CN111398191B - 一种水稻叶片逆境生理指标检测方法及系统 - Google Patents
一种水稻叶片逆境生理指标检测方法及系统 Download PDFInfo
- Publication number
- CN111398191B CN111398191B CN202010222044.4A CN202010222044A CN111398191B CN 111398191 B CN111398191 B CN 111398191B CN 202010222044 A CN202010222044 A CN 202010222044A CN 111398191 B CN111398191 B CN 111398191B
- Authority
- CN
- China
- Prior art keywords
- rice leaf
- characteristic
- rice
- leaf sample
- physiological
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 127
- 235000009566 rice Nutrition 0.000 title claims abstract description 127
- 238000001514 detection method Methods 0.000 title claims description 19
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 130
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 33
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 229960005070 ascorbic acid Drugs 0.000 claims abstract description 16
- 235000010323 ascorbic acid Nutrition 0.000 claims abstract description 16
- 239000011668 ascorbic acid Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- RWSXRVCMGQZWBV-WDSKDSINSA-N glutathione Chemical compound OC(=O)[C@@H](N)CCC(=O)N[C@@H](CS)C(=O)NCC(O)=O RWSXRVCMGQZWBV-WDSKDSINSA-N 0.000 claims description 23
- 230000000875 corresponding effect Effects 0.000 claims description 19
- 108010024636 Glutathione Proteins 0.000 claims description 15
- SXZYCXMUPBBULW-SKNVOMKLSA-N L-gulono-1,4-lactone Chemical compound OC[C@H](O)[C@H]1OC(=O)[C@@H](O)[C@H]1O SXZYCXMUPBBULW-SKNVOMKLSA-N 0.000 claims description 12
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 claims description 12
- 230000002411 adverse Effects 0.000 claims description 11
- 230000036961 partial effect Effects 0.000 claims description 11
- 241000196324 Embryophyta Species 0.000 claims description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 8
- 238000002835 absorbance Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 239000006228 supernatant Substances 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 229960003180 glutathione Drugs 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000000227 grinding Methods 0.000 claims description 4
- 230000012010 growth Effects 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 claims 8
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 230000035882 stress Effects 0.000 description 22
- 229910001385 heavy metal Inorganic materials 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- DHMQDGOQFOQNFH-UHFFFAOYSA-N Glycine Chemical compound NCC(O)=O DHMQDGOQFOQNFH-UHFFFAOYSA-N 0.000 description 3
- 229910052793 cadmium Inorganic materials 0.000 description 3
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 238000002798 spectrophotometry method Methods 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 2
- 108090000790 Enzymes Proteins 0.000 description 2
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 235000018102 proteins Nutrition 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- PLAZTCDQAHEYBI-UHFFFAOYSA-N 2-nitrotoluene Chemical compound CC1=CC=CC=C1[N+]([O-])=O PLAZTCDQAHEYBI-UHFFFAOYSA-N 0.000 description 1
- KIUMMUBSPKGMOY-UHFFFAOYSA-N 3,3'-Dithiobis(6-nitrobenzoic acid) Chemical compound C1=C([N+]([O-])=O)C(C(=O)O)=CC(SSC=2C=C(C(=CC=2)[N+]([O-])=O)C(O)=O)=C1 KIUMMUBSPKGMOY-UHFFFAOYSA-N 0.000 description 1
- ROFVEXUMMXZLPA-UHFFFAOYSA-N Bipyridyl Chemical compound N1=CC=CC=C1C1=CC=CC=N1 ROFVEXUMMXZLPA-UHFFFAOYSA-N 0.000 description 1
- YKYOUMDCQGMQQO-UHFFFAOYSA-L Cadmium chloride Inorganic materials Cl[Cd]Cl YKYOUMDCQGMQQO-UHFFFAOYSA-L 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 239000004471 Glycine Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 108010076986 Phytochelatins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- XUJNEKJLAYXESH-UHFFFAOYSA-N cysteine Natural products SCC(N)C(O)=O XUJNEKJLAYXESH-UHFFFAOYSA-N 0.000 description 1
- 235000018417 cysteine Nutrition 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001784 detoxification Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 235000013922 glutamic acid Nutrition 0.000 description 1
- 239000004220 glutamic acid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- FEMOMIGRRWSMCU-UHFFFAOYSA-N ninhydrin Chemical compound C1=CC=C2C(=O)C(O)(O)C(=O)C2=C1 FEMOMIGRRWSMCU-UHFFFAOYSA-N 0.000 description 1
- -1 nitrogen-containing compound Chemical class 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000009894 physiological stress Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000003223 protective agent Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 150000003573 thiols Chemical class 0.000 description 1
- 231100000701 toxic element Toxicity 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种水稻叶片逆境生理指标检测方法及系统，方法包括：获取水稻叶片样本；确定所述水稻叶片样本的高光谱信息；对所述高光谱信息进行平滑去噪降维处理；获取所述水稻叶片样本逆境生理指标的真实含量值；采用特征变量筛选法获取与所述真实含量值相关性最高的平滑去噪降维处理后的高光谱信息的特征波段；所述特征波段为m行n列的光谱矩阵，其中n列光谱代表n个与水稻叶片样本抗坏血酸含量高度相关的特征变量；基于所述真实含量值和所述特征向量建立测试集水稻叶片高光谱信息‑逆境生理指标含量的回归模型；基于所述回归模型确定水稻叶片样本的逆境生理指标。本发明中的上述方法精测精度高且计算快。
Description
技术领域
本发明涉及重金属检测领域，特别是涉及一种水稻叶片逆境生理指标检测方法及系统。
背景技术
随着现代工业和人类活动，如工业垃圾和生活污水排放等，重金属在植物生长环境中广泛存在。其中重金属镉(Cadmium,Cd)属于对植物、动物和人类均非必需的有毒元素。Cd的积累不仅会引起作物的产量和质量损失，更会通过食物链进入并危害人体健康。
水稻(Oryza sativaL.)是世界重要的粮食作物，食用量达到全球人口60％以上。同时水稻也是对环境中重金属Cd敏感的作物。水稻受到重金属污染时，会促进水稻叶片中有害活性氧自由基(ROIs)的增多，这些有害分子会损害组织中膜、蛋白质和酶等物质，进而干扰植株的正常生长。逆境生理指标可以缓解重金属胁迫对植株生长的损害，含量也会发生一定的变化。还原型抗坏血酸可以直接或间接清除植物体内的活性氧，增强植物叶片的抗逆性，是植物抵御有氧活性物质的关键之一。还原型谷胱甘肽(GSH)是由谷氨酸(Glu)，半胱氨酸(Cys)和甘氨酸(Gly)组成的低分子量硫醇三肽，是植物螯合素合成的底物，对重金属如铜和镉等的解毒至关重要。游离脯氨酸是一种广泛存在于植物细胞内的偶极含氮化合物，具有很高的水溶性，也是一种有机渗透保护剂，可以保护细胞膜系统，维持胞内酶的结构，减少胞内蛋白质的降解，清除有氧自由基等。监测水稻叶片中逆境生理指标如还原型抗坏血酸、还原谷胱甘肽和游离脯氨酸等的含量变化，可为水稻作物生长管理和有效及时诊断重金属Cd胁迫提供技术手段，对水稻作物的安全监管有重要意义。
传统的逆境生理指标含量检测方法多采用实验室化学检测，样本预处理需要低温多试剂环境，人为误差大，成本高，效率低，无法实现大批量实时监测。作为一种有效的快速检测技术，高光谱成像技术是光谱分析技术和图像处理技术在最低数据级层面的融合技术，可以捕捉到与叶片组织活性分子中大量含氢基团X-H的能量吸收信息，因此也就具备了重金属胁迫下水稻叶片中逆境生理指标分子结构吸收信息的能力和进一步检测逆境生理指标含量的理论基础，对监测重金属Cd对水稻逆境生理胁迫机理和建立农田信息快速诊断管理体系有重要的指导意义。
发明内容
本发明的目的是提供一种水稻叶片逆境生理指标检测方法及系统，实现水稻叶片中逆境生理指标含量的快速、精确大批量检测。
为实现上述目的，本发明提供了如下方案：
一种水稻叶片逆境生理指标检测方法，所述检测方法包括：
获取水稻叶片样本；所述样本数量为m；
确定所述水稻叶片样本的高光谱信息；
对所述高光谱信息进行平滑去噪降维处理；
获取所述水稻叶片样本逆境生理指标的真实含量值；
从所述平滑去噪降维处理后的高光谱信息中采用特征变量筛选法获取与所述真实含量值相关性最高的特征波段；所述特征波段为m行n列的光谱矩阵，其中n列光谱代表n个与水稻叶片样本逆境生理指标含量高度相关的特征变量，每个特征变量分别记为向量λ1,λ2,…,λn；
基于所述真实含量值和所述特征向量建立测试集水稻叶片高光谱信息-逆境生理指标含量的回归模型；
基于所述回归模型确定水稻叶片样本的逆境生理指标。
可选的，所述获取水稻叶片样本具体包括：
挑选长势相近的植株采用不同浓度的CdCl2溶液进行胁迫处理，胁迫5、10、15、20天后分别快速收集水稻植株的第二叶位作为待检测样本。
可选的，所述确定所述水稻叶片样本的高光谱信息具体包括：
采集所述样本的全波段高光谱图像；
对所述全波段高光谱图像进行黑白校正；
选取黑白校正后的全波段高光谱图像上每个水稻叶片样本轮廓内的像素点作为每个样本的感应区区域；
求取所述感兴趣区域中所有像素点的平均值；所述平均值为所述高光谱信息。
可选的，获取所述水稻叶片样本逆境生理指标的真实含量值具体包括：
将新鲜叶片样品用液氮研磨后加入目标生理信息对应的化学提取液，混合反应均匀、过滤后收集上清液；
采用分光光度计获取所述上清液对应的吸光度；
基于所述吸光度计算水稻叶片样本逆境生理指标的真实含量值。
可选的，对所述高光谱信息进行平滑去噪降维处理为：小波变换、卷积平滑、标准正态变换以及导数处理中的一种。
可选的，所述回归模型具体采用以下公式：
y＝a+a1λ1+a2λ2+…+anλn，n＝1,2,3…，其中，a,a1,a2,…,an的含义为回归方程的常数和各个波长强度对应的系数。
可选的，所述特征变量筛选法为偏最小二乘法的回归系数法、联合区间片最小二乘法、遗传算法、连续投影算法、决策树、随机森林、正则化模型、平均精确率减少以及递归特征消除中的一种。
可选的，所述不同浓度的CdCl2溶液具体包括：浓度分别为0μM、5μM、25μM、50μM、100μM的CdCl2溶液。
本发明另外提供一种水稻叶片逆境生理指标检测系统，所述检测系统包括：
样本获取模块，用于获取水稻叶片样本；所述样本数量为m；
高光谱信息确定模块，用于确定所述水稻叶片样本的高光谱信息；
平滑去噪降维处理模块，用于对所述高光谱信息进行平滑去噪降维处理；
真实含量值获取模块，用于获取所述水稻叶片样本逆境生理指标的真实含量值；
特征波段获取模块，用于采用特征变量筛选法获取与所述真实含量值相关性最高的平滑去噪降维处理后的高光谱信息的特征波段；所述特征波段为m行n列的光谱矩阵，其中n列光谱代表n个与水稻叶片样本逆境生理指标含量高度相关的特征变量，每个特征变量分别记为向量λ1,λ2,…,λn；
回归模型建立模块，用于基于所述真实含量值和所述特征向量建立测试集水稻叶片高光谱信息-逆境生理指标含量的回归模型；
逆境生理指标确定模块，用于基于所述回归模型确定水稻叶片样本的逆境生理指标。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明中的上述方法通过优选少数特征波长来建立的水稻叶片中逆境生理指标含量快速检测模型，在准确检测的基础上比全光谱建模对计算机硬件要求低且计算速度快；相对于传统逆境生理指标含量检测方法，具有不接触强酸碱试剂、操作简便快捷、低成本等特点，本发明中的上述方法还去除温度对逆境生理指标含量的干扰，提高了检测精度和灵敏性，实现了水稻叶片中逆境生理指标含量的快速、大批量检测检测。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例水稻叶片逆境生理指标检测方法流程图；
图2为本发明实施例不同胁迫时间线水稻叶片高光谱平均值；
图3为本发明实施例不同胁迫时间线水稻叶片逆境生理指标含量变化；
图4为本发明实施例水稻叶片ASA、GSH和FP的PLS决定系数图；
图5为本发明实施例水稻叶片逆境生理指标检测系统结构示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
本发明的目的是提供一种水稻叶片逆境生理指标检测方法及系统，实现水稻叶片中逆境生理指标含量的快速、精确大批量检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例水稻叶片逆境生理指标检测方法流程图，如图1所示，所述检测方法包括：
步骤101：获取水稻叶片样本；所述样本数量为m。
水稻种子(秀水134)消毒杀菌发芽后，营养液中培养至根长约6cm，挑选长势相近的100株烟草植株进行5个浓度CdCl2溶液胁迫处理，CdCl2浓度分别为0μM，5μM，25μM，50μM和100μM。分别胁迫5、10、15、20天后收集每株植株第二叶位(功能叶片)部分，每天采集每个浓度梯度的5个水稻植株叶片作为样品，每天共获得25个样品，4个胁迫时间节点共获得m＝100个水稻叶片样品。
步骤102：确定所述水稻叶片样本的高光谱信息。
采集m个样本的高光谱信息：设置近红外高光谱成像系统的实验参数，将步骤1)中m个水稻叶片依次放置于样品台，线扫描采集样本的全波段高光谱图像，黑白校正后得到图像R；选取R上的每个水稻叶片轮廓内的像素点作为每个样品的感兴趣区域(ROI)，并且以ROI内所有像素点光谱的平均值作为该水稻样本的光谱数据进行分析。
具体的，本发明中的实施例中采集100个水稻叶片样本的可见近红外高光谱信息，高光谱仪器采集的实验参数是移动平台的移动速度为3.8mm/s，相机曝光时间为0.05s，镜头与样品之间的距离为23cm。100个水稻叶片依次放置于样品台，线扫描采集样本的全波段高光谱图像。原始高光谱图像黑白板校正后，采用阈值分割方法对水稻叶片进行背景去除和二值化处理。为去除光谱初始位置噪声，选取500-955nm范围的波段，包含350个变量。提取每个像素点的光谱后进行平均，获得平均光谱如图2所示。
步骤103：对所述高光谱信息进行平滑去噪降维处理。
对所述高光谱信息进行平滑去噪降维处理为：小波变换、卷积平滑、标准正态变换以及导数处理中的一种。
步骤104：获取所述水稻叶片样本逆境生理指标的真实含量值。
快速采集完成水稻叶片的高光谱信息后，采用常规化学检测法测试集水稻叶片样本逆境生理指标的真实含量值y，y为一列含有m个化学值的向量；常规化学检测方法主要是将新鲜叶片样品用液氮研磨后加入目标生理信息对应的化学提取液，混合均匀、过滤后收集上清液，采用分光光度计获取上清液对应的吸光度，通过吸光度计算水稻叶片样本逆境生理指标的真实含量值。
本发明中的实施例中采用2，2-二联吡啶分光光度法检测叶片样本中还原型抗坏血酸(AsA)的含量yAsA，采用二硫代双(2-硝基甲苯，DTNB)分光光度法检测叶片样本中还原型谷胱甘肽(GSH)的含量yGSH，采用茚三酮分光光度法检测叶片样本中游离脯氨酸(FP)的含量yFP，各组含量变化如图3所示。
步骤105：从所述平滑去噪降维处理后的高光谱信息中采用特征变量筛选法获取与所述真实含量值相关性最高的特征波段；所述特征波段为m行n列的光谱矩阵，其中n列光谱代表n个与水稻叶片样本抗坏血酸含量高度相关的特征变量，每个特征变量分别记为向量λ1,λ2,…,λn。
提取每个样本的光谱信息，选择适宜的特征变量筛选方法获取与逆境生理指标真实值y相关性高的特征波段，记录为x，x为m行n列的光谱矩阵。所述特征变量筛选法为偏最小二乘法的回归系数法、联合区间片最小二乘法、遗传算法、连续投影算法、决策树、随机森林、正则化模型、平均精确率减少以及递归特征消除中的一种。
本发明中的实施例中利用Kennard-Stone将100个样品分为75和25两个样本集合，75个样本作为测试集，25个样本作为待测集。利用偏最小二乘法(PLS)的回归系数筛选与还原型抗坏血酸真实值yAsA高度相关的特征波段，记录为xAsA；利用偏最小二乘法(PLS)的回归系数筛选与还原型谷胱甘肽真实值yGSH高度相关的特征波段，记录为xGSH；利用偏最小二乘法(PLS)的回归系数筛选与游离脯氨酸真实值yFP高度相关的特征波段，记录为xFP；PLS计算出的回归系数如图4所示，针对三种生理指标分别筛选出共14、9和19个最优波段。
特征波段x中n列光谱代表n个与水稻叶片抗坏血酸含量高度相关的特征变量，每一个特征变量分别记录为向量λ1,λ2,…,λn。
本发明中的实施例中特征波段xASA中14列光谱代表14个与水稻叶片抗坏血酸含量高度相关的特征变量为549nm、580nm、601nm、625nm、650nm、673nm、697nm、725nm、746nm、789nm、838nm、879nm、901nm和931nm，每一个特征变量对应的向量记录为λ549，λ580，λ601，λ625，λ650，λ673，λ697，λ725，λ746，λ789，λ838，λ879，λ901和λ931。
特征波段xGSH中9列光谱代表9个与水稻叶片抗坏血酸含量高度相关的特征变量为555nm、582nm、602nm、625nm、651nm、679nm、707nm、731nm、758nm和850nm，每一个特征变量对应的向量记录为λ555，λ582，λ602，λ625，λ651，λ679，λ707，λ731和λ758。
特征波段xFP中19列光谱代表19个与水稻叶片抗坏血酸含量高度相关的特征变量为513nm、524nm、536nm、549nm、565nm、592nm、626nm、642nm、655nm、673nm、688nm、702nm、716nm、732nm、746nm、791nm、813nm、875nm和907nm，每一个特征变量对应的向量记录为λ513，λ524，λ536，λ549，λ565，λ592，λ626，λ642，λ655，λ673，λ688，λ702，λ716，λ732，λ746，λ791，λ813，λ875和λ907。
步骤106：基于所述真实含量值和所述特征向量建立测试集水稻叶片高光谱信息-逆境生理指标含量的回归模型。
所述回归模型具体采用以下公式：
y＝a+a1λ1+a2λ2+…+anλn，n＝1,2,3…。
本发明的实施例中采用多元线性回归法，以特征向量λ549，λ580，λ601，λ625，λ650，λ673，λ697，λ725，λ746，λ789，λ838，λ879，λ901和λ931为输入向量，真实值yASA为输出向量，建立测试集水稻叶片高光谱信息-还原型抗坏血酸含量的回归模型；
yAsA＝126.2-19974.0λ549+46441.5λ580-51208.6λ601+19898.2λ625-8807.4λ650-145.1λ673-8073.1λ697+519.7λ725-9471.3λ746-1547.5λ789+29277.4λ838-63227.0λ879+37101.2λ901-14156.8λ931；
并得到表征yASA和xASA相关性R＝0.87。
本发明的实施例中采用多元线性回归法，以特征向量λ555，λ582，λ602，λ625，λ651，λ679，λ707，λ731和λ758为输入向量，真实值yGSH为输出向量，建立测试集水稻叶片高光谱信息-还原型谷胱甘肽含量的回归模型
yGSH＝70.2-21430.6λ555+3915.26λ582+48295.8λ602-6941.5λ625-44918.8λ651+14460.1λ679-10749.9λ707+10979.5λ731-17451.0λ758
并得到表征yGSH和xGSH相关性为0.91；
本发明的实施例中采用多元线性回归法，以特征向量λ513，λ524，λ536，λ549，λ565，λ592，λ626，λ642，λ655，λ673，λ688，λ702，λ716，λ732，λ746，λ791，λ813，λ875和λ907为输入向量，真实值yFP为输出向量，建立测试集水稻叶片高光谱信息-游离脯氨酸含量的回归模型
yFP＝-107.4-199.5λ513+4245.5λ524-4257.1λ536+7209.5λ549-5961.9λ565+16452.5λ592+6574.5λ626+391.9λ642-580.6λ655+5490.7λ673+144.4λ688+1534.4λ702+382.8λ716+3636.0λ732-1845.8λ746+15101.2λ791-3777.2λ813-10074.4λ875+16309.6λ907
并得到表征yFP和xFP相关性R＝0.83。
步骤107：基于所述回归模型确定水稻叶片样本的逆境生理指标。
图5为本发明实施例水稻叶片逆境生理指标检测系统，所述检测系统包括：
样本获取模块201，用于获取水稻叶片样本；所述样本数量为m；
高光谱信息确定模块202，用于确定所述水稻叶片样本的高光谱信息；
平滑去噪降维处理模块203，用于对所述高光谱信息进行平滑去噪降维处理；
真实含量值获取模块204，用于获取所述水稻叶片样本逆境生理指标的真实含量值；
特征波段获取模块205，用于采用特征变量筛选法获取与所述真实含量值相关性最高的平滑去噪降维处理后的高光谱信息的特征波段；所述特征波段为m行n列的光谱矩阵，其中n列光谱代表n个与水稻叶片样本逆境生理指标含量高度相关的特征变量，每个特征变量分别记为向量λ1,λ2,…,λn；
回归模型建立模块206，用于基于所述真实含量值和所述特征向量建立测试集水稻叶片高光谱信息-逆境生理指标含量的回归模型；
逆境生理指标确定模块207，用于基于所述回归模型确定水稻叶片样本的逆境生理指标。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种水稻叶片逆境生理指标检测方法，其特征在于，所述检测方法包括：
获取水稻叶片样本；所述样本数量为m；
确定所述水稻叶片样本的高光谱信息；
对所述高光谱信息进行平滑去噪降维处理；
获取所述水稻叶片样本逆境生理指标的真实含量值；
所述获取所述水稻叶片样本逆境生理指标的真实含量值具体包括：
将新鲜叶片样品用液氮研磨后加入目标生理信息对应的化学提取液，混合均匀、过滤后收集上清液；
采用分光光度计获取所述上清液对应的吸光度；
基于所述吸光度计算水稻叶片样本逆境生理指标的真实含量值；
从所述平滑去噪降维处理后的高光谱信息中采用特征变量筛选法获取与所述真实含量值相关性最高的特征波段；所述特征波段为m行n列的光谱矩阵，其中n列光谱代表n个与水稻叶片样本逆境生理指标含量高度相关的特征变量，每个特征变量分别记为向量λ1，λ2，…λn；
基于所述真实含量值和所述向量建立测试集水稻叶片高光谱信息-逆境生理指标含量的回归模型；
所述回归模型具体采用以下公式：
y＝a+a1λ1+a2λ2+…+anλn,n＝1,2,3…a,a1,a2,…,an的含义为回归方程的常数和各个波长强度对应的系数；
所述水稻叶片样本逆境生理指标为还原型抗坏血酸、还原型谷胱甘肽和游离脯氨酸；
当所述水稻叶片样本逆境生理指标为还原型抗坏血酸时，测试集水稻叶片高光谱信息-还原型抗坏血酸含量的回归模型为：
yAsA＝126.2-19974.0λ549+46441.5λ580-51208.6λ601+19898.2λ625-8807.4λ650-145.1λ673-8073.1λ697+519.7λ725-9471.3λ746-1547.5λ789+29277.4λ838-63227.0λ879+37101.2λ901-14156.8λ931；
其中，yAsA为还原型抗坏血酸的真实含量值；利用偏最小二乘法的回归系数筛选与还原型抗坏血酸的真实含量值yAsA高度相关的特征波段，记录为xAsA；特征波段xASA中14列光谱代表14个与水稻叶片抗坏血酸含量高度相关的特征变量为549nm、580nm、601nm、625nm、650nm、673nm、697nm、725nm、746nm、789nm、838nm、879nm、901nm和931nm，每一个特征变量对应的向量记录为λ549，λ580，λ601，λ625，λ650，λ673，λ697，λ725，λ746，λ789，λ838，λ879，λ901和λ931；
当所述水稻叶片样本逆境生理指标为还原型谷胱甘肽时，测试集水稻叶片高光谱信息-还原型谷胱甘肽含量的回归模型为：
yGSH＝70.2-21430.6λ555+3915.26λ582+48295.8λ602-6941.5λ625-44918.8λ651+14460.1λ679-10749.9λ707+10979.5λ731-17451.0λ758；
其中，yGSH为还原型谷胱甘肽的真实含量值；利用偏最小二乘法的回归系数筛选与还原型谷胱甘肽的真实含量值yGSH高度相关的特征波段，记录为xGSH；特征波段xGSH中9列光谱代表9个与水稻叶片抗坏血酸含量高度相关的特征变量为555nm、582nm、602nm、625nm、651nm、679nm、707nm、731nm和758nm，每一个特征变量对应的向量记录为λ555，λ582，λ602，λ625，λ651，λ679，λ707，λ731和λ758；
当所述水稻叶片样本逆境生理指标为游离脯氨酸时，测试集水稻叶片高光谱信息-游离脯氨酸含量的回归模型为：
yFP＝-107.4-199.5λ513+4245.5λ524-4257.1λ536+7209.5λ549-5961.9λ565+16452.5λ592+6574.5λ626+391.9λ642-580.6λ655+5490.7λ673+144.4λ688+1534.4λ702+382.8λ716+3636.0λ732-1845.8λ746+15101.2λ791-3777.2λ813-10074.4λ875+16309.6λ907；
其中，yFP为游离脯氨酸的真实含量值；利用偏最小二乘法的回归系数筛选与游离脯氨酸的真实含量值yFP高度相关的特征波段，记录为xFP；特征波段xFP中19列光谱代表19个与水稻叶片抗坏血酸含量高度相关的特征变量为513nm、524nm、536nm、549nm、565nm、592nm、626nm、642nm、655nm、673nm、688nm、702nm、716nm、732nm、746nm、791nm、813nm、875nm和907nm，每一个特征变量对应的向量记录为λ513，λ524，λ536，λ549，λ565，λ592，λ626，λ642，λ655，λ673，λ688，λ702，λ716，λ732，λ746，λ791，λ813，λ875和λ907；
基于所述回归模型确定水稻叶片样本的逆境生理指标。
2.根据权利要求1所述的水稻叶片逆境生理指标检测方法，其特征在于，所述获取水稻叶片样本具体包括：
挑选长势相近的植株采用不同浓度的CdCl2溶液进行胁迫处理，胁迫5、10、15、20天后分别快速收集水稻植株的第二叶位作为待检测样本。
3.根据权利要求1所述的水稻叶片逆境生理指标检测方法，其特征在于，所述确定所述水稻叶片样本的高光谱信息具体包括：
采集所述样本的全波段高光谱图像；
对所述全波段高光谱图像进行黑白校正；
选取黑白校正后的全波段高光谱图像上每个水稻叶片样本轮廓内的像素点作为每个样本的感兴趣区域；
求取所述感兴趣区域中所有像素点的平均值；所述平均值为所述高光谱信息。
4.根据权利要求1所述的水稻叶片逆境生理指标检测方法，其特征在于，对所述高光谱信息进行平滑去噪降维处理为：小波变换、卷积平滑、标准正态变换以及导数处理中的一种。
5.根据权利要求2所述的水稻叶片逆境生理指标检测方法，其特征在于，所述不同浓度的CdCl2溶液具体包括：浓度分别为0μM、5μM、25μM、50μM、100μM的CdCl2溶液。
6.一种水稻叶片逆境生理指标检测系统，其特征在于，所述检测系统包括：
样本获取模块，用于获取水稻叶片样本；所述样本数量为m；
高光谱信息确定模块，用于确定所述水稻叶片样本的高光谱信息；
平滑去噪降维处理模块，用于对所述高光谱信息进行平滑去噪降维处理；
真实含量值获取模块，用于获取所述水稻叶片样本逆境生理指标的真实含量值；
所述获取所述水稻叶片样本逆境生理指标的真实含量值具体包括：
将新鲜叶片样品用液氮研磨后加入目标生理信息对应的化学提取液，混合均匀、过滤后收集上清液；
采用分光光度计获取所述上清液对应的吸光度；
基于所述吸光度计算水稻叶片样本逆境生理指标的真实含量值；
特征波段获取模块，用于采用特征变量筛选法获取与所述真实含量值相关性最高的平滑去噪降维处理后的高光谱信息的特征波段；所述特征波段为m行n列的光谱矩阵，其中n列光谱代表n个与水稻叶片样本逆境生理指标含量高度相关的特征变量，每个特征变量分别记为向量λ1，λ2，…λn；
回归模型建立模块，用于基于所述真实含量值和所述向量建立测试集水稻叶片高光谱信息-逆境生理指标含量的回归模型；
所述回归模型具体采用以下公式：
y＝a+a1λ1+a2λ2+…+anλn,n＝1,2,3…a,a1,a2,…,an的含义为回归方程的常数和各个波长强度对应的系数；
所述水稻叶片样本逆境生理指标为还原型抗坏血酸、还原型谷胱甘肽和游离脯氨酸；
当所述水稻叶片样本逆境生理指标为还原型抗坏血酸时，测试集水稻叶片高光谱信息-还原型抗坏血酸含量的回归模型为：
yAsA＝126.2-19974.0λ549+46441.5λ580-51208.6λ601+19898.2λ625-8807.4λ650-145.1λ673-8073.1λ697+519.7λ725-9471.3λ746-1547.5λ789+29277.4λ838-63227.0λ879+37101.2λ901-14156.8λ931；
其中，yAsA为还原型抗坏血酸的真实含量值；利用偏最小二乘法的回归系数筛选与还原型抗坏血酸的真实含量值yAsA高度相关的特征波段，记录为xAsA；特征波段xASA中14列光谱代表14个与水稻叶片抗坏血酸含量高度相关的特征变量为549nm、580nm、601nm、625nm、650nm、673nm、697nm、725nm、746nm、789nm、838nm、879nm、901nm和931nm，每一个特征变量对应的向量记录为λ549，λ580，λ601，λ625，λ650，λ673，λ697，λ725，λ746，λ789，λ838，λ879，λ901和λ931；
当所述水稻叶片样本逆境生理指标为还原型谷胱甘肽时，测试集水稻叶片高光谱信息-还原型谷胱甘肽含量的回归模型为：
yGSH＝70.2-21430.6λ555+3915.26λ582+48295.8λ602-6941.5λ625-44918.8λ651+14460.1λ679-10749.9λ707+10979.5λ731-17451.0λ758；
其中，yGSH为还原型谷胱甘肽的真实含量值；利用偏最小二乘法的回归系数筛选与还原型谷胱甘肽的真实含量值yGSH高度相关的特征波段，记录为xGSH；特征波段xGSH中9列光谱代表9个与水稻叶片抗坏血酸含量高度相关的特征变量为555nm、582nm、602nm、625nm、651nm、679nm、707nm、731nm和758nm，每一个特征变量对应的向量记录为λ555，λ582，λ602，λ625，λ651，λ679，λ707，λ731和λ758；
当所述水稻叶片样本逆境生理指标为游离脯氨酸时，测试集水稻叶片高光谱信息-游离脯氨酸含量的回归模型为：
yFP＝-107.4-199.5λ513+4245.5λ524-4257.1λ536+7209.5λ549-5961.9λ565+16452.5λ592+6574.5λ626+391.9λ642-580.6λ655+5490.7λ673+144.4λ688+1534.4λ702+382.8λ716+3636.0λ732-1845.8λ746+15101.2λ791-3777.2λ813-10074.4λ875+16309.6λ907；
其中，yFP为游离脯氨酸的真实含量值；利用偏最小二乘法的回归系数筛选与游离脯氨酸的真实含量值yFP高度相关的特征波段，记录为xFP；特征波段xFP中19列光谱代表19个与水稻叶片抗坏血酸含量高度相关的特征变量为513nm、524nm、536nm、549nm、565nm、592nm、626nm、642nm、655nm、673nm、688nm、702nm、716nm、732nm、746nm、791nm、813nm、875nm和907nm，每一个特征变量对应的向量记录为λ513，λ524，λ536，λ549，λ565，λ592，λ626，λ642，λ655，λ673，λ688，λ702，λ716，λ732，λ746，λ791，λ813，λ875和λ907；
逆境生理指标确定模块，用于基于所述回归模型确定水稻叶片样本的逆境生理指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010222044.4A CN111398191B (zh) | 2020-03-26 | 2020-03-26 | 一种水稻叶片逆境生理指标检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010222044.4A CN111398191B (zh) | 2020-03-26 | 2020-03-26 | 一种水稻叶片逆境生理指标检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111398191A CN111398191A (zh) | 2020-07-10 |
| CN111398191B true CN111398191B (zh) | 2021-09-07 |
Family
ID=71434698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010222044.4A Active CN111398191B (zh) | 2020-03-26 | 2020-03-26 | 一种水稻叶片逆境生理指标检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111398191B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537310B (zh) * | 2021-06-30 | 2024-02-23 | 杭州电子科技大学 | 一种基于连续小波投影的光谱信息挖掘方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107084943A (zh) * | 2017-04-28 | 2017-08-22 | 浙江大学 | 一种快速获取转基因玉米草甘膦耐受性表型的方法 |
| CN108254324A (zh) * | 2017-12-18 | 2018-07-06 | 中国农业大学 | 一种蟹肉新鲜度快速检测方法及装置 |
| CN110567894A (zh) * | 2019-09-04 | 2019-12-13 | 华侨大学 | 一种含水溶液pH值快速检测方法和检测装置 |
-
2020
- 2020-03-26 CN CN202010222044.4A patent/CN111398191B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107084943A (zh) * | 2017-04-28 | 2017-08-22 | 浙江大学 | 一种快速获取转基因玉米草甘膦耐受性表型的方法 |
| CN108254324A (zh) * | 2017-12-18 | 2018-07-06 | 中国农业大学 | 一种蟹肉新鲜度快速检测方法及装置 |
| CN110567894A (zh) * | 2019-09-04 | 2019-12-13 | 华侨大学 | 一种含水溶液pH值快速检测方法和检测装置 |
Non-Patent Citations (2)
| Title |
|---|
| 不同浓度镉胁迫下水稻冠层光谱特征及其预测评价;仲晓春 等;《农业环境科学学报》;20121231;第31卷(第3期);第449页左、右栏 * |
| 基于融合小波的高光谱生菜农残梯度鉴别研究;周鑫 等;《中国农机化学报》;20161231;第37卷(第8期);第81页左栏 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111398191A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Min et al. | Determination of significant wavelengths and prediction of nitrogen content for citrus | |
| Richardson et al. | An evaluation of noninvasive methods to estimate foliar chlorophyll content | |
| CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
| Wu et al. | Investigating the effects of simulated transport vibration on tomato tissue damage based on vis/NIR spectroscopy | |
| Torres et al. | Irrigation decision support based on leaf relative water content determination in olive grove using near infrared spectroscopy | |
| Wang et al. | Revised normalized difference nitrogen index (NDNI) for estimating canopy nitrogen concentration in wetlands | |
| CN111398191B (zh) | 一种水稻叶片逆境生理指标检测方法及系统 | |
| Yang et al. | Evaluating the relationship between the photochemical reflectance index and light use efficiency in a mangrove forest with Spartina alterniflora invasion | |
| Asante et al. | Detection and assessment of nitrogen effect on cold tolerance for tea by hyperspectral reflectance with PLSR, PCR, and LM models | |
| Min et al. | Design of a hyperspectral nitrogen sensing system for orange leaves | |
| Font et al. | Use of near-infrared spectroscopy for determining the total arsenic content in prostrate amaranth | |
| Cao et al. | Applying spectral fractal dimension index to predict the SPAD value of rice leaves under bacterial blight disease stress | |
| Jin et al. | Hyperspectral indices developed from the low order fractional derivative spectra can capture leaf dry matter content across a variety of species better | |
| Xie et al. | Different algorithms for detection of malondialdehyde content in eggplant leaves stressed by grey mold based on hyperspectral imaging technique | |
| He et al. | Development of critical nitrogen dilution curves for different leaf layers within the rice canopy | |
| Liu et al. | Comparison of two noninvasive methods for measuring the pigment content in foliose macrolichens | |
| CN111398255A (zh) | 一种水稻根系所含镉元素的定量检测方法和系统 | |
| Endo et al. | Estimation of net photosynthetic rate based on in-situ hyperspectral data | |
| CN115684107B (zh) | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 | |
| 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 | |
| Li et al. | Kinetic models of peroxidase activity in potato leaves infected with late blight based on hyperspectral data | |
| CN114199790A (zh) | 一种光谱检测果茶树营养状况的检测方法及系统 | |
| Huang et al. | Estimation of chlorophyll content in pepper leaves using spectral transmittance red-edge parameters | |
| Phanomsophon et al. | Classification of N, P, and K concentrations in durian (Durio Zibethinus Murray CV. Mon Thong) leaves using near-infrared spectroscopy. | |
| CN114494689A (zh) | 番茄干旱胁迫的识别方法 |
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 |