基于高光谱深度特征的油菜叶片锌含量检测

可见光-近红外高光谱成像技术是一种前沿的农作物信息检测技术，集光谱信息和图像信息于一体，能够实现农作物信息的无损检测。目前，该技术在重金属胁迫下作物信息分析方面已取得一定进展。

本文采用高光谱图像无损检测技术，结合化学计量学方法和深度迁移学习方法，针对无硅环境和有硅环境中油菜叶片重金属锌含量开展定量检测研究，以期论证基于高光谱图像无损检测技术实现无硅环境和有硅环境中油菜叶片锌含量测定的可行性和利用深度迁移学习模型提高无硅环境和有硅环境中油菜叶片锌含量检测精度的有效性。

01工作原理

试验品种为秦油10号油菜，采用珍珠岩袋培方式进行油菜样本培育。油菜叶片样本采集是在胁迫试剂浇灌完成7d后进行，油菜叶片样本采集完成后做好标签，立刻送往实验室进行样本高光谱图像信息采集。

高光谱数据采集过程如图1所示，其主要步骤如下：首先，通过对比背景和样本区域的光谱，得到两个明显不同的光谱波段(543.16 nm和673.25 nm)，并利用两者之间的比值变换得到比值图像;其次，利用阈值分割法对比值图像进行处理，获得二值化掩模图像，最小阈值设置为1.5.最后，将二值化掩模图像应用在归一化处理后的油菜叶片的高光谱图像上，得到掩模后油菜叶片高光谱图像信息。通过计算得到所有像元的平均光谱信息，并将其作为输入进行进一步处理。

图1高光谱数据采集过程

高光谱图像信息采集完成后，采用去离子水对油菜叶片进行3次清洗。将油菜叶片样本在120 ℃干燥温度下干燥至恒量后研磨成粉末，每个油菜叶片样本粉末称取量为0.01 g用于火焰原子吸收光谱法测定Zn含量。最后应用算法对光谱信息进行处理，提取最佳预处理后光谱数据的深度特征。

02实验结果

利用T-SAE模型(双模型迁移堆叠自编码器)对源域中已构建好的无硅环境中深度网络关系模型为SAE Model 1和有硅环境中的深度网络关系模型为SAE Model 2进行深度特征学习迁移，完成TSAE Model 1模型构建。其中，无硅环境中不同Zn浓度预测的最佳预训练学习网络模型尺度为618-481.有硅环境中不同Zn浓度预测的最佳预训练学习网络模型尺度为618-531.则T-SAE模型的初始迁移网络模型尺度为1236-1012.基于T-SAE提取的深度特征的SVR模型结果如表1所示。由表1可知，对于无硅环境和有硅环境中的油菜叶片样本，所建立的SNV-T-SAE-SVR模型对Zn含量预测性能最佳，预测集的Rp2、RMSEP和RPD分别为0.8810、0.02748 mg/kg和2.966.最佳模型尺度为1236-1012-812-571.从结果可以看出，深度迁移学习模型能显著提高有硅环境和无硅环境中油菜叶片Zn含量的检测，这一研究结果与深度迁移学习模型在油菜植株中重金属镉含量检测和硅作用下油菜叶片Pb含量检测中应用的结果相一致。深度迁移学习算法能够共享源域(单一无硅环境或有硅环境下重金属Zn检测的深度学习SAE模型)浅层特征，在有监督学习方式下对深层网络参数进行微调，搭建基于深度学习和迁移学习的目标域(有硅和无硅环境中重金属Zn检测)学习框架，提高硅作用下油菜叶片重金属Zn检测模型的精度和泛化能力。

表1基于T-SAE提取的深度特征的SVR模型结果

03实验结论

在本研究中，深度迁移学习算法迁移堆叠自编码器T-SAE结合Vis-NIR高光谱成像技术成功地实现了无硅环境和有硅环境中油菜叶片锌含量的较高精度检测，所建立的支持向量机回归SVR模型对无硅环境和有硅环境中的油菜叶片Zn含量预测性能较佳，该模型预测集的决定系数Rp2和均方根误差RMSEP分别为0.8394和0.03635 mg/kg。本文所采用的深度迁移学习模型为无硅环境和有硅环境中油菜叶片锌含量无损检测提供了新思路，为更好地监测农作物逆境胁迫和修复农业土壤重金属提供了强有力的技术支持。

推荐：

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑 黄宇