基于近红外光谱特征与1DCNN模型的绿萝叶绿素检测方法

《Microchemical Journal》：A method of chlorophyll detection in Epipremnum aureum based on near-infrared spectral features and 1DCNN model

　　

姚毅|马晓丹|关海鸥|杨娇|林鸿宇|李佳凡

• •
  优化DT方法在绿萝近红外光谱预处理中的应用。
• •
  提出一种基于CARS的方法，用于提取绿萝叶绿素含量的光谱特征。
• •
  建立基于1DCNN的绿萝叶绿素含量检测方法。
• •
  为花卉植物的叶绿素含量检测及生长状况评估提供技术支持。

引言

绿萝是一种常见的室内观赏植物，具有净化空气的作用。叶绿素含量对于判断植物的胁迫状态和营养状况具有重要意义[1]。能够快速、准确且无损地实时测定植物各部位的叶绿素含量，对于了解植物生长状况以及指导科学施肥至关重要。对于绿萝而言，叶绿素含量直接影响其光合作用效率，进而影响植物的生长、观赏价值以及环境适应性。准确测定绿萝的叶绿素含量，有助于深入了解其生理状态和生长规律。因此，利用近红外光谱技术测定绿萝的叶绿素含量具有重要的实用价值。

传统的叶绿素检测方法，如分光光度法和高效液相色谱法，虽然测量精度较高，但存在操作繁琐、耗时较长、成本较高以及样本易降解等缺点，难以满足现代农业生产与科学研究中对快速检测的需求。为解决叶绿素含量分析中操作繁琐、耗时长以及样本降解等问题，越来越多的研究人员开始采用光谱技术和神经网络。近年来，硬件技术、算法模型以及跨学科整合的发展，使得近红外光谱研究取得了诸多进展。目前，国内外都在积极开展近红外光谱相关研究。甘W等人[2]利用便携式近红外光谱技术识别并定量草本植物罗伊尔约翰斯特草中的掺假物质；范K J等人[3]运用强大的近红外光谱框架，快速检测真菌菌丝体中的蛋白质含量，从而精确控制发酵过程；Piqueras-García M等人[4]采用多种近红外光谱方法，对橄榄（Olea europaea L.）叶片的抗氧化活性进行快速定量分析；李亚峰等人[5]开发了一种基于SNV结合GA-BP框架的高光谱数据处理方法，该方法能够预测葡萄叶片的叶绿素含量，为葡萄园关键生长指标的高光谱分析提供了理论依据；Brustel J等人[6]利用近红外光谱对子叶中的异黄酮含量进行了无损定量研究，并证实人工神经网络在外部验证中的准确性和适用性都非常高；中岛悟[7]研究了日本枫树（Acer palmatum）叶片中叶绿素降解的动力学规律，通过原位加热以及可见光和近红外光谱技术监测这些变化。通过观察枫树叶片在不同温度下叶绿素含量的变化，他得出结论：叶片衰老和果实成熟过程中叶绿素的减少会控制绿色植物的降解过程；Sabri M.S.A.等人[8]以叶绿素作为与近红外光谱吸光度相关的代表性参数，研究油棕的营养含量，认为近红外光谱可以作为一种省时、简单且无创的方法来测定油棕的叶绿素含量；Ong Pauline等人[9]采用改进的波长选择方法进行多元校准，基于可见光和近红外光谱确定甘蔗叶片的叶绿素含量，并利用高斯过程回归和最小二乘回归法估算甘蔗叶片的叶绿素含量。国内外大多数关于测定植物光合色素含量的研究，都是以高度整合的化学计量学算法为基础，近红外光谱技术则是其中的核心技术。因此，为了克服传统模型的局限性，如可解释性差、泛化能力有限以及预测精度低等问题，本研究提出将一维卷积神经网络（1DCNN）作为回归模型，利用近红外光谱技术获取样本数据，用于检测绿萝的叶绿素含量。近红外光谱技术具有速度快、无损且易于操作等优点。它的波数范围比其他光谱技术更宽，而且有机分子在近红外区域的吸收率远远低于红外区域。该技术可用于对含有大量有机物质的植物进行定性或定量分析，比如含有叶绿素的植物[10]。

本研究将使用傅里叶变换近红外光谱仪，收集180份绿萝样本的近红外光谱数据。首先应用去趋势（DT）数据预处理方法，再利用竞争自适应重加权采样（CARS）算法选择特征波数，从而提取相关信息。最后将这些结果与深度学习模型相结合，构建叶绿素含量预测模型。本研究提出了一种快速、无损检测绿萝叶绿素含量的新方法，同时也为利用近红外光谱技术检测其他开花植物的生理参数提供了参考。

章节要点

数据采集

本研究的实验材料为从黑龙江省大庆市黑龙江八一农垦大学采集的180组绿萝样本。以绿萝‘玉叶’品种为例，对这些盆栽植物进行了不同的处理。从每株植物上采集叶片，包括幼嫩的顶端叶片、生长旺盛的中间叶片以及较老的基部叶片。所有植株均表现健康，生长环境为22℃、湿度60%

数据预处理

使用近红外光谱仪扫描绿萝的光谱数据时，实验环境、样本状态以及人为误差等多种因素都可能导致原始光谱数据中出现干扰，比如背景噪声、基线漂移以及光散射等现象。这些干扰会严重阻碍对测试样本原始光谱数据的分析，也会影响后续数据处理中关键信息的提取[11]，

特征波数的提取

本研究涉及多维度特征，波数变量中包含的无关信息可能会影响建模结果以及模型的稳定性。因此，有必要剔除无关变量，筛选出与质量信息高度相关的敏感波段，从而提升模型的性能[19]。研究表明，CARS[20]算法可以通过选取RMSECV值最小的变量子集来

构建1DCNN模型

深度学习具备强大的特征提取能力[23]，可有效用于构建预测植物叶绿素含量的模型。本研究提出了一种基于1DCNN的绿萝叶绿素含量检测方法。图S3展示了一个包含十层的1DCNN模型，由一个输入层、三个卷积层、三个池化层、一个归一化层、一个全连接层以及一个线性输出层组成。

在本研究中，“填充值=

讨论

本研究提出了一种基于1DCNN模型的绿萝叶绿素含量检测方法。该模型的R²值为0.8962，RMSE值为5.0310，证明其在检测植物叶绿素含量方面具有较高的效果。对该模型的具体计算结果分析如下：

(1) 性能分析

本研究基于近红外光谱特性，结合DT-CARS特征提取方法，构建了能够预测叶绿素含量的1DCNN模型

结论

本研究采用了近红外光谱处理技术与1D CNN神经网络相结合的方法，来确定绿萝的叶绿素含量。首先使用DT算法对原始光谱数据进行预处理，去除基线噪声，提升模型的预测性能。接着运用CARS算法优化特征波数，将波数从1845个缩减到114个，缩减率为93%，有效降低了多重共线性问题，提升了模型性能

CRediT作者贡献说明

姚毅：论文撰写——初稿完成。马晓丹：数据整理、概念构思。关海鸥：论文撰写——审阅与编辑、研究指导、资金筹集。杨娇：数据整理。林鸿宇：数据整理。李佳凡：数据整理。

资助情况

本研究得到了以下项目的共同资助：中国黑龙江省“双一流”协同创新项目（资助代码：LJGXCG2025-P22、LJGXCG2022-107）、中国黑龙江省自然科学基金（资助代码：LH2024C076）、中国黑龙江省高校基础研究青年人才计划（资助代码：YQJH2024170）、中国大庆市引导性科技计划项目（资助代码：zd-2025-045）。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。