基于深度学习的甘蓝叶片超氧化物歧化酶活性模型构建
作者： 马思艳 马玲 马燕 王静 张祎洋 吴龙国
摘要 超氧化物歧化酶（SOD）是判断作物受胁迫程度的关键指标，可以用来衡量植物生长状况，同时也在植物逆境胁迫研究中具有重要意义。为了实现甘蓝叶片SOD活性的快速无损检测，提出了一种利用高光谱成像技术结合深度学习的方法来对甘蓝叶片进行检测。试验共采集了200片甘蓝叶片在不同生长发育时期的光谱信息，通过7种预处理方法对原始光谱进行优化，最后选用高斯滤波方法为SOD活性的预处理方法。采用连续投影算法、无信息变量消除算法、遗传偏最小二乘算法、竞争自适应重加权采样算法和区间变量迭代空间收缩分析算法提取特征波长，建立偏最小二乘回归模型。基于优选的特征波长建立PLSR、主成分回归、多元线性回归、最小二乘支持向量机和深度学习模型。结果表明，CARS算法提取的17个最佳波长效果较好，最优预测模型CNN的相关系数 R c和 R p值分别为0.909 8和0.823 5，均方根误差RMSEC和RMSEP分别为2.038 2和3.649 2。该研究为今后盐胁迫下植株长势在线无损监测提供技术支撑，具有良好的发展前景。
关键词 高光谱成像；深度学习；SOD活性；无损检测
中图分类号 S-058 文献标识码 A
文章编号 0517-6611（2025）01-0229-07
doi：10.3969/j.issn.0517-6611.2025.01.048
开放科学（资源服务）标识码（OSID）：
Construction of Superoxide Dismutase Activity Model of Cabbage Leaves Based on Deep Learning
MA Si-yan，MA Ling，MA Yan et al
（College of Wine and Horticulture，Ningxia University，Yinchuan，Ningxia 750021）
Abstract Superoxide dismutase （SOD） is a key index to judge the degree of crop stress，which can be used to measure plant growth status，and also has important significance in the study of plant stress.In order to achieve rapid nondestructive detection of SOD activity in cabbage leaves，a method of hyperspectral imaging （HSI） combined with deep learning was proposed to detect cabbage leaves.In the experiment，spectral information of 200 cabbage leaves at different growth and development stages was collected，and the original spectra were optimized by 7 pretreatment methods through sample set division.Finally，the Gaussian Filter（GF） method was selected as the pretreatment method for SOD activity.Successive projection algorithm （SPA），uninformative variable elimination algorithm（UVE），genetic algorithm-partial least squares algorithm（GAPLS），competitive adaptive reweighted sampling（CARS） and interval variable iterative space shrinking analysis （IVISSA） were used to extract feature wavelengths and partial least squares regression （PLSR） model was established.PLSR，principal component regression （PCR），multiple linear regression （MLR），least square SVM （LSSVM） and convolutional neural network （CNN） models were established based on the preferred characteristic wavelength.The results showed that the 17 optimal wavelengths extracted by CARS algorithm had the best effect，and the correlation coefficients R c and R p values of the optimal prediction model CNN were 0.909 8 and 0.823 5，respectively.And the root-mean-square error RMSEC and RMSEP were 2.038 2 and 3.649 respectively.This study provided technical support for non-destructive on-line monitoring of plant growth under salt stress in the future，and had a good development prospect.
Key words Hyperspectral imaging;Deep learning;SOD activity;Nondestructive testing
基金项目 国家重点研发计划项目子课题专项“集约化育苗系列机械优化”（2021YFD1600302-3）。
作者简介 马思艳（2000—），女，回族，宁夏银川人， 硕士研究生，研究方向：设施蔬菜栽培。 *通信作者，副教授，博士，从事设施园艺产品无损检测方面的研究。
甘蓝是十字花科芸薹属植物，二年生草本，属于六盘山冷凉蔬菜的一种［1］，甘蓝含有丰富的营养成分，具有强身健体的作用［2］。在甘蓝栽培过程中，盐胁迫已成为抑制甘蓝正常发育的主要难题，当盐胁迫浓度过高时会影响甘蓝幼苗的健康生长，超氧化物歧化酶（SOD）是植物抗胁迫不可或缺的抗氧化物酶之一［3］。与此同时，当植株受到盐胁迫时自身会出现应激反应，超氧化物歧化酶（SOD）会将超氧阴离子自由基的歧化反应生成分子氧或过氧化氢，抑制油脂的氧化，降低对细胞膜的损伤，进而对植物产生防卫性保护［4-5］，其与植株营养状况以及生长发育阶段有关，也是判断作物生长状况及其受胁迫程度的关键指标［6］。
传统的甘蓝叶片超氧化物歧化酶（SOD）活性检测方法具有损坏样本、费时且检测效果低的问题，不能及时反映作物的生长状况和受害情况，因此需要一种高效、精确、无损的技术手段来对其进行检测。目前，高光谱成像技术因简便、快捷、光学无损检测等优点，在农业领域获得了越来越多的重视和应用［7］。国内外诸多学者利用高光谱成像技术结合叶绿素含量对玉米［8］、大豆［9］和辣椒［10］等作物建立预测模型，同时也对抗氧化物酶领域进行相关探索。杜明华［11］利用光谱成像技术对番茄叶片抗氧化物酶活性检测进行相关研究，分析发现过氧化氢酶（CAT）活性的 IRF-PLSR模型效果较好，其中校正集和验证集相关系数分别为 R c=0.874 9， R p=0.808 6。Thummajitsakul等［12］以藤黄叶为研究对象，探索不同茶型叶片光谱信息与抗氧化物酶活性之间的关系，结果表明乙醇提取物的抗氧化物酶活性显著增强，并且二者之间存在非常强的正相关关系。Wu等［13］利用光谱技术对番茄叶细胞过氧化物酶（POD）活性进行研究，结果表明基于区间变量迭代空间收缩法的偏最小二乘回归模型效果最好，预测集决定系数和均方根误差（RMSEP）分别为0.66和18.94。上述研究表明，光谱成像技术已被广泛应用于植物营养元素检测领域，并取得一定成果，但光谱成像技术结合深度学习算法对甘蓝超氧化物歧化酶（SOD）活性的相关研究成果极少。鉴于此，笔者采用高光谱成像技术结合深度学习与甘蓝叶片超氧化物歧化酶（SOD）活性相联系进行定量模型的建立，为今后盐胁迫下植株长势在线无损监测提供技术支撑，具有良好的发展前景。
1 材料与方法
1.1 试验材料 试验选用甘蓝品种中甘2 购买于宁夏博瑞农业科技有限公司。
1.2 试验设计 试验于2023年3—7月在宁夏大学北校区温室进行，采用基质栽培，用0.5个单位的日本园试营养液配方［14］进行浇灌，在浇灌处理之后的第7、14、21、28和35天时采摘甘蓝叶片，试验共采集200个叶片，将采摘下的叶片依次编号放入塑料密封袋中，立即带回实验室进行光谱图像的采集，之后立即进行超氧化物歧化酶（SOD）活性的测定，具体不同水平NaCl浓度的浇灌处理见表1。
1.3 超氧化物歧化酶（SOD）活性的测定 采用氮蓝四唑光化还原法［15］对SOD活性进行测定。
1.4 高光谱成像设备和图像校准
该试验采用可见近红外波段高光谱成像系统（400～1 000 nm，光谱分辨率为3.8 nm，共有175个波段）（图1）。为了防止图像尺寸及空间分辨率不准，经过多次重复试验确定最佳采集参数条件（成像光谱仪曝光时间为10 ms，增益为1）。但由于光源的亮度分布不一致以及暗电流噪声的产生，导致在光源亮度分布很弱的波段下，得到的影像中存在很大的噪声，所以必须对得到的高光谱图像进行黑白校正，公式如下：
R = T raw- T dark T white- T dark（2）
式中： T raw为原始图像; T dark为黑板校正图像; T white为白板校正图像; R 为校正后的高光谱图像。
1.5 数据分析方法 数据分析过程中首先利用ENVI 5.3软件对光谱数据进行感兴趣区域的提取，其次使用The UnscramblerX 10.4 软件进行光谱数据预处理和建模，最后使用Matlab 2020a软件进行特征波长的提取和图像构建。
1.5.1 光谱提取。
使用ENVI 5.3软件从校正后的光谱图像中用区域选择工具（椭圆形状）选取不带有光斑且避开叶脉的甘蓝叶片表面作为感兴趣区域（ROI）（图2）。