取样时间段中氮敏感反射率变化最小的两个相邻时间段，以此作后续的取样时间。对于两个相邻时间段氮敏感变化的大小，可采用计算两个相邻时间段5个氮敏感波段(550nm、657nm、671nm、710nm、780nm)的欧式距离(Euclidean distance)来评估，距离越小表明这两个时间段的差异越小。
Figure BDA0002427174840000121
其中，d为欧式距离，refh,i、refh+2,i分别表示前一个取样时间和后一个取样时间5个敏感波段的反射率。
本发明实施例提供的植物叶片氨基酸含量检测方法，在预设取样时刻获取植物叶片的高光谱图像，能够得到反射率变化最小时间段的植物叶片的高光谱图像，能够提高氨基酸的含量的检测精度。
基于上述实施例的内容，作为一种可选实施例，候选波段为400-717.08nm。通过对比样本内不同区域和样本间各个波段反射率的变异系数，结果显示400-717.08nm的光谱对样本的差异表现更敏感，使用该区域的波段进行建模模型的预测效果更好。
图2为本发明实施例提供的植物叶片氨基酸含量检测装置结构图，如图2所示，该植物叶片氨基酸含量检测装置包括：反射率获取模块201和氨基酸检测模块202。其中，反射率获取模块201用于根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率；氨基酸检测模块202用于将预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；其中，氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的植物叶片氨基酸含量检测装置，通过高光谱图像获取待检测氨基酸的预设波段的反射率，样品处理简单、效率高且成本较低。将预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，得到待检测氨基酸的含量，能够实现多种氨基酸的快速检测，具有高通量的特点。
图3为本发明实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和总线304，其中，处理器301，通信接口302，存储器303通过总线304完成相互间的通信。通信接口302可以用于电子设备的信息传输。处理器301可以调用存储器303中的逻辑指令，以执行包括如下的方法：根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率；将预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；其中，氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到。
此外，上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率；将预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；其中，氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种植物叶片氨基酸含量检测方法，其特征在于，包括：
根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率；
将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；
其中，所述氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到；
所述根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率之前，还包括：
根据候选波段进行偏最小二乘回归建模，对模型进行回归系数检验，获取每个波段的回归系数；
按照回归系数的绝对值从小到大，依次去除一个波段后，重新构建偏最小二乘回归模型；
选取使模型的检测值误差平方和最小时的波段，作为所述预设波段。
2.根据权利要求1所述的植物叶片氨基酸含量检测方法，其特征在于，将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算之前，还包括：
根据所述样本中的待检测氨基酸含量和高光谱图像预设波段的反射率，以每个波段的反射率作为自变量，以氨基酸含量作为因变量，基于偏最小二乘回归法得到所述氨基酸含量检测模型。
3.根据权利要求1所述的植物叶片氨基酸含量检测方法，其特征在于，将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算之前，还包括：
将随机森林、岭回归、偏最小二乘法、支持向量机回归和套索算法，作为叠加回归模型的第一层，将支持向量机回归作为叠加回归模型的第二层；
以第一层的输出结果作为第二层的输入，构建叠加回归模型，根据所述样本中的待检测氨基酸含量和高光谱图像预设波段的反射率，拟合得到所述氨基酸含量检测模型。
4.根据权利要求1所述的植物叶片氨基酸含量检测方法，其特征在于，所述根据候选波段进行偏最小二乘回归建模之前，还包括：
计算多个样本在每个波段的变异系数，选取变异系数大于预设阈值的波段作为候选波段；
其中，所述变异系数反映对应波段对样品变化的敏感程度。
5.根据权利要求1所述的植物叶片氨基酸含量检测方法，其特征在于，所述根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率之前，还包括：
在预设取样时刻获取植物叶片的高光谱图像；
所述预设取样时刻，为预设波段的反射率变化最小时间段的中间时刻。
6.根据权利要求4所述的植物叶片氨基酸含量检测方法，其特征在于，所述候选波段为400-717.08nm。
7.一种植物叶片氨基酸含量检测装置，其特征在于，包括：
反射率获取模块，用于根据植物叶片的高光谱图像，获取待检测氨基酸的预设波段的反射率；
氨基酸检测模块，用于将所述预设波段的反射率，输入针对待检测氨基酸预设的氨基酸含量检测模型进行计算，根据计算结果得到待检测氨基酸的含量；
其中，所述氨基酸含量检测模型，根据已知氨基酸含量的高光谱图像样本进行拟合后得到；
还包括：
预设波段获取模块，用于根据候选波段进行偏最小二乘回归建模，对模型进行回归系数检验，获取每个波段的回归系数；
按照回归系数的绝对值从小到大，依次去除一个波段后，重新构建偏最小二乘回归模型；
选取使模型的检测值误差平方和最小时的波段，作为所述预设波段。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述植物叶片氨基酸含量检测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述植物叶片氨基酸含量检测方法的步骤。
CN202010224436.4A 2020-03-26 2020-03-26 植物叶片氨基酸含量检测方法及装置 Active CN111289516B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010224436.4A CN111289516B (zh) 2020-03-26 2020-03-26 植物叶片氨基酸含量检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010224436.4A CN111289516B (zh) 2020-03-26 2020-03-26 植物叶片氨基酸含量检测方法及装置

Publications (2)

Publication Number Publication Date
CN111289516A CN111289516A (zh) 2020-06-16
CN111289516B true CN111289516B (zh) 2021-10-08

Family

ID=71025050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010224436.4A Active CN111289516B (zh) 2020-03-26 2020-03-26 植物叶片氨基酸含量检测方法及装置

Country Status (1)

Country Link
CN (1) CN111289516B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103743703A (zh) * 2013-12-20 2014-04-23 贵州省分析测试研究院 一种采用近红外光谱快速检测茶叶中主要成分的方法
CN105115910A (zh) * 2015-08-28 2015-12-02 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中蛋白质含量分布的方法
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
CN108344701A (zh) * 2018-02-02 2018-07-31 东北电力大学 基于高光谱技术的石蜡等级定性分类与定量回归方法
CN108572150A (zh) * 2018-04-16 2018-09-25 成都大学 一种基于高光谱检测香肠中三磷酸腺苷及细菌数的方法
CN108760655A (zh) * 2018-04-28 2018-11-06 东北电力大学 一种苹果味觉图谱信息可视化方法
CN110376167A (zh) * 2019-07-29 2019-10-25 北京麦飞科技有限公司 基于无人机高光谱的水稻叶片氮含量监测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103743703A (zh) * 2013-12-20 2014-04-23 贵州省分析测试研究院 一种采用近红外光谱快速检测茶叶中主要成分的方法
CN105115910A (zh) * 2015-08-28 2015-12-02 中国农业科学院农产品加工研究所 基于高光谱成像技术检测花生中蛋白质含量分布的方法
CN106290197A (zh) * 2016-09-06 2017-01-04 西北农林科技大学 水稻叶片全氮含量高光谱估测及估测模型构建方法
CN108344701A (zh) * 2018-02-02 2018-07-31 东北电力大学 基于高光谱技术的石蜡等级定性分类与定量回归方法
CN108572150A (zh) * 2018-04-16 2018-09-25 成都大学 一种基于高光谱检测香肠中三磷酸腺苷及细菌数的方法
CN108760655A (zh) * 2018-04-28 2018-11-06 东北电力大学 一种苹果味觉图谱信息可视化方法
CN110376167A (zh) * 2019-07-29 2019-10-25 北京麦飞科技有限公司 基于无人机高光谱的水稻叶片氮含量监测方法

Also Published As

Publication number Publication date
CN111289516A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN110132862B (zh) 小麦赤霉病检测专属病情指数构建方法及其应用
Kaur et al. Evaluation of plum fruit maturity by image processing techniques
Liang et al. Prediction of moisture content for congou black tea withering leaves using image features and nonlinear method
CN108760655B (zh) 一种苹果味觉图谱信息可视化方法
CN105842190B (zh) 一种基于谱回归的近红外模型转移方法
CN113030001B (zh) 一种水果糖度检测方法及系统
Lazaridis et al. Penalized regression techniques for prediction: a case study for predicting tree mortality using remotely sensed vegetation indices
CN111474117B (zh) 作物病害监测的方法及装置
Jiang et al. Maturity Stage Discrimination of Camellia oleifera fruit using visible and near-infrared hyperspectral imaging
Shen et al. Rapid and real-time detection of moisture in black tea during withering using micro-near-infrared spectroscopy
CN112974303B (zh) 一种基于高光谱的果品品质检测方法、设备及介质
Cernuda et al. Improved quantification of important beer quality parameters based on nonlinear calibration methods applied to FT-MIR spectra
CN111289516B (zh) 植物叶片氨基酸含量检测方法及装置
CN116994126A (zh) 基于冠层反射率光谱的作物叶面积指数获取方法及装置
CN110609011A (zh) 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统
Gao et al. Mass detection of walnut based on X‐ray imaging technology
CN111693488B (zh) 基于ds证据理论融合的水果等级分类方法及系统
CN114324215A (zh) 一种柠檬叶片叶绿素含量及其二维分布检测方法
CN113125376A (zh) 一种陈皮年限鉴定方法、装置、设备和介质
Ni et al. Transferring near infrared spectral calibration models without standards via multistep wavelength selection
CN113884444A (zh) 模型建立方法、预测spad值的方法、装置及电子设备
CN117132843B (zh) 野山参、林下山参、园参原位鉴别方法、系统及相关设备
Rogers et al. Wavelength and texture feature selection for hyperspectral imaging: a systematic literature review
CN117054372B (zh) 基于nirs与cv的茶叶品质等级检测方法和系统
CN114813631B (zh) 小麦品种纯度检测方法、装置和电子设备

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