可見光-近紅外高光譜成像技術是一種前沿的農作物信息檢測技術，集光譜信息和圖像信息于一體，能夠實現農作物信息的無損檢測。目前，該技術在重金屬脅迫下作物信息分析方面已取得一定進展。

本文采用高光譜圖像無損檢測技術，結合化學計量學方法和深度遷移學習方法，針對無硅環境和有硅環境中油菜葉片重金屬鋅含量開展定量檢測研究，以期論證基于高光譜圖像無損檢測技術實現無硅環境和有硅環境中油菜葉片鋅含量測定的可行性和利用深度遷移學習模型提高無硅環境和有硅環境中油菜葉片鋅含量檢測精度的有效性。

01工作原理

試驗品種為秦油10號油菜，采用珍珠巖袋培方式進行油菜樣本培育。油菜葉片樣本采集是在脅迫試劑澆灌完成7d后進行，油菜葉片樣本采集完成后做好標簽，立刻送往實驗室進行樣本高光譜圖像信息采集。

高光譜數據采集過程如圖1所示，其主要步驟如下：首先，通過對比背景和樣本區域的光譜，得到兩個明顯不同的光譜波段(543.16 nm和673.25 nm)，并利用兩者之間的比值變換得到比值圖像;其次，利用閾值分割法對比值圖像進行處理，獲得二值化掩模圖像，最小閾值設置為1.5.最后，將二值化掩模圖像應用在歸一化處理后的油菜葉片的高光譜圖像上，得到掩模后油菜葉片高光譜圖像信息。通過計算得到所有像元的平均光譜信息，并將其作為輸入進行進一步處理。

圖1高光譜數據采集過程

高光譜圖像信息采集完成后，采用去離子水對油菜葉片進行3次清洗。將油菜葉片樣本在120 ℃干燥溫度下干燥至恒量后研磨成粉末，每個油菜葉片樣本粉末稱取量為0.01 g用于火焰原子吸收光譜法測定Zn含量。最后應用算法對光譜信息進行處理，提取最佳預處理后光譜數據的深度特征。

02實驗結果

利用T-SAE模型(雙模型遷移堆疊自編碼器)對源域中已構建好的無硅環境中深度網絡關系模型為SAE Model 1和有硅環境中的深度網絡關系模型為SAE Model 2進行深度特征學習遷移，完成TSAE Model 1模型構建。其中，無硅環境中不同Zn濃度預測的最佳預訓練學習網絡模型尺度為618-481.有硅環境中不同Zn濃度預測的最佳預訓練學習網絡模型尺度為618-531.則T-SAE模型的初始遷移網絡模型尺度為1236-1012.基于T-SAE提取的深度特征的SVR模型結果如表1所示。由表1可知，對于無硅環境和有硅環境中的油菜葉片樣本，所建立的SNV-T-SAE-SVR模型對Zn含量預測性能最佳，預測集的Rp2、RMSEP和RPD分別為0.8810、0.02748 mg/kg和2.966.最佳模型尺度為1236-1012-812-571.從結果可以看出，深度遷移學習模型能顯著提高有硅環境和無硅環境中油菜葉片Zn含量的檢測，這一研究結果與深度遷移學習模型在油菜植株中重金屬鎘含量檢測和硅作用下油菜葉片Pb含量檢測中應用的結果相一致。深度遷移學習算法能夠共享源域(單一無硅環境或有硅環境下重金屬Zn檢測的深度學習SAE模型)淺層特征，在有監督學習方式下對深層網絡參數進行微調，搭建基于深度學習和遷移學習的目標域(有硅和無硅環境中重金屬Zn檢測)學習框架，提高硅作用下油菜葉片重金屬Zn檢測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模型結果

03實驗結論

在本研究中，深度遷移學習算法遷移堆疊自編碼器T-SAE結合Vis-NIR高光譜成像技術成功地實現了無硅環境和有硅環境中油菜葉片鋅含量的較高精度檢測，所建立的支持向量機回歸SVR模型對無硅環境和有硅環境中的油菜葉片Zn含量預測性能較佳，該模型預測集的決定系數Rp2和均方根誤差RMSEP分別為0.8394和0.03635 mg/kg。本文所采用的深度遷移學習模型為無硅環境和有硅環境中油菜葉片鋅含量無損檢測提供了新思路，為更好地監測農作物逆境脅迫和修復農業土壤重金屬提供了強有力的技術支持。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇