[0041] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
[0042] 如图1所示，本实施例以番茄叶片作为例子阐述，对番茄叶片中重金属镉含量定量检测，采用的技术方案如下：
[0043] (1)培育试验在Venlo型温室大棚内进行番茄的无土栽培，以便获取较纯正的实验样本，番茄样本拟选用红粉1号。番茄种子首先在营养基质槽中进行育苗，在幼苗3叶期前采用营养液培养，营养液按照日本山崎配方进行配置，待长出新叶后选取长势较好且一致的番茄幼苗移植于珍珠岩固体基质中，1周之后进行镉胁迫处理。营养液中的Cd以CdCl2形式加入，镉浓度梯度设置为0mg/L(CK)、0.2mg/L、0.5mg/L、1mg/L、2mg/L、5mg/L、10mg/L，每个处理8次重复。培养期间每天用HCl或NaOH调节营养体系以稳定PH值，每4d更换一次营养液并保持连续通气。于幼苗期(7-8片叶)，采集相同位置的叶片用于Vis-NIR高光谱图像采集试验。
[0044] (2)获取番茄叶片感兴趣区域可见光-近红外光谱信息。将整个番茄叶片作为感兴趣区域(ROI，region of interest)，利用反射值较大的波长(546.55nm)图像与反射值较小的波长(687.06nm)图像作比，设定二值化分割阈值为1.6，对作比后图像进行阈值分割获取淹模图像，最后通过淹模图像获取去除背景后整个番茄叶片感兴趣区域光谱如图2所示。
[0045] (3)采用原子吸收光谱法(AAS，atomic absorption spectrometry)测定番茄叶片中重金属镉(Cd)含量，参照国家标准GB5009.15-2014，番茄叶片重金属镉含量计算公式为：其中X为试样中镉含量；c1为试样消化液中镉含量；c0为空白液中镉含量；V为试样消化液定容总体积；m为试样质量或体积；1000为换算系数。
[0046] 得到番茄叶片重金属镉含量检测结果如表1所示：
[0047] 表1原子吸收光谱法测定样品中镉含量
[0048]
[0049]
[0050] (4)番茄叶片感兴趣区域可见光-近红外光谱信息预处理。采用二阶导数法，二阶导数法计算公式为： 其中A为番茄叶片样本光谱反射值，λ为番茄叶片样本光谱波长。对番茄叶片感兴趣区域可见光-近红外光谱信息进行有效预处理，预处理光谱图如图3所示。
[0051] (5)采用WT-LSSVR特征建模算法，完成番茄叶片镉含量Vis-NIR光谱特征建模，包括以下步骤：
[0052] S1，输入预处理后光谱数据集合P＝{(x1,y1),(x2,y2),...,(xm,yn)}，以及番茄叶片重金属镉含量标签集合V＝{(p1,v1),(p2,v2),...,(pn,vn)}；其中，xi∈X,yi∈Y,pi∈P,vi∈V,xi为某个番茄叶片样本光谱波长，yi为番茄叶片样本光谱反射值，X为番茄叶片样本光谱波长集合，Y为番茄叶片样本光谱反射值集合，pn为某一个番茄叶片样本，vn为某一个番茄叶片重金属镉含量，m表示光谱波段数，n为番茄叶片样本总数，i＝1,2,3,...,n。
[0053] S2，对预处理后光谱数据集合P进行小波七层分解，采用db4(Daubechies 4)作为小波基函数，将光谱数据集合P小波七层分解得到的高频组分和低频组分数据分别放在数据集合D和数据集合L中；D＝{(x1,d1),(x2,d2),...,(x7,d7)},L＝{(x1,l1),(x2,l2),...,(x7,l7)},xi∈X,di∈cD,li∈cL,i＝1,2,3,...,7，di为某小波分解层下高频组分，li为某小波分解层下低频组分。cD和cL分别表示不同小波分解层下高频组分和低频组分。令数据集合T＝{(d1,l1),(d2,l2),...,(d7,l7)},其中，T中某一个数据集合表示为Ti＝{(di,li)},i＝1,2,3,...,7；
[0054] S3，采用蒙特卡洛算法循环提取不同小波分解层的特征波长数据；具体过程为：
[0055] S3.1，设定最大循环次数为rmax＝2500，循环次数记为r，0≤r≤rmax，将数据集合Ti的75％数据分配给训练集合TCi，TCi＝{(dci,lci)},i＝1,2,3,...,7；Ti中剩余的25％数据将分配给预测集合TPi，TPi＝{(dpi,lpi)},i＝1,2,3,...,7；其中，dci，lci分别为训练集合TCi中小波i层分解的低频组分和高频组分，dpi,lpi分别为预测集合TPi中小波i层分解的低频组分和高频组分；
[0056] S3.2，采用五折交叉验证法从数据集合TCi中获取交叉验证集合TVi，TVi＝{(dcvi,lcvi)},i＝1,2,3,...,7；其中，训练集合TCi、交叉验证集合TVi和预测集合TPi样本数分别为n1、n2和n3，n＝n1+n3，n1＝n2×5，dcvi,lcvi分别为交叉验证集合TVi中小波i层分解的低频组分和高频组分；
[0057] S3.3，根据番茄叶片重金属镉含量标签集合V依次获取训练集合VCi(n1×1)、交叉验证集合VCVi(n2×1)和预测集合样本镉含量标签VPi(n3×1)；
[0058] S3.4，采用最小二乘法(LS)对训练集合中dci进行处理得到的回归系数，并通过比较回归系数的绝对值获得特征波长，并将特征波长数据放置在矩阵集合CWi中。
[0059] S4，对选取步骤S3的特征波长数据进行评估；
[0060] 步骤S4.1，从集合lci、lcvi和lpi分别提取特征波长对应的小波七层分解对应的低频组分数据放入集合CSi、VSi和PSi中，i＝1,2,3,...,7，集合CSi、VSi和PSi分别作为LSSVR模型的训练集合、交叉验证集合和预测集合，数据集合VCi(n1×1)、VCVi(n2×1)和VPi(n3×1)依然作为训练集合、交叉验证集合和预测集合中样本镉含量标签；
[0061] 步骤S4.2，采用径向基函数RBF作为LSSVR核函数，惩罚因子C为：
[0062]
[0063] 核函数半径G为：
[0064]
[0065] 其中，和σy分别为训练集的平均值和标准偏差；K(x,xi)为径向基函数RBF；x为交叉验证集或预测集的数据、xi和p分别为训练集数据和宽度参数。
[0066] 步骤S4.3，分别计算训练集合、交叉验证集合和预测集合相关系数R2和均方根误差RMSE， 其中，n为样本数；yk和 分别表示第k个样本实际测量值和LSSVR模型评估值；是实测值的平均值，k的取值范围为1,2,3,...,n。
[0067] 步骤S5，循环次数增加，循环次数r＝r+1，如果满足条件 或(r>rmax)则循环结束，计算终止；否则，继续步骤5.3，其中， 和 分别表示第r和r-
1次循环预测集相关系数。
[0068] 利用WT-LSSVR算法完成番茄叶片镉含量Vis-NIR光谱特征建模，提取得到的特征波长如表2所示:
[0069] 表2WT-LSSVR算法选取得到的敏感波段
[0070]
[0071] 所建立模型的预测集番茄叶片镉含量预估结果如图4所示,可以看出小波基函数db4所分解得到的敏感波段建立的番茄叶片镉含量预测模型预测集相关系数为0.8919，均方根误差为0.2514，获得了较好的预测效果。
[0072] 本发明的基于WT-LSSVR的番茄叶片镉含量Vis-NIR光谱特征建模方法同样适用于其他作物叶片重金属镉含量光谱检测，例如生菜、油菜等。不同重金属镉浓度胁迫下这些作物叶片中将形成一些富含N-H和O-H有机物(碳水化合物、氨基酸、蛋白质、多酚等)、以及叶细胞膜过氧化程度加深以增强叶片对镉的抗逆性，为此Vis-NIR光谱能有效表征作物叶片中重金属镉含量，本发明可以适用于作物叶片Vis-NIR光谱特征建模。
[0073] 以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
