利用激光背向散射成像的马铃薯品质智能分级

激光背向散射成像是激光与生物组织相互作用产生散射光的成像,在农产品的品质分类中有着广泛的应用。利用激光背向散射成像技术与深度学习,实现马铃薯在不同存储情况下的品质分类。对激光背向散射进行理论分析,搭建激光背向散射成像的数据采集系统,对马铃薯样品进行激光背向散射图像采集,得到新鲜马铃薯、冰箱存储与室温存储马铃薯的激光背向散射成像数据集。对数据集利用改进后的VGG16网络进行训练,并与DenseNet121网络、原始VGG16网络的训练结果进行对比。结果显示,改进后的VGG16网络对数据集的分类准确率为95.33%。由此表明,激光背向散射成像结合深度学习可以实现马铃薯品质的智能分级。     

基于无人机高光谱特征参数和株高估算马铃薯地上生物量

地上生物量（above-ground biomass, AGB）是评价作物长势及其产量估测的重要指标,对指导农业管理具有重要的作用。因此,快速准确地获取生物量信息,对于监测马铃薯生长状况,提高产量具有重要的意义。于马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期获取成像高光谱影像、实测株高（heigh, H）、地上生物量和地面控制点（ground control point, GCP）的三维空间坐标。首先基于无人机高光谱灰度影像结合GCP生成试验田的DSM（digital surface model, DSM）,利用DSM提取马铃薯的株高（H_dsm）;然后利用无人机高光谱影像计算一阶微分光谱、植被指数和绿边参数,进而分析高光谱特征参数（hyperspectral characteristic parameters, HCPs）和绿边参数(green edge parameters, GEPs)与马铃薯AGB的相关性,每个生育期筛选出相关性较高的前7个高光谱特征参数和最优绿边参数(optimal green edge parameters, OGEPs);最后基于HCPs,HCPs加入OGEPs,HCPs加入OGEPs和H_dsm的组合利用偏最小二乘回归（partial least square regression, PLSR）和随机森林（random forest, RF）估算不同生育期的AGB。结果表明：（1）提取的H_dsm与实测株高H高度拟合（R2=0.84,RMSE=6.85 cm,NRMSE=15.67%）;（2）每个生育期得到的最优绿边参数不完全相同,现蕾期、块茎增长期和淀粉积累期OGEPs为R_sum,块茎形成期和成熟期OGEPs分别为Dr_min和SDr;（3）与仅使用HCPs估算AGB相比,使用HCPs加入OGEPs,HCPs加入OGEPs和H_dsm在马铃薯不同生育期可以提高AGB估算精度,且以后者为自变量提高精度的幅度更大;（4）每个生育期利用PLSR和RF估算AGB的建模和验证R2从现蕾期到块茎增长期呈上升趋势,随后开始降低,整体上R2呈先上升后下降的趋势,通过PLSR方法构建的估算AGB模型效果优于RF方法,其中块茎增长期表现效果最好。因此,高光谱特征参数中结合最优绿边参数和株高,并使用PLSR方法可以改善马铃薯AGB的估算效果。     

PLS-DA优化模型的马铃薯黑心病可见近红外透射光谱检测

马铃薯黑心病是一种马铃薯主要内部缺陷,严重损害薯条、薯片、全粉等加工制品的质量和产率。目前对马铃薯的分级主要侧重于外部品质检测,针对内部缺陷检测的研究很少。旨在开发一种马铃薯黑心病的快速无损检测技术,为此搭建了马铃薯可见近红外透射光谱分析平台,分析健康与黑心病马铃薯的透射光谱特性并优化光谱判别模型参数。基于现有马铃薯分级线和复享PG2000高速光谱仪,采用左右透射方式（光源与光纤探头位于分级线果盘左右两侧）,采集470个马铃薯（其中健康薯234个、黑心薯236个）的透射光谱图,建立偏最小二乘判别模型（PLS-DA）,并利用主成分分析（PCA）与光谱形态特征相结合的方法选择特征波长,优化模型。分析发现,健康薯与黑心薯的可见近红外透射光谱在吸光度值和光谱形态特征方面均存在明显区别。黑心薯的平均光谱吸光度值高于健康薯（650～900 nm范围内）,但黑心薯的平均光谱曲线较为平缓,无明显吸收峰,而健康薯平均光谱曲线在665,732和839 nm附近有明显吸收峰,并且健康薯与黑心薯的平均光谱差值在705 nm处达到最大值。基于PLS-DA法建立了马铃薯黑心病判别模型,对黑心病的判别效果显著,分类器特性曲线（ROC）下面积（AUC）值为0.994 2,黑心薯识别总正确率能够达到97.16%,RMSE_CV和RMSE_P分别为0.28和0.26。此外,成功利用PCA与光谱形态特征相结合的方法对模型进行简化,最终得到由6个波长（658,705,716,800,816和839 nm）组成的特征波长组合,简化后的模型总正确率能够达到96.73%,接近全波段模型判别水平。研究表明,左右透射的方式能够准确识别黑心马铃薯,实现对马铃薯内部缺陷的快速无损检测。对我国马铃薯产业的发展起到一定的促进作用,为马铃薯内部缺陷在线检测技术的提高提供了重要的理论基础和实践依据。     

基于小波分析的马铃薯地上生物量估算

地上生物量（AGB）是作物长势评价及产量预测的重要指标,因此快速准确地估算AGB至关重要。由于传统植被指数（VIs）估算多生育期的AGB存在饱和现象,因此,利用VIs结合基于离散小波转换（DWT）的影像小波分解（IWD）技术提取的高频信息和连续小波转换（CWT）技术提取的小波系数,探究VIs,VIs+IWD和VIs+CWT对于AGB的估算能力。首先,基于无人机平台分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期的数码影像和成像高光谱影像以及地面实测的AGB数据。其次,利用数码影像通过IWD技术提取3种高频信息和利用高光谱反射率数据通过CWT技术提取小波系数以及构建6种高光谱植被指数。然后,将植被指数、高频信息和小波系数分别与AGB进行相关性分析,并挑选出不同尺度下相关系数绝对值较高的前10波段。最后,以VIs,VIs+IWD和VIs+CWT这3种变量分别使用偏最小二乘回归（PLSR）方法构建AGB估算模型,并对比不同模型估算AGB的效果。结果表明: （1）每个生育期选取的6种植被指数、3种高频信息和10种小波系数与AGB的相关性均达到0.01显著水平,整个生育期相关性均呈现先升高后降低的趋势,其中以小波系数得到的相关性最高、高频信息次之,植被指数最低。（2）对比分析每个生育期的3种估算模型,以VIs+CWT为输入变量的估算效果最好,VIs+IWD的估算效果次之,而VIs的估算效果最差,说明基于小波分析构建的模型适用性较广、稳定性较强。（3）每个生育期分别以3种变量利用PLSR方法构建的AGB估算模型均在块茎增长期达到最高精度（VIs：建模R2=0.70,RMSE=98.88 kg·hm-12,NRMSE=11.63%;VIs+IWD：建模R2=0.78,RMSE=86.45 kg·hm-12,NRMSE=10.17%;VIs+CWT：建模R2=0.85,RMSE=74.25 kg·hm-12,NRMSE=9.27%）。通过VIs分别结合IWD和CWT技术利用PLSR建模方法,可以提高AGB估算精度,为农业指导管理提供可靠参考。     

ODA—H2O2—HRP偶合反应伏安酶联免疫分析检测植物病毒GTV,TAV和PVY

将邻联茴香胺（ＯＤＡ）－Ｈ２Ｏ２－辣根过氧化物酶（ＨＲＰ）偶合反应伏安酶联免疫分析新体系，应用于植物病毒葡萄扇叶病毒（ＧＦＶ）、番茄不孕病毒（ＴＡＶ）和马铃薯Ｙ病毒（ＰＶＹ）的测定。该法对以上各种植物病毒叶澄清液的测定的稀释比均高于酶联免疫吸附分析（ＥＬＩＳＡ）法，检测范围均宽于ＥＬＩＳＡ法。     

高压液相色谱法测定马铃薯叶提取物中茄尼醇的含量

首次采用高压液相色谱法测定马铃薯叶提取物中茄尼醇的含量。条件为:Hypersil C18色谱柱,流动相为V(甲醇)∶V(乙醇)=80∶20,流速为1.0mL/min,紫外检测波长为215 nm,柱温30℃。实验结果表明,该方法在茄尼醇进样量1.3~4.6μg时具有良好的线性关系(Y=1685.1X 10.358,R=0.9996);加样回收实验(n=5)的平均回收率为98.2%,RSD为1.32%。     

ODA_H_2O_2-HRP偶合反应伏安酶联免疫分析检测植物病毒GFV、TAV和PVY

将邻联茴香胺（ＯＤＡ）＿Ｈ２Ｏ２＿辣根过氧化物酶（ＨＲＰ）偶合反应伏安酶联免疫分析新体系，应用于植物病毒葡萄扇叶病毒（ｇｒａｐｅｖｉｎｅｆａｎｌｅａｆｖｉｒｕｓ，ＧＦＶ）、番茄不孕病毒（ｔｏｍａｔｏａｓｐｅｒｍｙｖｉｒｕｓ，ＴＡＶ）和马铃薯Ｙ病毒（ｐｏｔａｔｏｖｉｒｕｓＹ，ＰＶＹ）的测定。该法对以上各种植物病毒叶澄清液的测定的稀释比均高于酶联免疫吸附分析（ＥＬＩＳＡ）法，检测范围均宽于ＥＬＩＳＡ法。     

用微束激光穿刺技术将商陆抗病毒蛋白(PAP)cDNA导入马铃薯的研究

以马铃薯(Solanum tuberosum L.)品种“津引8号”微薯切片作为外植体,采用微束激光穿刺技术获得了商陆抗病毒蛋白(PAP)cDNA的导入、整合与表达.实验首次利用庆大霉素筛选马铃薯再生苗,庆大霉素筛选浓度为80mg/L,共得到65株庆大霉素抗性苗,全部移栽成活.PCR扩增和PCR-Southern杂交分析表明,PAP cDNA已经稳定整合到马铃薯基因组.攻毒实验发现,多数转基因植株生长健康,对供试病毒PVX具有高度抗性.     

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9~1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82,1 410.12,1 403.62,1 413.32,1 416.62,1 419.82,1 400.32,1 423.12,1 426.32,1 429.62,1 432.82,1 436.12,1 439.32,1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62,1 041.12,1 222.52,1 465.22,1 397.02,1 449.02,1 034.32,1 523.22,976.42,1 172.52,979.82,1 165.82,1 037.72,1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示,CA算法选取的15个波长均在1 400.3~1 450.0 nm范围内,CA-PLSR模型的建模精度(R2_c)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R2_v)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部“峰谷”特性,且RF-PLSR模型的建模集精度(R2_c)为0.983 2、RMSEC为2.32%,验证集精度(R2_v)为0.947 1、RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%,80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。