专利名称：一种基于近红外光谱鉴别重金属污染水稻叶片的方法
技术领域：
本发明属于植物的重金属污染检测领域，尤其涉及一种基于近红外光谱鉴别重金属污染水稻叶片的方法。
背景技术：
由于工业社会的进步，采矿和工业“三废”，化肥和农药的大量施用，使农田土壤重金属含量上升，严重威胁植物生长和环境质量。水稻是我国重要的粮食作物，水稻生产的安全关系到国计民生。目前，我国已有大量稻田受到有毒重金属的污染，这不仅影响水稻的生长和发育，降低产量与品质，而且经水稻吸收的重金属由食物链进入人体，严重影响人类健康。重金属中的铅、镉、汞是土壤环境质量标准评价中的主要指标，也是水稻污染的主要重金属元素， �：洗�。如镉，它是一种毒性最强的重金属之一，与其它非必需元素相比，镉具有更强的从土壤向植物迁移的能力，在环境中活性较强，因此在绿色植物中富集系数较大，往往在不影响植物正常生长的情况下，植物可累积较高浓度的镉，然后通过食物链进入人体，引起健康问题。汞也是一种对人体和植物�：洗蟮闹亟鹗簦话阒参锕卸竞蠡岜硐殖錾せ郝�、叶子枯黄的症状，但通常不明显，不易察觉，人误食被汞污染的作物后，可能会导致汞中毒。铅也是植物的非必需元素，当它与植物接触后就会对植物产生一定的毒害作用，轻则使植物体内的代谢过程发生紊乱，生长发育受到抑制，重则导致植物死亡。因此，基于水稻重金属污染的不易察觉性和潜在�：π裕鹬亟鹗粑廴舅揪哂兄匾囊庖濉Ｄ壳埃糜谥亟鹗舻姆治龇椒ㄓ凶贤夥止夤舛确�、原子吸收法、原子荧光法、电感耦合等离子法、X荧光光谱、电感耦合等离子质谱法等。这些方法大部分对仪器要求高，存在着预处理操作繁琐，检测成本高等缺点。而且很多情况下，人们只需快速判别水稻是否被重金属污染，而无需得知重金属具体含量值。
发明内容
本发明提供了一种基于近红外光谱鉴别重金属污染水稻叶片的方法，该方法鉴别精度高、操作方便。一种基于近红外光谱鉴别重金属污染水稻叶片的方法，包括以下步骤(I)采集四类水稻叶片样本，向水稻叶片样本背面发射波数范围为4000 12000cm-1的近红外光谱，并采集所有水稻叶片样本的漫反射光谱信息，所述四类水稻叶片样本中，一类为正常水稻叶片样本，其余三类分别为汞、镉、铅污染水稻叶片样本；(2)利用小波转换方法分别对水稻叶片样本的漫反射光谱信息进行处理，获取对应的小波特征；(3)以水稻叶片样本的小波特征为输入，以水稻叶片样本对应的叶片污染类型设定值为输出，建立神经网络模型；(4)根据步骤(I) (2)获取待测水稻的小波特征，将其带入步骤(3)中所述的神经网络模型，得到待测水稻的污染类型。重金属对水稻生长的影响主要是通过改变大分子构象、破坏水稻组织结构，尤其是对植物叶绿体结构的影响较为显著。汞处理后植物叶片中横切的叶绿体中可见基粒解体、类囊体数目减少，类囊体片层呈不规则排列，基粒类囊体和基质类囊体片层出现明显的膨胀，也可见基质类囊体片层断裂、基粒类囊体松散膨胀微现象；镉处理后植物叶片中叶绿体结构较完整，但扭曲变形，类囊体片层�：仪嵛⒅渍停磺Υ砗笾参镆镀幸堵烫逯渍停堵烫迥な芩穑闩で�、散乱的现象。由于叶绿体结构的变化等重金属胁迫引起的叶片结构组分的变化会引起近红外吸收光谱的差异，可利用近红外光谱鉴别水稻叶片被重金属污染与否；而利用不同重金属与叶绿素、蛋白质等生物大分子结合位点不同引起的植物病变的不同，可以实现重金属的种类鉴别。以获取的汞、镉、铅污染的水稻叶片以及正常水稻叶片为建模对象，通过获取其光谱信息，建立神经网络模型，驯化后的模型即可用于鉴别重金属污染水稻叶片。 步骤(I)中，四类水稻叶片样本可通过以下步骤获取分别设置含汞I. 5mg .Kg'含镉I. Omg · Kg—1、含铅500mg · Kg'不含重金属的四块土壤，于所述四块土壤上种植水稻，当水稻至五叶期时，分别从四块土壤上选取叶片分别作为汞污染、镉污染、铅污染、正常水稻叶片样本。向水稻叶片样本背面发射近红外光谱，可更好的采集光谱信息。步骤(2)中，小波变换可用于光谱的降噪、数据的压缩，小波变换在时间域和频率域都具有表征信号的能力，而且具有多分辨分析的特点，通过选择合适的小波函数及分解水平，利用小波变换可以获取水稻叶片较为全面的近红外光谱特征信息。Daubechies小波具有正交性、紧支撑性等优点，通过对Daubechies小波系列(其阶数分别为2、4、6、8、10、12、16)进行分析筛选，小波转换采用的母小波优选为2阶Daubechies 母小波(Db2)。小波分解水平的选择影响光谱特征信息的获�。纸馑皆礁撸咂翟胍羯岬迷蕉啵袢〉墓馄仔畔⒘吭缴伲〔ǚ纸馑接叛∥狪 5，更优选为2或3。步骤(3)中，所述叶片污染类型为汞污染、镉污染、铅污染和正常，在神经网络模型中可以将汞污染、镉污染、铅污染和正常四种叶片污染类型的输出设定值分别定为1、2、
3、4。原始光谱经小波转换后得到不同频率和尺度的小波特征，作为输入值的小波特征数量大，与输出值之间关系相对复杂，而人工神经网络具有自学习能力，可通过学习提高分析精度，在样本数量大、关系复杂的模型建立方面更有优势，同时人工神经网络算法具有抗干扰、抗噪声能力以及非线性转换能力强的优点。所述神经网络模型优选为径向基神经网络模型或反向传递神经网络模型。当母小波函数为2阶Daubechies母小波，且小波分解水平为3时，所述神经网络模型优选为径向基神经网络模型，此时建立的径向基神经网络模型对不同重金属污染叶片的识别效果佳。当母小波函数为2阶Daubechies母小波，且小波分解水平为2时，所述神经网络模型为反向传递神经网络模型，此时建立的反向传递神经网络模型对不同重金属污染叶片的识别效果佳。相对于现有技术，本发明的有益效果为(I)本发明仅需获取水稻叶片的近红外光谱，即可进行水稻重金属污染的鉴别，操作简单、成本低廉、可节省时间和劳动力；(2)本发明鉴别精度高、结果可靠，可实现水稻重金属污染的快速、无损检测。
图I为实施例I中水稻叶片样本的原始漫反射光谱图；图2为实施例I中水稻叶片样本的小波重构后的漫反射光谱图；图3为实施例2中水稻叶片样本的原始漫反射光谱图； 图4为实施例2中水稻叶片样本的小波重构后的漫反射光谱图；图5为实施例3中水稻叶片样本的原始漫反射光谱图；图6为实施例3中水稻叶片样本的小波重构后的漫反射光谱图；图7为实施例4中水稻叶片样本的原始漫反射光谱图；图8为实施例4中水稻叶片样本的小波重构后的漫反射光谱图。
具体实施例方式实施例II、建立模型(I)分别设置含萊I. 5mg Kg—1、含镉I. Omg Kg—1、含铅500mg Kg'不含重金属的四块土壤，于四块土壤上种植水稻；水稻选用中花11种子，育秧苗15天后，插秧苗于设置好重金属含量的三块土壤中，施足基肥，及时灌溉，定期施入氮肥和复合肥。(2)当水稻至五叶期时，从四块土壤上分别采集20个水稻叶片样本，作为校正集，利用Nicolet Nexus870 (Thermo Corporation USA)傅里叶变换近红外光谱仪向水稻叶片样本的背面发射波数范围为4000 UOOOcnT1的近红外光谱，并采集所有水稻叶片样本的漫反射光谱信息；近红外光谱仪设置扫描次数32次，分辨率4CHT1，水稻叶片样本采集时室温控制在25 °C左右，湿度保持稳定。(3)利用小波函数Daubechies 2 (Db2)，设置分解水平为3，对采集的所有水稻叶片样本的漫反射光谱信息进行处理，获取对应的521个小波特征，水稻叶片样本的小波特征值见表I ;所有水稻叶片样本的原始漫反射光谱图和小波重构后的漫反射光谱图如图I、图2所示，由图中可知，处理后的光谱图保留了基本光谱信息。(4)以步骤(3)中所得的水稻叶片样本的小波特征为输入，以水稻叶片样本对应的叶片污染类型设定值为输出，设置汞污染、镉污染、铅污染和正常四种污染类型的输出设定值分别为1、2、3、4，建立RBF神经网络模型；RBF网络的径向基函数为Gaussian函数，输入层节点数为521个，隐含层节点数为115个，输出层节点数为I ;目标误差为1*10_4，扩展速度系数为3，数据转换方式为标准化变换，得到如表I的映射关系。表I用于模型建立的部分数据库
权利要求
1.一种基于近红外光谱鉴别重金属污染水稻叶片的方法，其特征在于，包括以下步骤 (1)采集四类水稻叶片样本，向水稻叶片样本背面发射波数范围为4000 12000cm-1的近红外光谱，并采集所有水稻叶片样本的漫反射光谱信息，所述四类水稻叶片样本中，一类为正常水稻叶片样本，其余三类分别为汞、镉、铅污染水稻叶片样本； (2)利用小波转换方法分别对水稻叶片样本的漫反射光谱信息进行处理，获取对应的小波特征； (3)以水稻叶片样本的小波特征为输入，以水稻叶片样本对应的叶片污染类型设定值为输出，建立神经网络模型； (4)根据步骤(I) (2)获取待测水稻的小波特征，将其带入步骤(3)中所述的神经网络模型，得到待测水稻的污染类型。
2.如权利要求I所述的基于近红外光谱鉴别重金属污染水稻叶片的方法，其特征在于，步骤(2)中，小波转换采用的母小波优选为2阶Daubechies母小波。
3.如权利要求I所述的基于近红外光谱鉴别重金属污染水稻叶片的方法，其特征在于，步骤(2)中，小波转换采用的小波分解水平为I 5。
4.如权利要求3所述的基于近红外光谱鉴别重金属污染水稻叶片的方法，其特征在于，步骤(2)中，小波转换采用的小波分解水平为2或3。
5.如权利要求I所述的基于近红外光谱鉴别重金属污染水稻叶片的方法，其特征在于，步骤⑶中，所述神经网络模型为径向基神经网络模型或反向传递神经网络模型。
6.如权利要求2所述的基于近红外光谱鉴别重金属污染水稻叶片的方法，其特征在于，步骤(3)中，小波转换采用的小波分解水平为3时，所述神经网络模型为径向基神经网络模型。
7.如权利要求2所述的基于近红外光谱鉴别重金属污染水稻叶片的方法，其特征在于，步骤(3)中，小波转换采用的小波分解水平为2时，所述神经网络模型为反向传递神经网络模型。
全文摘要
本发明公开了一种基于近红外光谱鉴别重金属污染水稻叶片的方法，包括以下步骤(1)采集四类水稻叶片样本，向水稻叶片样本背面发射波数范围为4000～12000cm-1的近红外光谱，并采集所有水稻叶片样本的漫反射光谱信息；(2)利用小波转换方法分别对水稻叶片样本的漫反射光谱信息进行处理，获取对应的小波特征；(3)以水稻叶片样本的小波特征为输入，以水稻叶片样本对应的叶片污染类型设定值为输出，建立神经网络模型；(4)根据步骤(1)～(2)获取待测水稻的小波特征，将其带入步骤(3)中所述的神经网络模型，得到待测水稻的污染类型。本发明鉴别方法精度高、操作简单、成本低廉，可实现水稻重金属污染的快速、无损鉴别。
文档编号G01N21/25GK102830072SQ20121028645
公开日2012年12月19日 申请日期2012年8月13日 优先权日2012年8月13日
发明者朱诚, 张龙, 潘家荣, 赵鹂 申请人:中国计量学院, 丽水学院
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
