專利名稱：：一種植物葉片生理指標無損檢測方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及植物葉片生理指標的無損檢測
技術(shù)領(lǐng)域：
，尤其涉及一種基于可見-近紅外光語的植物葉片生理指標無損檢測的方法。
背景技術(shù)：
：植物葉片生理指標的無損檢測主要是指對葉綠素、氮素、葉黃素、水分等物質(zhì)含量進行無損檢測，它可以用于實時監(jiān)測植物的生長發(fā)育與健康狀態(tài)，分析水分和肥力狀況，通過檢測，不僅可以精確調(diào)節(jié)肥料和水的供給情況，實現(xiàn)精確肥料管理，節(jié)省資源、減少環(huán)境污染，而且可以科學(xué)指導(dǎo)栽培工作，以便能夠保障栽培植物健康生長和良好發(fā)育，提高作物產(chǎn)量。目前葉片無損檢測的方法有圖像法和光譜法。圖像法主要是依靠機器視覺方法獲得的植物葉片某些靜態(tài)或者動態(tài)的圖像特征，而這些圖像特征與植物葉片的生理特征(例如植被指數(shù)，吸水率等)有著密切的關(guān)系，通過建立兩者之間的關(guān)系，對植物生長狀況進行檢測。該方法主要應(yīng)用于物種分類識別和葉綠素、水分含量的測量方面。這種方法需要很復(fù)雜的硬件系統(tǒng)，不能做到方便攜帶，最主要的是可檢測的參數(shù)比較少，模型的精度比較低，因此目前應(yīng)用得不是很廣泛。光譜法通過光子與物質(zhì)之間的吸收、散射等相互作用得到植物的光鐠特征，與植物的生理指標建立回歸關(guān)系，從而進行檢測。常用光i普無損檢測有熒光光譜技術(shù)、可見-近紅外光語技術(shù)等。熒光光譜法，是通過激光激發(fā)物質(zhì)的吸收，目前的熒光光譜法只應(yīng)用于葉綠素含量的檢測，而對于水分和氮素等其他物質(zhì)的檢測無法實現(xiàn)；可見-近紅外光譜在葉片生理指標檢測的方面應(yīng)用很廣泛，比如檢測葉片的葉綠素、水分、氮素以及各種營養(yǎng)元素的含量。但是目前存在的可見-近紅外光譜無損檢測方法都是采用可見和近紅外波_險的少數(shù)幾個獨立波長來檢測某一個或極少數(shù)幾個參數(shù)，這種方法原理簡單、易于實現(xiàn)，但是由于只有幾個波長的光鐠信息，4M,實現(xiàn)多參數(shù)的同時檢測，靈活性、擴展性較差，另外當樣本受到測量條件和樣本狀態(tài)等非目標因素干擾時，這種測量方法就不能得到很好的精度，該方法的適應(yīng)性差，抗干擾能力較低。
發(fā)明內(nèi)容有鑒于此，本發(fā)明的主要目的在于提供一種植物葉片生理指標無損檢測方法，能夠解決現(xiàn)有光譜無損檢測方法中模型適用性低、抗干擾能力差，檢測精度低，以及檢測參數(shù)較少等技術(shù)問題，為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的一種植物葉片生理指標無損檢測方法，包括如下步驟步驟A、采集校正樣本集樣本，采用透反射方式測量校正樣本集中的樣本在可見-短波近紅外范圍的連續(xù)光譜。選取植物葉片樣本，廣泛收集一定數(shù)量有代表性的樣本，形成校正樣本集，用于訓(xùn)練和建立校正才莫型。樣本選取要有一定的代表性，根據(jù)測量要求，待測物質(zhì)含量要分布范圍廣，具有一定的梯度，生長周期要全面。本發(fā)明采用通用光i普儀或自制光鐠儀，對樣本進行連續(xù)光i普測量，光鐠范圍為可見-短波近紅外(380nm-1100nm)。對校正樣本集中的樣本的光i普測量過程分為三個步驟，暗噪聲的采集、參考信號的采集、測量信號的采集。根據(jù)以上采集數(shù)據(jù)可以計算出反射率或吸光度，作為建立校正模型的光i普數(shù)據(jù)。反射率和吸光度的計算公式如下樣本的反射率為<formula>formulaseeoriginaldocumentpage5</formula>樣本的吸光度為<formula>formulaseeoriginaldocumentpage5</formula>其中，R為樣本的反射率，A為樣本的吸光度，S^^代表樣本的測量信號，S^代表暗噪聲信號，s^^代表參考信號。這種光譜測量方式一方面可以消除光源能量漂移造成的影響，另一方面，從測量信號和參考信號中將暗電流噪聲減去，可以減少光譜中的噪聲，從而提高信號的信噪比。暗噪聲是指在沒有光照條件下檢測系統(tǒng)的輸出值，主要由探測器的暗電流和儀器內(nèi)部的電子線路的熱噪聲組成，這些噪聲合起來就構(gòu)成了暗噪聲。參考信號是指為了得到樣本的反射光譜或者吸收光譜，對入射光強的一個測量。參考信號和測量信號的采集方法通常有空間雙光路和單光路兩種。空間雙光路就是將光源發(fā)出的光經(jīng)過分光器件變成完全相同的兩束光，使其同時經(jīng)過參比樣品和樣本，參考信號和測量信號同時測量；單光路通常是在一個較短的時間內(nèi)分別測量其參考信號和測量信號。本發(fā)明中，對樣本進行光譜采樣的方式為透反射式，將探測器和光源放在同一側(cè)，在樣本底部放置漫反射標準板，使得透過樣本的光能夠再次被反射，測器同時檢測到樣本的漫反射光和兩次穿透樣本的透反射光，因此探測信號中攜帶有大量的樣本化學(xué)成分吸收信息。本發(fā)明優(yōu)選的實施例中，采樣器件采用光纖，由于光導(dǎo)纖維易于操作和使用，可實現(xiàn)長距離測量，并且克服過多機械裝置帶來的結(jié)構(gòu)復(fù)雜性，因此能夠?qū)崿F(xiàn)活體無損檢測。步驟B、采用標準分析方法測定校正樣本集中樣本的待測組分的化學(xué)含量，并將其作為標準值；待測組分的化學(xué)含量均采用標準分析方法來獲得，所述標準可以是行業(yè)、國家或國際標準。步驟c、對校正樣本集中樣本的光譜數(shù)據(jù)進行預(yù)處理，去除噪聲和背景干擾；預(yù)處理主要是去除樣本的光譜測量數(shù)據(jù)中由于儀器噪聲、測量條件變化及葉片組織的光散射效應(yīng)、葉片中其它化學(xué)成分干擾等造成的高頻噪聲和基線漂移。本發(fā)明中采用小波功率譜分析法同時去除高頻噪聲和進行基線校正，具體實現(xiàn)步驟如下Cl、選擇最佳分解尺度選擇最大小波分解層數(shù)作為初步分解尺度，將信號分解后，對各尺度下的細節(jié)部分進行功率譜分析，根據(jù)信號主要集中在低頻部分的原理，若某一尺度下細節(jié)的功率譜主要是分布在低頻部分，且分布規(guī)律，那么該尺度就是最終的最佳分解尺度。小波分析可選取的最大分解尺度為[log27V],其中W為信號長度，[.]為向下取整運算。本方法中，選擇最大的小波分解層數(shù)作為初步分解尺度。而后對重構(gòu)的細節(jié)部分進行功率譜分析，據(jù)此指導(dǎo)最終分解尺度的確定。對各尺度下的細節(jié)進行能量譜分析即分析信號能量隨頻率的分布關(guān)系。令G(^)叫F(^)卩或G(/HF(/)12，其中，/為信號的圓頻率^對應(yīng)的頻率，則有可見，G(^)或G(/)反映了信號能量在頻域上的分布情況，G(。)為信號的能量密度語也稱能譜。因噪聲主要存在于高頻部分，且頻率不統(tǒng)一，所以，在功率譜中能量集中在高頻區(qū)域，且無規(guī)律可言的細節(jié)應(yīng)視作噪聲加以去除。相對于噪聲，信號的能量主要集中在較低的頻段部分，且具有一定規(guī)律性，這樣的細節(jié)部分應(yīng)予以保留，當?shù)贏:層的功率譜上已經(jīng)開始明顯表現(xiàn)出信號的特性時，則只需進行t-l層的小波分解，則確定A-1為小波最佳分解層數(shù)。C2、去除高頻噪聲采用所述最佳分解尺度對所述光語數(shù)據(jù)進行小波分解后，將只含有噪聲成分尺度下的高頻小波系數(shù)全部置0,而對同時含有信號與噪聲成分尺度下的高頻小波系數(shù)進行閾值濾波，從而去除高頻噪聲。將光語進行hi尺度的小波分解后，可判定尺度A-2至尺度1的細節(jié)部分為噪聲，將其小波系數(shù)全部置o。而尺度t-l的高頻部分同時包含信號與噪聲成分,所以應(yīng)對該尺度下細節(jié)部分小波系數(shù)選擇適當?shù)拈撝颠M行濾波，去除噪聲而保留有用信號。目前確定闊值的方法主要有四種統(tǒng)一閾值、SUREShrink閾值(Stein無偏估計閾值)、啟發(fā)式SURE閾值以及極大極小閾值。隨著儀器科學(xué)的發(fā)展，目前實驗中所采用光鐠儀信噪比普遍較高，而極大極小閾值相對于其他閾值確定方法更保守，所以選擇該方法，其算式如下這里的N信號長度，為某層細節(jié)小波系數(shù)的方差。C3、基線校正光譜信號的基線主要集中在低頻段，所以在低頻段，即小波分解后得到的近似部分，進行基線校正代替對全譜進行校正，以避免高頻部分信號的影響。對葉片測量，由于測量條件變化及葉片組織的光散射效應(yīng)、葉片中其它化學(xué)成分干擾等因素會引起測得光譜產(chǎn)生基線漂移，因此將小波分解得到的光譜數(shù)據(jù)近似部分進行二次多項式擬合，將擬合所得曲線作為基線去除。最后將各尺度下的小波系數(shù)進行重構(gòu)，完成預(yù)處理過程。步驟D、對預(yù)處理后的光譜數(shù)據(jù)進行波段優(yōu)選，針對不同生理指標選擇最佳波段；采用全部波長光譜數(shù)據(jù)建立校正沖莫型時，不僅計算工作量大，而且由于一些波段的光譜包含的噪聲較大，信息弱，或者存在嚴重的共線性，校正模型的預(yù)測精度未必能達到最佳值。為了克服上述缺點，本發(fā)明優(yōu)選的實施例中，在建立校正模型之前，針對不同的生理指標對建模波長進行波段優(yōu)選。通過波段優(yōu)選的過程，從光譜中提取最有效的信息，使校正模型具有最好的預(yù)測能力，并簡化數(shù)據(jù)運算。波段優(yōu)選的方法有相關(guān)分析方法、方差分析法、無信息變量消除法、遺傳算法等。本發(fā)明優(yōu)選的實施例中，采用相關(guān)分析法進行波段優(yōu)選。相關(guān)分析的原理是將校正樣本集中樣本的光鐠數(shù)據(jù)與標準值進行關(guān)聯(lián)，求出每個波長處的相關(guān)系數(shù)。事先設(shè)定相關(guān)系數(shù)的閾值，相關(guān)系數(shù)超過該閾值所對應(yīng)的波長則被選擇。相關(guān)系數(shù)的計算公式如下其中，m為樣品個數(shù)，x為該波長處光譜數(shù)據(jù)值，i為m個樣品光i普值的平均值，y為樣品標準值，夕為m個樣品標準值的平均值，i為樣品序號。步驟E、建立校正模型；校正模型是利用化學(xué)計量學(xué)方法，建立預(yù)處理后光語值和在步驟B中所獲得的標準值之間的回歸關(guān)系，若對波段進行優(yōu)選則是建立預(yù)處理后優(yōu)選波段對應(yīng)的光鐠值和在步驟B中所獲得的標準值之間的回歸關(guān)系。常用的建才莫方法有多元線性回歸(MLR)、主成分回歸(PCR)、偏最小二乘回歸(PLSR)、人工神經(jīng)網(wǎng)絡(luò)(ANN)模型等。光譜值包括反射率或吸光度等。步驟F、測量未知樣本的光譜數(shù)據(jù)，進行預(yù)處理后，將相應(yīng)波段數(shù)據(jù)代入校正模型，計算所述未知樣本的待測組分的化學(xué)成分含量。本步驟中，未知樣本的光語采集同步驟A,光譜數(shù)據(jù)也要經(jīng)過步驟C的預(yù)處理，然后將預(yù)處理后的光語數(shù)據(jù)代入步驟E中的校正模型，從而得到未知樣本的待測組分的化學(xué)成分含量。若預(yù)處理后的光語數(shù)據(jù)經(jīng)過波段優(yōu)選，則將優(yōu)選波段對應(yīng)的光語數(shù)據(jù)代入步驟E中的校正模型，從而得到更為準確的未知樣本的待測組分的化學(xué)成分含量。本發(fā)明所述技術(shù)方案由于采集的是全譜數(shù)據(jù)，與少數(shù)幾個波長的分立型測量方法相比，模型的預(yù)測精度得到了提高。全譜數(shù)據(jù)便于采用有效的預(yù)處理方法，不僅可以去除噪聲，還可以減少測量條件變化如環(huán)境溫度、葉片厚度、葉片表面粗糙度、測量角度等非目標因素的影響，提高光if^言噪比，從而提高模型的預(yù)測精度和模型適應(yīng)性。全譜數(shù)據(jù)可以實現(xiàn)多參數(shù)同時測量，可擴展性極x)(y;-y)強，對每個不同的生化參數(shù)建立相應(yīng)的校正模型即可，僅需對樣本進行一次光譜測量。本發(fā)明中釆用植物樣本的可見光與短波近紅外光譜，該范圍內(nèi)包含葉綠素、氮素、葉黃素等化學(xué)物質(zhì)的多個強吸收峰，而且吸收峰不重疊，光語靈敏度和選擇性高，因此模型預(yù)測精度高。本發(fā)明中采用透反射測量方式，由于部分光兩次穿透葉片，因此攜帶有大量的葉片生化成分吸收信息，增加了光程長，從而增強了光語的檢測靈敏度。由于探測器同時收集攜帶了葉片化學(xué)物質(zhì)光學(xué)信息的漫反射光和可能發(fā)生的透反射光，適于測量各種厚度狀態(tài)下的葉片樣本，避免了常規(guī)的透射和漫反射采樣方式對葉片厚度的限制要求，對葉片類型的適用性更廣。本發(fā)明中提出一種改進的小波分析方法對葉片光語數(shù)據(jù)同時進行噪聲去除和基線校正的預(yù)處理，能有效提高預(yù)測精度。該方法以各尺度下高頻小波系數(shù)功率譜分析結(jié)果來指導(dǎo)最佳分解尺度的確定，較傳統(tǒng)的通過嘗試或經(jīng)驗來確定分解尺度的方法具有更強的普遍適用性，同時也使得分解尺度的確定更客觀、準確。其后對高頻小波系數(shù)采用相對保守的極大極小閾值方式進行濾波，更適合如今光譜儀器已普遍具有較高精度的現(xiàn)狀。同時，對低頻小波系數(shù)采用二次多項式擬合光語測量中產(chǎn)生的基線漂移，并加以去除，不同于傳統(tǒng)的直接將低頻信號置零的方法，更適合生物體因散射產(chǎn)生的基線，并更大P艮度的減少了有用信息的損失。圖1為本發(fā)明所述方法所需要的硬件系統(tǒng)圖；圖2為本發(fā)明所述無損檢測方法的流程圖；圖3為校正樣本集原始光語數(shù)據(jù)的光譜圖；圖4為本發(fā)明所述方法中小波預(yù)處理分解層數(shù)示意圖；圖5為對校正樣本集原始光鐠數(shù)據(jù)進行預(yù)處理后的光譜圖；圖6為采用校正模型對未知樣本的葉綠素含量的預(yù)測結(jié)果圖。具體實施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明白，以下舉實施例并參照附圖，對本發(fā)明進一步詳細說明。本發(fā)明一優(yōu)選實施例以透反射采樣方式測量葉片葉綠素含量和水分含量為例對本發(fā)明做詳細的介紹。如圖1所示為實現(xiàn)該方法所需要的硬件系統(tǒng)，該系統(tǒng)是由卣鵪燈光源l,Y型光纖2，光纖支架3,標準反射板4,光譜范圍為可見-短波近紅外范圍的便攜式光譜儀5，計算機6組成。具體連接為將Y型光纖2固定在支架3上面，保證光程長一致，卣鎢燈光源1發(fā)出的光經(jīng)Y型光纖2的入射光纖束照射在葉片表面，光線穿透葉片后在標準反射板4的作用下反射回來又穿透葉片出射，Y型光纖2的出射光纖束將這些光收集在一起，經(jīng)過便攜式光語儀5的分光系統(tǒng)，投射到便攜式光i普儀5的光電檢測器，得到葉片的光i普信號，便攜式光語儀5將這些信號輸出給計算機6，本發(fā)明的光譜測量操作筒單，只需要使用光i普儀配備的專用軟件，就可得到葉片的光譜數(shù)據(jù)。本實施例所用i更攜式光i普4義，有效波長范圍為500nm-1100nm,光源為5V面鎢燈，漫反射光纖的直徑為400um，陶瓷標準反射板，光纖支架，以及計算機。測量時光譜儀的參數(shù)設(shè)置如下平均次數(shù)為10,積分時間為20ms，平滑點數(shù)為0。采用透反射的方式，將樣本放置在標準反射板上面，收集穿透葉片返回的透射光和漫反射光。光纖與葉片表面成45度角放置，避免葉片鏡面反射效應(yīng)。葉片葉綠素含量值可由市場公開銷售的葉綠素儀測得。參照圖2，該實施例對植物葉片無損檢測的實現(xiàn)過程如下步驟A、采用透反射方式測量校正樣本集中樣本在可見-短波近紅外范圍的連續(xù)光譜。首先需要選擇校正樣本集，校正樣本集中的樣本應(yīng)具有一定的代表性，本實施例選取同一種植物種類的68個葉片，盡量保證每個葉片的厚度相同，綠色程度不同，從枯黃到深綠，且水分舍量分布均勻、范圍廣。對上述68個樣本分為校正樣本集和預(yù)測集，校正樣本集樣本個數(shù)為56個，預(yù)測集樣本個數(shù)為12個。校正樣本集樣本用于建立校正模型，預(yù)測集樣本用于評價本發(fā)明所述葉綠素和水分含量檢測方法的測量精度。先對葉片表面進行筒單的灰塵清理，選擇葉片的中間區(qū)域，并避開葉脈，作為測量部位。接下來對樣本集進行光i普測量，打開^更攜式光譜儀5，采集暗電流信號，打開卣鎢燈光源l，將Y型光纖2以45度固定在支架3上面,將支架3放置在標準反射板4上面采集參考信號，然后將葉片放置在標準反射板上面，保持Y型光纖2和支架3的位置不變，測量樣本的測量信號。根據(jù)以下公式計算得到樣本的吸光度，光譜圖如圖3所示。A=陽lg(—e_&、s—sreferencedark其中，A代表樣本的吸光度，Ss—e代表樣本信號，S^代表暗電流信號，■。reference代表參考信號。步驟B、檢測校正樣本集中樣本的待測組分的化學(xué)含量。葉綠素含量用每克干葉片中所含葉綠素含量的質(zhì)量來表示(單位為mg/g)，其國家標準測量方法是采用分光光度法。該方法需要利用有機物提取液萃取分離出葉片中的葉綠素，在雙光束分光光度計上通過比色方法測定吸光度，然后用Amon公式計算葉綠素含量。計算公式為A=7.12460+16.8J642^_AxFxF2—ffjx1000其中，《為樣液中總?cè)~綠素的含量，單位為毫克每升(mg/L);j為相應(yīng)波長處(660，642nm)測得吸光度值；義2為試樣中總?cè)~綠素的質(zhì)量分數(shù)，單位毫克每克(mg/g);r為提取液的總體積，單位為毫升(mL);F試樣稀釋倍數(shù)；附為試樣質(zhì)量，單位是克(g)。水分含量的標準測量方法采用供干法，將葉片置于103度±2度干燥箱內(nèi)，加熱4小時，加蓋取出，于干燥器內(nèi)冷卻至室溫，稱量，再置于干燥箱加熱1小時，加蓋取出，與干燥器內(nèi)冷卻，稱量，重復(fù)加熱l小時的操作，直至連續(xù)兩次稱量差不超過0.005g，即為恒重，以最小量為準。水分以質(zhì)量分數(shù)表示，按下式計算。水分(%)=Ml—M2xl00M0其中，Ma為試樣和鋁質(zhì)烘亞烘前的質(zhì)量，單位g;M2為試樣和鋁質(zhì)烘亞烘后的質(zhì)量，單位g;M。為試樣的質(zhì)量，單位g。為了減少實驗的復(fù)雜程度，可用行業(yè)內(nèi)廣泛使用的葉綠素計來代替國標的分析化學(xué)方法測定葉片的葉綠素含量，這并不影響本發(fā)明/>開的方法的正確性。在該實施例中我們采用的是SPAD葉綠素儀。在選定的葉片光譜測量位置處，使用該葉綠素儀測量3次該位置的葉綠素含量值(單位SPAD)，計算平均值作為葉片葉綠素含量標準值。該方法測定的68個樣本的葉綠素含量分布范圍為10.8SPAD畫53,5SPAD。而水分含量的測量就采用上述標準方法，將葉片在真空鼓風(fēng)干燥箱中干燥至質(zhì)量不變時，計算水分含量。該方法測定的68個樣本的水分含量分布范圍為62.5%-90.5%。步驟C、對步驟A中獲得的光語數(shù)據(jù)釆用小波功率語分析法進行預(yù)處理，去除噪聲和背景干擾；首先對原始光譜采用db7小波基進行小波分解，由于波長有2700多個，因此小波最大分解層數(shù)為11,將其確定為初步分解尺度，計算其功率語。圖4中僅給出了第一層至第六層細節(jié)的能量語作為以下分析的示意。由于沒有噪聲的信號其頻率基本上集中在20Hz以內(nèi)，而混有噪聲的信號其頻譜會變寬，如圖4所示，可發(fā)現(xiàn)第5層細節(jié)的功率譜基本上集中在20Hz之內(nèi)了，因此根據(jù)本發(fā)明公開的小波分解的方法，最佳小波分解尺度確定為4層。然后，對原信號進行4層小波分解，對第4層的細節(jié)的小波系數(shù)進行閾值濾波，閾值確定按照以下公式將小于該閾值的小波系數(shù)設(shè)為0，大于該閾值的保留原小波系數(shù)，而其它層上的小波系數(shù)都設(shè)為0，得到去除噪聲的目的。而對小波分解的近似部分進行二次曲線擬合，作為基線，并將其減去，實現(xiàn)對原始光譜的去噪和去除基線，結(jié)果如圖5所示。步驟D、對預(yù)處理后的光語數(shù)據(jù)進行波段選擇，針對不同生理指標選擇其最佳建纟莫波段。這里測量的參數(shù)有兩個，一個是葉綠素含量，一個是水分含量，分別對這兩個參數(shù)進行相關(guān)性分析進行波段選擇。相關(guān)分析的原理是將校正樣本集樣本的光i普數(shù)據(jù)值與標準值進行關(guān)聯(lián)，求出每個波長處的相關(guān)系數(shù)。設(shè)定相關(guān)系數(shù)的閾值為0.7,相關(guān)系數(shù)超過該閾值所對應(yīng)的波長則被選擇。相關(guān)系數(shù)的計算公式如下其中m為樣品個數(shù)，y為樣品標準值，x為該波長處光語數(shù)據(jù)值。經(jīng)過相關(guān)性分析，發(fā)現(xiàn)與葉綠素含量相關(guān)性大的波段是660-740nm，與水分含量相關(guān)性大的波革爻是950-980nm。步驟E、在確定的波段內(nèi)建立校正^f莫型，建立光譜值和標準值之間的回歸關(guān)系。對上述校正樣本集中的56個樣本分別對水分和葉綠素濃度值建立PLS回歸模型，得到兩個校正模型。步驟F、測量未知樣本的光譜數(shù)據(jù)，對光謙數(shù)據(jù)進行預(yù)處理后，將對應(yīng)波段處的光譜數(shù)值代入校正模型中計算出未知樣本的待測組分的化學(xué)成分含量。光譜測量方法的最終目的是輸入未知樣本的光鐠信息能夠預(yù)測該樣本的生理指標，這樣才實現(xiàn)了無損，實時檢測，因此該方法的最后一步就是按照前面所述的方法對未知樣本進行光譜測量和預(yù)處理，將選定波段的光譜數(shù)據(jù)代入E中的校正模型中得到葉片葉綠素含量和水分含量的預(yù)測值。藝(Xi—x)(yi-y)下面給出了植物葉綠素含量和水分含量的預(yù)測結(jié)果。本實施例中校正樣本集和預(yù)測集樣本的葉綠素濃度值分布和統(tǒng)計參數(shù)如下表所示單位SPAD<table>tableseeoriginaldocumentpage15</column></row><table>對上述校正樣本集中的56個樣本建立葉綠素含量的PLSR校正模型，葉綠素預(yù)測值與標準值之間的相關(guān)系數(shù)R為0.99，預(yù)測均方根誤差(RMSEP)為1.4SPAD。將預(yù)測集中12個未知樣本的預(yù)處理后的相應(yīng)波段的光語代入校正模型中，葉綠素含量的預(yù)測情況如圖6所示，預(yù)測集中樣本的預(yù)測值與標準值之間的相關(guān)系數(shù)為0.96，預(yù)測標準差(RMSEP)為1.8SPAD。對校正樣本集中的56個樣本建立水分含量的PLSR校正模型，水分含量預(yù)測值與標準值之間的相關(guān)系數(shù)R為0.98，預(yù)測均方根誤差(RMSEP)為2.1%。將預(yù)測集中12個未知樣本的預(yù)處理后的相應(yīng)波段的光鐠代入校正模型中，預(yù)測集中樣本的水分含量的預(yù)測值與標準值之間的相關(guān)系數(shù)為0.96,預(yù)測標準差(RMSEP)為3.0%。上述具體實施方式用來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的精神和權(quán)利要求保護范圍之內(nèi)，對本發(fā)明作用的任何修改和改變，都落入本發(fā)明的保護范圍。權(quán)利要求1、一種植物葉片生理指標無損檢測方法，其特征在于，包括以下步驟采集有代表性的樣本作為校正樣本集，采用透反射方式測量校正樣本集中的樣本在可見-短波近紅外范圍的連續(xù)光譜；采用標準分析方法測定校正樣本集中樣本的待測組分含量，并將其作為標準值；采用小波功率譜分析法對校正樣本集的光譜數(shù)據(jù)進行噪聲去除和基線校正的預(yù)處理；建立校正模型；利用所述校正模型測定未知樣本的待測組分的化學(xué)含量。2、根據(jù)權(quán)利要求1所述的方法，其特征在于，在對校正樣本集中的樣本進行一次光譜采集的情況下，同時對多個生化參數(shù)進行建模，對每個不同的生化參數(shù)建立不同的校正模型。3、根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述小波功率i普分析法的步驟包括確定初步分解尺度，對各初步確定的分解尺度下的信號細節(jié)部分進行功率譜分析，從而確定出最佳的分解尺度；采用所述最佳分解尺度對所述光i普數(shù)據(jù)進行小波分解后，將只含有噪聲成分尺度下的高頻小波系數(shù)全部置0，而對同時含有信號與噪聲成分尺度下的高頻小波系數(shù)進行閾值濾波，去除高頻噪聲；在最大分解尺度的低頻估計部分以二次多項式對基線進行最小二乘擬合并加以去除。4、根據(jù)權(quán)利要求1所述的方法，其特征在于，所述校正模型是利用化學(xué)計量學(xué)方法，建立所述標準值和所述預(yù)處理后的光鐠值之間的回歸關(guān)系而形成的。5、根據(jù)權(quán)利要求1所述的方法，其特征在于，利用所述校正模型測定未知樣本的待測組分的化學(xué)含量的步驟包括采用透反射方式測量未知樣本在可見-短波近紅外范圍的連續(xù)光譜；采用小波功率譜分析法對未知樣本的光鐠數(shù)據(jù)進行噪聲去除和基線校正的預(yù)處理；將所述未知樣本的預(yù)處理后的光i普數(shù)據(jù)代入所述校正模型從而獲得所述未知樣本的待測組分的化學(xué)含量。6、根據(jù)權(quán)利要求1所述的方法，其特征在于，在對所述校正樣本集的光語數(shù)據(jù)進行所述預(yù)處理后，還包括針對不同生理指標進行波段優(yōu)選的步驟，相應(yīng)地，所述校正才莫型則是建立所述標準值和所述預(yù)處理后優(yōu)選波段對應(yīng)的光語值之間的回歸關(guān)系。7、根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述校正樣本集中的樣本的光誥測量過程包括對暗噪聲的采集、對參考信號的采集以及對測量信號的采集，暗噪聲和參考信號用于消除光源能量漂移造成的影響以及減少光語中的噪聲。8、根據(jù)權(quán)利要求1所述的方法，其特征在于，采樣器件采用光纖。全文摘要本發(fā)明公開了一種基于可見-近紅外光譜的植物葉片生理指標無損檢測方法，可對葉綠素、氮素、葉黃素、水分等成分含量進行快速、多參數(shù)同時檢測。本發(fā)明對校正集樣本進行光譜采集，在對光譜數(shù)據(jù)進行預(yù)處理和波段優(yōu)選后建立光譜值與植物組分含量標準值之間的校正模型；采集未知樣本的光譜，對光譜數(shù)據(jù)預(yù)處理后，將選定波段數(shù)據(jù)代入校正模型對待測組分的含量進行預(yù)測。本發(fā)明技術(shù)方案采用全譜信息，被測參數(shù)可擴展性強且提高了校正模型的預(yù)測精度和模型適應(yīng)性；本發(fā)明采用的透反射測量方式增加了光譜靈敏度，而且對葉片類型的適用性更強；本發(fā)明采用的一種改進的小波分析方法對葉片光譜數(shù)據(jù)同時進行噪聲去除和基線校正預(yù)處理，能有效提高預(yù)測精度。文檔編號G01N21/25GK101403689SQ200810226930公開日2009年4月8日申請日期2008年11月20日優(yōu)先權(quán)日2008年11月20日發(fā)明者張倩暄,張廣軍,響李,李慶波申請人:北京航空航天大學(xué)