多光谱成像技术在植物学研究中的应用
王众司, 贾亚萍, 张瑾, 王若涵
植物学报
2021, 56 ( 4):
500-508.
DOI: 10.11983/CBB21002
多光谱成像(MSI)技术是一种新兴的成像检测技术, 通过将光谱与成像合二为一, 可实现植物结构、生理、生化表型的定性定量分析及其特征分布的评估。近年来, 与数学建模分析结合的MSI技术具有强大的信息捕获能力, 在植物学研究中展现出强劲的应用潜力。该文介绍了MSI技术的成像原理, 总结了近年来MSI技术在植物损伤鉴定、病害研究、代谢物质生化特征及生理进程鉴定方面的应用, 展望了该技术在植物研究领域的前沿性发展, 以期使MSI技术在植物研究中得到更好的应用。
| 应用 | 波长范围(nm) | 关键波长(nm) | 应用模型 | 精度 | 成像优势 | 参考文献 | | 植物表型鉴定 | 446, 452, 473, 505, 524, 534, 568, 594, 673, 704, 715, 734, 949 | - | PLSR (偏最小二乘回归); PLS-DA (偏最小二乘判别分析); SPA (连续投影算法); RF (随机森林) | 0.79 | 玉米表型高通量鉴定的新方法 | Feng et al., 2018 | | 植物病害检测 | 365-960
350-2500 | 520, 540, 580, 610, 630, 650, 770 | SVM (支持向量机); OLS (普通最小二乘法) | 平均高于0.85 | 可检测未产生肉眼可见变化时的病害 | Veys et al., 2019;
Liu et al., 2020a | | 果实品质鉴定 | 325-1100
550-950 | 640, 670, 760 | LDA (线性判别式分析); K- NN (K-近邻); FCMA (模糊C-均值聚类算法) | 平均高于0.97 | 柑橘类水果高通量品质鉴定的新方法 | Wei et al., 2017;
Li et al., 2017 | | 微生物侵染检测 | 400-1000
375-1600
475, 560, 668,
840, 717
382-1032
400-1100 | 396, 578, 741, 420, 631, 990; 494, 578, 639, 678; 840; 475.56, 548.91, 652.14, 516.31, 720.05, 915.64 | ANOVA (方差分析); Kruskal-Wallis检验; LDA; QDA (二次判别分析); PLS (偏最小二乘法); LR (线性回归); SVM; PCA (主成分分析) | 平均高于0.93 | 可检测未产生肉眼可见变化时的侵染 | Vrešak et al., 2016;
Yin et al., 2017; Nagasubramanian et al., 2018; Baek et al., 2019a; Fahrentrapp et al., 2019 | | 植物损伤鉴定 | 375-970
650-830 | - | SVM; RF; CNN (卷积神经网络) | 平均高于0.89 | 可检测未产生肉眼可见变化时的损伤 | Lu and Lu, 2018; Salimi and Boelt, 2019 | | 生理状态检测 | 405, 560, 660, 860
400-1100
375, 405, 435, 450, 470, 505, 525, 570, 590, 630, 645, 660, 700, 780, 850, 870, 890, 910, 940, 970
400-1000
380-2200 | 510, 550
700, 800, 900,
1000 | LR (线性回归); RC (相关
曲线); PLS (偏最小二乘法); MLR (多元线性回归);
LDA; PCA (主成分分析); OTSU (最大类间方差); BPANN (反向传播人工神经网络); SVMR (支持向量机回归) | 平均高于0.96 | 可实现植物无机元素、代谢物的
无损检测 | Lara et al., 2016; Khodabakhshian et al., 2017; Wang et al., 2018; ElMasry et al., 2019a; Wang et al., 2020
| | 种子鉴定 | 405, 470, 530, 590, 660, 850
1000-2500 | - | MLR (多元线性回归); PLS-DA | 平均高于0.97 | 可实现种子生活力或化学处理的非侵入式检测 | Mcdonald et al., 2019; Baek et al., 2019b |
View table in article
表1
多光谱成像技术在植物学研究中的应用
正文中引用本图/表的段落
随着对成像技术研究的深入, 基于可见光成像技术(RGB)和紫外光成像技术对植物表面损伤分析方法的弊端逐渐显现, 即由于这两种成像技术仅涵盖了光谱的可见区域, 导致病变或病毒侵染的早期阶段无法得到检测(Blasco et al., 2007)。特别是在进行损伤鉴定和病害研究时, 不同品种对于单一光谱的敏感性不同, 甚至会引起自发荧光, 给数据分析造成诸多困扰(Slaughter et al., 2008; Obenland et al., 2010)。因此, 能发射不同波长光谱波段光源的集成系统——多光谱成像系统得以迅速发展, 进一步实现了同时捕获光谱和空间信息, 从而比传统的机器视觉或光谱技术更可靠地表征对象(Elmasry et al., 2019b)。研究者基于特征光谱提取, 结合多种数学模型, 可实现植物损伤与病害的无损快速检测; 或基于不同生化物质特征光谱, 对其进行鉴定以及化学成分变化的定性定量分析; 通过高通量植被表型信息采集, 实现植被不同表型的精准分析(表1)。
光源的辐射能量可以部分穿透植物表面, 进入组织和细胞, 达到生物大分子水平。随着成像技术的发展, 研究者对多光谱成像技术的应用不再满足于以上表型的鉴定和分类, 而是开始向植物内部生化物质和生理进程发起探索(表1)。随着研究者创新性地将多光谱数据与叶绿素含量进行对应, 开启了MSI技术与叶绿素关联研究的探索。经偏最小二乘回归法(partial least squares regression, PLSR)构建数学模型, 得到叶绿素a的决定系数R2达0.948 3, 叶绿素b的决定系数R2达0.890 6, 证明多光谱成像可作为监测叶绿素a、b的一种可行的非破坏性通用方法(Pan et al., 2015)。同年, MSI技术也成功应用于分析番茄(Lycopersicon esculentum)中的番茄红素和酚类化合物, 经反向传播神经网络(BPNN)建模, 得到番茄红素的决定系数R2达0.938, 总酚含量决定系数R2达0.965, 实现了多光谱成像技术对植物样本中生化物质的无损鉴定(Liu et al., 2015)。除以上典型建模分析方案外, 多光谱成像技术不断得到深入开发和多样化利用。例如, 有研究者利用傅里叶变换的原理, 重构多光谱成像技术和RGB-D成像技术采集的信息, 得到植物的三维点云模型, 预测了样本中氮、磷、钾元素的分布和含量, 其中使用反向传播人工神经网络对氮元素预测的相对误差为2.27%, 对磷元素预测的相对误差为3.32%, 对钾元素预测的相对误差为3.27% (Sun et al., 2019), 是一种可靠的元素分布及含量分析技术。
多光谱成像数据具有重叠性和复杂性特点, 较难直接定位和表征植物中不同成分的特征波长, 因此有目的地提取光谱信息中的有效信息、去掉噪声和异常数据, 高效、准确的数据处理方案尤为必要(Rinnan et al., 2009)。为了有效捕获与目标属性相关的特征波长组合, 用于筛选波长的算法和多元校正模型逐步被引入, 多种数据处理方案为研究者所证实, 为深入解决科学问题提供了有力支撑(表1)。早期研究者倾向于使用逐次投影算法(successive projections algorithm, SPA)、回归(component regression, CR)或主成分分析(principal component analysis, PCA)等方法进行植物表型研究。随着计算机算力的提高和大数据、云计算等信息技术的发展, 偏最小二乘回归法(PLSR)和主成分回归(principle component regression, PCR)算法成为主流, 在2014-2017年间一度占据植源性食品多光谱成像数据分析研究的40% (Su and Sun, 2018)。近年来, 机器学习逐步走进成像分析领域, 支持向量机(support vector machine, SVM)和人工神经网络(artificial neural network, ANN)最小二乘支持向量机(least square-support vector machine, LS-SVM)等方法以其高精度提升了MSI数据分析的准确性。
植物活体状态下器官或组织中生理状态的真实反映, 尤其是植物结构、生理、生化表型的定性定量分析及其特征分布的评估, 对深入揭示生物有机体变化机制至关重要。快速无损兼具非接触式MSI技术以其获取多维数据的特点, 在表型鉴定和物质检测等研究中已经展示出强大的数据捕获能力, 并且在交叉学科的研究中开辟出了新的解决方案。然而, MSI技术还存在一些局限性, 限制了该技术在植物学研究中的大规模应用。(1) 部分波长的光谱穿透能力有限, 难以穿透样本获取其内部数据; (2) 多光谱数据存在冗余, 数据处理存在一定难度; (3) 搭建多光谱检测平台的硬件和软件成本较高。尽管MSI技术在植物研究领域的应用目前还处于起步阶段, 然而随着人工智能和光谱检测的联合发展, MSI有望通过三维数据信息模型的构建对植物生理、发育及损伤进行准确的定性定量分析, 有望成为现有检测技术(如红外热成像技术)的有力补充, 并在积累足够数据后替代某些陈旧、复杂的检测方法, 在植物研究领域发挥出更大价值。
MSI技术能够采集光谱信息数据和空间信息数据, 使得该技术可用于显示结构变化或特定化合物的积累及其对细胞功能的影响引起的局部变化(ElMasry et al., 2019a).有研究者将MSI技术和多种建模方式结合, 揭示了微生物对植物的侵染和植物损伤情况.Vrešak等(2016)以冬小麦(Triticum aestivum)和小黑麦(Secale cereale)种子为研究对象, 结合可见光谱(375-970 nm)和近红外光谱(900-1 600 nm), 成功区分了镰刀菌(Fusarium sp.)侵染和未侵染区域, 在侵染未产生肉眼可见损伤或肉眼难以分辨损伤时提早发现不健康的状况, 从而为种子健康诊断和品种鉴定提供新的思路.大豆作为主要的经济和油料作物, 容易受到大豆炭腐病(Macrophomina phaseolina)的影响, 研究者使用383-1 032 nm波长的光源, 用支持向量机(SVM)作分类器, 以97%的精确度成功实现了健康大豆和炭腐病染病大豆样品的二元分类(Nagasubramanian et al., 2018).近年来, 针对豌豆(Pisum sativum)收获后肉眼不可见的变色与漂白问题, 研究者采用MSI技术结合多元线性回归分析, 可清晰呈现种子损伤差异, 结果与分光光度计的检测结果高度匹配(判决系数(determination coefficients) R2=0.99) (Mcdonald et al., 2019), 为种子鉴定提供了可靠的识别工具.因此, MSI技术因其强大的数据采集和空间信息获取能力, 在植物损伤与病害检测方面应用前景广阔. ... Imaging plant growth in 4D: robust tissue reconstruction and lineaging at cell resolution 1 2010 ... 在活体状态下揭示复杂植物器官或组织的生理状态, 一直是植物研究中极具挑战的问题.如何快速无损地进行植物结构、生理、生化和表型的定性定量分析及其特征分布检测, 成为近一个世纪以来研究者不断挑战的热点方向(Fernandez et al., 2010; Mansfield et al., 2012; Kim et al., 2020).采用染料进行组织显色反应, 或通过荧光标记检测组织材料的状态变化, 会受材料的组织特异性以及组织厚度的影响, 无法长时间进行活体观测.尤其是深入到器官或组织内部的标记本就困难, 加之受光漂白和不同组织结构的影响, 更难以真实反映植物本身的生化组成及生理状态.因此, 针对植物器官或组织的活体研究, 需要一种具有良好特异性和高灵敏的无标记成像技术.光谱成像技术将光谱和成像合二为一, 结合数学建模分析方法, 可实现定性定量分析植物结构、生理、生化表型并用于评估其特征分布(胡伟娟等, 2019), 近年来在植物组织活体检测中表现出强劲的应用潜力. ... Non-destructive identification of single hard seed via multispectral imaging analysis in six legume species 1 2020 ... 早期MSI技术的应用方向主要是基于物质表面成像数据的简单分类与差异鉴别(Noordam et al., 2005; Lleó et al., 2009; Qin et al., 2011).随着技术的不断成熟, 多光谱成像技术在植物学研究中衍生出不同的应用方向(图1).在种子生物学研究中, MSI已被证明具有广泛用途: 根据MSI对研究样本采集到的数据结构和规律不同, 利用PLS-DA及LS-SVM等数据分析方法, 综合化学计量学和样品的形态特征, 实现了野生型和转基因大豆(Glycine max)及水稻(Oryza sativa)的精准区分(BPNN精确值98%) (Liu et al., 2014, 2016c); 运用LDA及SVM对多光谱成像数据进行分析, 从而实现部分豆科植物种子休眠生理状态的准确鉴定(准确性达90%) (Hu et al., 2020); 在植物性食品研究中, 基于不同物质特征吸收波长不同的原理, MSI技术已广泛应用于苹果(Malus pumila)、荔枝(Litchi chinensis)和大蒜(Allium sativum)等果实的品质评价以及可溶性固形物(soluble solids content, SSC)、花青素、总酚类物质和番茄红素等化合物的检测, 展示出良好的准确性和预测性(准确性达90%以上) (Liu et al., 2014, 2016a, 2016b; Li et al., 2016; Zhang et al., 2017).近年来, MSI技术在植物损伤及生理状态研究中达到了一定的解析水平, 从面向单个像素的监督技术转向了区域间的差异分析, 即从“对点分析”转向“对面分析”(Blasco et al., 2007; Liu et al., 2015).随着多光谱成像分辨率(现分辨率已达2 192×2 192像素以上)的不断提升及主成分分析和偏最小二乘法判别分析等数学手段在多光谱成像数据分析中的成功应用, MSI得以解决越来越复杂的问题, 并有望逐步成为满足植物研究中非接触、无损和活体成像需求的新手段. ... Development of a multispectral imaging system for online quality assessment of pomegranate fruit 1 2017 ... Application of multispectral imaging in plant research
MSI技术能够采集光谱信息数据和空间信息数据, 使得该技术可用于显示结构变化或特定化合物的积累及其对细胞功能的影响引起的局部变化(ElMasry et al., 2019a).有研究者将MSI技术和多种建模方式结合, 揭示了微生物对植物的侵染和植物损伤情况.Vrešak等(2016)以冬小麦(Triticum aestivum)和小黑麦(Secale cereale)种子为研究对象, 结合可见光谱(375-970 nm)和近红外光谱(900-1 600 nm), 成功区分了镰刀菌(Fusarium sp.)侵染和未侵染区域, 在侵染未产生肉眼可见损伤或肉眼难以分辨损伤时提早发现不健康的状况, 从而为种子健康诊断和品种鉴定提供新的思路.大豆作为主要的经济和油料作物, 容易受到大豆炭腐病(Macrophomina phaseolina)的影响, 研究者使用383-1 032 nm波长的光源, 用支持向量机(SVM)作分类器, 以97%的精确度成功实现了健康大豆和炭腐病染病大豆样品的二元分类(Nagasubramanian et al., 2018).近年来, 针对豌豆(Pisum sativum)收获后肉眼不可见的变色与漂白问题, 研究者采用MSI技术结合多元线性回归分析, 可清晰呈现种子损伤差异, 结果与分光光度计的检测结果高度匹配(判决系数(determination coefficients) R2=0.99) (Mcdonald et al., 2019), 为种子鉴定提供了可靠的识别工具.因此, MSI技术因其强大的数据采集和空间信息获取能力, 在植物损伤与病害检测方面应用前景广阔. ... On-site identification of ozone damage in fruiting plants using vapor-deposited conducting polymer tattoos 1 2020 ... 在活体状态下揭示复杂植物器官或组织的生理状态, 一直是植物研究中极具挑战的问题.如何快速无损地进行植物结构、生理、生化和表型的定性定量分析及其特征分布检测, 成为近一个世纪以来研究者不断挑战的热点方向(Fernandez et al., 2010; Mansfield et al., 2012; Kim et al., 2020).采用染料进行组织显色反应, 或通过荧光标记检测组织材料的状态变化, 会受材料的组织特异性以及组织厚度的影响, 无法长时间进行活体观测.尤其是深入到器官或组织内部的标记本就困难, 加之受光漂白和不同组织结构的影响, 更难以真实反映植物本身的生化组成及生理状态.因此, 针对植物器官或组织的活体研究, 需要一种具有良好特异性和高灵敏的无标记成像技术.光谱成像技术将光谱和成像合二为一, 结合数学建模分析方法, 可实现定性定量分析植物结构、生理、生化表型并用于评估其特征分布(胡伟娟等, 2019), 近年来在植物组织活体检测中表现出强劲的应用潜力. ... Hyperspectral imaging to evaluate the effect of irrigationwater salinity in lettuce 1 2016 ... Application of multispectral imaging in plant research
MSI技术能够采集光谱信息数据和空间信息数据, 使得该技术可用于显示结构变化或特定化合物的积累及其对细胞功能的影响引起的局部变化(ElMasry et al., 2019a).有研究者将MSI技术和多种建模方式结合, 揭示了微生物对植物的侵染和植物损伤情况.Vrešak等(2016)以冬小麦(Triticum aestivum)和小黑麦(Secale cereale)种子为研究对象, 结合可见光谱(375-970 nm)和近红外光谱(900-1 600 nm), 成功区分了镰刀菌(Fusarium sp.)侵染和未侵染区域, 在侵染未产生肉眼可见损伤或肉眼难以分辨损伤时提早发现不健康的状况, 从而为种子健康诊断和品种鉴定提供新的思路.大豆作为主要的经济和油料作物, 容易受到大豆炭腐病(Macrophomina phaseolina)的影响, 研究者使用383-1 032 nm波长的光源, 用支持向量机(SVM)作分类器, 以97%的精确度成功实现了健康大豆和炭腐病染病大豆样品的二元分类(Nagasubramanian et al., 2018).近年来, 针对豌豆(Pisum sativum)收获后肉眼不可见的变色与漂白问题, 研究者采用MSI技术结合多元线性回归分析, 可清晰呈现种子损伤差异, 结果与分光光度计的检测结果高度匹配(判决系数(determination coefficients) R2=0.99) (Mcdonald et al., 2019), 为种子鉴定提供了可靠的识别工具.因此, MSI技术因其强大的数据采集和空间信息获取能力, 在植物损伤与病害检测方面应用前景广阔. ... NIR spectroscopy applications for internal and external quality analysis of citrus fruit—a review 1 2012 ... MSI是指使用两个或多个光谱波段, 对同一物体相同尺度下的同一区域进行二维空间信息和一维光谱信息的三维图像信息捕获(Magwaza et al., 2012).根据植物在不同生理状态及不同发育阶段的生理特征, MSI可表现为不同的光谱反射特征(Rocchini et al., 2005; Oldeland et al., 2010), 已逐步应用于植物表型和生理分析.例如, 成功用于葡萄(Vitis vinifera)病害分辨, 实现黄花病和葡萄树干病植株和正常植株的区分(Albetis et al., 2019); 用于棉花(Gossypium sp.)水分利用效率分析, 可区分8个棉花品种的水分利用效率差异(Thorp et al., 2018).由于综合了不同波段成像技术的优势, MSI可提供和采集从紫外(UV)到近红外(NIR)波长范围(200-2 500 nm)内多个离散波段的数据, 并在此基础上新增光谱信息维度, 组成了包括二维空间信息和一维光谱信息等多种信息的“三维信息立方体”, 为植物学研究提供了更为广阔的数据采集空间(Ebrahiema et al., 2018; 王一杰等, 2020), 为植物损伤鉴定、病害、植物代谢物质生化特征及植物生理进程鉴定研究提供了重要的数据基础. ... Whole plant cell wall characterization using solution-state 2D NMR 1 2012 ... 在活体状态下揭示复杂植物器官或组织的生理状态, 一直是植物研究中极具挑战的问题.如何快速无损地进行植物结构、生理、生化和表型的定性定量分析及其特征分布检测, 成为近一个世纪以来研究者不断挑战的热点方向(Fernandez et al., 2010; Mansfield et al., 2012; Kim et al., 2020).采用染料进行组织显色反应, 或通过荧光标记检测组织材料的状态变化, 会受材料的组织特异性以及组织厚度的影响, 无法长时间进行活体观测.尤其是深入到器官或组织内部的标记本就困难, 加之受光漂白和不同组织结构的影响, 更难以真实反映植物本身的生化组成及生理状态.因此, 针对植物器官或组织的活体研究, 需要一种具有良好特异性和高灵敏的无标记成像技术.光谱成像技术将光谱和成像合二为一, 结合数学建模分析方法, 可实现定性定量分析植物结构、生理、生化表型并用于评估其特征分布(胡伟娟等, 2019), 近年来在植物组织活体检测中表现出强劲的应用潜力. ... Quantifying the colour loss of green field pea (Pisum sativum L.) due to bleaching 2 2019 ... Application of multispectral imaging in plant research
MSI技术能够采集光谱信息数据和空间信息数据, 使得该技术可用于显示结构变化或特定化合物的积累及其对细胞功能的影响引起的局部变化(ElMasry et al., 2019a).有研究者将MSI技术和多种建模方式结合, 揭示了微生物对植物的侵染和植物损伤情况.Vrešak等(2016)以冬小麦(Triticum aestivum)和小黑麦(Secale cereale)种子为研究对象, 结合可见光谱(375-970 nm)和近红外光谱(900-1 600 nm), 成功区分了镰刀菌(Fusarium sp.)侵染和未侵染区域, 在侵染未产生肉眼可见损伤或肉眼难以分辨损伤时提早发现不健康的状况, 从而为种子健康诊断和品种鉴定提供新的思路.大豆作为主要的经济和油料作物, 容易受到大豆炭腐病(Macrophomina phaseolina)的影响, 研究者使用383-1 032 nm波长的光源, 用支持向量机(SVM)作分类器, 以97%的精确度成功实现了健康大豆和炭腐病染病大豆样品的二元分类(Nagasubramanian et al., 2018).近年来, 针对豌豆(Pisum sativum)收获后肉眼不可见的变色与漂白问题, 研究者采用MSI技术结合多元线性回归分析, 可清晰呈现种子损伤差异, 结果与分光光度计的检测结果高度匹配(判决系数(determination coefficients) R2=0.99) (Mcdonald et al., 2019), 为种子鉴定提供了可靠的识别工具.因此, MSI技术因其强大的数据采集和空间信息获取能力, 在植物损伤与病害检测方面应用前景广阔. ... Non-destructive freeze damage detection in oranges using machine vision and ultraviolet fluorescence 1 2008 ... 随着对成像技术研究的深入, 基于可见光成像技术(RGB)和紫外光成像技术对植物表面损伤分析方法的弊端逐渐显现, 即由于这两种成像技术仅涵盖了光谱的可见区域, 导致病变或病毒侵染的早期阶段无法得到检测(Blasco et al., 2007).特别是在进行损伤鉴定和病害研究时, 不同品种对于单一光谱的敏感性不同, 甚至会引起自发荧光, 给数据分析造成诸多困扰(Slaughter et al., 2008; Obenland et al., 2010).因此, 能发射不同波长光谱波段光源的集成系统——多光谱成像系统得以迅速发展, 进一步实现了同时捕获光谱和空间信息, 从而比传统的机器视觉或光谱技术更可靠地表征对象(Elmasry et al., 2019b).研究者基于特征光谱提取, 结合多种数学模型, 可实现植物损伤与病害的无损快速检测; 或基于不同生化物质特征光谱, 对其进行鉴定以及化学成分变化的定性定量分析; 通过高通量植被表型信息采集, 实现植被不同表型的精准分析(表1). ... Multispectral imaging for plant food quality analysis and visualization 1 2018 ... 多光谱成像数据具有重叠性和复杂性特点, 较难直接定位和表征植物中不同成分的特征波长, 因此有目的地提取光谱信息中的有效信息、去掉噪声和异常数据, 高效、准确的数据处理方案尤为必要(Rinnan et al., 2009).为了有效捕获与目标属性相关的特征波长组合, 用于筛选波长的算法和多元校正模型逐步被引入, 多种数据处理方案为研究者所证实, 为深入解决科学问题提供了有力支撑(表1).早期研究者倾向于使用逐次投影算法(successive projections algorithm, SPA)、回归(component regression, CR)或主成分分析(principal component analysis, PCA)等方法进行植物表型研究.随着计算机算力的提高和大数据、云计算等信息技术的发展, 偏最小二乘回归法(PLSR)和主成分回归(principle component regression, PCR)算法成为主流, 在2014-2017年间一度占据植源性食品多光谱成像数据分析研究的40% (Su and Sun, 2018).近年来, 机器学习逐步走进成像分析领域, 支持向量机(support vector machine, SVM)和人工神经网络(artificial neural network, ANN)最小二乘支持向量机(least square-support vector machine, LS-SVM)等方法以其高精度提升了MSI数据分析的准确性. ... Nondestructive determination of nitrogen, phosphorus and potassium contents in greenhouse tomato plants based on multispectral three-dimensional imaging 2 2019 ... 光源的辐射能量可以部分穿透植物表面, 进入组织和细胞, 达到生物大分子水平.随着成像技术的发展, 研究者对多光谱成像技术的应用不再满足于以上表型的鉴定和分类, 而是开始向植物内部生化物质和生理进程发起探索(表1).随着研究者创新性地将多光谱数据与叶绿素含量进行对应, 开启了MSI技术与叶绿素关联研究的探索.经偏最小二乘回归法(partial least squares regression, PLSR)构建数学模型, 得到叶绿素a的决定系数R2达0.948 3, 叶绿素b的决定系数R2达0.890 6, 证明多光谱成像可作为监测叶绿素a、b的一种可行的非破坏性通用方法(Pan et al., 2015).同年, MSI技术也成功应用于分析番茄(Lycopersicon esculentum)中的番茄红素和酚类化合物, 经反向传播神经网络(BPNN)建模, 得到番茄红素的决定系数R2达0.938, 总酚含量决定系数R2达0.965, 实现了多光谱成像技术对植物样本中生化物质的无损鉴定(Liu et al., 2015).除以上典型建模分析方案外, 多光谱成像技术不断得到深入开发和多样化利用.例如, 有研究者利用傅里叶变换的原理, 重构多光谱成像技术和RGB-D成像技术采集的信息, 得到植物的三维点云模型, 预测了样本中氮、磷、钾元素的分布和含量, 其中使用反向传播人工神经网络对氮元素预测的相对误差为2.27%, 对磷元素预测的相对误差为3.32%, 对钾元素预测的相对误差为3.27% (Sun et al., 2019), 是一种可靠的元素分布及含量分析技术. ...
本文的其它图/表
|
首页
