摘要超氧化物歧化酶（SOD）是判斷作物受脅迫程度的關(guān)鍵指標(biāo)，可以用來(lái)衡量植物生長(zhǎng)狀況，同時(shí)也在植物逆境脅迫研究中具有重要意義。為了實(shí)現(xiàn)甘藍(lán)葉片SOD活性的快速無(wú)損檢測(cè)，提出了一種利用高光譜成像技術(shù)結(jié)合深度學(xué)習(xí)的方法來(lái)對(duì)甘藍(lán)葉片進(jìn)行檢測(cè)。試驗(yàn)共采集了200片甘藍(lán)葉片在不同生長(zhǎng)發(fā)育時(shí)期的光譜信息，通過(guò)7種預(yù)處理方法對(duì)原始光譜進(jìn)行優(yōu)化，最后選用高斯濾波方法為SOD活性的預(yù)處理方法。采用連續(xù)投影算法、無(wú)信息變量消除算法、遺傳偏最小二乘算法、競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法和區(qū)間變量迭代空間收縮分析算法提取特征波長(zhǎng)，建立偏最小二乘回歸模型?；趦?yōu)選的特征波長(zhǎng)建立PLSR、主成分回歸、多元線性回歸、最小二乘支持向量機(jī)和深度學(xué)習(xí)模型。結(jié)果表明，CARS算法提取的17個(gè)最佳波長(zhǎng)效果較好，最優(yōu)預(yù)測(cè)模型CNN的相關(guān)系數(shù)Rc和Rp值分別為0.9098和0.8235，均方根誤差RMSEC和RMSEP分別為2.0382和3.6492。該研究為今后鹽脅迫下植株長(zhǎng)勢(shì)在線無(wú)損監(jiān)測(cè)提供技術(shù)支撐，具有良好的發(fā)展前景。

關(guān)鍵詞高光譜成像；深度學(xué)習(xí)；SOD活性；無(wú)損檢測(cè)

中圖分類號(hào)S-058""文獻(xiàn)標(biāo)識(shí)碼A

文章編號(hào)0517-6611（2025）01-0229-07

doi：10.3969/j.issn.0517-6611.2025.01.048

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

ConstructionofSuperoxideDismutaseActivityModelofCabbageLeavesBasedonDeepLearning

MASi-yan，MALing，MAYanetal

（CollegeofWineandHorticulture，NingxiaUniversity，Yinchuan，Ningxia750021）

AbstractSuperoxidedismutase（SOD）isakeyindextojudgethedegreeofcropstress，whichcanbeusedtomeasureplantgrowthstatus，andalsohasimportantsignificanceinthestudyofplantstress.InordertoachieverapidnondestructivedetectionofSODactivityincabbageleaves，amethodofhyperspectralimaging（HSI）combinedwithdeeplearningwasproposedtodetectcabbageleaves.Intheexperiment，spectralinformationof200cabbageleavesatdifferentgrowthanddevelopmentstageswascollected，andtheoriginalspectrawereoptimizedby7pretreatmentmethodsthroughsamplesetdivision.Finally，theGaussianFilter（GF）methodwasselectedasthepretreatmentmethodforSODactivity.Successiveprojectionalgorithm（SPA），uninformativevariableeliminationalgorithm（UVE），geneticalgorithm-partialleastsquaresalgorithm（GAPLS），competitiveadaptivereweightedsampling（CARS）andintervalvariableiterativespaceshrinkinganalysis（IVISSA）wereusedtoextractfeaturewavelengthsandpartialleastsquaresregression（PLSR）modelwasestablished.PLSR，principalcomponentregression（PCR），multiplelinearregression（MLR），leastsquareSVM（LSSVM）andconvolutionalneuralnetwork（CNN）modelswereestablishedbasedonthepreferredcharacteristicwavelength.Theresultsshowedthatthe17optimalwavelengthsextractedbyCARSalgorithmhadthebesteffect，andthecorrelationcoefficients"Rcand"RpvaluesoftheoptimalpredictionmodelCNNwere0.9098and0.8235，respectively.Andtheroot-mean-squareerrorRMSECandRMSEPwere2.0382and3.649"respectively.Thisstudyprovidedtechnicalsupportfornon-destructiveon-linemonitoringofplantgrowthundersaltstressinthefuture，andhadagooddevelopmentprospect.

KeywordsHyperspectralimaging;Deeplearning;SODactivity;Nondestructivetesting

基金項(xiàng)目國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目子課題專項(xiàng)“集約化育苗系列機(jī)械優(yōu)化”（2021YFD1600302-3）。

作者簡(jiǎn)介馬思艷（2000—），女，回族，寧夏銀川人，碩士研究生，研究方向：設(shè)施蔬菜栽培。*通信作者，副教授，博士，從事設(shè)施園藝產(chǎn)品無(wú)損檢測(cè)方面的研究。

甘藍(lán)是十字花科蕓薹屬植物，二年生草本，屬于六盤(pán)山冷涼蔬菜的一種^［1］，甘藍(lán)含有豐富的營(yíng)養(yǎng)成分，具有強(qiáng)身健體的作用^［2］。在甘藍(lán)栽培過(guò)程中，鹽脅迫已成為抑制甘藍(lán)正常發(fā)育的主要難題，當(dāng)鹽脅迫濃度過(guò)高時(shí)會(huì)影響甘藍(lán)幼苗的健康生長(zhǎng)，超氧化物歧化酶（SOD）是植物抗脅迫不可或缺的抗氧化物酶之一^［3］。與此同時(shí)，當(dāng)植株受到鹽脅迫時(shí)自身會(huì)出現(xiàn)應(yīng)激反應(yīng)，超氧化物歧化酶（SOD）會(huì)將超氧陰離子自由基的歧化反應(yīng)生成分子氧或過(guò)氧化氫，抑制油脂的氧化，降低對(duì)細(xì)胞膜的損傷，進(jìn)而對(duì)植物產(chǎn)生防衛(wèi)性保護(hù)^［4-5］，其與植株?duì)I養(yǎng)狀況以及生長(zhǎng)發(fā)育階段有關(guān)，也是判斷作物生長(zhǎng)狀況及其受脅迫程度的關(guān)鍵指標(biāo)^［6］。

傳統(tǒng)的甘藍(lán)葉片超氧化物歧化酶（SOD）活性檢測(cè)方法具有損壞樣本、費(fèi)時(shí)且檢測(cè)效果低的問(wèn)題，不能及時(shí)反映作物的生長(zhǎng)狀況和受害情況，因此需要一種高效、精確、無(wú)損的技術(shù)手段來(lái)對(duì)其進(jìn)行檢測(cè)。目前，高光譜成像技術(shù)因簡(jiǎn)便、快捷、光學(xué)無(wú)損檢測(cè)等優(yōu)點(diǎn)，在農(nóng)業(yè)領(lǐng)域獲得了越來(lái)越多的重視和應(yīng)用^［7］。國(guó)內(nèi)外諸多學(xué)者利用高光譜成像技術(shù)結(jié)合葉綠素含量對(duì)玉米^［8］、大豆^［9］和辣椒^［10］等作物建立預(yù)測(cè)模型，同時(shí)也對(duì)抗氧化物酶領(lǐng)域進(jìn)行相關(guān)探索。杜明華^［11］利用光譜成像技術(shù)對(duì)番茄葉片抗氧化物酶活性檢測(cè)進(jìn)行相關(guān)研究，分析發(fā)現(xiàn)過(guò)氧化氫酶（CAT）活性的 IRF-PLSR模型效果較好，其中校正集和驗(yàn)證集相關(guān)系數(shù)分別為 R c=0.874 9， R p=0.808 6。Thummajitsakul等^［12］以藤黃葉為研究對(duì)象，探索不同茶型葉片光譜信息與抗氧化物酶活性之間的關(guān)系，結(jié)果表明乙醇提取物的抗氧化物酶活性顯著增強(qiáng)，并且二者之間存在非常強(qiáng)的正相關(guān)關(guān)系。Wu等^［13］利用光譜技術(shù)對(duì)番茄葉細(xì)胞過(guò)氧化物酶（POD）活性進(jìn)行研究，結(jié)果表明基于區(qū)間變量迭代空間收縮法的偏最小二乘回歸模型效果最好，預(yù)測(cè)集決定系數(shù)和均方根誤差（RMSEP）分別為0.66和18.94。上述研究表明，光譜成像技術(shù)已被廣泛應(yīng)用于植物營(yíng)養(yǎng)元素檢測(cè)領(lǐng)域，并取得一定成果，但光譜成像技術(shù)結(jié)合深度學(xué)習(xí)算法對(duì)甘藍(lán)超氧化物歧化酶（SOD）活性的相關(guān)研究成果極少。鑒于此，筆者采用高光譜成像技術(shù)結(jié)合深度學(xué)習(xí)與甘藍(lán)葉片超氧化物歧化酶（SOD）活性相聯(lián)系進(jìn)行定量模型的建立，為今后鹽脅迫下植株長(zhǎng)勢(shì)在線無(wú)損監(jiān)測(cè)提供技術(shù)支撐，具有良好的發(fā)展前景。

1材料與方法

1.1試驗(yàn)材料試驗(yàn)選用甘藍(lán)品種中甘2購(gòu)買于寧夏博瑞農(nóng)業(yè)科技有限公司。

1.2 試驗(yàn)設(shè)計(jì) 試驗(yàn)于2023年3—7月在寧夏大學(xué)北校區(qū)溫室進(jìn)行，采用基質(zhì)栽培，用0.5個(gè)單位的日本園試營(yíng)養(yǎng)液配方^［14］進(jìn)行澆灌，在澆灌處理之后的第7、14、21、28和35天時(shí)采摘甘藍(lán)葉片，試驗(yàn)共采集200個(gè)葉片，將采摘下的葉片依次編號(hào)放入塑料密封袋中，立即帶回實(shí)驗(yàn)室進(jìn)行光譜圖像的采集，之后立即進(jìn)行超氧化物歧化酶（SOD）活性的測(cè)定，具體不同水平NaCl濃度的澆灌處理見(jiàn)表1。

1.3 超氧化物歧化酶（SOD）活性的測(cè)定 采用氮藍(lán)四唑光化還原法^［15］對(duì)SOD活性進(jìn)行測(cè)定。

1.4高光譜成像設(shè)備和圖像校準(zhǔn)

該試驗(yàn)采用可見(jiàn)近紅外波段高光譜成像系統(tǒng)（400～1000nm，光譜分辨率為3.8nm，共有175個(gè)波段）（圖1）。為了防止圖像尺寸及空間分辨率不準(zhǔn)，經(jīng)過(guò)多次重復(fù)試驗(yàn)確定最佳采集參數(shù)條件（成像光譜儀曝光時(shí)間為10ms，增益為1）。但由于光源的亮度分布不一致以及暗電流噪聲的產(chǎn)生，導(dǎo)致在光源亮度分布很弱的波段下，得到的影像中存在很大的噪聲，所以必須對(duì)得到的高光譜圖像進(jìn)行黑白校正，公式如下：

R=T"raw-T"darkT"white-T"dark（2）

式中：T"raw為原始圖像;T"dark為黑板校正圖像;T"white為白板校正圖像;R為校正后的高光譜圖像。

1.5數(shù)據(jù)分析方法數(shù)據(jù)分析過(guò)程中首先利用ENVI5.3軟件對(duì)光譜數(shù)據(jù)進(jìn)行感興趣區(qū)域的提取，其次使用TheUnscramblerX10.4軟件進(jìn)行光譜數(shù)據(jù)預(yù)處理和建模，最后使用Matlab2020a軟件進(jìn)行特征波長(zhǎng)的提取和圖像構(gòu)建。

1.5.1光譜提取。

使用ENVI5.3軟件從校正后的光譜圖像中用區(qū)域選擇工具（橢圓形狀）選取不帶有光斑且避開(kāi)葉脈的甘藍(lán)葉片表面作為感興趣區(qū)域（ROI）（圖2）。

1.5.2樣本集劃分。

在劃分?jǐn)?shù)據(jù)集時(shí)，校正集和預(yù)測(cè)集的分布必須與真實(shí)分布相匹配^［16］。該研究采用Kennard-Stone（KS）算法、隨機(jī)（RS）算法以及共生距離（SPXY）算法劃分樣本，結(jié)合偏最小二乘回歸模型對(duì)比分析，選擇最優(yōu)的劃分方法，提高后期建立模型的效果。

1.5.3光譜預(yù)處理方法。

為了消除由于光譜儀器設(shè)備和暗電流噪聲造成的光譜曲線不重復(fù)對(duì)光譜曲線的危害^［17］，該試驗(yàn)選用平均平滑（moving average smoothing，MA）、高斯濾波（Gaussian filter，GF）、歸一化處理（normalize）、基線校準(zhǔn)（baseline）、去趨勢(shì)化（detrending）、正交信號(hào)校正（OSC）和標(biāo)準(zhǔn)正態(tài)變化（standard normal variation，SNV）7種光譜預(yù)處理方法對(duì)其進(jìn)行數(shù)據(jù)優(yōu)化。

1.5.4特征波長(zhǎng)提取方法。

試驗(yàn)選用特征波長(zhǎng)提取的方法有區(qū)間變量迭代空間收縮法（interval variable iterative space shrinking analysis，IVISSA）、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）、無(wú)信息變量消除算法（ uninformative variable elimination，UVE）、連續(xù)投影算法（successive projection algorithm，SPA）以及遺傳偏最小二乘法算法（genetic algorithm-partial least squares algorithm，GAPLS），這些方法可以有效減少模型算法復(fù)雜度、穩(wěn)健提升模型的可靠性和預(yù)測(cè)分析精確性^［18］。

1.5.5模型構(gòu)建與評(píng)價(jià)。

在該試驗(yàn)中主要應(yīng)用偏最小二乘回歸模型（partial least squares regression，PLSR）、多元線性回歸（multiple linear regression，MLR）、主成分回歸（principal component regression，PCR）、最小二乘支持向量機(jī)（least square SVM，LSSVM）以及深度學(xué)習(xí)（convolutional neural network，CNN）預(yù)測(cè)模型方法。評(píng)估模型性能好壞的一些具體參數(shù)主要包括校正集相關(guān)系數(shù)（ R c）、預(yù)測(cè)集相關(guān)系數(shù)（ R p）、交互驗(yàn)證相關(guān)系數(shù)（ R "CV）和均方根誤差（RMSE），也可利用 R c與 R p之和以及剩余預(yù)測(cè)偏差（RPD）來(lái)評(píng)價(jià)模型性能^［19］。

2結(jié)果與分析

2.1光譜特征分析

采用ENVI 5.3軟件提取甘藍(lán)葉片光譜信息，結(jié)果見(jiàn)圖3。由圖3可知，5個(gè)不同水平NaCl濃度處理下的甘藍(lán)葉片SOD活性的光譜曲線變化趨勢(shì)基本一致，且有明顯的變化規(guī)律。在藍(lán)光（434～502 nm）和紅光（602～687 nm）波段范圍內(nèi)的495 和660 nm處出現(xiàn)2個(gè)吸收谷，這主要是由于葉片中葉綠素反射綠光，吸收藍(lán)光和紅光所致；綠光波段（512～558 nm）范圍的551 nm處出現(xiàn)1個(gè)反射“綠峰”；在701～800 nm 光譜波段區(qū)域內(nèi)，反射譜曲線迅速增大，呈現(xiàn)了陡峭且近乎垂直的特征^［20-21］。但是在400～600和700～1 000 nm內(nèi)反射率差異明顯，說(shuō)明葉片中的化學(xué)成分存在差異，這為建模預(yù)測(cè)SOD活性提供了依據(jù)^［22］?？傮w來(lái)說(shuō)，在可見(jiàn)光和近紅外范圍內(nèi)（400～1 000 nm），不同處理SOD活性甘藍(lán)葉片的光譜反射率曲線變化比較明顯，較容易區(qū)分。由于采集得到的光譜除吸收SOD活性外，可能還會(huì)吸收其他物質(zhì)，因此需要對(duì)光譜數(shù)據(jù)進(jìn)行分析，建立與SOD活性相關(guān)性高的預(yù)測(cè)模型。

2.2樣本集劃分

該試驗(yàn)共有200個(gè)甘藍(lán)葉片樣本，樣本按照3∶1劃分為校正集與預(yù)測(cè)集，取其中3/4作為訓(xùn)練集，1/4作為預(yù)測(cè)集。通過(guò)采用randomsampling（RS），Kennard-Stone（KS）、samplesetpartitioningbasedonjoint"x-y"distance（SPXY）3種樣本劃分方法對(duì)校正集和預(yù)測(cè)集進(jìn)行選取，然后通過(guò)PLSR方法對(duì)選取的校正集和預(yù)測(cè)集進(jìn)行模型建立，結(jié)果見(jiàn)表2。

由表2可知，在3種劃分方法中KS法的相關(guān)系數(shù)R"C、Rp以及RPD均高于SPXY法和RS法，其數(shù)值分別為0.8861、0.7994和2.7709；其均方根誤差RMSEC和RMSEP均低于SPXY法和RS法，數(shù)值分別為2.2355和3.2448，同時(shí)其R"C和Rp之和也高于其余2種方法，綜合考慮最終選擇KS法劃分甘藍(lán)葉片SOD活性的樣本集。

2.3光譜預(yù)處理

該試驗(yàn)選用MA、GF、normalize、baseline、detrending、OSC、SNV共7種光譜預(yù)處理方法，并結(jié)合PLSR模型性能參數(shù)對(duì)比分析，選出基于SOD活性樣本的最優(yōu)預(yù)處理方法，結(jié)果比較見(jiàn)表3。與原始光譜結(jié)果相比，除GF方法外，其余6種方法的校正集相關(guān)系數(shù)都較原始光譜結(jié)果有所下降，雖然normalize方法的預(yù)測(cè)集相關(guān)系數(shù)比原始光譜結(jié)果高，但其R"C和Rp之和低于原始數(shù)據(jù)方法，與此同時(shí)，GF方法的R"C、RPD以及Rp均高于其余6種方法，數(shù)值分別為0.8919、5.0942和0.8965，其均方根誤差RMSEC和RMSEP均低于其余幾種方法，數(shù)值分別為2.1811和2.4774；綜合分析，GF方法為甘藍(lán)葉片SOD活性的最佳預(yù)處理方法。

2.4特征波長(zhǎng)提取

2.4.1競(jìng)爭(zhēng)自適應(yīng)重復(fù)加權(quán)法（CARS）提取特征波長(zhǎng)。

CARS算法采用 N 次自適應(yīng)重加權(quán)采樣技術(shù)^［23］，其結(jié)果如圖4所示。在采樣運(yùn)算過(guò)程中變量數(shù)呈下降狀態(tài)，號(hào)線反映了RMSECV最小位置，號(hào)線之后部分有效信息被去除，RMSECV數(shù)值持續(xù)增大，根據(jù)RMSECV最小值原則選擇了17個(gè)特征波長(zhǎng)，此時(shí)模型擬合效果最佳。

2.4.2連續(xù)投影算法（SPA）提取特征波長(zhǎng)。

SPA算法是根據(jù)均方根誤差的最小值來(lái)確定提取的特征波長(zhǎng)數(shù)，在運(yùn)行過(guò)程中會(huì)根據(jù)不同變量數(shù)的均方根誤差值進(jìn)行繪圖，從而確定下降的最低點(diǎn)篩選特征波長(zhǎng)^［24］。由圖5可以確定SOD活性特征波長(zhǎng)數(shù)為12個(gè)，RMSE值為2.597 6，運(yùn)行過(guò)程中大大壓縮了數(shù)據(jù)量，方便后續(xù)的建模與分析。

2.4.3遺傳偏最小二乘法算法（GAPLS）提取特征波長(zhǎng)。

應(yīng)用GAPLS算法提取SOD活性的光譜特征波長(zhǎng)時(shí)，要不斷地調(diào)試相關(guān)參數(shù)，經(jīng)過(guò)多次試驗(yàn)，將程序參數(shù)設(shè)定為群體數(shù)為30、交叉概率為50%、變異概率為1%、最大遺傳系數(shù)為30、迭代次數(shù)為100次，得到的結(jié)果如圖6所示，頻次越高表示該點(diǎn)適應(yīng)性越強(qiáng)，其相關(guān)性也就越高^［25］。對(duì)于甘藍(lán)葉片SOD活性生理指標(biāo)而言，當(dāng)175個(gè)波長(zhǎng)變量被選擇，RMSECV獲得最小的，這也表明這175個(gè)波長(zhǎng)與葉綠素含量有強(qiáng)烈的相關(guān)性，表明這175個(gè)波長(zhǎng)是特征波長(zhǎng)的最優(yōu)子集，并作為最終的最優(yōu)特征波長(zhǎng)。

2.4.4無(wú)信息變量消除變換法（UVE）提取特征波長(zhǎng)。

由圖7可知，在 400～1 000 nm 波段范圍內(nèi)模型擬合效果最佳的主成分?jǐn)?shù)，在主成分?jǐn)?shù)為10個(gè)時(shí)， t 值模型擬合效果最佳，圖中左側(cè)黃色部分表示為 175 個(gè)輸入變量的分布曲線，而右側(cè)紅色部分表示隨機(jī)變量的分布曲線^［26］，最終選取了111個(gè)波長(zhǎng)。

2.4.5區(qū)間變量迭代空間收縮法（IVISSA）提取特征波長(zhǎng)。

IVISSA算法提取的特征波長(zhǎng)變量分布均勻，且以波長(zhǎng)區(qū)間居多，因此很好地保留了波長(zhǎng)之間的聯(lián)合作用^［27］。每個(gè)波長(zhǎng)的權(quán)值系數(shù)經(jīng)過(guò)15次迭代后基本保持不變，得到了最優(yōu)的波長(zhǎng)子集，最終采用IVISSA法提取了37個(gè)波長(zhǎng)。

2.4.6特征波長(zhǎng)建模比較。

為了對(duì)特征波長(zhǎng)的提取進(jìn)行比較，利用PLSR法建立了相應(yīng)的模型，得到了表4的結(jié)果，其中CARS法提取的特征波長(zhǎng)建立的PLSR模型中的預(yù)測(cè)集相關(guān)系數(shù)和交互驗(yàn)證相關(guān)系數(shù)高于其他幾種算法（Rp=0.8199，R"CV=0.5674），且CARS法建立的SOD活性的PLSR模型的均方根誤差低于其余幾種算法，其中RMSECV=3.9856，RMSEP=3.8365，雖然GAPLS算法的校正集相關(guān)系數(shù)（Rc）高于CARS算法，但CARS算法的Rc與Rp之和以及剩余預(yù)測(cè)偏差（RPD）高于IVASSA、UVE、GAPLS以及SPA這幾種算法，其中RPD=3.0506，Rc與Rp之和等于1.4284。綜合分析，優(yōu)選CARS法提取的特征波長(zhǎng)建立甘藍(lán)葉片SOD活性定量預(yù)測(cè)模型，預(yù)測(cè)模型的效果如圖9所示。

2.5預(yù)測(cè)模型比較分析

為了選出最優(yōu)的特征波長(zhǎng)模型，通過(guò)PLSR、MLR、PCR、LSSVM以及CNN法構(gòu)建相應(yīng)模型，結(jié)果見(jiàn)表5。CNN所建立的SOD活性模型的相關(guān)系數(shù)均高于PLSR、MLR、PCR以及LSSVM（Rc=0.9098，Rp=0.8235，RPD=3.1075），均方根誤差均低于其他幾種建模方法（RMSEC=2.038"RMSEP=3.6492）。綜合分析，優(yōu)選CNN所建立的模型來(lái)對(duì)甘藍(lán)葉片SOD活性進(jìn)行快速無(wú)損檢測(cè)，預(yù)測(cè)模型的效果見(jiàn)圖10。

3討論

超氧化物歧化酶（SOD）活性作為評(píng)價(jià)植物產(chǎn)量和生物量的重要指標(biāo)，是影響植物生長(zhǎng)發(fā)育的關(guān)鍵因素。然而缺乏良好的高光譜數(shù)據(jù)會(huì)阻礙對(duì)甘藍(lán)葉片SOD活性的準(zhǔn)確評(píng)估，該研究探討了甘藍(lán)葉片SOD活性與高光譜數(shù)據(jù)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)之間的關(guān)系，為SOD活性的準(zhǔn)確評(píng)估制定了相關(guān)策略和依據(jù)，具有良好的應(yīng)用前景，同時(shí)也為未來(lái)構(gòu)建在線檢測(cè)系統(tǒng)提供了新的思路。

該研究采用7種不同的預(yù)處理方法和5種不同的提取特征波長(zhǎng)的方法對(duì)樣本進(jìn)行優(yōu)化，這樣會(huì)在很大程度上降低噪聲和背景對(duì)樣本的影響。在數(shù)據(jù)處理過(guò)程中采用的建模方法與前人有所差異，提出了一種新的建模方法CNN建模方法，其是一種具有卷積操作的多層前饋神經(jīng)網(wǎng)絡(luò)，同時(shí)也是一種從數(shù)據(jù)中自動(dòng)學(xué)習(xí)的機(jī)器學(xué)習(xí)方法。當(dāng)原始圖像經(jīng)過(guò)輸入層后，會(huì)變成一個(gè)充滿RGB數(shù)值的矩陣，之后將卷積核心和圖像矩陣在相應(yīng)卷積核中的數(shù)字相乘并相加，然后將獲得的數(shù)據(jù)纖維填充成1個(gè)新的矩陣，可以反射一些特征圖像，設(shè)置不同的卷積內(nèi)核可以找到不同的特性^［28-29］。

深度學(xué)習(xí)模型具有從大量數(shù)據(jù)中自動(dòng)學(xué)習(xí)的特征，能夠高度區(qū)分?jǐn)?shù)據(jù)特性并利用空間和光譜信息，使得CNN模型比一般其他模型更有效果，同時(shí)也在一定程度上大大提高了樣本的穩(wěn)定性和相關(guān)性^［30］。Yang等^［31］利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型提取可見(jiàn)-近紅外范圍內(nèi)的光譜特征，估計(jì)玉米幼苗的冷害，結(jié)果表明CNN模型與化學(xué)方法給出的等級(jí)具有較高的相關(guān)性，比其他幾種建模方法效果要好得多。Li等^［32］利用高光譜成像技術(shù)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對(duì)大豆品種進(jìn)行鑒定，最后發(fā)現(xiàn)CNN模型最穩(wěn)定，分類準(zhǔn)確率最高，高于其他模型1%。同時(shí)，該研究也發(fā)現(xiàn)CNN模型與SOD活性之間呈現(xiàn)出較高的相關(guān)性，是預(yù)測(cè)SOD活性化學(xué)指標(biāo)的最佳模型，穩(wěn)定性較高，具有廣泛應(yīng)用的前景。

4結(jié)論

該試驗(yàn)對(duì)不同水平NaCl濃度處理下的甘藍(lán)葉片進(jìn)行研究，探討了甘藍(lán)葉片的預(yù)處理、特征波長(zhǎng)提取以及優(yōu)化建模等方法，結(jié)果表明應(yīng)用MA、GF、OSC、normalize、baseline、SNV和detrending這7種光譜預(yù)處理方法，優(yōu)選GF預(yù)處理方法；之后使用CARS、SPA、UVE、GAPLS和IVASSA方法提取光譜特征波長(zhǎng)并構(gòu)建PLSR模型，結(jié)果顯示CARS法提取的特征波長(zhǎng)效果最好；使用該特征波長(zhǎng)進(jìn)行PLSR、MLR、PCR、LSSVM和CNN建模，對(duì)比分析發(fā)現(xiàn)CNN法建立的SOD活性模型效果更優(yōu)，其中R"C=0.9098，R"P=0.8235，RMSEC=2.0283，RMSEP=3.1075，該研究為今后鹽脅迫下植株長(zhǎng)勢(shì)在線無(wú)損監(jiān)測(cè)提供技術(shù)支撐，具有良好的發(fā)展前景。

參考文獻(xiàn)

［1］龐順家.西吉縣冷涼蔬菜產(chǎn)業(yè)高質(zhì)量發(fā)展現(xiàn)狀及對(duì)策［J］.中國(guó)農(nóng)技推廣，20238（4）：15-17.

［2］"楊迎霞，陳銳，姚星偉.甘藍(lán)類蔬菜分子育種研究進(jìn)展［J］.農(nóng)學(xué)學(xué)報(bào)，2023，13（3）：44-51.

［3］楊平，蔡蕓菲，孫悅，等.生長(zhǎng)素引發(fā)對(duì)鹽脅迫下棉花生長(zhǎng)發(fā)育及產(chǎn)量品質(zhì)的影響［J］.分子植物育種，2023，21（20）：6851-6859.

［4］劉鈺，孫學(xué)偉，於麗華，等.氯化鈉脅迫對(duì)甜菜幼苗傷害和抗氧化酶系統(tǒng)的影響［J］.黑龍江大學(xué)自然科學(xué)學(xué)報(bào)，2020，37（5）：588-593.

［5］祝洋，劉志應(yīng)，李新苗，等.水肥耦合對(duì)設(shè)施番茄葉片酶活性及水肥利用的影響［J］.節(jié)水灌溉，2023（12）：18-26.

［6］WULG，ZHANGY，JIANGQF，etal.StudyontheCATactivityoftomatoleafcellsundersaltstressbasedonmicrohyperspectralimagingandtransferlearningalgorithm［J］.SpectrochimicaactapartA：Molecularandbiomolecularspectroscopy，2023，302：1-10.

［7］"陳素彬，楊華，羅蓉，等.馬鈴薯可溶性固形物的近紅外光譜快速定量模型及優(yōu)化［J］.安徽農(nóng)業(yè)科學(xué)，20249（20）：205-209.

［8］王敬湧，張明珍，凌華榮，等.干旱脅迫下玉米葉片葉綠素含量與含水量高光譜成像反演方法［J］.智慧農(nóng)業(yè)，2023，5（3）：142-153.

［9］李勝利.基于高光譜成像的大豆葉片葉綠素分布可視化［J］.貴州農(nóng)業(yè)科學(xué)，20250（4）：41-50.

［10］袁自然，葉寅，武際，等.基于高光譜成像技術(shù)的辣椒葉片葉綠素含量估算［J］.江蘇農(nóng)業(yè)科學(xué)，20249（16）：189-193.

［11］杜明華.基于顯微高光譜成像技術(shù)的番茄葉片抗氧化酶活性檢測(cè)研究［D］.銀川：寧夏大學(xué)，2022.

［12］THUMMAJITSAKULS，SAMAIKAMS，TACHAS，etal.StudyonFTIRspectroscopy，totalphenoliccontent，antioxidantactivityandanti-amylaseactivityofextractsanddifferentteaformsof"Garciniaschomburgkiana"leaves［J］.LWT-foodscienceandtechnology，2020，134：1-11.

［13］WULG，JIANGQF，ZHANGY，etal.Peroxidaseactivityintomatoleafcellsundersaltstressbasedonmicro-hyperspectralimagingtechnique［J］.Horticulturae，2028（9）：1-12.

［14］吳思琳，孔叢玉，王利芬.不同配方營(yíng)養(yǎng)液對(duì)萬(wàn)壽菊生長(zhǎng)的影響［J］.江蘇農(nóng)業(yè)科學(xué)，2019，47（22）：167-169.

［15］孫風(fēng)梅.茄莖中抗氧化物酶的提取方法的研究［J］.山西大同大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，34（1）：44-48.

［16］盧冠鏹.基于高光譜成像技術(shù)的玉米新陳度快速無(wú)損檢測(cè)方法研究［D］.鄭州：河南工業(yè)大學(xué)，2023.

［17］張晉，曹曉寧，田翔，等.近紅外光譜法快速檢測(cè)藜麥蛋白含量［J］.安徽農(nóng)業(yè)科學(xué)，20249（9）：175-176，179.

［18］周占坤.基于THz-NIR高光譜相融合的番茄病蟲(chóng)害檢測(cè)研究［D］.鎮(zhèn)江：江蘇大學(xué)，2022.

［19］姚婉清，彭夢(mèng)俠，陳梓云，等.近紅外光譜法同時(shí)測(cè)定橙汁中多種成分含量［J］.安徽農(nóng)業(yè)科學(xué)，2020，48（15）：208-210.

［20］段金饋，李峰，秦泉，等.高分六號(hào)紅邊波段對(duì)夏玉米種植區(qū)識(shí)別的影響［J］.海洋氣象學(xué)報(bào)，2023，43（3）：104-112.

［21］LIG，WANSW，ZHOUJ，etal.Leafchlorophyllfluorescence，hyperspectralreflectance，pigmentscontent，malondialdehydeandprolineaccumulationresponsesofcastorbean（Ricinuscommunis"L.）seedlingstosaltstresslevels［J］.Industrialcropsandproducts，2010，31（1）：13-19.

［22］BOSHKOVSKIB，DOUPISG，ZAPOLSKAA，etal.HyperspectralimagerydetectswaterdeficitandsalinityeffectsonphotosynthesisandantioxidantenzymeactivityofthreeGreekolivevarieties［J］.Sustainability，20214（3）：1-17.

［23］宋士媛.基于高光譜成像的腐爛櫻桃無(wú)損檢測(cè)方法研究［D］.沈陽(yáng)：沈陽(yáng)農(nóng)業(yè)大學(xué)，2022.

［24］史成昆.基于高光譜成像的水稻品種鑒別與蛋白質(zhì)含量預(yù)測(cè)［D］.泰安：山東農(nóng)業(yè)大學(xué)，2023.

［25］石海軍.基于光譜圖像技術(shù)的中華絨螯蟹品質(zhì)鑒別研究［D］.鎮(zhèn)江：江蘇大學(xué)，2019.

［26］劉曉龍.基于多光譜技術(shù)的柑橘黃龍病早期檢測(cè)研究［D］.南昌：華東交通大學(xué)，2022.

［27］孫博康.貯藏期內(nèi)香水梨果實(shí)硬度和SSC的高光譜快速檢測(cè)研究［D］.銀川：寧夏大學(xué)，2021.

［28］唐偉萍，黃欣，陳泳锨.基于深度學(xué)習(xí)的甘蔗生長(zhǎng)監(jiān)測(cè)模型設(shè)計(jì)［J］.廣西糖業(yè)，2023，43（3）：14-19.

［29］魯夢(mèng)瑤，陳棟，周強(qiáng)，等.基于深度學(xué)習(xí)的煙葉等級(jí)分類及特征可視化［J］.煙草科技，2023，56（6）：92-100.

［30］劉東旭.基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類方法研究［D］.長(zhǎng)春：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所），2023.

［31］YANGW，YANGC，HAOZY，etal.Diagnosisofplantcolddamagebasedonhyperspectralimagingandconvolutionalneuralnetwork［J］.IEEEaccess，2019，7：118239-118248.

［32］LIH，ZHANGL，SUNH，etal.Identificationofsoybeanvarietiesbasedonhyperspectralimagingtechnologyandone-dimensionalconvolutionalneuralnetwork［J］.Journaloffoodprocessengineering，20244（8）：e13769.