基于图像-光谱双模态融合的水稻叶片矿质元素高效定量分析新方法

本研究创新性地提出低成本图像-光谱双模态检测系统（LIBS+CMOS）与双模态层级融合网络（DMH-FNet），通过深度挖掘激光烧蚀图像特征与光谱数据的互补性，显著提升水稻叶片中P、Ca、Mg等7种矿质元素的定量精度。研究首次利用神经网络特征提取优势解析烧蚀坑关键信息，为重金属污染监测与精准农业提供实时分析新工具。

　　

Highlight

《基于层级图像特征与光谱数据双模态融合的水稻叶片矿质元素高效定量分析》

样本制备

为量化重金属胁迫下矿质元素在水稻叶片中的转移与积累，实验设置不同镉(Cd)胁迫浓度（0-100 μM）与培养周期。选用"春优927"水稻品种，经蒸馏水暗培养48小时促萌发后，移栽至含梯度Cd浓度的Hoagland营养液中培养。

DMH-FNet模型中烧蚀图像特征注意力的演变

特征图可视化显示，网络第二层(Layer 2)对烧蚀坑边缘区域表现出显著关注度。在相同胁迫浓度(25 μM)下，三个样本的烧蚀坑形貌特征差异明显，表明模型能自适应捕捉与元素含量相关的关键形态学特征。

结论

本研究构建的低成本双模态系统（工业相机+CMOS光谱仪）结合DMH-FNet网络，相比单一LIBS系统，对P、Ca、Mg等7种元素的定量精度显著提升。特征图分析揭示模型从烧蚀坑细节的低阶特征向样本全局高阶特征的注意力迁移，SHAP解释证实图像特征与光谱数据的互补融合机制。该技术为田间重金属污染实时监测提供了创新解决方案。

Conclusion

通过多数据集定量分析与可视化验证，证实DMH-FNet能有效提取烧蚀坑邻近区域的关键特征，这些特征与LIBS光谱特征融合后，使Si、K等元素的预测R²提升0.12-0.31。该研究首次实现神经网络驱动的烧蚀图像深度特征挖掘，为植物矿质元素快速检测开辟新途径。