專利名稱：一種基于近紅外光譜鑒別重金屬污染水稻葉片的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于植物的重金屬污染檢測領(lǐng)域，尤其涉及一種基于近紅外光譜鑒別重金屬污染水稻葉片的方法。
背景技術(shù)：
由于工業(yè)社會的進(jìn)步，采礦和工業(yè)“三廢”，化肥和農(nóng)藥的大量施用，使農(nóng)田土壤重金屬含量上升，嚴(yán)重威脅植物生長和環(huán)境質(zhì)量。水稻是我國重要的糧食作物，水稻生產(chǎn)的安全關(guān)系到國計(jì)民生。目前，我國已有大量稻田受到有毒重金屬的污染，這不僅影響水稻的生長和發(fā)育，降低產(chǎn)量與品質(zhì)，而且經(jīng)水稻吸收的重金屬由食物鏈進(jìn)入人體，嚴(yán)重影響人類健康。重金屬中的鉛、鎘、汞是土壤環(huán)境質(zhì)量標(biāo)準(zhǔn)評價中的主要指標(biāo)，也是水稻污染的主要重金屬元素， 危害較大。如鎘，它是一種毒性最強(qiáng)的重金屬之一，與其它非必需元素相比，鎘具有更強(qiáng)的從土壤向植物遷移的能力，在環(huán)境中活性較強(qiáng)，因此在綠色植物中富集系數(shù)較大，往往在不影響植物正常生長的情況下，植物可累積較高濃度的鎘，然后通過食物鏈進(jìn)入人體，引起健康問題。汞也是一種對人體和植物危害較大的重金屬，一般植物汞中毒后會表現(xiàn)出生長緩慢、葉子枯黃的癥狀，但通常不明顯，不易察覺，人誤食被汞污染的作物后，可能會導(dǎo)致汞中毒。鉛也是植物的非必需元素，當(dāng)它與植物接觸后就會對植物產(chǎn)生一定的毒害作用，輕則使植物體內(nèi)的代謝過程發(fā)生紊亂，生長發(fā)育受到抑制，重則導(dǎo)致植物死亡。因此，基于水稻重金屬污染的不易察覺性和潛在危害性，鑒別重金屬污染水稻具有重要的意義。目前，用于重金屬的分析方法有紫外分光光度法、原子吸收法、原子熒光法、電感耦合等離子法、X熒光光譜、電感耦合等離子質(zhì)譜法等。這些方法大部分對儀器要求高，存在著預(yù)處理操作繁瑣，檢測成本高等缺點(diǎn)。而且很多情況下，人們只需快速判別水稻是否被重金屬污染，而無需得知重金屬具體含量值。

發(fā)明內(nèi)容
本發(fā)明提供了一種基于近紅外光譜鑒別重金屬污染水稻葉片的方法，該方法鑒別精度高、操作方便。一種基于近紅外光譜鑒別重金屬污染水稻葉片的方法，包括以下步驟(I)采集四類水稻葉片樣本，向水稻葉片樣本背面發(fā)射波數(shù)范圍為4000 12000cm-1的近紅外光譜，并采集所有水稻葉片樣本的漫反射光譜信息，所述四類水稻葉片樣本中，一類為正常水稻葉片樣本，其余三類分別為汞、鎘、鉛污染水稻葉片樣本；(2)利用小波轉(zhuǎn)換方法分別對水稻葉片樣本的漫反射光譜信息進(jìn)行處理，獲取對應(yīng)的小波特征；(3)以水稻葉片樣本的小波特征為輸入，以水稻葉片樣本對應(yīng)的葉片污染類型設(shè)定值為輸出，建立神經(jīng)網(wǎng)絡(luò)模型；(4)根據(jù)步驟(I) (2)獲取待測水稻的小波特征，將其帶入步驟(3)中所述的神經(jīng)網(wǎng)絡(luò)模型，得到待測水稻的污染類型。重金屬對水稻生長的影響主要是通過改變大分子構(gòu)象、破壞水稻組織結(jié)構(gòu)，尤其是對植物葉綠體結(jié)構(gòu)的影響較為顯著。汞處理后植物葉片中橫切的葉綠體中可見基粒解體、類囊體數(shù)目減少，類囊體片層呈不規(guī)則排列，基粒類囊體和基質(zhì)類囊體片層出現(xiàn)明顯的膨脹，也可見基質(zhì)類囊體片層斷裂、基粒類囊體松散膨脹微現(xiàn)象；鎘處理后植物葉片中葉綠體結(jié)構(gòu)較完整，但扭曲變形，類囊體片層模糊且輕微腫脹；鉛處理后植物葉片中葉綠體腫脹，葉綠體膜受損，片層扭曲、散亂的現(xiàn)象。由于葉綠體結(jié)構(gòu)的變化等重金屬脅迫引起的葉片結(jié)構(gòu)組分的變化會引起近紅外吸收光譜的差異，可利用近紅外光譜鑒別水稻葉片被重金屬污染與否；而利用不同重金屬與葉綠素、蛋白質(zhì)等生物大分子結(jié)合位點(diǎn)不同引起的植物病變的不同，可以實(shí)現(xiàn)重金屬的種類鑒別。以獲取的汞、鎘、鉛污染的水稻葉片以及正常水稻葉片為建模對象，通過獲取其光譜信息，建立神經(jīng)網(wǎng)絡(luò)模型，馴化后的模型即可用于鑒別重金屬污染水稻葉片。 步驟(I)中，四類水稻葉片樣本可通過以下步驟獲取分別設(shè)置含汞I. 5mg .Kg'含鎘I. Omg · Kg—1、含鉛500mg · Kg'不含重金屬的四塊土壤，于所述四塊土壤上種植水稻，當(dāng)水稻至五葉期時，分別從四塊土壤上選取葉片分別作為汞污染、鎘污染、鉛污染、正常水稻葉片樣本。向水稻葉片樣本背面發(fā)射近紅外光譜，可更好的采集光譜信息。步驟(2)中，小波變換可用于光譜的降噪、數(shù)據(jù)的壓縮，小波變換在時間域和頻率域都具有表征信號的能力，而且具有多分辨分析的特點(diǎn)，通過選擇合適的小波函數(shù)及分解水平，利用小波變換可以獲取水稻葉片較為全面的近紅外光譜特征信息。Daubechies小波具有正交性、緊支撐性等優(yōu)點(diǎn)，通過對Daubechies小波系列(其階數(shù)分別為2、4、6、8、10、12、16)進(jìn)行分析篩選，小波轉(zhuǎn)換采用的母小波優(yōu)選為2階Daubechies 母小波(Db2)。小波分解水平的選擇影響光譜特征信息的獲取，分解水平越高，高頻噪音舍得越多，獲取的光譜信息量越少，小波分解水平優(yōu)選為I 5，更優(yōu)選為2或3。步驟(3)中，所述葉片污染類型為汞污染、鎘污染、鉛污染和正常，在神經(jīng)網(wǎng)絡(luò)模型中可以將汞污染、鎘污染、鉛污染和正常四種葉片污染類型的輸出設(shè)定值分別定為1、2、
3、4。原始光譜經(jīng)小波轉(zhuǎn)換后得到不同頻率和尺度的小波特征，作為輸入值的小波特征數(shù)量大，與輸出值之間關(guān)系相對復(fù)雜，而人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)能力，可通過學(xué)習(xí)提高分析精度，在樣本數(shù)量大、關(guān)系復(fù)雜的模型建立方面更有優(yōu)勢，同時人工神經(jīng)網(wǎng)絡(luò)算法具有抗干擾、抗噪聲能力以及非線性轉(zhuǎn)換能力強(qiáng)的優(yōu)點(diǎn)。所述神經(jīng)網(wǎng)絡(luò)模型優(yōu)選為徑向基神經(jīng)網(wǎng)絡(luò)模型或反向傳遞神經(jīng)網(wǎng)絡(luò)模型。當(dāng)母小波函數(shù)為2階Daubechies母小波，且小波分解水平為3時，所述神經(jīng)網(wǎng)絡(luò)模型優(yōu)選為徑向基神經(jīng)網(wǎng)絡(luò)模型，此時建立的徑向基神經(jīng)網(wǎng)絡(luò)模型對不同重金屬污染葉片的識別效果佳。當(dāng)母小波函數(shù)為2階Daubechies母小波，且小波分解水平為2時，所述神經(jīng)網(wǎng)絡(luò)模型為反向傳遞神經(jīng)網(wǎng)絡(luò)模型，此時建立的反向傳遞神經(jīng)網(wǎng)絡(luò)模型對不同重金屬污染葉片的識別效果佳。相對于現(xiàn)有技術(shù)，本發(fā)明的有益效果為(I)本發(fā)明僅需獲取水稻葉片的近紅外光譜，即可進(jìn)行水稻重金屬污染的鑒別，操作簡單、成本低廉、可節(jié)省時間和勞動力；(2)本發(fā)明鑒別精度高、結(jié)果可靠，可實(shí)現(xiàn)水稻重金屬污染的快速、無損檢測。


圖I為實(shí)施例I中水稻葉片樣本的原始漫反射光譜圖；圖2為實(shí)施例I中水稻葉片樣本的小波重構(gòu)后的漫反射光譜圖；圖3為實(shí)施例2中水稻葉片樣本的原始漫反射光譜圖； 圖4為實(shí)施例2中水稻葉片樣本的小波重構(gòu)后的漫反射光譜圖；圖5為實(shí)施例3中水稻葉片樣本的原始漫反射光譜圖；圖6為實(shí)施例3中水稻葉片樣本的小波重構(gòu)后的漫反射光譜圖；圖7為實(shí)施例4中水稻葉片樣本的原始漫反射光譜圖；圖8為實(shí)施例4中水稻葉片樣本的小波重構(gòu)后的漫反射光譜圖。
具體實(shí)施例方式實(shí)施例II、建立模型(I)分別設(shè)置含萊I. 5mg Kg—1、含鎘I. Omg Kg—1、含鉛500mg Kg'不含重金屬的四塊土壤，于四塊土壤上種植水稻；水稻選用中花11種子，育秧苗15天后，插秧苗于設(shè)置好重金屬含量的三塊土壤中，施足基肥，及時灌溉，定期施入氮肥和復(fù)合肥。(2)當(dāng)水稻至五葉期時，從四塊土壤上分別采集20個水稻葉片樣本，作為校正集，利用Nicolet Nexus870 (Thermo Corporation USA)傅里葉變換近紅外光譜儀向水稻葉片樣本的背面發(fā)射波數(shù)范圍為4000 UOOOcnT1的近紅外光譜，并采集所有水稻葉片樣本的漫反射光譜信息；近紅外光譜儀設(shè)置掃描次數(shù)32次，分辨率4CHT1，水稻葉片樣本采集時室溫控制在25 °C左右，濕度保持穩(wěn)定。(3)利用小波函數(shù)Daubechies 2 (Db2)，設(shè)置分解水平為3，對采集的所有水稻葉片樣本的漫反射光譜信息進(jìn)行處理，獲取對應(yīng)的521個小波特征，水稻葉片樣本的小波特征值見表I ;所有水稻葉片樣本的原始漫反射光譜圖和小波重構(gòu)后的漫反射光譜圖如圖I、圖2所示，由圖中可知，處理后的光譜圖保留了基本光譜信息。(4)以步驟(3)中所得的水稻葉片樣本的小波特征為輸入，以水稻葉片樣本對應(yīng)的葉片污染類型設(shè)定值為輸出，設(shè)置汞污染、鎘污染、鉛污染和正常四種污染類型的輸出設(shè)定值分別為1、2、3、4，建立RBF神經(jīng)網(wǎng)絡(luò)模型；RBF網(wǎng)絡(luò)的徑向基函數(shù)為Gaussian函數(shù)，輸入層節(jié)點(diǎn)數(shù)為521個，隱含層節(jié)點(diǎn)數(shù)為115個，輸出層節(jié)點(diǎn)數(shù)為I ;目標(biāo)誤差為1*10_4，擴(kuò)展速度系數(shù)為3，數(shù)據(jù)轉(zhuǎn)換方式為標(biāo)準(zhǔn)化變換，得到如表I的映射關(guān)系。表I用于模型建立的部分?jǐn)?shù)據(jù)庫
權(quán)利要求
1.一種基于近紅外光譜鑒別重金屬污染水稻葉片的方法，其特征在于，包括以下步驟 (1)采集四類水稻葉片樣本，向水稻葉片樣本背面發(fā)射波數(shù)范圍為4000 12000cm-1的近紅外光譜，并采集所有水稻葉片樣本的漫反射光譜信息，所述四類水稻葉片樣本中，一類為正常水稻葉片樣本，其余三類分別為汞、鎘、鉛污染水稻葉片樣本； (2)利用小波轉(zhuǎn)換方法分別對水稻葉片樣本的漫反射光譜信息進(jìn)行處理，獲取對應(yīng)的小波特征； (3)以水稻葉片樣本的小波特征為輸入，以水稻葉片樣本對應(yīng)的葉片污染類型設(shè)定值為輸出，建立神經(jīng)網(wǎng)絡(luò)模型； (4)根據(jù)步驟(I) (2)獲取待測水稻的小波特征，將其帶入步驟(3)中所述的神經(jīng)網(wǎng)絡(luò)模型，得到待測水稻的污染類型。
2.如權(quán)利要求I所述的基于近紅外光譜鑒別重金屬污染水稻葉片的方法，其特征在于，步驟(2)中，小波轉(zhuǎn)換采用的母小波優(yōu)選為2階Daubechies母小波。
3.如權(quán)利要求I所述的基于近紅外光譜鑒別重金屬污染水稻葉片的方法，其特征在于，步驟(2)中，小波轉(zhuǎn)換采用的小波分解水平為I 5。
4.如權(quán)利要求3所述的基于近紅外光譜鑒別重金屬污染水稻葉片的方法，其特征在于，步驟(2)中，小波轉(zhuǎn)換采用的小波分解水平為2或3。
5.如權(quán)利要求I所述的基于近紅外光譜鑒別重金屬污染水稻葉片的方法，其特征在于，步驟⑶中，所述神經(jīng)網(wǎng)絡(luò)模型為徑向基神經(jīng)網(wǎng)絡(luò)模型或反向傳遞神經(jīng)網(wǎng)絡(luò)模型。
6.如權(quán)利要求2所述的基于近紅外光譜鑒別重金屬污染水稻葉片的方法，其特征在于，步驟(3)中，小波轉(zhuǎn)換采用的小波分解水平為3時，所述神經(jīng)網(wǎng)絡(luò)模型為徑向基神經(jīng)網(wǎng)絡(luò)模型。
7.如權(quán)利要求2所述的基于近紅外光譜鑒別重金屬污染水稻葉片的方法，其特征在于，步驟(3)中，小波轉(zhuǎn)換采用的小波分解水平為2時，所述神經(jīng)網(wǎng)絡(luò)模型為反向傳遞神經(jīng)網(wǎng)絡(luò)模型。
全文摘要
本發(fā)明公開了一種基于近紅外光譜鑒別重金屬污染水稻葉片的方法，包括以下步驟(1)采集四類水稻葉片樣本，向水稻葉片樣本背面發(fā)射波數(shù)范圍為4000～12000cm-1的近紅外光譜，并采集所有水稻葉片樣本的漫反射光譜信息；(2)利用小波轉(zhuǎn)換方法分別對水稻葉片樣本的漫反射光譜信息進(jìn)行處理，獲取對應(yīng)的小波特征；(3)以水稻葉片樣本的小波特征為輸入，以水稻葉片樣本對應(yīng)的葉片污染類型設(shè)定值為輸出，建立神經(jīng)網(wǎng)絡(luò)模型；(4)根據(jù)步驟(1)～(2)獲取待測水稻的小波特征，將其帶入步驟(3)中所述的神經(jīng)網(wǎng)絡(luò)模型，得到待測水稻的污染類型。本發(fā)明鑒別方法精度高、操作簡單、成本低廉，可實(shí)現(xiàn)水稻重金屬污染的快速、無損鑒別。
文檔編號G01N21/25GK102830072SQ20121028645
公開日2012年12月19日 申請日期2012年8月13日 優(yōu)先權(quán)日2012年8月13日
發(fā)明者朱誠, 張龍, 潘家榮, 趙鸝 申請人:中國計(jì)量學(xué)院, 麗水學(xué)院