运用响应面分析法优化激光诱导土壤等离子体测试参数

测试参数的选择和优化是进行激光诱导击穿光谱（LIBS）试验的重要步骤之一,合适的测试参数能够保障所得光谱数据的准确性。本研究运用LIBS技术,以土壤中主要元素（硅、铁、镁、钙、铝、钠、钾等）为载体,研究LIBS不同测试参数对元素谱线特性影响,优化得到普适的土壤测试条件。设计了以LIBS系统中激光脉冲能量（LE）、延迟时间（DT）和聚焦透镜到样品的距离（LTSD）三因素的二次中心组合的试验,以土壤中主要元素的特征谱线组合信背比（SBR）Y_SBR为目标函数,分析了三因素之间交互作用对Y_SBR的影响。结果表明：因素DT对Y_SBR的线性效果显著,而LE和LTSD对Y_SBR的线性效果均不显著;三者的交互影响对Y_SBR的交互效果都不显著;对于二次项LE2,DT2和LTSD2对Y_SBR的曲面效应均显著。优化得到最佳的试验条件是：激光能量LE为103.09 mJ,延迟时间为2.92 μs,透镜到样品的距离LTSD为97.69 mm,得到最大组合信背比Y_SBR为198.602。这些测试参数是后期LIBS数据准确分析的前提,为田间实地土壤LIBS检测参数的选择提供重要的借鉴。     

基于共聚焦拉曼光谱技术的油菜菌核病早期判别分析

油菜菌核病是一种真菌性病害,可造成油菜产量严重减少,而快速准确地进行病原物的早期侵染对于植物病害防治意义重大。采用共聚焦拉曼光谱(500～2 000 cm-1波数范围内)技术结合化学计量学方法对油菜菌核病早期侵染进行判别分析。采用共聚焦拉曼光谱仪采集健康和接种12 h核盘菌的油菜叶片表面拉曼光谱,应用小波变换(wavelet transform,WT)进行拉曼光谱预处理以去除荧光背景。并利用基于全谱范围的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)的回归系数(regression coefficient,RC)进行特征峰的识别,选出983,1 001,1 205,1 521,1 527,1 658,1 670和1 758 cm-1共八个特征峰用于建立PLS-DA模型进行油菜菌核病的早期侵染判别,其识别准确率为100%。结果表明：拉曼光谱技术结合化学计量学方法能够实现油菜叶片中菌核病早期侵染的检测,这为后续探究核盘菌与油菜叶片互作过程以及为进一步的病害早期监测和预防提供理论参考。     

基于高光谱技术的病害早期胁迫下黄瓜叶片中过氧化物酶活性的研究

应用可见/近红外高光谱对细菌性角斑病早期胁迫下的黄瓜叶片中所含过氧化物酶(peroxidase,POD)活性进行检测。在380~1 030 nm光谱范围获取120个样本(健康,病害轻微感染1级和2级)的光谱曲线,并使用分光光度计法测量感染病害样本中的过氧化物酶活性值。采用单因素方差分析(analysis of variance,ANOVA)对三种不同程度早期病害胁迫下过氧化物酶活性值进行统计分析,结果表明不同程度病害胁迫下黄瓜叶片中的过氧化物活性存在显著性差异(p=0.05)。采用SPXY方法将样本分为建模集(80个样本)与预测集(40个样本)。采用random frog(RF)和回归系数法(regression coefficient,RC)方法提取特征波段,并建立过氧化物酶活性值的偏最小二乘回归(partial least square regression,PLSR)预测模型。最终得到RF-PLSR具有最佳的预测效果,预测集相关系数为0.816,预测均方根误差为11.235。研究结果表明高光谱结合化学计量学方法可以实现细菌性角斑病早期胁迫下黄瓜叶片中过氧化物酶活性的测定,为植物病害的早期无损诊断提供参考。     

基于高光谱技术的厌氧发酵液固形物含量检测的研究

实时监测发酵液中固形物含量的变化,对控制厌氧发酵过程的稳定性具有重要作用。研究中采用近红外高光谱技术结合化学计量学方法,对水葫芦和稻草秸秆混合厌氧发酵过程中的固形物含量进行定量检测研究。与传统2540G(APHA,1990)标准方法相比,近红外高光谱技术具有无损、快速的优点。实验过程中,首先获取发酵液样本的高光谱信息,应用移动平均平滑法(MAS)进行光谱预处理,并采用竞争自适应重加权采样算法(CARS)、连续投影算法(SPA)和Random frog算法提取光谱特征信息,然后基于全谱和所选特征波长下的光谱信息分别建立总固形物含量(TS)和挥发性固形物含量(VS)的校正模型,建模方法包括偏最小二乘回归(PLSR)和最小二乘-支持向量机(LS-SVM)。研究表明,SPA-LS-SVM模型的预测结果最好,其中TS的预测均方根误差(RMSEP)及相关系数(R_p)分别为0.005 8和0.841;而VS的RMSEP和R_p分别为0.004 1和0.874。结果表明,利用近红外高光谱结合化学计量学方法可以实现厌氧发酵液中的固形物含量的检测,为布置光谱传感器以便定量检测厌氧发酵过程中的固形物含量奠定了理论依据。     

重金属铜胁迫苹果砧木根系的显微拉曼光谱诊断研究

重金属污染会影响农作物的正常生长,如何快速准确的实现对农作物中重金属的检测已成为亟待解决的问题之一。传统植物中重金属检测依赖于化学方法,虽然可以实现重金属含量的精准检测,然而其操作过程繁琐,并且无法实现批量样本的检测,更无法实现重金属胁迫下植物组织的原位微观检测。拉曼光谱具备无损探测固体、液体和气体状态的分子振动信息、光谱分辨率高和对水分不敏感等优势,因此利用拉曼光谱技术检测农作物中重金属含量具有可行性。苹果砧木是苹果树幼苗嫁接的基础,能够保障后期的苹果树体健康以及苹果果品品质与产量,而苹果砧木根系受到重金属污染,阻碍其健康生长并影响苹果树幼苗的抗逆性,因此探明重金属与苹果砧木根系互作机理十分必要。该研究以5组不同浓度CuSO₄·5H₂O溶液胁迫下的苹果砧木为研究对象,首先采集不同铜离子（Cu2+）胁迫梯度下苹果砧木根系的拉曼散射光谱,利用自适应迭代重加权惩罚最小二乘法（Air-PLS）和S-G平滑方法对所获得的拉曼光谱数据进行预处理,去除荧光影响以及进行基线校正;其次建立偏最小二乘判别分析（PLS-DA）模型和支持向量机（SVM）判别模型,结果表明：基于显微拉曼光谱和SVM,PLS-DA判别模型对苹果砧木根系的铜离子胁迫进行判别,SVM模型准确率可达100%,PLS-DA模型准确率为96%,能够较好的预测出苹果砧木受重金属铜的胁迫程度;最后基于特征拉曼光谱峰1 096,1 329,1 605和2 937 cm-1进行苹果砧木根系横截面的化学成像可视化研究。研究结果表明,拉曼光谱技术结合Air-PLS和S-G平滑建立的SVM模型和PLS-DA模型可以快速、有效地进行苹果砧木根系受重金属胁迫程度的诊断,为重金属胁迫农作物检测提供新的思路,对农作物的重金属逆境胁迫互作机理诊断具有理论指导意义。     

拉曼光谱技术在农作物生理信息检测中的研究进展

拉曼光谱(Raman spectroscopy,RS)是一种散射光谱,具有样品前处理简单、响应速度快、灵敏性高以及原位无损检测等特点。由于拉曼信号具有指纹图谱特性和不受水分信息干扰的优势,其在生物体信息检测方面发挥着重要作用。拉曼光谱成像技术是拉曼光谱技术发展的新方向,其可以同时获取研究对象的空间及光谱信息;显微拉曼光谱技术不仅可以进行分子结构的检测,还能够实现生物组织微区化学成分的空间分布分析。目前,应用拉曼光谱进行农作物生理信息的检测成为学者们的研究热点。本文概述了拉曼光谱的基本原理和分类,并重点介绍了拉曼光谱技术在农作物的生殖与营养器官(种子,花朵,果实和根,茎,叶)中生理信息检测方面的国内外最新研究进展。最后结合国内外研究现状,分析了拉曼光谱在农作物生理信息检测中的局限,并对其的应用前景进行了展望。     

基于高光谱成像的南瓜叶片叶绿素分布可视化研究

叶绿素浓度是植物生长的指示剂,而叶片的SPAD值则可以反映植物叶绿素含量,从而监测植物的生长状况。本文采用可见-近红外(380～1 030 nm)高光谱成像技术可以实现南瓜叶片SPAD值的可视化,同时根据叶片霜霉病疫情与叶绿素含量呈显著正相关进而可以快速诊断霜霉病疫情。通过测定健康叶片和感染不同霜霉病疫情的叶片光谱曲线,采用竞争性自适应重加权算法(CARS)进行特征波段的选择,可以得到10条特征波段,再结合偏最小二乘回归法(PLSR)进行南瓜叶片SPAD的预测。结果表明,通过对48个样本的训练,对23个样本进行预测,可以得到南瓜叶片SPAD较好的预测效果,其中R_C=0.918,RMSECV=3.932; R_CV=0.846,RMSECV=5.254; R_P=0.881,RMSEP=3.714。根据叶片光谱特征波段与SPAD之间的线性回归方程可以计算叶片各个像素点的SPAD值,最后采用图像处理技术可以得到南瓜叶片SPAD的可视化分布图,同时也反映了霜霉病的感染分布,进而判断南瓜叶片的霜霉病疫情。该研究为监测植物生长状况及判别南瓜叶片霜霉病疫情奠定了理论基础。     

基于高光谱成像技术的鲜枣裂纹的识别研究

裂纹是衡量鲜枣品质的重要指标之一,果皮裂纹加速鲜枣的腐烂,导致鲜枣货架期的缩短,严重降低鲜枣的经济价值。采用高光谱成像技术在380～1 030 nm波段范围内对鲜枣裂纹的位置及大小信息特征进行快速识别。选用偏最小二乘回归(PLSR)、连续投影法(SPA)和全波段图像主成分分析(PCA),得到鲜枣裂纹相关的敏感波段。然后利用选取的鲜枣裂纹的敏感波段对建模集的132个样本建立最小二乘支持向量机(LS-SVM)判别模型,并对预测集的44个样本进行判别。对PLSR-LS-SVM,SPA-LS-SVM和PCA-LS-SVM判别模型采用ROC曲线进行评判,得出PLSR-LS-SVM模型对鲜枣裂纹定性判别的结果(area=1,std=0)最佳。选取PLSR回归系数挑选出的5条鲜枣裂纹敏感波段(467,544,639,673和682 nm)对应的单波段图像进行主成分分析,其中将主成分PC4的图像结合图像处理技术,最终识别出鲜枣裂纹的位置、大小信息。结果表明,采用高光谱成像技术结合光谱图像处理可以实现鲜枣裂纹定性判别和定量识别的研究,为进一步开发相关仪器的研究提供理论方法和依据。     

高光谱技术结合特征波长/光谱指数对冬枣成熟度可视化判别

为了给冬枣采收后成熟度分级提供理论指导,运用高光谱技术获取特征波长和计算光谱指数对其成熟度可视化分级。采集三类成熟度冬枣(未成熟果、白熟-初红果、半红-全红果)样本共336个并获取其高光谱信息,通过Savitzky-Golay(S-G)平滑对原始光谱降噪后再用Kennard-Stone(K-S)方法将样本分为训练集(226个)和测试集(110个)。选用连续投影法(SPA)和竞争性自适应重加权采样法(CARS)选择特征波长(CWs);同时从水果生理成分变化角度引入7个光谱指数(SIs)。基于SPA和CARS选取的CWs和引入的SIs分别建立偏最小二乘判别分析(PLS-DA)模型,并比较了3个模型的分级效果。结果表明：基于SPA和CARS选择的特征波长和引入的SIs建立的PLS-DA模型判别精度分别为：97.27%,95.45%和98.18%。为了直观展现判别结果,选用SIs建立的PLS-DA回归系数拟合判别向量Y的回归方程,依据Y中最大值元素所在类别为该样本预测类别的规则,将结果用不同颜色直观显示。该研究为冬枣成熟度可视化分级提供了思路,引入的SIs参数为开发适于多种水果成熟度分级的设备提供了技术支撑。