一种基于高光谱技术的水稻苗镉含量可视化预测方法

1.本发明涉及水稻苗重金属含量预测技术领域，尤其涉及一种基于高光谱技术的水稻苗镉含量可视化预测方法。


背景技术：

2.oshma3是一种对镉具有较高特异性的等位基因，oshma3过表达的水稻植株能够将大量的镉隔离在根系组织的液泡中，极大地抑制了镉向地上组织的转运过程，同时也能够提升水稻植株对镉的耐受性。虽然oshma3过表达也会隔离大量的锌，但也会同时促进上调zip基因，提升水稻植株对锌的吸收转运。据报道，在不同的粳稻种质中，谷物中的镉浓度有大约13-23倍的自然变化，并且随着基因组的改变，稻谷中的镉浓度可以在～ug/kg的低浓度范围内变化。因此，通过对不同遗传背景的水稻糙米镉积累量检测，能够分析调控作用水稻糙米低镉积累基因的存在。
3.传统的基于化学分析的农作物重金属测定方法，需要破坏实验样品，同时也存在工作量大、耗时长的问题。近年来，高光谱成像技术已经发展成为非破坏性检测农作物中重金属含量的有力工具。在预测镉含量方面，已经进行了大量的研究和调查，重点关注于基于高光谱成像技术的机制和可行性。然而，所有这些研究主要集中在高浓度镉胁迫上，关于预测和可视化基因调控作用诱导水稻中低镉积累的报道很少。


技术实现要素：

4.本发明公开了一种基于高光谱技术的水稻苗镉含量可视化预测方法。本发明能够实现水稻苗镉含量可视化，得到的预测模型在实际应用中不会对陌生数据失效，而且可以在无损且快速的条件下进行镉含量可视化展示。
5.一种基于高光谱技术的水稻苗镉含量可视化预测方法，其特征在于，包括：
6.获取水稻苗高光谱数据；
7.将水稻苗高光谱数据输入预测模型，得到可视化的水稻苗镉含量数据。
8.优选地，将水稻苗高光谱数据输入预测模型，得到可视化的镉含量数据，包括：
9.将水稻苗高光谱数据输入预测模型；
10.预测模型输出水稻苗高光谱图像中每一像素点的镉含量后以伪彩色图的形式进行水稻苗镉含量可视化。
11.优选地，获取水稻苗高光谱数据之后还包括对高光谱数据的处理：
12.应用区域生长算法对水稻苗高光谱数据的地上部分和地下部分进行分割；
13.对所述水稻苗高光谱数据进行sg预处理，利用sae算法模型进行特征降维，sae算法模型每一层全连接层后接relu激活函数。
14.优选地，在将水稻苗高光谱数据输入预测模型之前还包括训练预测模型，具体为：
15.将水稻苗高光谱数据输入预测模型；
16.预测模型输出水稻苗镉含量预测数据；
17.将预测模型输出的水稻苗镉含量预测模型与使用传统方法测量出的水稻苗镉含量数据进行比较；
18.根据比较结果优化预测模型。
19.优选地，所述获取水稻苗高光谱数据，包括：
20.对采用不同oshma3等位基因的水稻苗进行镉胁迫处理；
21.利用高光谱成像系统对所述采用不同oshma3等位基因的水稻苗进行高光谱扫描，得到水稻苗高光谱数据。
22.优选地，获取水稻苗高光谱数据之后还包括检测水稻苗重金属镉含量：
23.对水稻苗使用faas技术检测重金属镉浓度，得到水稻苗镉含量数据。
24.基于高光谱技术的水稻苗镉含量可视化预测系统，包括：
25.数据采集模块，用于获取水稻苗高光谱数据；
26.镉含量预测模块，用于将水稻苗高光谱数据输入预测模型，输出可视化的水稻苗镉含量数据。
27.一种电子设备，包括：
28.处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行一种基于高光谱技术的水稻苗镉含量可视化预测方法。
29.本发明使用一种基于高光谱技术的水稻苗镉含量可视化预测方法，通过对采用不同oshma3等位基因的水稻苗进行镉胁迫处理，获取高光谱数据，对水稻苗地上地下两部分进行区域分割，对高光谱数据进行sg预处理和sae特征降维，检测镉含量，训练预测模型，实现水稻苗镉含量可视化，得到的预测模型在实际应用中不会对陌生数据失效，而且可以在无损且快速的条件下进行镉含量可视化展示。
30.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。
附图说明
31.为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
32.此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本发明公开的技术方案。
33.图1为本发明实施例提供的一种基于高光谱技术的水稻苗镉含量可视化预测方法的流程示意图；
34.图2为本发明实施例提供的获取水稻苗高光谱数据的流程示意图；
35.图3为本发明实施例提供的将水稻苗高光谱数据输入预测模型，得到可视化的镉含量数据的流程示意图；
36.图4为本发明实施例实施例示出的可视化的水稻苗镉含量分布图。
具体实施方式
37.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的
附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
38.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
39.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括a、b、c中的至少一种，可以表示包括从a、b和c构成的集合中选择的任意一个或多个元素。
40.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
41.另外，为了更好地说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样能够实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。
42.oshma3是一种对镉具有较高特异性的等位基因，oshma3过表达的水稻植株能够将大量的镉隔离在根系组织的液泡中，极大地抑制了镉向地上组织的转运过程，同时也能够提升水稻植株对镉的耐受性。虽然oshma3过表达也会隔离大量的锌，但也会同时促进上调zip基因，提升水稻植株对锌的吸收转运。据报道，在不同的粳稻种质中，谷物中的镉浓度有大约13-23倍的自然变化，并且随着基因组的改变，稻谷中的镉浓度可以在～ug/kg的低浓度范围内变化。因此，通过对不同遗传背景的水稻糙米镉积累量检测，能够分析调控作用水稻糙米低镉积累基因的存在。
43.传统的基于化学分析的农作物重金属测定方法，需要破坏性的实验样品，同时也存在工作量大、耗时长的问题，近年来，高光谱成像技术已经发展成为非破坏性检测农作物中重金属含量的有力工具。在预测镉含量方面，已经进行了大量的研究和调查，重点关注于基于高光谱成像技术的机制和可行性。然而，所有这些研究主要集中在高浓度镉胁迫上，关于预测和可视化基因调控作用诱导水稻中低镉积累的报道很少。通过分子育种技术培育低镉或无镉大米已经发展成一个非常成熟的方案。在此过程中，引入一种能够实现水稻镉含量的快速、无损检测技术，将极大提升育种效率。高光谱成像技术便是这样一种技术，利用该技术能够实现镉含量在水稻植株中的分布可视化，为进一步研究各种转运蛋白对水稻吸收转运镉的作用机理提供技术支撑。
44.本发明使用一种基于高光谱技术的水稻苗镉含量可视化预测方法，通过对采用不同oshma3等位基因的水稻苗进行镉胁迫处理，获取高光谱数据，对水稻苗地上地下两部分进行区域分割，对高光谱数据进行sg预处理和sae特征降维，检测镉含量，训练预测模型，实现水稻苗镉含量可视化，得到的预测模型在实际应用中不会对陌生数据失效，而且可以在
无损且快速的条件下进行镉含量可视化展示。
45.一种基于高光谱技术的水稻苗镉含量可视化预测方法，其特征在于，参考图1，包括：
46.s100，获取水稻苗高光谱数据；
47.s200，将水稻苗高光谱数据输入预测模型，得到可视化的水稻苗镉含量数据。
48.优选地，s200，将水稻苗高光谱数据输入预测模型，得到可视化的镉含量数据，参考图3，包括：
49.s210，将水稻苗高光谱数据输入预测模型；
50.s220，预测模型输出水稻苗高光谱图像中每一像素点的镉含量，以伪彩色图的形式进行镉含量可视化，参考图4；
51.此实施例使用的高光谱成像系统空间分辨率不相同，因此本方法只能基于可见光高光谱数据或近红外高光谱数据构建的预测模型来实现水稻中镉含量分布可视化；
52.基于水稻苗的近红外高光谱数据所构建的sae+srcnn模型的预测性能最佳；
53.基于该模型可视化水稻镉含量分布情况，将水稻苗高光谱数据输入到s210训练好的sae+srcnn预测模型中，预测出每一像素点的镉含量，并以伪彩色图的形式进行可视化。
54.优选地，参考图2，获取水稻苗高光谱数据之后还包括对高光谱数据的处理：
55.s130，应用区域生长算法对水稻苗高光谱数据的地上部分和地下部分进行分割；
56.使用区域生长算法对水稻苗的高光谱数据进行分割，得到水稻苗高光谱数据的地上部分和地下部分，并标识出分属两部分的像素点；
57.s140，对水稻苗高光谱数据进行sg预处理，利用sae算法模型进行特征降维，sae算法模型每一层全连接层后接relu激活函数；
58.对水稻苗高光谱数据进行sg预处理，使水稻苗高光谱数据曲线上的“毛刺”噪声平滑，sg平滑设置滑动窗口大小为5，阶数为3；
59.利用sae算法进行特征降维，sae算法是一种自监督神经网络模型，在模型架构上的设计具有较高自由度，此实施例采用一个7层对称式的全连接网络架构，由于本研究中用以建模的vis-nir高光谱数据共有400个特征波长，因此此实施例的7层sae模型各层的神经元个数为400-300-x-300-400；每一层全连接层后接relu激活函数。
60.优选地，参考图3，在将水稻苗高光谱数据输入预测模型之前还包括s160训练预测模型，具体为：
61.s161,将水稻苗高光谱数据输入预测模型；
62.s162,预测模型输出水稻苗镉含量预测数据；
63.s163,将预测模型输出的水稻苗镉含量预测模型与使用传统方法测量出的水稻苗镉含量数据进行比较；
64.s164，根据比较结果优化预测模型；
65.此实施例提出一种基于textcnn架构改进的用于回归任务的谱回归卷积神经网络srcnn模型，使用镉含量数据和水稻苗高光谱数据训练模型，得到回归任务的预测模型。
66.优选地，获取水稻苗高光谱数据，参考图2，包括：
67.s110，对采用不同oshma3等位基因的水稻苗进行镉胁迫处理；
68.示例性的，此实施例选择某地(23
°
07
′
n，113
°
15
′
)种植的hjx74水稻苗为水稻苗，
该种植区土壤背景值为0.23mg/kg(cd)，ph值为5.8；
69.将不同oshma3等位基因类型的3种sssls在实验室水培，在水稻苗苗期合适阶段进行镉胁迫处理；
70.s120利用高光谱成像系统对采用不同oshma3等位基因的水稻苗进行高光谱扫描，得到水稻苗高光谱数据；
71.在暗箱环境内，以卤素灯作为照明光源，使用可见光高光谱成像系统获取波长为402.6～1005.5纳米和900.2～1710.5纳米的可见光高光谱数据，使用近红外高光谱成像系统获取波长为402.6～1005.5纳米和900.2～1710.5纳米的近红外高光谱数据，得到水稻苗的高光谱数据；
72.进一步的，在采集样本集的高光谱数据之前，设置合适的物距，调节合适的曝光时间，并调节焦距使高光谱成像系统对水稻苗的成像清晰。
73.优选地，参考图2，获取水稻苗高光谱数据之后还包括检测水稻苗重金属镉含量：
74.s150，对水稻苗使用faas技术检测重金属镉浓度，得到水稻苗镉含量数据；
75.将水稻苗放入烘干炉中进行70℃0.5小时和45℃48小时的烘干；
76.对烘干后的水稻苗地下部分和地上部分别进行称量；
77.对水稻苗地下部分和地上部分别进行消煮，消煮过程使用的是hno3(90％)和hclo4(10％)的混合物在梯度温度(60℃0.5小时，120℃1小时，150℃2小时至180℃消煮完全)下消煮；
78.空白组和参照组包含在消煮过程中控制质量；
79.对消煮液进行定容，定容15ml；
80.用faas技术检测重金属镉cd浓度，此实施例使用检测中心的火焰原子分光光度计进行检测，参照食品中镉的计算方法计算出重金属镉的浓度。
81.表一为此实施例示出的sae+srcnn预测模型与传统机器学习模型比较的数据结果：
[0082][0083]
表1
[0084]
实施例2
[0085]
一种基于高光谱技术的水稻苗镉含量可视化预测系统，包括：
[0086]
数据采集模块，用于获取水稻苗高光谱数据；
[0087]
使用的高光谱成像系统的镜头与水稻苗的距离为50cm，镜头移动速度为0.045cm/s；
[0088]
镉含量预测模块，用于将水稻苗高光谱数据输入预测模型，输出可视化的水稻苗镉含量数据。
[0089]
实施例3
[0090]
一种电子设备，包括：
disc，dvd))、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0099]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-only memory，rom)或随机存储存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的介质。

技术特征：
1.一种基于高光谱技术的水稻苗镉含量可视化预测方法，其特征在于，包括：获取水稻苗高光谱数据；将水稻苗高光谱数据输入预测模型，得到可视化的水稻苗镉含量数据。2.根据权利要求1所述的一种基于高光谱技术的水稻苗镉含量可视化预测方法，其特征在于，将水稻苗高光谱数据输入预测模型，得到可视化的镉含量数据，包括：将水稻苗高光谱数据输入预测模型；预测模型输出水稻苗高光谱图像中每一像素点的镉含量后以伪彩色图的形式进行水稻苗镉含量可视化。3.根据权利要求1所述的一种基于高光谱技术的水稻苗镉含量可视化预测方法，其特征在于，所述获取水稻苗高光谱数据之后，还包括对所述水稻苗高光谱数据的处理：应用区域生长算法对水稻苗高光谱数据的地上部分和地下部分进行分割；对所述水稻苗高光谱数据进行sg预处理，利用sae算法模型进行特征降维，sae算法模型每一层全连接层后接relu激活函数。4.根据权利要求1所述的一种基于高光谱技术的水稻苗镉含量可视化预测方法，其特征在于，所述将水稻苗高光谱数据输入预测模型之前，还包括训练所述预测模型，具体为：将所述水稻苗高光谱数据输入预测模型；所述预测模型输出水稻苗镉含量预测数据；将所述预测模型输出的水稻苗镉含量预测模型与使用传统方法测量出的水稻苗镉含量数据进行比较；根据比较结果优化所述预测模型。5.根据权利要求1所述的一种基于高光谱技术的水稻苗镉含量可视化预测方法，其特征在于，所述获取水稻苗高光谱数据包括：对不同oshma3等位基因的水稻苗进行镉胁迫处理；利用高光谱成像系统对所述不同oshma3等位基因的水稻苗进行高光谱扫描，得到水稻苗高光谱数据。6.根据权利要求1所述的基于高光谱技术的水稻苗镉含量可视化预测方法，其特征在于，所述获取水稻苗高光谱数据之后，还包括检测所述水稻苗的重金属镉含量：对水稻苗使用faas技术检测重金属镉浓度，得到水稻苗镉含量数据。7.一种基于高光谱技术的水稻苗镉含量可视化预测系统，其特征在于，包括：数据采集模块，用于获取水稻苗高光谱数据；镉含量预测模块，用于将水稻苗高光谱数据输入预测模型，输出可视化的水稻苗镉含量数据。8.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行一种基于高光谱技术的水稻苗镉含量可视化预测方法。

技术总结
本发明公开了一种基于高光谱技术的水稻苗镉含量可视化预测方法。该方法包括：获取水稻苗高光谱数据；将水稻苗高光谱数据输入预测模型，得到可视化的水稻苗镉含量数据。本发明能够实现水稻苗镉含量可视化，得到的预测模型在实际应用中不会对陌生数据失效，而且可以在无损且快速的条件下进行镉含量可视化展示。无损且快速的条件下进行镉含量可视化展示。无损且快速的条件下进行镉含量可视化展示。


技术研发人员：邓海东 黎明 王少奎 高世龙 冯坤盛 邓魏琪 龙拥兵 徐海涛 赵静 王建华 兰玉彬
受保护的技术使用者：华南农业大学
技术研发日：2023.06.27
技术公布日：2023/9/25