CN111398255B - 一种水稻根系所含镉元素的定量检测方法和系统 - Google Patents
一种水稻根系所含镉元素的定量检测方法和系统 Download PDFInfo
- Publication number
- CN111398255B CN111398255B CN202010304492.9A CN202010304492A CN111398255B CN 111398255 B CN111398255 B CN 111398255B CN 202010304492 A CN202010304492 A CN 202010304492A CN 111398255 B CN111398255 B CN 111398255B
- Authority
- CN
- China
- Prior art keywords
- cadmium element
- cadmium
- quantitative detection
- detection model
- linear 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Plasma & Fusion (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种水稻根系所含镉元素的定量检测方法和系统。所述定量检测方法和系统通过采用激光诱导击穿光谱仪获取待检测水稻根系的光谱数据,根据所述光谱数据确定镉元素发射谱线的信号强度,然后,采用镉元素定量检测模型根据镉元素发射谱线的信号强度确定待检测水稻根系中镉元素的含量。本发明提供的水稻根系所含镉元素的定量检测方法和系统,能够去除基体效应干扰,提高水稻镉元素含量的检测精度。
Description
技术领域
本发明涉及重金属检测技术领域,特别是涉及一种水稻根系所含镉元素的定量检测方法和系统。
背景技术
近年来,工业的快速发展造成了严重的环境问题。工业废气、废水、废渣的排放,以及农药与化肥滥用,导致土壤镉污染日益严重。镉作为最常见的有毒重金属元素之一,具有迁移性、富集性和隐藏性的特点。土壤中过量的镉容易被植物吸收和积累,阻碍细胞分裂,破坏细胞结构,抑制酶活性,使代谢活动紊乱,影响植物生长。镉是人体非必需元素,进入植物体内不能被生物分解,通过食物链进入人体,将长期积蓄在生物有机体内,会造成急性与慢性中毒,损伤肾脏功能,引起骨质萎缩,对人体产生极大的伤害。
水稻是我国主要的粮食作物。世界卫生组织(WHO)建议每人每天摄入的镉不应超过68μg。根据《食品安全国家标准食品中污染物限量》(GB2762-2012),我国对食品中的镉含量规定在0.005~2mg/kg-1,其中稻谷、糙米与大米的限量为0.2mg/kg-1。相比于其他农作物,水稻植株对于镉具有强吸收的特性,低程度的镉污染就会造成镉在根、茎、叶、籽粒中积累,影响水稻生长代谢,改变水稻表型信息,最终形成“镉大米”。水稻对重金属元素积累主要是通过根部从土壤中吸收,再向其他器官进行转移。水稻根系由不定根系组成,属于须根系。作为最先感受逆境胁迫的前端器官,根系是影响大米中重金属积累的重要器官。
传统上,重金属的检测需要通过采样、预处理以及实验室化学分析手段,过程繁琐、成本高、耗时长。激光诱导击穿光谱(laser induced breakdown spectroscopy,LIBS)是近年兴起的一种检测技术,其采用激光烧蚀样本产生等离子体,通过分析等离子体发射的光谱信号进行定性与定量检测。目前,激光诱导击穿光谱以快速、简便、准确、微损、多元素同时分析、不需要对样本进行复杂预处理等优点,已在考古学、生物医学、地理化学、军事、工业等领域得以应用。
由于植物样本具有复杂的基体效应与物理特性,LIBS在植物领域的检测应用具有更大的挑战。此外,植物中不同器官由于功能结构的不同,其组成成分、基体效应与物理特性等方面也存在较大差异。水稻根系属于须根系,可分为冠根与侧根。水稻根系既是吸收器官,也是合成某些内源激素的重要场所,其生长发育与地上部器官具有较大差异。LIBS产生的等离子体光谱包含复杂的变量信息,这些信息不仅有目标元素的发射谱线和连续背景信息,也有基体对应的基体信息。基体效应会影响LIBS的信号,干扰常规元素发射谱线对植物元素定量检测的适用性。与传统光谱仪相比,单色仪获取的光谱分辨率高,基体信息相对较少,更多呈现了目标元素信息。
因此,为去除基体效应干扰、提高检测精度,提供一种基于LIBS检测水稻根系镉元素含量的方法和系统是本领域亟待解决的一个技术问题。
发明内容
本发明的目的是提供一种水稻根系所含镉元素的定量检测方法和系统,以去除基体效应干扰、提高水稻镉元素含量的检测精度。
为实现上述目的,本发明提供了如下方案:
一种水稻根系所含镉元素的定量检测方法,包括:
采用激光诱导击穿光谱仪获取待检测水稻根系的光谱数据;
根据所述光谱数据确定镉元素发射谱线的信号强度;
获取镉元素定量检测模型;所述镉元素定量检测模型为以镉元素发射谱线的信号强度为输入,以镉元素的含量为输出的检测模型;
采用所述镉元素定量检测模型,根据所述镉元素发射谱线的信号强度确定待检测水稻根系中镉元素的含量。
优选的,所述镉元素定量检测模型的建立过程包括:
采用一元线性回归法和/或多元线性回归法,以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出建立所述镉元素定量检测模型。
优选的,所述采用一元线性回归法和/或多元线性回归法,以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出建立所述镉元素定量检测模型,具体包括:
采用一元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第一镉元素定量检测模型;
获取所述第一镉元素定量检测模型的线性回归系数,记为第一线性回归系数;
采用多元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第二镉元素定量检测模型;
获取所述第二镉元素定量检测模型的线性回归系数,记为第二线性回归系数;
判断所述第一线性回归系数是否大于所述第二线性回归系数,得到判断结果;若所述判断结果为是,则以所述第一镉元素定量检测模型为所述镉元素定量检测模型;若所述判断结果为否,则以所述第二镉元素定量检测模型为所述镉元素定量检测模型;
所述第一线性回归系数和所述第二线性回归系数均为镉元素发射谱线的信号强度与镉元素含量的相关度。
优选的,在所述获取镉元素定量检测模型之前,所述定量检测方法还包括:
获取不同镉含量的水稻根系样品,并将所述水稻根系样品进行烘干、研磨和压片处理后作为待测样本;
采用激光诱导击穿光谱仪器采集所述待测样本的光谱数据;
对所获取的光谱数据进行预处理,得到预处理后的光谱数据;所述预处理包括滤除噪声和矩阵化处理;
根据所述预处理后的光谱数据确定多条镉元素的发射谱线,并确定每条所述发射谱线对应的谱线强度;
获取所述待测样本中水稻根系镉元素的真实含量;
以所述谱线强度为输入,以所述水稻根系镉元素的真实含量为输出,对所述镉元素定量检测模型进行训练,得到训练后的镉元素定量检测模型。
一种水稻根系所含镉元素的定量检测系统,包括:
光谱数据获取模块,用于采用激光诱导击穿光谱仪获取待检测水稻根系的光谱数据;
信号强度确定模块,用于根据所述光谱数据确定镉元素发射谱线的信号强度;
检测模型获取模块,用于获取镉元素定量检测模型;所述镉元素定量检测模型为以镉元素发射谱线的信号强度为输入,以镉元素的含量为输出的检测模型;
镉元素含量确定模块,用于采用所述镉元素定量检测模型,根据所述镉元素发射谱线的信号强度确定待检测水稻根系中镉元素的含量。
优选的,所述定量检测系统还包括:
检测模型建立模块,用于采用一元线性回归法和/或多元线性回归法,以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出建立所述镉元素定量检测模型。
优选的,所述检测模型建立模块具体包括:
第一镉元素定量检测模型构建单元,用于采用一元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第一镉元素定量检测模型;
第一线性系数获取单元,用于获取所述第一镉元素定量检测模型的线性回归系数,记为第一线性回归系数;
第二镉元素定量检测模型构建单元,用于采用多元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第二镉元素定量检测模型;
第二线性系数获取单元,用于获取所述第二镉元素定量检测模型的线性回归系数,记为第二线性回归系数;
判断单元,用于判断所述第一线性回归系数是否大于所述第二线性回归系数,得到判断结果;若所述判断结果为是,则以所述第一镉元素定量检测模型为所述镉元素定量检测模型;若所述判断结果为否,则以所述第二镉元素定量检测模型为所述镉元素定量检测模型;
所述第一线性回归系数和所述第二线性回归系数均为镉元素发射谱线的信号强度与镉元素含量的相关度。
优选的,所述定量检测系统还包括:
待测样本获取模块,用于获取不同镉含量的水稻根系样品,并将所述水稻根系样品进行烘干、研磨和压片处理后作为待测样本;
光谱数据采集模块,用于采用激光诱导击穿光谱仪器采集所述待测样本的光谱数据;
光谱数据预处理模块,用于对所获取的光谱数据进行预处理,得到预处理后的光谱数据;所述预处理包括滤除噪声和矩阵化处理;
谱线强度确定模块,用于根据所述预处理后的光谱数据确定多条镉元素的发射谱线,并确定每条所述发射谱线对应的谱线强度;
镉元素真实含量获取模块,用于获取所述待测样本中水稻根系镉元素的真实含量;
检测模型训练模块,用于以所述谱线强度为输入,以所述水稻根系镉元素的真实含量为输出,对所述镉元素定量检测模型进行训练,得到训练后的镉元素定量检测模型。
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:
本发明提供的水稻根系所含镉元素的定量检测方法和系统,通过采用激光诱导击穿光谱仪获取待检测水稻根系的光谱数据,根据所述光谱数据确定镉元素发射谱线的信号强度,然后,采用镉元素定量检测模型根据镉元素发射谱线的信号强度确定待检测水稻根系中镉元素的含量,这就能够去除基体效应干扰,提高水稻镉元素含量的检测精度。
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为本发明实施例提供的水稻根系所含镉元素的定量检测方法的流程图;
图2为60个水稻根系样品的光谱数据图;
图3为本发明实施例提供的水稻根系所含镉元素的定量检测系统的结构示意图。
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根系所含镉元素的定量检测方法和系统,以去除基体效应干扰、提高水稻镉元素含量的检测精度。
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为本发明实施例提供的水稻根系所含镉元素的定量检测方法的流程图,如图1所示,一种水稻根系所含镉元素的定量检测方法,包括:
S1、采用激光诱导击穿光谱仪获取待检测水稻根系的光谱数据。
S2、根据所述光谱数据确定镉元素发射谱线的信号强度。
S3、获取镉元素定量检测模型。所述镉元素定量检测模型为以镉元素发射谱线的信号强度为输入,以镉元素的含量为输出的检测模型。
S4、采用所述镉元素定量检测模型,根据所述镉元素发射谱线的信号强度确定待检测水稻根系中镉元素的含量。
上述镉元素定量检测模型的建立过程包括:
采用一元线性回归法和/或多元线性回归法,以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出建立所述镉元素定量检测模型。
在采用不同的线性回归法构建得到镉元素定量检测模型之后,为了提高检测的精确性,本发明还需要以构建得到的镉元素定量检测模型的相关系数为判断依据,来进一步确定最后所采用的镉元素定量检测模型,这一过程具体包括:
采用一元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第一镉元素定量检测模型。
获取所述第一镉元素定量检测模型的线性回归系数,记为第一线性回归系数。
采用多元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第二镉元素定量检测模型。
获取所述第二镉元素定量检测模型的线性回归系数,记为第二线性回归系数。
判断所述第一线性回归系数是否大于所述第二线性回归系数,得到判断结果。若所述判断结果为是,则以所述第一镉元素定量检测模型为所述镉元素定量检测模型。若所述判断结果为否,则以所述第二镉元素定量检测模型为所述镉元素定量检测模型。
所述第一线性回归系数和所述第二线性回归系数均为镉元素发射谱线的信号强度与镉元素含量的相关度。
进一步,为了去除基体效应干扰、提高水稻镉元素含量的检测精度,在S3获取镉元素定量检测模型之前,本发明提供的定量检测方法还可以包括:
获取不同镉含量的水稻根系样品,并将所述水稻根系样品进行烘干、研磨和压片处理后作为待测样本。
采用激光诱导击穿光谱仪器采集所述待测样本的光谱数据。该光谱数据记为X。
对所获取的光谱数据进行预处理,得到预处理后的光谱数据。所述预处理包括滤除噪声和矩阵化处理。预处理后的光谱矩阵记为X1。
根据所述预处理后的光谱数据确定多条镉元素的发射谱线,并确定每条所述发射谱线对应的谱线强度。
获取所述待测样本中水稻根系镉元素的真实含量。水稻根系镉元素的真实含量记为Y1。
以所述谱线强度为输入,以所述水稻根系镉元素的真实含量为输出,对所述镉元素定量检测模型进行训练,得到训练后的镉元素定量检测模型。
作为本发明的另一实施例,镉元素定量检测模型的建立过程还可以包括:
从预处理后的光谱矩阵X1中提取n列数据,即上述n条镉元素发射谱线所对应的数据。将所获取的n列数据组成新的矩阵,即镉元素对应的光谱数据X2。
采用Kmeans方法,按照一定的比例从光谱数据X2中选择设定数量的样本组成建模集,剩下的作为预测集。
采用一元线性回归法,以所述建模集样本中n个镉元素发射谱线的信号强度Iλn作为输入,以样本中镉元素的真实含量Y作为输出,分别建立n个镉元素发射谱线信号强度与镉元素含量的线性回归模型。该线性回归模型记为YU:其中,an为系数,bn为常数项。上述模型的Multiple R(线性回归系数)分别为相应模型中镉元素发射谱线信号强度与镉元素含量的相关系数R。
采用多元线性回归法,分别以建模集样本中不同镉元素谱线的信号强度组合作为输入(不同镉元素谱线的信号强度组合数记为t,C为组合数),以样本中镉元素的真实含量Y作为输出,建立建模集样本中镉元素发射谱线信号强度-镉元素含量的多元线性回归模型。多元线性回归模型记为YM,其中,其中,YM为茎秆重金属含量,k0为常数项,kn为系数,为特征波长的信号强度,λn为第n条谱线,n=1,2,3...。上述模型的复相关系数Multiple R,又称相关系数R,可用于衡量相应模型中镉元素发射谱线信号强度与镉元素含量的相关程度。
对比线性回归模型YU和YM中的相关系数R,得到相关系数的最大值Rmax,Rmax对应的线性回归模型即为最终的镉元素定量检测模型Y。
镉元素定量检测模型Y最大限度包含了LIBS光谱与水稻根系Cd含量间的关系,改善基体效应影响,实现根系Cd含量的快速定量检测。
以具体实验方式,对本发明提供的水稻根系所含镉元素的定量检测方法的有益效果进行说明。
试验中选用的水稻品种为秀水134,为浙江省广泛种植的单季常规晚粳稻。采用水培方式培育水稻植株,营养液采用国际水稻所推荐的营养液。水稻进入生长期的分蘖期,开始向营养液添加一定浓度梯度重金属。试验中采用CdCl2配制水稻镉胁迫溶液,Cd2+浓度梯度为0μM(CK)、5μM、25μM、50μM和100μM。于10天、20天和30天后,在同一重金属胁迫水平下选取长势相近的水稻植株,收集水稻根系。将上述15种不同镉胁迫程度的根系样本先用自来水清洗再用蒸馏水清洗,然后在EDTA二钠溶液中浸泡60min,再次用蒸馏水清洗后作为试验样本。将上述收集的新鲜水稻根系置于60℃烘箱中经72h烘干至恒重,获得烘干根系。采用自动样品快速研磨仪将烘干根系研磨成粉,分别从每份样本粉末中称取100mg用手动台式压片机以60000N的压力经20s后压成尺寸为10mm×10mm×1mm的小方片,获得根系压片。每种样本重复4次,一共获取60个根系压片。
单色仪获取的光谱分辨率高,基体信息相对较少,更多呈现了目标元素信息。试验中采用单色仪进行光谱采集,通过调整中心波长限定采集光谱范围,获取指定短波段210.01~231.00nm中高分辨率的光谱信息。LIBS光谱仪的激光脉冲能量(Energy)、单色仪延迟时间(Delay)、ICCD探测器门宽(Gate width)和激光脉冲波长(λ)参数都会影响实验结果。为了获得较好的信噪比,采用以下参数:激光波长为532nm,激光能量为60mJ,透镜到样本的距离为98mm(聚焦透镜焦距为100mm),ICCD相机的延时时间为1μs,门宽为10μs,增益设置为1000。
根系压片放置在X-Y-Z三维样品台上,设置位移台的移动路径为4×4阵列,每一行与每一列之间的距离为2mm。根据路径,在样品的16个位置收集光谱。为了减少激光点对点的波动,获得稳定的信号,每个位置累计获取5次,重复频率为1Hz,将获得的80个光谱的平均值(4×4×5)作为样品的LIBS光谱进行后续分析。最终,获得60个根系样品的光谱数据X,如图2所示。
采用电感耦合等离子发射光谱谱法(ICP-OES)测量15种不同镉胁迫程度的水稻根系样本中镉元素的真实含量Y1,其中镉元素的含量范围为0~537.79mg/kg。试验中,采用ICP-OES方法检测根系样品中的镉含量大约需要150分钟。
对所获取的光谱数据依次进行小波变化、面积归一化和异常光谱剔除预处理,将预处理后的光谱记为X1。小波变化中所采用的函数为Daubechies4,层数为3层。面积归一化中将谱线信号强度与谱线积分面积进行比值处理。试验中基于中值绝对偏差剔除异常值。因为原始光谱数据中Cd 226.50nm的信号相对稳定,选择该谱线的峰值作为计算变量。
首先计算同一样本所有光谱Cd 226.50nm峰值的中值与中值标准偏差。接着分别计算每一条光谱的Cd226.50 nm峰值与中值的偏差,若差值大于2.5倍的中值标准偏差,则将该光谱视为异常光谱。
根据美国科学和技术研究院(National Institute ofScience and Technology,NIST)数据库,从光谱数据X1中快速定位3条镉元素的发射谱线,分别为离子发射谱线λ1=214.44nm和λ2=226.50nm,原子发射谱线λ3=228.80nm,其对应谱线强度为
在X1中提取出3条镉元素发射谱线对应的光谱数据作为X2。
采用Kmeans方法,将所获得的光谱数据(X2,Y1)按照2:1的比例划分为建模集和预测集。
采用一元线性回归法,分别以建模集样本中的信号强度作为输入,以样本中镉元素的真实含量作为输出,建立镉元素发射谱线信号强度-镉元素含量的一元线性回归模型。
3条镉元素发射谱线的回归模型YU1、YU2、YU3和对应的相关系数R如表1所示。
表1 发射谱线分别对应的回归模型YU和相关系数R
采用多元线性回归法,分别以建模集样本中不同镉元素谱线的信号强度组合作为输入,以样本中镉元素的真实含量作为输出,建立建模集样本中镉元素发射谱线信号强度与镉元素含量的多元线性回归模型。
3种不同镉元素谱线,可以组成4种不同镉元素谱线的信号强度Iλn组合,分别为:I214.44nm+I226.50nm、I214.44nm+I228.80nm、I226.50nm+I228.80nm、I214.44nm+I226.50nm+I228.80nm。4条镉元素发射谱线信号强度-镉元素含量的多元线性回归模型Y和对应的R如表2所示。
表2 4种镉元素发射谱线信号强度-镉元素含量的回归模型YM和R
对比上述不同模型的相关性R,得到Rmax,获得最优模型Y:
Y=-681811.6678I214.44nm+792982.5797I226.50nm+139379.7074I228.80nm-513.8802
并得到表征Iλ与Y相关性的最大值Rmax为0.9888,相关性高于其他模型的相关性。
将预测集样本中相应镉元素发射谱线的信号强度组合代入该方程,得到样本中镉元素含量的预测值,其相关性为0.9773。
试验中,采用LIBS技术检测根系样品中镉含量大约需要5分钟。该方程最大限度包含了LIBS光谱与水稻根系Cd含量间的关系,改善基体效应影响,实现根系Cd含量的快速定量检测。
与现有技术相比,本发明具有以下优点:
1、能快速定位与目标元素含量相关的元素发射谱线所在位置。
2、具有不接触化学试剂、操作简便快捷、低成本等特点。
3、充分分析LIBS光谱与水稻根系重金属镉元素实际值间的数学关系,提高定量化检测精度和灵敏性。
4、实现了水稻根系镉元素的快速、大批量检测。
此外对应于上述提供的水稻根系所含镉元素的定量检测方法,本发明还提供了一种水稻根系所含镉元素的定量检测系统。图3为本发明实施例提供的水稻根系所含镉元素的定量检测系统的结构示意图,如图3所示,该定量检测系统包括:光谱数据获取模块1、信号强度确定模块2、检测模型获取模块3和镉元素含量确定模块4。
其中,光谱数据获取模块1用于采用激光诱导击穿光谱仪获取待检测水稻根系的光谱数据。
信号强度确定模块2用于根据所述光谱数据确定镉元素发射谱线的信号强度。
检测模型获取模块3用于获取镉元素定量检测模型。所述镉元素定量检测模型为以镉元素发射谱线的信号强度为输入,以镉元素的含量为输出的检测模型。
镉元素含量确定模块4用于采用所述镉元素定量检测模型,根据所述镉元素发射谱线的信号强度确定待检测水稻根系中镉元素的含量。
为了进一步提高检测精度,上述定量检测系统可以包括:检测模型建立模块。
检测模型建立模块用于采用一元线性回归法和/或多元线性回归法,以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出建立所述镉元素定量检测模型。
作为本发明的另一实施例,上述检测模型建立模块具体包括:第一镉元素定量检测模型构建单元、第一线性系数获取单元、第二镉元素定量检测模型构建单元、第二线性系数获取单元和判断单元。
第一镉元素定量检测模型构建单元用于采用一元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第一镉元素定量检测模型。
第一线性系数获取单元用于获取所述第一镉元素定量检测模型的线性回归系数,记为第一线性回归系数。
第二镉元素定量检测模型构建单元用于采用多元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第二镉元素定量检测模型。
第二线性系数获取单元用于获取所述第二镉元素定量检测模型的线性回归系数,记为第二线性回归系数。
判断单元用于判断所述第一线性回归系数是否大于所述第二线性回归系数,得到判断结果。若所述判断结果为是,则以所述第一镉元素定量检测模型为所述镉元素定量检测模型。若所述判断结果为否,则以所述第二镉元素定量检测模型为所述镉元素定量检测模型。
所述第一线性回归系数和所述第二线性回归系数均为镉元素发射谱线的信号强度与镉元素含量的相关度。
作为本发明的另一实施例,所述定量检测系统还可以包括:待测样本获取模块、光谱数据采集模块、光谱数据预处理模块、谱线强度确定模块、镉元素真实含量获取模块和检测模型训练模块。
其中,待测样本获取模块用于获取不同镉含量的水稻根系样品,并将所述水稻根系样品进行烘干、研磨和压片处理后作为待测样本。
光谱数据采集模块用于采用激光诱导击穿光谱仪器采集所述待测样本的光谱数据。
光谱数据预处理模块用于对所获取的光谱数据进行预处理,得到预处理后的光谱数据。所述预处理包括滤除噪声和矩阵化处理。
谱线强度确定模块用于根据所述预处理后的光谱数据确定多条镉元素的发射谱线,并确定每条所述发射谱线对应的谱线强度。
镉元素真实含量获取模块用于获取所述待测样本中水稻根系镉元素的真实含量。
检测模型训练模块用于以所述谱线强度为输入,以所述水稻根系镉元素的真实含量为输出,对所述镉元素定量检测模型进行训练,得到训练后的镉元素定量检测模型。
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)
1.一种水稻根系所含镉元素的定量检测方法,其特征在于,包括:
采用激光诱导击穿光谱仪获取待检测水稻根系的光谱数据;
根据所述光谱数据确定镉元素发射谱线的信号强度;
获取镉元素定量检测模型;所述镉元素定量检测模型为以镉元素发射谱线的信号强度为输入,以镉元素的含量为输出的检测模型;
采用所述镉元素定量检测模型,根据所述镉元素发射谱线的信号强度确定待检测水稻根系中镉元素的含量;
在所述获取镉元素定量检测模型之前,还包括:
获取不同镉含量的水稻根系样品,并将所述水稻根系样品进行烘干、研磨和压片处理后作为待测样本;
采用激光诱导击穿光谱仪器采集所述待测样本的光谱数据;
对所获取的光谱数据进行预处理,得到预处理后的光谱数据;所述预处理包括滤除噪声和矩阵化处理;
根据所述预处理后的光谱数据确定多条镉元素的发射谱线,并确定每条所述发射谱线对应的谱线强度;
获取所述待测样本中水稻根系镉元素的真实含量;
以所述谱线强度为输入,以所述水稻根系镉元素的真实含量为输出,对所述镉元素定量检测模型进行训练,得到训练后的镉元素定量检测模型;
其中,所述对所获取的光谱数据进行预处理,得到预处理后的光谱数据,包括:
对所述获取的光谱数据依次进行小波变化、面积归一化和异常光谱剔除预处理;所述小波变化中所采用的函数为Daubechies4,层数为3层;所述面积归一化中将谱线信号强度与谱线积分面积进行比值处理;所述异常光谱剔除是基于中值绝对偏差剔除异常值;
所述根据所述预处理后的光谱数据确定多条镉元素的发射谱线,包括:
根据美国科学和技术研究院数据库,从所述预处理后的光谱数据中快速定位3条镉元素的发射谱线,分别为离子发射谱线λ1=214.44nm和λ2=226.50nm,原子发射谱线λ3=228.80nm。
2.根据权利要求1所述的一种水稻根系所含镉元素的定量检测方法,其特征在于,所述镉元素定量检测模型的建立过程包括:
采用一元线性回归法和多元线性回归法,以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出建立所述镉元素定量检测模型。
3.根据权利要求2所述的一种水稻根系所含镉元素的定量检测方法,其特征在于,所述采用一元线性回归法和多元线性回归法,以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出建立所述镉元素定量检测模型,具体包括:
采用一元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第一镉元素定量检测模型;
获取所述第一镉元素定量检测模型的线性回归系数,记为第一线性回归系数;
采用多元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第二镉元素定量检测模型;
获取所述第二镉元素定量检测模型的线性回归系数,记为第二线性回归系数;
判断所述第一线性回归系数是否大于所述第二线性回归系数,得到判断结果;若所述判断结果为是,则以所述第一镉元素定量检测模型为所述镉元素定量检测模型;若所述判断结果为否,则以所述第二镉元素定量检测模型为所述镉元素定量检测模型;
所述第一线性回归系数和所述第二线性回归系数均为镉元素发射谱线的信号强度与镉元素含量的相关度。
4.一种水稻根系所含镉元素的定量检测系统,其特征在于,包括:
光谱数据获取模块,用于采用激光诱导击穿光谱仪获取待检测水稻根系的光谱数据;
信号强度确定模块,用于根据所述光谱数据确定镉元素发射谱线的信号强度;
检测模型获取模块,用于获取镉元素定量检测模型;所述镉元素定量检测模型为以镉元素发射谱线的信号强度为输入,以镉元素的含量为输出的检测模型;
镉元素含量确定模块,用于采用所述镉元素定量检测模型,根据所述镉元素发射谱线的信号强度确定待检测水稻根系中镉元素的含量;
待测样本获取模块,用于获取不同镉含量的水稻根系样品,并将所述水稻根系样品进行烘干、研磨和压片处理后作为待测样本;
光谱数据采集模块,用于采用激光诱导击穿光谱仪器采集所述待测样本的光谱数据;
光谱数据预处理模块,用于对所获取的光谱数据进行预处理,得到预处理后的光谱数据;所述预处理包括滤除噪声和矩阵化处理;
谱线强度确定模块,用于根据所述预处理后的光谱数据确定多条镉元素的发射谱线,并确定每条所述发射谱线对应的谱线强度;
镉元素真实含量获取模块,用于获取所述待测样本中水稻根系镉元素的真实含量;
检测模型训练模块,用于以所述谱线强度为输入,以所述水稻根系镉元素的真实含量为输出,对所述镉元素定量检测模型进行训练,得到训练后的镉元素定量检测模型;
其中,所述对所获取的光谱数据进行预处理,得到预处理后的光谱数据,包括:
对所获取的光谱数据依次进行小波变化、面积归一化和异常光谱剔除预处理;所述小波变化中所采用的函数为Daubechies4,层数为3层;所述面积归一化中将谱线信号强度与谱线积分面积进行比值处理;所述异常光谱剔除是基于中值绝对偏差剔除异常值;
所述根据所述预处理后的光谱数据确定多条镉元素的发射谱线,包括:
根据美国科学和技术研究院数据库,从所述预处理后的光谱数据中快速定位3条镉元素的发射谱线,分别为离子发射谱线λ1=214.44nm和λ2=226.50nm,原子发射谱线λ3=228.80nm。
5.根据权利要求4所述的一种水稻根系所含镉元素的定量检测系统,其特征在于,所述定量检测系统还包括:
检测模型建立模块,用于采用一元线性回归法和多元线性回归法,以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出建立所述镉元素定量检测模型。
6.根据权利要求5所述的一种水稻根系所含镉元素的定量检测系统,其特征在于,所述检测模型建立模块具体包括:
第一镉元素定量检测模型构建单元,用于采用一元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第一镉元素定量检测模型;
第一线性系数获取单元,用于获取所述第一镉元素定量检测模型的线性回归系数,记为第一线性回归系数;
第二镉元素定量检测模型构建单元,用于采用多元线性回归法以所述镉元素发射谱线的信号强度为输入,以镉元素的含量为输出构建得到的第二镉元素定量检测模型;
第二线性系数获取单元,用于获取所述第二镉元素定量检测模型的线性回归系数,记为第二线性回归系数;
判断单元,用于判断所述第一线性回归系数是否大于所述第二线性回归系数,得到判断结果;若所述判断结果为是,则以所述第一镉元素定量检测模型为所述镉元素定量检测模型;若所述判断结果为否,则以所述第二镉元素定量检测模型为所述镉元素定量检测模型;
所述第一线性回归系数和所述第二线性回归系数均为镉元素发射谱线的信号强度与镉元素含量的相关度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304492.9A CN111398255B (zh) | 2020-04-17 | 2020-04-17 | 一种水稻根系所含镉元素的定量检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010304492.9A CN111398255B (zh) | 2020-04-17 | 2020-04-17 | 一种水稻根系所含镉元素的定量检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111398255A CN111398255A (zh) | 2020-07-10 |
CN111398255B true CN111398255B (zh) | 2022-11-25 |
Family
ID=71435353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010304492.9A Active CN111398255B (zh) | 2020-04-17 | 2020-04-17 | 一种水稻根系所含镉元素的定量检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398255B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112858260A (zh) * | 2021-02-05 | 2021-05-28 | 广东海洋大学 | 一种基于信息化平台的便携式试剂定量检测系统及方法 |
CN113099774A (zh) * | 2021-05-11 | 2021-07-13 | 怀化职业技术学院 | 一种低镉优质水稻的筛选方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103604781B (zh) * | 2013-11-12 | 2016-02-24 | 清华大学 | 一种用于烟煤碳含量测量的光谱标准化方法 |
CN104374753B (zh) * | 2014-11-17 | 2016-09-28 | 浙江大学 | 基于双脉冲激光诱导击穿光谱的作物重金属和微量元素检测方法 |
CN105092540B (zh) * | 2015-06-16 | 2017-09-19 | 江西农业大学 | 一种食用油中重金属铅含量的快速高精度检测方法 |
CN105044050A (zh) * | 2015-07-07 | 2015-11-11 | 中国农业大学 | 农作物秸秆中金属元素快速定量分析方法 |
CN106248653B (zh) * | 2016-07-14 | 2019-01-29 | 清华大学 | 一种提高激光诱导击穿光谱定量分析长期稳定性的方法 |
CN106198492A (zh) * | 2016-07-26 | 2016-12-07 | 浙江大学 | 一种利用微藻libs信号检测水体重金属铅污染程度的方法 |
CN106770189A (zh) * | 2016-11-24 | 2017-05-31 | 浙江大学 | 一种基于激光诱导击穿光谱的烟叶铜元素快速检测方法 |
CN108596246A (zh) * | 2018-04-23 | 2018-09-28 | 浙江科技学院 | 基于深度神经网络的土壤重金属含量检测模型的建立方法 |
-
2020
- 2020-04-17 CN CN202010304492.9A patent/CN111398255B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111398255A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Study on the prediction of soil heavy metal elements content based on visible near-infrared spectroscopy | |
Chen et al. | Hyperspectral characteristics and quantitative analysis of leaf chlorophyll by reflectance spectroscopy based on a genetic algorithm in combination with partial least squares regression | |
Xue et al. | Application of particle swarm optimization (PSO) algorithm to determine dichlorvos residue on the surface of navel orange with Vis-NIR spectroscopy | |
CN111398255B (zh) | 一种水稻根系所含镉元素的定量检测方法和系统 | |
CN1837787A (zh) | 一种无损伤精准测定棉花生物物理参数的方法 | |
Liu et al. | Quantitative analysis of cadmium in tobacco roots using laser-induced breakdown spectroscopy with variable index and chemometrics | |
CN111488926A (zh) | 一种基于优化模型的土壤有机质测定方法 | |
CN109060771B (zh) | 一种基于光谱不同特征集的共识模型构建方法 | |
CN106198492A (zh) | 一种利用微藻libs信号检测水体重金属铅污染程度的方法 | |
Chen et al. | Predicting leaf traits of temperate broadleaf deciduous trees from hyperspectral reflectance: can a general model be applied across a growing season? | |
CN111398254B (zh) | 一种水稻叶片重金属铜元素定量检测方法及系统 | |
Huang et al. | A novel method to extract important features from laser induced breakdown spectroscopy data: application to determine heavy metals in mulberries | |
Wang et al. | Predicting copper contamination in wheat canopy during the full growth period using hyperspectral data | |
Li et al. | Optical imaging spectroscopy coupled with machine learning for detecting heavy metal of plants: A review | |
CN115112699A (zh) | 一种xrf土壤重金属元素定量分析方法 | |
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 | |
Zhao et al. | Laser-induced breakdown spectroscopy (LIBS) for the detection of exogenous contamination of metal elements in lily bulbs | |
Wang et al. | Estimating cadmium concentration in the edible part of Capsicum annuum using hyperspectral models | |
CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
Li et al. | Model-based mid-infrared spectroscopy for on-line monitoring of volatile fatty acids in the anaerobic digester | |
CN113552096A (zh) | 一种基于光谱的菠萝叶片氮含量估算方法 | |
CN113702329A (zh) | 一种土壤总氮的红外光谱分析方法 | |
Lv et al. | Quantitative analysis of chlorophyll in Catalpa bungei leaves based on partial least squares regression and spectral reflectance index | |
Xiao et al. | Rapid detection of maize seed germination rate based on Gaussian process regression with selection kernel function | |
Gao et al. | Research of the content of nutrient elements caused by anthracnose to Camellia oleifera using LIBS technology |
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 |