具体实施方式

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。

本发明的目的是提供一种多光谱结合PLS-DA区分植物叶色细微差别的系统及方法，自动化水平高，结构简单，便于使用，可有效避免人工分级造成的误差，得到精确分级数据，对于植物同种叶色细微差别分析效果明显，可有效应用于科学研究植物叶色性状调查中，保证试验数据的科学性和准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的多光谱结合PLS-DA区分植物叶色细微差别的系统，包括：处理器9、遮光黑室1、便携式地物光谱仪8、光源2、可升降检测台4以及可移动传动台6，所述便携式地物光谱仪8设置在所述遮光黑室1的顶部中心，用于采集待检测样品光谱数据，所述光源2设置在所述遮光黑室1的顶部，用于照射待检测样品，所述可升降检测台4以及可移动传动台6均被所述遮光黑室1罩设在内部，且所述可移动传动台6从所述遮光黑室1的一侧壁延伸穿出；所述可升降检测台4设置在所述可移动传动台6上，所述可移动传动台6用于带动所述可升降检测台4左右移动；所述可升降检测台4上设置待检测样品放置区7，用于放置植物叶片，所述可升降检测台4设置在便携式地物光谱仪8下方；所述处理器9分别与所述便携式地物光谱仪8、光源2、可升降检测台4以及可移动传动台6电性连接。所述可升降检测台4可以采用常规的电控伸缩杆结构，在电控伸缩杆上方设置检测平台，实现待检测样品的上下升降活动。

所述可升降检测台4上还设置有校正白板3，所述校正白板3设置在所述待检测样品放置区7的左侧。在使用时，可以通过可移动传动台6的带动，实现可升降检测台4左右移动，将校正白板3移动到便携式地物光谱仪8下方时可以进行白板校正；或进行样品替换，可提高检测效率。

所述便携式地物光谱仪8的型号为PSR-1100。PSR-1100的光谱范围320-1100nm(紫外-可见-近红外)，PSR-1100由光谱仪和光纤组成，是被动式测量反射率的光谱仪，包含512线阵探测器，由固定全息光栅作为色散元件，配有25°光纤探头。

所述处理器9连接有显示器10，便于直观监测数据。

所述光源2采用卤素灯(35W 230V)，并设置有2组，分别位于所述遮光黑室1的顶部两侧，并与所述遮光黑室1的侧壁向内呈45度角设置，两个光源成固定夹角无死角照射待检测样品。

所述可移动传动台6为传送带机构，包括支架以及设置在支架上的传送带、主动轮、从动轮以及电机5，所述传送带套设在所述主动轮与从动轮之间，所述电机与所述主动轮驱动连接，所述电机5与所述处理器9电性连接。

本发明提供的多光谱结合PLS-DA区分植物叶色细微差别的系统通过设置遮光黑室遮挡外界环境干扰，提高光谱数据采集质量，通过PSR-1100便携式地物光谱仪进行光谱扫描，并采用处理器与便携式地物光谱仪相连，便于使用者观测到相关数据，自动化程度高，保证植物叶片光谱采集的快速和高效；通过可升降检测台以及可移动传动台的配合，可以实现样品的左右和上下移动，有利于光谱仪对准待检测样品，获得更加清晰、准确的光谱数据，从而能够无损、快速、准确的检测到植物叶片光谱相关数据，为建立PLS-DA判别模型提供可靠的数据支持。

如图2所示，本发明还提供了一种多光谱结合PLS-DA区分植物叶色细微差别的方法，应用于上述的多光谱结合PLS-DA区分植物叶色细微差别的系统，包括以下步骤：

S1，选定标准植物叶片样本放置于待检测样品放置区，根据检测范围内叶色深浅细微特征划分等级，并且根据等级利用便携式地物光谱仪采集标准植物叶片样本的光谱反射率；采集植物叶片后展平，擦拭表面灰尘以及污渍，利用改进的便携式地物光谱仪进行光谱数据采集，收集到320nm到1100nm波段的光谱反射率；

S2，利用SG平滑滤波器和SNV标准正态化方法对采集到的光谱反射率数据进行SG-SNV预处理；能够降低数据中的仪器和环境噪声，减弱和消除样本不均匀、基线漂移、高频噪声、杂散光等对光谱信号的影响；其中，SG平滑滤波器，是一种基于多项式和移动窗口，在时域内利用最小二乘法实现最佳拟合的方法，既能提高信号的信噪比，又可较好的保持信号(光谱)中的有用信息，广泛被应用于光谱分析中；

S3，依据标准植物叶片样本叶色深浅等级，对样本赋予分类变量值；利用PLS回归方法对标准植物叶片样本的光谱反射率数据与样本对应的分类变量值进行回归分析，确定最适主因子数并建立基于多光谱特征与分类变量的PLS-DA模型；

S4，对PLS-DA模型进行置换检验；

S5，将待检测的叶片样本放置于待检测样品放置区，采集待检测的叶片样本的多光谱数据，并导入PLS-DA模型进行叶色深浅等级判定。

其中，所述步骤S1中，所述检测范围为光谱反射率320nm到1100nm波段内。

所述步骤S4中，对PLS-DA模型进行置换检验，具体包括：

利用样本数据的随机排列进行统计推断，对样本进行顺序上的置换，重新计算统计检验量，构造经验分布，然后在此基础上求出P值推断模型情况，以(P<0.05)为判断依据，判别模型是否建模失败或过拟合。

在进行植物叶色性状调查时，往往因叶色相近，差别较小，造成无法人工量化，难以达到精准调查需求。如图3所示，8个大白菜样本，叶色差别较小，叶绿素含量相同，但人工目测分属不同叶色类别，1、2叶色深绿；3、4叶色油绿；5、6和7叶色墨绿；8叶色灰绿。下面以检测大白菜叶色细微差别为例，结合附图和具体实施方式对本发明进一步详细的说明：

1.根据检测范围确定本次检测叶色等级，并且根据叶色等级采集四类共64个标准等级叶片样本。采集大白菜叶片后展平，擦拭表面灰尘以及污渍，利用改进的植物叶片光谱采集系统进行光谱数据采集，收集到320nm到1100nm波段的光谱反射率。

2.为了降低数据中的仪器和环境噪声，减弱和消除样本不均匀、基线漂移、高频噪声、杂散光等对光谱信号的影响，有必要考虑对光谱数据进行预处理。本发明采用15点5次SG平滑进行光谱预处理，并进行数据归一化处理。SG平滑既能提高信号的信噪比，又可较好的保持信号(光谱)中的有用信息，广泛被应用于光谱分析中，如图5所示。

3.大白菜叶色PLS-DA判别模型的建立与置换检验过程：根据大白菜叶色深浅特征，将大白菜划分为灰绿、深绿、油绿、墨绿四种类型(等级)，如表1所示，对样本赋予分类变量值H、S、Y、M；利用PLS回归方法对样本的多光谱与样本对应的分类变量进行回归分析，确定最适主因子数并建立多光谱特征与分类变量建的PLS-DA模型，得到多光谱结合PLS-DA方法建立的大白菜叶色类别判别模型。本发明中，先分别选择不同的主因子个数，经试验可知，当主因子数为3时，模型判别性能较为稳定，且具有较高的判别精度，如图5至图9所示。

表1叶片样本的分类变量

如图6-9所示，本发明PLS-DA模型包含3个主成分，拟合参数为R²X＝0.0.996、R²Y＝0.0.836、Q²＝0.597。R²X和R²Y越接近1表明模型越稳定，Q²>0.5表明预测率较高，分析结果均可以通过得分图展示。各样本在第一主成分和第二主成分构成的平面上的投影得分值就是空间坐标，能够直观地反映样本间的相似或差异性。如果两个样本之间差异明显，那么这两个坐标点在得分图上的位置相对较远，反之亦然。

如图10所示，采用置换检验对PLS-DA模型进行验证。利用样本数据的随机排列进行统计推断。对样本进行顺序上的置换，重新计算统计检验量，构造经验分布，然后在此基础上求出P值进行推断。y的顺序被随机地重复200次，并且分离的模型被拟合到所有置换的y中，提取与原始矩阵y一样多的分量。Q²为累计交叉有效性，其值越大表示模型的预测能力越好；R²为累计方差值，表示有多少原始数据被用来建立新的PLS-DA判别模型，其值大则表示模型的解释能力强。由图10可以看出，在95％的置信区间内(P<0.05)，左侧的R²和Q²值均低于最右边的R²和Q²值，且Q²回归线的截距均为负值，说明所构建的PLS-DA判别模型均没有出现过拟合的现象，且都有较好预测能力，能有效用于各类别的判别分析。

4.将待鉴别样品的光谱输入PLS-DA模型，得到待鉴别大白菜叶色类型，进行技术验证。

如表2所示，通过PLS判别分析建立的各类叶片样本PLS-DA模型对64个待鉴别大白菜叶片样本等级分类效果较好。除1个样本类别误判，识别率为95.83％，其他分类均达到100％识别率。总体识别率98.44％，说明多光谱结合PLS-DA判别分析方法能够有效地检测和判别不同叶色深浅大白菜叶色分类，为快速鉴别不同大白菜叶色等级提供有效方法。

表2基于PLS-DA模型对60个待鉴别大白菜叶片样本等级分类结果

本发明提供的多光谱结合PLS-DA区分植物叶色细微差别的方法，通过理化试验建立植物叶色等级与光谱数据的分类判别模型，利用该方法可以更加简便，快捷的识别植物叶色细微差别，获得植物叶片颜色等级。光谱是无损测定叶片颜色等级的灵敏工具，本方法应用于科学研究植物叶色性状调查中，为植物基因组数据叶色基因定位服务，辅助分子育种。此外，为降低数据中的仪器和环境噪声，减弱和消除样本不均匀、基线漂移、高频噪声、杂散光等对光谱信号的影响，采用SG平滑提高信号的信噪比，并利用SNV对数据进行标准化处理。据样本实际特征，对样本赋予分类变量值，利用PLS回归方法对样本的多光谱与样本对应的分类变量进行回归分析，确定最适主因子数并建立多光谱特征与分类变量建立的PLS-DA模型，得到多光谱结合PLS-DA方法建立的植物叶色类别判别模型，建立的行之有效的植物叶色等级的检测方法。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。