一种植物叶片生理指标无损检测方法转让专利
申请号 : CN200810226930.3
文献号 : CN100590417C
文献日 : 2010-02-17
发明人 : 李庆波 , 张广军 , 李响 , 张倩暄
申请人 : 北京航空航天大学
摘要 :
本发明公开了一种基于可见-近红外光谱的植物叶片生理指标无损检测方法，可对叶绿素、氮素、叶黄素、水分等成分含量进行快速、多参数同时检测。本发明对校正集样本进行光谱采集，在对光谱数据进行预处理和波段优选后建立光谱值与植物组分含量标准值之间的校正模型；采集未知样本的光谱，对光谱数据预处理后，将选定波段数据代入校正模型对待测组分的含量进行预测。本发明技术方案采用全谱信息，被测参数可扩展性强且提高了校正模型的预测精度和模型适应性；本发明采用的透反射测量方式增加了光谱灵敏度，而且对叶片类型的适用性更强；本发明采用的一种改进的小波分析方法对叶片光谱数据同时进行噪声去除和基线校正预处理，能有效提高预测精度。
权利要求 :
1、一种植物叶片生理指标无损检测方法，其特征在于，包括以下步骤： 采集有代表性的样本作为校正样本集，采用透反射方式测量校正样本集中的样本在可见-短波近红外范围的连续光谱； 采用标准分析方法测定校正样本集中样本的待测组分含量，并将其作为标准值； 采用小波功率谱分析法对校正样本集的光谱数据进行噪声去除和基线校正的预处理，处理步骤为：确定初步分解尺度，对各初步确定的分解尺度下的信号细节部分进行功率谱分析，从而确定出最佳的分解尺度；采用所述最佳分解尺度对所述光谱数据进行小波分解后，将只含有噪声成分尺度下的高频小波系数全部置0，而对同时含有信号与噪声成分尺度下的高频小波系数进行阈值滤波，去除高频噪声；在最大分解尺度的低频估计部分以二次多项式对基线进行最小二乘拟合并加以去除； 在对所述校正样本集的光谱数据进行所述预处理后，针对不同生理指标进行波段优选，建立包含所述标准值和所述预处理后优选波段对应的光谱值之间的回归关系的校正模型； 利用所述校正模型测定未知样本的待测组分的化学含量，处理步骤为：采用透反射方式测量未知样本在可见-短波近红外范围的连续光谱；采用小波功率谱分析法对未知样本的光谱数据进行噪声去除和基线校正的预处理；将所述未知样本的预处理后的光谱数据代入所述校正模型从而获得所述未知样本的待测组分的化学含量。
2、 根据权利要求1所述的方法，其特征在于，在对校正样本集中的样本进 行一次光谱采集的情况下，同时对多个生化参数进行建模，对每个不同的生化 参数建立不同的校正^t型。
3、 根据权利要求1所述的方法，其特征在于，所述校正模型是利用化学计 量学方法，建立所述标准值和所述预处理后的光谱值之间的回归关系而形成的。
4、 根据权利要求1所述的方法，其特征在于，对所述校正样本集中的样本的光谱测量过程包括对暗噪声的釆集、对参考信号的采集以及对测量信号的采集，暗噪声和参考信号用于消除光源能量漂移造成的影响以及减少光谱中的噪 士尸。
5、 根据权利要求1所述的方法，其特征在于，采用光纤作为采样器件对样 本进行光谱测量。
说明书 :
一种植物叶片生理指标无损检测方法
技术领域
本发明涉及植物叶片生理指标的无损检测技术领域，尤其涉及一种基于可 见-近红外光谱的植物叶片生理指标无损检测的方法。
背景技术
植物叶片生理指标的无损检测主要是指对叶绿素、氮素、叶黄素、水分等 物质含量进行无损检测，它可以用于实时监测植物的生长发育与健康状态，分 析水分和肥力状况，通过检测，不仅可以精确调节肥料和水的供给情况，实现 精确肥料管理，节省资源、减少环境污染，而且可以科学指导栽培工作，以便 能够保障栽培植物健康生长和良好发育，提高作物产量。
目前叶片无损检测的方法有图像法和光谱法。图像法主要是依靠机器视觉 方法获得的植物叶片某些静态或者动态的图像特征，而这些图像特征与植物叶 片的生理特征（例如植被指数，吸水率等）有着密切的关系，通过建立两者之 间的关系，对植物生长状况进行检测。该方法主要应用于物种分类识别和叶绿 素、水分含量的测量方面。这种方法需要很复杂的硬件系统，不能做到方便携 带，最主要的是可检测的参数比较少，模型的精度比较低，因此目前应用得不 是4艮广泛。
光镨法通过光子与物质之间的吸收、散射等相互作用得到才直物的光谱特征， 与植物的生理指标建立回归关系，从而进行检测。常用光谱无损检测有荧光光 谱技术、可见-近红外光谱技术等。荧光光谱法，是通过激光激发物质的吸收， 目前的荧光光镨法只应用于叶绿素含量的检测，而对于水分和氮素等其他物质
的检测无法实现；可见-近红外光谱在叶片生理指标检测的方面应用很广泛，比 如4t测叶片的叶绿素、水分、氮素以及各种营养元素的含量。但是目前存在的
4长来检测某一个或极少数几个参数，这种方法原理简单、易于实现，但是由于 只有几个波长的光语信息，m^实现多^t的同时检测，灵活性、扩展性较差， 另外当样本受到测量条件和样本状态等非目标因素干扰时，这种测量方法就不 能得到很好的精度，该方法的适应性差，抗干扰能力较低。
目前叶片无损检测的方法有图像法和光谱法。图像法主要是依靠机器视觉 方法获得的植物叶片某些静态或者动态的图像特征，而这些图像特征与植物叶 片的生理特征（例如植被指数，吸水率等）有着密切的关系，通过建立两者之 间的关系，对植物生长状况进行检测。该方法主要应用于物种分类识别和叶绿 素、水分含量的测量方面。这种方法需要很复杂的硬件系统，不能做到方便携 带，最主要的是可检测的参数比较少，模型的精度比较低，因此目前应用得不 是4艮广泛。
光镨法通过光子与物质之间的吸收、散射等相互作用得到才直物的光谱特征， 与植物的生理指标建立回归关系，从而进行检测。常用光谱无损检测有荧光光 谱技术、可见-近红外光谱技术等。荧光光谱法，是通过激光激发物质的吸收， 目前的荧光光镨法只应用于叶绿素含量的检测，而对于水分和氮素等其他物质
的检测无法实现；可见-近红外光谱在叶片生理指标检测的方面应用很广泛，比 如4t测叶片的叶绿素、水分、氮素以及各种营养元素的含量。但是目前存在的
4长来检测某一个或极少数几个参数，这种方法原理简单、易于实现，但是由于 只有几个波长的光语信息，m^实现多^t的同时检测，灵活性、扩展性较差， 另外当样本受到测量条件和样本状态等非目标因素干扰时，这种测量方法就不 能得到很好的精度，该方法的适应性差，抗干扰能力较低。
发明内容
有鉴于此，本发明的主要目的在于提供一种植物叶片生理指标无损检测方 法，能够解决现有光谱无损检测方法中模型适用性低、抗干扰能力差，检测精 度低，以及检测参数较少等技术问题，为达到上述目的，本发明的技术方案是
这样实现的：
一种植物叶片生理指标无损检测方法，包括如下步骤：
步骤A、采集校正样本集样本，采用透反射方式测量校正样本集中的样冬 在可见-短波近红外范围的连续光谱。
选取植物叶片样本，广泛收集一定数量有代表性的样本，形成校正样本集， 用于训练和建立校正模型。样本选取要有一定的代表性，根据测量要求，待测 物质含量要分布范围广，具有一定的梯度，生长周期要全面。
本发明采用通用光镨仪或自制光错仪，对样本进行连续光谱测量，光谱范 围为可见-短波近红外（380nm-1100nm)。对校正样本集中的样本的光谱测量过 程分为三个步骤，暗噪声的采集、参考信号的采集、测量信号的采集。根据以 上采集数据可以计算出反射率或吸光度，作为建立校正模型的光谱数据。反射 率和吸光度的计算公式如下：
样本的反射率为：
D一 sample 。dark
i-
^reference ^daric
样本的吸光度为：其中，R为样本的反射率，A为样本的吸光度，S,p,e代表样本的测量信号，
s她代表暗噪声信号，s^,代表参考信号。
这种光谱测量方式一方面可以消除光源能量漂移造成的影响，另一方面， 从测量信号和参考信号中将暗电流噪声減去，可以减少光谱中的噪声，从而提 高信号的信噪比。暗噪声是指在没有光照条件下检测系统的输出值，主要由探 测器的暗电流和仪器内部的电子线路的热噪声组成，这些噪声M来就构成了 暗噪声。参考信号是指为了得到样本的反射光谱或者吸收光语，对入射光强的
一个测量。参考信号和测量信号的采集方法通常有空间双光路和单光路两种。 空间双光路就是将光源发出的光经过分光器件变成完全相同的两束光，使其同 时经过参比样品和样本，参考信号和测量信号同时测量；单光路通常是在一个 较短的时间内分别测量其参考信号和测量信号。
本发明中，对样本进行光谱采样的方式为透反射式，将探测器和光源放在 同一側，在样本底部放置漫反射标准板，使得透过样本的光能够再次被反射，
测器同时检测到样本的漫反射光和两次穿透样本的透反射光，因此探测信号中 携带有大量的样本化学成分吸收信息。 ；
本发明优选的实施例中，采样器件采用光纤，由于光导纤维易于操作和使 用，可实现长距离测量，并且克服过多机械装置带来的结构复杂性，因此能够 实现活体无损检测。
步骤B、采用标准分析方法测定校正样本集中样本的待测组分的化学含量， 并将其作为标准值；
待测组分的化学含量均采用标准分析方法来获得，所述标准可以是行业、 国家或国际标准。
步骤C、对校正样本集中样本的光谱数据进行预处理，去除噪声和背景干
扰；
预处理主要是去除样本的光镨测量数据中由于仪器噪声、测量条件变化及
6叶片组织的光散射效应、叶片中其它化学成分干扰等造成的高频噪声和基线漂 移。
本发明中采用小波功率谱分析法同时去除高频噪声和进行基线校正，具体
实现步骤如下：
Cl、选择最佳分解尺度
选择最大小波分解层数作为初步分解尺度，将信号分解后，对各尺度下的 细节部分进行功率谱分析，根据信号主要集中在低频部分的原理，若某一尺度 下细节的功率谱主要是分布在低频部分，且分布规律，那么该尺度就是最终的 最佳分解尺度。
小波分析可选取的最大分解尺度为[log2iV]，其中iV为信号长度，[.]为向下 取整运算。本方法中，选择最大的小波分解层数作为初步分解尺度。
而后对重构的细节部分进行功率谱分析，据此指导最终分解尺度的确定。
对各尺度下的细节进行能量谱分析即分析信号能量随频率的分布关系。令 G(^)叫F(^)卩或G(/HF(/)12，其中，/为信号的圆频率。对应的频率，则有：
『=+ £ G =丄|° G =《C (/)d/
可见，G(Q)或G(/)反映了信号能量在频域上的分布情况，G(O)为信号的能 量密度语也称能谱。 —
因噪声主要存在于高频部分，且频率不统一，所以，在功率谱中能量集中 在高频区域，且无规律可言的细节应视作噪声加以去除。相对于噪声，信号的 能量主要集中在较低的频段部分，且具有一定规律性，这样的细节部分应予以 保留，当第A层的功率谱上已经开始明显表现出信号的特性时，则只需进行t-l 层的小波分解，则确定hl为小波最佳分解层数。
C2、去除高频噪声
采用所述最佳分解尺度对所述光i普数据进行小波分解后，将只含有噪声成 分尺度下的高频小波系数全部置0,而对同时含有信号与噪声成分尺度下的高 频小波系数进行阈值滤波，从而去除高频噪声。将光镨进行X:-1尺度的小波分解后，可判定尺度魟2至尺度1的细节部分为 噪声，将其小波系数全部置0。而尺度ll的高频部分同时包含信号与噪声成分, 所以应对该尺度下细节部分小波系数选择适当的阈值进行滤波，去除噪声而保 留有用信号。目前确定阈值的方法主要有四种：统一阈值、SUREShrink阈值 (Stein无偏估计阈值）、启发式SURE阈值以及极大极小阈值。随着仪器科学 的发展，目前实验中所采用光谱仪信噪比普遍较高，而极大极小阈值相对于其 他阈值确定方法更保守，所以选择该方法，其算式如下：这里的N信号长度，〜为某层细节小波系数的方差。 C3、基线校正光谱信号的基线主要集中在低频段，所以在低频段，即小波分解后得到的 近似部分，进行基线校正代替对全语进行校正，以避免高频部分信号的影响。对叶片测量，由于测量条件变化及叶片組织的光散射效应、叶片中其它化 学成分干扰等因素会引起测得光i普产生基线漂移，因此将小波分解得到的光i普 数据近似部分进行二次多项式拟合，将拟合所得曲线作为基线去除。最后将各 尺度下的小波系数进行重构，完成预处理过程。步骤D、对预处理后的光谱数据进行波段优选，针对不同生理指标选择最 佳波段；采用全部波长光傳数据建立校正冲莫型时，不仅计算工作量大，而且由于一 些波段的光谱包含的噪声较大，信息弱，或者存在严重的共线性，校正模型的 预测精度未必能达到最佳值。为了克服上述缺点，本发明优选的实施例中，在 建立校正模型之前，针对不同的生理指标对建模波长进行波段优选。通过波段 优选的过程，从光谱中提取最有效的信息，使校正模型具有最好的预测能力， 并简化数据运算。波^:优选的方法有相关分析方法、方差分析法、无信息变量 消除法、遗传算法等。本发明优选的实施例中，采用相关分析法进行波段优选。相关分析的原理0 iVS32 a„(0.396+ 0.1829Iog2W)是将校正样本集中样本的光谱数据与标准值进行关联，求出每个波长处的相关 系数。事先设定相关系数的阔值，相关系数超过该阈值所对应的波长则被选择。相关系数的计算公式如下：其中，m为样品个数，x为该波长处光语数据值，x为m个样品光i普值的平均值，y为样品标准值，y为m个样品标准值的平均值，i为样品序号。 步骤E、建立校正模型；校正模型是利用化学计量学方法，建立预处理后光i普值和在步骤B中所获 得的标准值之间的回归关系，若对波段进行优选则是建立预处理后优选波段对 应的光镨值和在步骤B中所获得的标准值之间的回归关系。常用的建模方法有 多元线性回归（MLR)、主成分回归（PCR)、偏最小二乘回归（PLSR)、人工 神经网络（ANN)模型等。光镨值包括反射率或吸光度等。步骤F、测量未知样本的光谱数据，进行预处理后，将相应波段数据代入 校正模型，计算所述未知样本的待测组分的化学成分含量。本步骤中，未知样本的光谱采集同步骤A，光谱数据也要经过步骤C的预 处理，然后将预处理后的光谱数据代入步骤E中的校正模型，从而得到未知样 本的待测组分的化学成分含量。若预处理后的光语数据经过波段优选，则将优 选波段对应的光语数据代入步骤E中的校正模型，从而得到更为准确的未知样 本的待测组分的化学成分含量。本发明所述技术方案由于采集的是全镨数据，与少数几个波长的分立型测 量方法相比，模型的预测精度得到了提高。全谱数据便于采用有效的预处理方 法，不仅可以去除噪声，还可以减少测量条件变化如环境温度、叶片厚度、叶 片表面粗糙度、测量角度等非目标因素的影响，提高光i^f言噪比，从而提高模 型的预测精度和模型适应性。全谱数据可以实现多参数同时测量，可扩展性极]E(Xj-x)(yi-;)9强，对每个不同的生化M建立相应的校正模型即可，仅需对样本进行一次光 谱观情。本发明中采用植物样本的可见光与短波近红外光谱，该范围内包含叶绿素、 氮素、叶黄素等化学物质的多个强吸收峰，而且吸收峰不重叠，光谱灵敏度和 选择性高，因此模型预测精度高。本发明中采用透反射测量方式，由于部分光两次穿透叶片，因此携带有大 量的叶片生化成分吸收信息，增加了光程长，从而增强了光i普的检测灵敏度。 由于探测器同时收集携带了叶片化学物质光学信息的漫反射光和可能发生的透 反射光，适于测量各种厚度状态下的叶片样本，避免了常规的透射和漫反射釆 样方式对叶片厚度的限制要求，对叶片类型的适用性更广。本发明中提出 一种改进的小波分析方法对叶片光谱数据同时进行噪声去除 和基线校正的预处理，能有效提高预测精度。该方法以各尺度下高频小波系数 功率语分析结果来指导最佳分解尺度的确定，较传统的通过尝试或经验来确定 分解尺度的方法具有更强的普遍适用性，同时也使得分解尺度的确定更客观、 准确。其后对高频小波系数采用相对保守的极大极小阈值方式进行滤波，更适合如今光i普仪器已普遍具有较高精度的现状。同时，对低频小波系数采用二次 多项式拟合光谱测量中产生的基线漂移，并加以去除，不同于传统的直接将低 频信号置零的方法，更适合生物体因散射产生的基线，并更大限度的减少了有 用信息的损失。附图说明图1为本发明所述方法所需要的硬件系统图； 、图2为本发明所述无损检测方法的流程图；图3为校正样本集原始光i普数据的光镨图；图4为本发明所述方法中小波预处理分解层数示意图；图5为对校正样本集原始光镨数据进行预处理后的光i普图；图6为采用校正模型对未知样本的叶绿素含量的预测结果图。具体实施方式为使本发明的目的、技术方案和优点更加清楚明白，以下举实施例并参哮 附图，对本发明进一步详细"^兌明。本发明一优选实施例以透反射采样方式测量叶片叶绿素含量和水分含量为 例对本发明做详细的介绍。如图1所示为实现该方法所需要的硬件系统，该系统是由卣钨灯光源l，Y 型光纤2，光纤支架3,标准反射板4,光镨范围为可见-短波近红外范围的便携式光 谱仪5,计算机6组成。具体连接为：将Y型光纤2固定在支架3上面，保证 光程长一致，卣鴒灯光源l发出的光经Y型光纤2的入射光纤束照射在叶片表 面，光线穿透叶片后在标准反射板4的作用下反射回来又穿透叶片出射，Y型 光纤2的出射光纤束将这些光收集在一起，经过便携式光谱仪5的分光系统， 投射到便携式光傳仪5的光电检测器，得到叶片的光谦信号，便携式光谱仪5 将这些信号输出给计算机6，本发明的光谱测量操作简单，只需要使用光语仪 配备的专用软件，就可得到叶片的光谱数据。本实施例所用便携式光镨仪，有效波长范围为500nm-1100nm，光源为5V 囟鴒灯，漫反射光纤的直径为400um，陶瓷标准反射板，光纤支架，以及计算 机。测量时光i普仪的参数设置如下：平均次数为10，积分时间为20ms,平滑 点数为0。采用透反射的方式，将样本放置在标准反射板上面，收集穿透叶片 返回的透射光和漫反射光。光纤与叶片表面成45度角放置，避免叶片镜面反射 效应。叶片叶绿素含量值可由市场公开销售的叶绿素仪测得。参照图2,该实施例对植物叶片无损检测的实现过程如下：步骤A、采用透反射方式测量校正样本集中样本在可见-短波近红外范围的' 连续光谱。首先需要选择校正样本集，校正样本集中的样本应具有一定的代表性，本 实施例选取同一种植物种类的68个叶片，尽量保证每个叶片的厚度相同，绿色 程度不同，从枯黄到深绿，且水分舍量分布均匀、范围广。对上述68个样本分ii为校正样本集和预测集，校正样本集样本个数为56个，预测集样本个数为12 个。校正样本集样本用于建立校正模型，预测集样本用于评价本发明所述叶绿 素和水分含量检测方法的测量精度。先对叶片表面进行简单的灰尘清理，选择叶片的中间区域，并避开叶脉， 作为测量部位。接下来对样本集进行光谱测量，打开〗更携式光谱仪5，采集暗 电流信号，打开卣钨灯光源1,将Y型光纤2以45度固定在支架3上面,将支 架3放置在标准反射板4上面采集参考信号，然后将叶片放置在标准反射板上 面，保持Y型光纤2和支架3的位置不变，测量样本的测量信号。根据以下公 式计算得到样本的吸光度，光语图如图3所示。A= -lg( ，le_其中，A代表样本的吸光度，Ss—e代表样本信号，S艇代表暗电流信号，。reference 代表参考信号。步骤B、检测校正样本集中样本的待测组分的化学含量。 叶绿素含量用每克干叶片中所含叶绿素含量的质量来表示（单位为mg/g)， 其国家标准测量方法是采用分光光度法。该方法需要利用有机物提取液萃取分离出叶片中的叶绿素，在双光束分光光度计上通过比色方法测定吸光度，然后 用Arnon公式计算叶绿素含量。计算公式为： A =7.12460+16.8$2 —附x1000其中，X,为样液中总叶绿素的含量，单位为毫克每升（mg/L); ^为相应 波长处（660， 642nm)测得吸光度值；A为试样中总叶绿素的质量分数，单位 毫克每克（mg/g); r为提取液的总体积，单位为毫升（mL); F试样稀释倍数； m为试样质量，单位是克（g)。水分含量的标准测量方法采用烘干法，将叶片置于103度±2度干燥箱内， 加热4小时，加盖取出，于干燥器内冷却至室温，称量，再置于干燥箱加热1 小时，加盖取出，与千燥器内冷却,称量，重复加热l小时的操作，直至连续两次称量差不超过0.005g,即为恒重，以最小量为准。 水分以质量分数表示，按下式计算。
水分(0/0),'丄〜100
M0
其中，M！为试样和铝质烘亚烘前的质量，单位g; M2为试样和铝质烘皿 烘后的质量，单位g; Mo为试样的质量，单位g。
为了减少实验的复杂程度，可用行业内广泛使用的叶绿素计来代替国标的 分析化学方法测定叶片的叶绿素含量，这并不影响本发明公开的方法的正确性。 在该实施例中我们采用的是SPAD叶绿素仪。在选定的叶片光谱测量位置处， 使用该叶绿素仪测量3次该位置的叶绿素含量值（单位SPAD )，计算平均值作 为叶片叶绿素含量标准值。该方法测定的68个样本的叶绿素含量分布范围为： 10.8 SPAD-53.5 SPAD。
而水分含量的测量就采用上述标准方法，将叶片在真空鼓风干燥箱中干燥 至质量不变时，计算水分含量。该方法测定的68个样本的水分含量分布范围为： 62.5%-卯.5%。
步骤C、对步骤A中获得的光镨数据采用小波功率语分析法进行预处理， 去除噪声和背景干扰；
首先对原始光i普采用db7小波基进行小波分解，由于波长有2700多个，因 此小波最大分解层数为11，将其确定为初步分解尺度，计算其功率谱。图4中 仅给出了第一层至第六层细节的能量语作为以下分析的示意。由于没有噪声的...: 信号其频率基本上集中在20Hz以内，而混有噪声的信号其频谱会变宽，如图4 所示，可发现第5层细节的功率镨基本上集中在20Hz之内了，因此根据本发明 公开的小波分解的方法，最佳小波分解尺度确定为4层。然后，对原信号进行 4层小波分解，对第4层的细节的小波系数进行阈值滤波，阈值确定按照以下 公式
0 iVS32 (0.396+ 0.1829log2 AT)将小于该阈值的小波系数设为0,大于该阈值的保留原小波系数，而其它 层上的小波系数都设为0，得到去除噪声的目的。而对小波分解的近似部分进
行二次曲线拟合，作为基线，并将其减去，实现对原始光语的去噪和去除基线，
结果如图5所示。
步骤D、对预处理后的光语数据进行波段选择，针对不同生理指标选择其 最佳建模波段。
这里测量的参数有两个， 一个是叶绿素含量， 一个是水分含量，分别对这 两个参数进行相关性分析进行波段选择。相关分析的原理是将校正样本集样本 的光i普数据值与标准值进行关联，求出每个波长处的相关系数。设定相关系数 的阈值为0.7,相关系数超过该阈值所对应的波长则被选择。相关系数的计算^' 式如下：
其中m为样品个数，y为样品标准值，x为该波长处光谙数据值。经过相 关性分析，发现与叶绿素含量相关性大的波段是660-740nm,与水分含量相关 性大的波革爻是950-980nm。
步骤E、在确定的波段内建立校正模型，建立光谱值和标准值之间的回归 关系。
对上述校正样本集中的56个样本分别对水分和叶绿素浓度值建立PLS回 归模型，得到两个校正模型。
步骤F、测量未知样本的光语数据，对光i普数据进行预处理后，将对应波
段处的光谱数值代A校正模型中计算出未知样本的待测组分的化学成分含量。 光谱测量方法的最终目的是输入未知样本的光谱信息能够预测该样本的生
理指标，这样才实现了无损，实时检测，因此该方法的最后一步就是按照前面
所述的方法对未知样本进行光谱测量和预处理，将选定波段的光谱数据代入E
中的校正模型中得到叶片叶绿素含量和水分含量的预测值。
艺(Xi —x)(yi-y)下面给出了植物叶绿素含量和水分含量的预测结果。
本实施例中校正样本集和预测集样本的叶绿素浓度值分布和统计参数如下
表所示：单位：SPAD
表一 样品叶绿素浓度值分布情况
table see original document page 15对上迷校正样本集中的56个样本建立叶绿素含量的PLSR校正模型，叶绿 素预测值与标准值之间的相关系数R为0.99，预测均方才艮误差（RMSEP)为 1.4 SPAD。将预测集中12个未知样本的预处理后的相应波^敬的光语代入校正模 型中，叶绿素含量的预测情况如图6所示，预测集中样本的预测值与标准值之 间的相关系数为0.96，预测标准差（RMSEP)为1.8SPAD。
这样实现的：
一种植物叶片生理指标无损检测方法，包括如下步骤：
步骤A、采集校正样本集样本，采用透反射方式测量校正样本集中的样冬 在可见-短波近红外范围的连续光谱。
选取植物叶片样本，广泛收集一定数量有代表性的样本，形成校正样本集， 用于训练和建立校正模型。样本选取要有一定的代表性，根据测量要求，待测 物质含量要分布范围广，具有一定的梯度，生长周期要全面。
本发明采用通用光镨仪或自制光错仪，对样本进行连续光谱测量，光谱范 围为可见-短波近红外（380nm-1100nm)。对校正样本集中的样本的光谱测量过 程分为三个步骤，暗噪声的采集、参考信号的采集、测量信号的采集。根据以 上采集数据可以计算出反射率或吸光度，作为建立校正模型的光谱数据。反射 率和吸光度的计算公式如下：
样本的反射率为：
D一 sample 。dark
i-
^reference ^daric
样本的吸光度为：其中，R为样本的反射率，A为样本的吸光度，S,p,e代表样本的测量信号，
s她代表暗噪声信号，s^,代表参考信号。
这种光谱测量方式一方面可以消除光源能量漂移造成的影响，另一方面， 从测量信号和参考信号中将暗电流噪声減去，可以减少光谱中的噪声，从而提 高信号的信噪比。暗噪声是指在没有光照条件下检测系统的输出值，主要由探 测器的暗电流和仪器内部的电子线路的热噪声组成，这些噪声M来就构成了 暗噪声。参考信号是指为了得到样本的反射光谱或者吸收光语，对入射光强的
一个测量。参考信号和测量信号的采集方法通常有空间双光路和单光路两种。 空间双光路就是将光源发出的光经过分光器件变成完全相同的两束光，使其同 时经过参比样品和样本，参考信号和测量信号同时测量；单光路通常是在一个 较短的时间内分别测量其参考信号和测量信号。
本发明中，对样本进行光谱采样的方式为透反射式，将探测器和光源放在 同一側，在样本底部放置漫反射标准板，使得透过样本的光能够再次被反射，
测器同时检测到样本的漫反射光和两次穿透样本的透反射光，因此探测信号中 携带有大量的样本化学成分吸收信息。 ；
本发明优选的实施例中，采样器件采用光纤，由于光导纤维易于操作和使 用，可实现长距离测量，并且克服过多机械装置带来的结构复杂性，因此能够 实现活体无损检测。
步骤B、采用标准分析方法测定校正样本集中样本的待测组分的化学含量， 并将其作为标准值；
待测组分的化学含量均采用标准分析方法来获得，所述标准可以是行业、 国家或国际标准。
步骤C、对校正样本集中样本的光谱数据进行预处理，去除噪声和背景干
扰；
预处理主要是去除样本的光镨测量数据中由于仪器噪声、测量条件变化及
6叶片组织的光散射效应、叶片中其它化学成分干扰等造成的高频噪声和基线漂 移。
本发明中采用小波功率谱分析法同时去除高频噪声和进行基线校正，具体
实现步骤如下：
Cl、选择最佳分解尺度
选择最大小波分解层数作为初步分解尺度，将信号分解后，对各尺度下的 细节部分进行功率谱分析，根据信号主要集中在低频部分的原理，若某一尺度 下细节的功率谱主要是分布在低频部分，且分布规律，那么该尺度就是最终的 最佳分解尺度。
小波分析可选取的最大分解尺度为[log2iV]，其中iV为信号长度，[.]为向下 取整运算。本方法中，选择最大的小波分解层数作为初步分解尺度。
而后对重构的细节部分进行功率谱分析，据此指导最终分解尺度的确定。
对各尺度下的细节进行能量谱分析即分析信号能量随频率的分布关系。令 G(^)叫F(^)卩或G(/HF(/)12，其中，/为信号的圆频率。对应的频率，则有：
『=+ £ G =丄|° G =《C (/)d/
可见，G(Q)或G(/)反映了信号能量在频域上的分布情况，G(O)为信号的能 量密度语也称能谱。 —
因噪声主要存在于高频部分，且频率不统一，所以，在功率谱中能量集中 在高频区域，且无规律可言的细节应视作噪声加以去除。相对于噪声，信号的 能量主要集中在较低的频段部分，且具有一定规律性，这样的细节部分应予以 保留，当第A层的功率谱上已经开始明显表现出信号的特性时，则只需进行t-l 层的小波分解，则确定hl为小波最佳分解层数。
C2、去除高频噪声
采用所述最佳分解尺度对所述光i普数据进行小波分解后，将只含有噪声成 分尺度下的高频小波系数全部置0,而对同时含有信号与噪声成分尺度下的高 频小波系数进行阈值滤波，从而去除高频噪声。将光镨进行X:-1尺度的小波分解后，可判定尺度魟2至尺度1的细节部分为 噪声，将其小波系数全部置0。而尺度ll的高频部分同时包含信号与噪声成分, 所以应对该尺度下细节部分小波系数选择适当的阈值进行滤波，去除噪声而保 留有用信号。目前确定阈值的方法主要有四种：统一阈值、SUREShrink阈值 (Stein无偏估计阈值）、启发式SURE阈值以及极大极小阈值。随着仪器科学 的发展，目前实验中所采用光谱仪信噪比普遍较高，而极大极小阈值相对于其 他阈值确定方法更保守，所以选择该方法，其算式如下：这里的N信号长度，〜为某层细节小波系数的方差。 C3、基线校正光谱信号的基线主要集中在低频段，所以在低频段，即小波分解后得到的 近似部分，进行基线校正代替对全语进行校正，以避免高频部分信号的影响。对叶片测量，由于测量条件变化及叶片組织的光散射效应、叶片中其它化 学成分干扰等因素会引起测得光i普产生基线漂移，因此将小波分解得到的光i普 数据近似部分进行二次多项式拟合，将拟合所得曲线作为基线去除。最后将各 尺度下的小波系数进行重构，完成预处理过程。步骤D、对预处理后的光谱数据进行波段优选，针对不同生理指标选择最 佳波段；采用全部波长光傳数据建立校正冲莫型时，不仅计算工作量大，而且由于一 些波段的光谱包含的噪声较大，信息弱，或者存在严重的共线性，校正模型的 预测精度未必能达到最佳值。为了克服上述缺点，本发明优选的实施例中，在 建立校正模型之前，针对不同的生理指标对建模波长进行波段优选。通过波段 优选的过程，从光谱中提取最有效的信息，使校正模型具有最好的预测能力， 并简化数据运算。波^:优选的方法有相关分析方法、方差分析法、无信息变量 消除法、遗传算法等。本发明优选的实施例中，采用相关分析法进行波段优选。相关分析的原理0 iVS32 a„(0.396+ 0.1829Iog2W)是将校正样本集中样本的光谱数据与标准值进行关联，求出每个波长处的相关 系数。事先设定相关系数的阔值，相关系数超过该阈值所对应的波长则被选择。相关系数的计算公式如下：其中，m为样品个数，x为该波长处光语数据值，x为m个样品光i普值的平均值，y为样品标准值，y为m个样品标准值的平均值，i为样品序号。 步骤E、建立校正模型；校正模型是利用化学计量学方法，建立预处理后光i普值和在步骤B中所获 得的标准值之间的回归关系，若对波段进行优选则是建立预处理后优选波段对 应的光镨值和在步骤B中所获得的标准值之间的回归关系。常用的建模方法有 多元线性回归（MLR)、主成分回归（PCR)、偏最小二乘回归（PLSR)、人工 神经网络（ANN)模型等。光镨值包括反射率或吸光度等。步骤F、测量未知样本的光谱数据，进行预处理后，将相应波段数据代入 校正模型，计算所述未知样本的待测组分的化学成分含量。本步骤中，未知样本的光谱采集同步骤A，光谱数据也要经过步骤C的预 处理，然后将预处理后的光谱数据代入步骤E中的校正模型，从而得到未知样 本的待测组分的化学成分含量。若预处理后的光语数据经过波段优选，则将优 选波段对应的光语数据代入步骤E中的校正模型，从而得到更为准确的未知样 本的待测组分的化学成分含量。本发明所述技术方案由于采集的是全镨数据，与少数几个波长的分立型测 量方法相比，模型的预测精度得到了提高。全谱数据便于采用有效的预处理方 法，不仅可以去除噪声，还可以减少测量条件变化如环境温度、叶片厚度、叶 片表面粗糙度、测量角度等非目标因素的影响，提高光i^f言噪比，从而提高模 型的预测精度和模型适应性。全谱数据可以实现多参数同时测量，可扩展性极]E(Xj-x)(yi-;)9强，对每个不同的生化M建立相应的校正模型即可，仅需对样本进行一次光 谱观情。本发明中采用植物样本的可见光与短波近红外光谱，该范围内包含叶绿素、 氮素、叶黄素等化学物质的多个强吸收峰，而且吸收峰不重叠，光谱灵敏度和 选择性高，因此模型预测精度高。本发明中采用透反射测量方式，由于部分光两次穿透叶片，因此携带有大 量的叶片生化成分吸收信息，增加了光程长，从而增强了光i普的检测灵敏度。 由于探测器同时收集携带了叶片化学物质光学信息的漫反射光和可能发生的透 反射光，适于测量各种厚度状态下的叶片样本，避免了常规的透射和漫反射釆 样方式对叶片厚度的限制要求，对叶片类型的适用性更广。本发明中提出 一种改进的小波分析方法对叶片光谱数据同时进行噪声去除 和基线校正的预处理，能有效提高预测精度。该方法以各尺度下高频小波系数 功率语分析结果来指导最佳分解尺度的确定，较传统的通过尝试或经验来确定 分解尺度的方法具有更强的普遍适用性，同时也使得分解尺度的确定更客观、 准确。其后对高频小波系数采用相对保守的极大极小阈值方式进行滤波，更适合如今光i普仪器已普遍具有较高精度的现状。同时，对低频小波系数采用二次 多项式拟合光谱测量中产生的基线漂移，并加以去除，不同于传统的直接将低 频信号置零的方法，更适合生物体因散射产生的基线，并更大限度的减少了有 用信息的损失。附图说明图1为本发明所述方法所需要的硬件系统图； 、图2为本发明所述无损检测方法的流程图；图3为校正样本集原始光i普数据的光镨图；图4为本发明所述方法中小波预处理分解层数示意图；图5为对校正样本集原始光镨数据进行预处理后的光i普图；图6为采用校正模型对未知样本的叶绿素含量的预测结果图。具体实施方式为使本发明的目的、技术方案和优点更加清楚明白，以下举实施例并参哮 附图，对本发明进一步详细"^兌明。本发明一优选实施例以透反射采样方式测量叶片叶绿素含量和水分含量为 例对本发明做详细的介绍。如图1所示为实现该方法所需要的硬件系统，该系统是由卣钨灯光源l，Y 型光纤2，光纤支架3,标准反射板4,光镨范围为可见-短波近红外范围的便携式光 谱仪5,计算机6组成。具体连接为：将Y型光纤2固定在支架3上面，保证 光程长一致，卣鴒灯光源l发出的光经Y型光纤2的入射光纤束照射在叶片表 面，光线穿透叶片后在标准反射板4的作用下反射回来又穿透叶片出射，Y型 光纤2的出射光纤束将这些光收集在一起，经过便携式光谱仪5的分光系统， 投射到便携式光傳仪5的光电检测器，得到叶片的光谦信号，便携式光谱仪5 将这些信号输出给计算机6，本发明的光谱测量操作简单，只需要使用光语仪 配备的专用软件，就可得到叶片的光谱数据。本实施例所用便携式光镨仪，有效波长范围为500nm-1100nm，光源为5V 囟鴒灯，漫反射光纤的直径为400um，陶瓷标准反射板，光纤支架，以及计算 机。测量时光i普仪的参数设置如下：平均次数为10，积分时间为20ms,平滑 点数为0。采用透反射的方式，将样本放置在标准反射板上面，收集穿透叶片 返回的透射光和漫反射光。光纤与叶片表面成45度角放置，避免叶片镜面反射 效应。叶片叶绿素含量值可由市场公开销售的叶绿素仪测得。参照图2,该实施例对植物叶片无损检测的实现过程如下：步骤A、采用透反射方式测量校正样本集中样本在可见-短波近红外范围的' 连续光谱。首先需要选择校正样本集，校正样本集中的样本应具有一定的代表性，本 实施例选取同一种植物种类的68个叶片，尽量保证每个叶片的厚度相同，绿色 程度不同，从枯黄到深绿，且水分舍量分布均匀、范围广。对上述68个样本分ii为校正样本集和预测集，校正样本集样本个数为56个，预测集样本个数为12 个。校正样本集样本用于建立校正模型，预测集样本用于评价本发明所述叶绿 素和水分含量检测方法的测量精度。先对叶片表面进行简单的灰尘清理，选择叶片的中间区域，并避开叶脉， 作为测量部位。接下来对样本集进行光谱测量，打开〗更携式光谱仪5，采集暗 电流信号，打开卣钨灯光源1,将Y型光纤2以45度固定在支架3上面,将支 架3放置在标准反射板4上面采集参考信号，然后将叶片放置在标准反射板上 面，保持Y型光纤2和支架3的位置不变，测量样本的测量信号。根据以下公 式计算得到样本的吸光度，光语图如图3所示。A= -lg( ，le_其中，A代表样本的吸光度，Ss—e代表样本信号，S艇代表暗电流信号，。reference 代表参考信号。步骤B、检测校正样本集中样本的待测组分的化学含量。 叶绿素含量用每克干叶片中所含叶绿素含量的质量来表示（单位为mg/g)， 其国家标准测量方法是采用分光光度法。该方法需要利用有机物提取液萃取分离出叶片中的叶绿素，在双光束分光光度计上通过比色方法测定吸光度，然后 用Arnon公式计算叶绿素含量。计算公式为： A =7.12460+16.8$2 —附x1000其中，X,为样液中总叶绿素的含量，单位为毫克每升（mg/L); ^为相应 波长处（660， 642nm)测得吸光度值；A为试样中总叶绿素的质量分数，单位 毫克每克（mg/g); r为提取液的总体积，单位为毫升（mL); F试样稀释倍数； m为试样质量，单位是克（g)。水分含量的标准测量方法采用烘干法，将叶片置于103度±2度干燥箱内， 加热4小时，加盖取出，于干燥器内冷却至室温，称量，再置于干燥箱加热1 小时，加盖取出，与千燥器内冷却,称量，重复加热l小时的操作，直至连续两次称量差不超过0.005g,即为恒重，以最小量为准。 水分以质量分数表示，按下式计算。
水分(0/0),'丄〜100
M0
其中，M！为试样和铝质烘亚烘前的质量，单位g; M2为试样和铝质烘皿 烘后的质量，单位g; Mo为试样的质量，单位g。
为了减少实验的复杂程度，可用行业内广泛使用的叶绿素计来代替国标的 分析化学方法测定叶片的叶绿素含量，这并不影响本发明公开的方法的正确性。 在该实施例中我们采用的是SPAD叶绿素仪。在选定的叶片光谱测量位置处， 使用该叶绿素仪测量3次该位置的叶绿素含量值（单位SPAD )，计算平均值作 为叶片叶绿素含量标准值。该方法测定的68个样本的叶绿素含量分布范围为： 10.8 SPAD-53.5 SPAD。
而水分含量的测量就采用上述标准方法，将叶片在真空鼓风干燥箱中干燥 至质量不变时，计算水分含量。该方法测定的68个样本的水分含量分布范围为： 62.5%-卯.5%。
步骤C、对步骤A中获得的光镨数据采用小波功率语分析法进行预处理， 去除噪声和背景干扰；
首先对原始光i普采用db7小波基进行小波分解，由于波长有2700多个，因 此小波最大分解层数为11，将其确定为初步分解尺度，计算其功率谱。图4中 仅给出了第一层至第六层细节的能量语作为以下分析的示意。由于没有噪声的...: 信号其频率基本上集中在20Hz以内，而混有噪声的信号其频谱会变宽，如图4 所示，可发现第5层细节的功率镨基本上集中在20Hz之内了，因此根据本发明 公开的小波分解的方法，最佳小波分解尺度确定为4层。然后，对原信号进行 4层小波分解，对第4层的细节的小波系数进行阈值滤波，阈值确定按照以下 公式
0 iVS32 (0.396+ 0.1829log2 AT)将小于该阈值的小波系数设为0,大于该阈值的保留原小波系数，而其它 层上的小波系数都设为0，得到去除噪声的目的。而对小波分解的近似部分进
行二次曲线拟合，作为基线，并将其减去，实现对原始光语的去噪和去除基线，
结果如图5所示。
步骤D、对预处理后的光语数据进行波段选择，针对不同生理指标选择其 最佳建模波段。
这里测量的参数有两个， 一个是叶绿素含量， 一个是水分含量，分别对这 两个参数进行相关性分析进行波段选择。相关分析的原理是将校正样本集样本 的光i普数据值与标准值进行关联，求出每个波长处的相关系数。设定相关系数 的阈值为0.7,相关系数超过该阈值所对应的波长则被选择。相关系数的计算^' 式如下：
其中m为样品个数，y为样品标准值，x为该波长处光谙数据值。经过相 关性分析，发现与叶绿素含量相关性大的波段是660-740nm,与水分含量相关 性大的波革爻是950-980nm。
步骤E、在确定的波段内建立校正模型，建立光谱值和标准值之间的回归 关系。
对上述校正样本集中的56个样本分别对水分和叶绿素浓度值建立PLS回 归模型，得到两个校正模型。
步骤F、测量未知样本的光语数据，对光i普数据进行预处理后，将对应波
段处的光谱数值代A校正模型中计算出未知样本的待测组分的化学成分含量。 光谱测量方法的最终目的是输入未知样本的光谱信息能够预测该样本的生
理指标，这样才实现了无损，实时检测，因此该方法的最后一步就是按照前面
所述的方法对未知样本进行光谱测量和预处理，将选定波段的光谱数据代入E
中的校正模型中得到叶片叶绿素含量和水分含量的预测值。
艺(Xi —x)(yi-y)下面给出了植物叶绿素含量和水分含量的预测结果。
本实施例中校正样本集和预测集样本的叶绿素浓度值分布和统计参数如下
表所示：单位：SPAD
表一 样品叶绿素浓度值分布情况