基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置.pdf

《基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置.pdf》由会员分享，可在线阅读，更多相关《基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910046755.8 (22)申请日 2019.01.18 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 费腾张双印 (74)专利代理机构 武汉科皓知识产权代理事务 所(特殊普通合伙) 42222 代理人 严彦 (51)Int.Cl. G01N 21/359(2014.01) (54)发明名称 基于近红外特定波长的水稻镉胁迫强度诊 断叶片夹装置 (57)摘要 本发明提供一种基于近红外特定波长的水 稻镉胁迫强度诊断叶片夹装。

2、置， 其特征在于： 包 括叶片夹、 光谱传感器、 微型计算机、 GPS， 叶片 夹、 光谱传感器、 GPS分别连接微型计算机， 叶片 夹由两片光谱传感器探头组成， 微型计算机中设 置水稻冠层近红外特定波段光谱数据的采集模 块(10)、 光谱数据预处理模块(20)、 特征波段指 标值计算模块(30)、 镉胁迫强度诊断模块(40)； 利用叶片夹， 可无损便捷地采集水稻冠层的特定 波段光谱数据， 采用预训练的SVM诊断模型快速 诊断和判别， 输出诊断所得最终的镉胁迫强度。 该装置轻便易携， 对农作物(水稻)无害， 只需在 水稻叶片上轻轻一夹， 即可检测出水稻受重金属 镉胁迫的强度。 权利要求书1页 。

3、说明书7页 附图3页 CN 109916845 A 2019.06.21 CN 109916845 A 1.一种基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置， 其特征在于： 包括叶 片夹、 光谱传感器、 微型计算机和GPS， 叶片夹、 光谱传感器、 GPS分别连接微型计算机， 叶片 夹由两片光谱传感器探头组成， 微型计算机中设置水稻冠层近红外特定波段光谱数据的采 集模块(10)、 光谱数据预处理模块(20)、 特征波段指标值计算模块(30)、 镉胁迫强度诊断模 块(40)； 采集模块(10)， 用于利用叶片夹， 无损便捷地采集水稻冠层的特定波段光谱数据， 输入 光谱预处理模块(20)； 光。

4、谱预处理模块(20)， 用于接收并处理采集模块(10)传输的多波段光谱数据， 进行水 稻叶片光谱噪声和冗余信息的消除； 特征波段指标值计算模块(30)， 用于基于光谱预处理模块(20)输入的预处理后的光谱 数据， 计算特征波段计算值作为指标的诊断值， 输入镉胁迫强度诊断模块(40)； 镉胁迫强度诊断模块(40)， 用于对于输入的特征波段计算值， 采用预训练的SVM诊断模 型快速诊断和判别， 输出诊断所得最终的镉胁迫强度。 2.根据权利要求1所述基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置， 其特 征在于： 预先选择适宜诊断镉胁迫强度的诊断因子， 利用叶片夹采集相应的水稻冠层的特 定波段光谱。

5、数据， 选取实现方式如下， 1)确定潜在的敏感因子范围， 包括从所有2000余个近红外邻近波段的差值中， 由前期 试验经方差分析ANOVA2筛选得到若干潜在敏感因子； 2)对步骤1)所得的潜在敏感因子， 根据随机森林RF的特征置信度的大小排序选择前若 干个特征因子； 3)基于SVM的诊断精度， 选择综合诊断精度最优的一个特征因子作为确定的诊断因子， 确定该诊断因子由波段A和B差值所得； 4)考察在波段A和B附近较宽的波长范围， 在两波段反射率之差能够达到满意的诊断精 度的条件下， 确定作为最终的诊断因子的特定波段。 3.根据权利要求2所述基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置， 其特。

6、 征在于： 选择两个波长范围分别为754nm-771nm、 772nm-789nm的特定波段作为最终的诊断 因子。 4.根据权利要求1所述基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置， 其特 征在于： 光谱预处理模块(20)进行的处理为求一阶导数、 Savitzky-Golay平滑处理、 标准化 中二者或者以上的组合。 5.根据权利要求1所述基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置， 其特 征在于： 特征波段指标值计算模块(30)计算指标的诊断值， 包括计算两个波段的光谱反射 率的差值， 除以2得到特征波段计算值， 作为用于最终的诊断的光谱值。 6.根据权利要求1或2或3或4或5所。

7、述基于近红外特定波长水稻镉胁迫强度的诊断叶片 夹装置， 其特征在于： 镉胁迫强度诊断模块(40)中SVM诊断模型的诊断结果包括无Cd胁迫、 低浓度Cd胁迫、 中浓度Cd胁迫、 高浓度Cd胁迫四个类别， SVM诊断模型基于水稻冠层的特征 波段计算值， 得出水稻是否受到其中任意一种的胁迫， 对于置信度最高的诊断类别， 做为最 后诊断出的胁迫类别。 权利要求书 1/1 页 2 CN 109916845 A 2 基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置 技术领域 0001 本发明涉及遥感领域， 尤其是涉及一种近红外特定波长的的水稻镉胁迫强度的诊 断叶片 夹。 背景技术 0002 在我国， 受重。

8、金属污染的耕地面积已超1000万公顷(骆永明and滕应2006,Zhang, Huang et al.2010)， 每年造成粮食减产1000多万吨(孙铁珩,李培军et al.2005)。 而镉污 染是 当前最严重的土壤农田重金属污染类别(Chen,Teng et al.2015)。 如何快速检测土 壤是否受到 镉胁迫以及胁迫的强度， 对及时发现和后续治理尤为重要。 0003 当前， 农田重金属污染的诊断方法主要是化学分析检测， 对于已造成污染的区域 进行土 壤样本的抽样搜集， 之后在实验室研磨化验， 涉及到大量的土壤样本采集和化验， 效率低， 时效慢， 很难在实际应用中使用。 0004 本发明。

9、考虑到， 遥感技术可以无损害地获取水稻叶片的冠层信息， 可以在不损害 水稻正 常生长的情况下， 检测水稻叶片的纹理、 光谱等信息， 所以可以用来检测水稻是否 受到重金 属镉胁迫以及胁迫强度。 0005 因此， 本发明利用水稻叶片的近红外特定波长数据， 设置了镉胁迫程度的诊断叶 片夹装 置， 可以快速无害地识别出水稻受重金属镉胁迫的强度。 0006 相关文献： 0007 Chen,H.,Y.Teng,S.Lu,Y.Wang and J.Wang(2015).Contamination features and health risk of soil heavy metals in China.S。

10、ci Total Environ512-513:143- 153. 0008 Li,G.,E.M.Sproviero,R.C.S.Iii,N.Iguchi,J.D.Blakemore,R.H.Crabtree, G.W.Brudvig and V.S.Batista(2009) .Deposition of an oxomanganese water oxidation catalyst on TiO2 nanoparticles:computational modeling,assembly and characterization.Energy&Environmental Science2。

11、(2):230-238. 0009 Zhang ,X .,C .Huang ,B.Liu and Q .Tong(2010) .Inversion of soil Cu concentration based on band selection of hyperspetral data.Geoscience and Remote Sensing Symposium. 0010 骆永明and滕应(2006).我国土壤污染退化状况及防治对策.土壤38(5):505- 508. 0011 孙铁珩,李培军and周启星(2005).土壤污染形成机理与修复技术,科学出版社. 发明内容 0012 本发明的目。

12、的在于， 实现基于水稻叶片的近红外特定波长进行镉胁迫程度的快速 诊断， 通过轻便易携， 对水稻无损害的叶片夹装置， 及时发现水稻受重金属镉胁迫的强度， 为后续 及时治理提供可靠的技术支持。 说明书 1/7 页 3 CN 109916845 A 3 0013 本发明提供一种基于近红外特定波长的水稻镉胁迫强度诊断叶片夹装置， 包括叶 片夹、 光谱传感器、 微型计算机和GPS， 叶片夹、 光谱传感器、 GPS分别连接微型计算机， 叶片 夹 由两片光谱传感器探头组成， 微型计算机中设置水稻冠层近红外特定波段光谱数据的 采集模 块10、 光谱数据预处理模块20、 特征波段指标值计算模块30、 镉胁迫强度。

13、诊断模块 40； 0014 采集模块10， 用于利用叶片夹， 无损便捷地采集水稻冠层的特定波段光谱数据， 输 入光 谱预处理模块20； 0015 光谱预处理模块20， 用于接收并处理采集模块10传输的多波段光谱数据， 进行水 稻叶 片光谱噪声和冗余信息的消除； 0016 特征波段指标值计算模块30， 用于基于光谱预处理模块20输入的预处理后的光谱 数据， 计算特征波段计算值作为指标的诊断值， 输入镉胁迫强度诊断模块40； 0017 镉胁迫强度诊断模块40， 用于对于输入的特征波段计算值， 采用预训练的SVM诊断 模 型快速诊断和判别， 输出诊断所得最终的镉胁迫强度。 0018 而且， 预先选择。

14、适宜诊断镉胁迫强度的诊断因子， 利用叶片夹采集相应的水稻冠 层的特 定波段光谱数据， 选取实现方式如下， 0019 1)确定潜在的敏感因子范围， 包括从所有2000余个近红外邻近波段的差值中， 由 前期 试验经方差分析ANOVA2筛选得到若干潜在敏感因子； 0020 2)对步骤1)所得的潜在敏感因子， 根据随机森林RF的特征置信度的大小排序选择 前 若干个特征因子； 0021 3)基于SVM的诊断精度， 选择综合诊断精度最优的一个特征因子作为确定的诊断 因子， 确定该诊断因子由波段A和B差值所得； 0022 4)考察在波段A和B附近较宽的波长范围， 在两波段反射率之差能够达到满意的诊 断 精度。

15、的条件下， 确定作为最终的诊断因子的特定波段。 0023 而且， 选择两个波长范围分别为754nm-771nm、 772nm-789nm的特定波段作为最终 的诊 断因子。 0024 而且， 光谱预处理模块20进行的处理为求一阶导数、 Savitzky-Golay平滑处理、 标 准 化中二者或者以上的组合。 0025 而且， 特征波段指标值计算模块30计算指标的诊断值， 包括计算两个波段的光谱 反射率 的差值， 除以2得到特征波段计算值， 作为用于最终的诊断的光谱值。 0026 而且， 镉胁迫强度诊断模块40中SVM诊断模型的诊断结果包括无Cd胁迫、 低浓度Cd 胁迫、 中浓度Cd胁迫、 高浓度。

16、Cd胁迫四个类别， SVM诊断模型基于水稻冠层的特征波段 计算 值， 得出水稻是否受到其中任意一种的胁迫， 对于置信度最高的诊断类别， 做为最后诊 断 出的胁迫类别。 0027 本发明公开了一种土壤重金属镉胁迫强度的诊断叶片夹， 装置轻便易携， 对农作 物(水 稻)无害， 只需在水稻叶片上轻轻一夹， 即可检测出水稻受重金属镉胁迫的强度。 本 叶片夹 硬件装置可以有效实现： 1、 根据农作物(水稻)叶片的近红外特定波段的光谱数据， 野外实 时实地地判别农作物(水稻)是否受到镉胁迫； 2、 对农作物(水稻)是否受到镉胁迫 进行快 速识别预警； 3、 判断镉胁迫的大致强度范围， 对后续治理提供初步依。

17、据。 本装置是 一种小巧 易用， 简单易携的镉胁迫诊断装置， 可以在对农作物(水稻)叶片无损的情况下， 说明书 2/7 页 4 CN 109916845 A 4 高效地诊 断出镉胁迫的胁迫强度， 是一种基于近红外特定波段的农作物(水稻)土壤重金 属镉胁迫的 诊断叶片夹装置。 附图说明 0028 图1为本发明实施例的模块结构图； 0029 图2为本发明实施例的叶片夹硬件装置图； 0030 图3为本发明实施例的水稻冠层光谱采集意图； 0031 图4为本发明实施例的水稻冠层近红外特定波段光谱预处理示意图； 0032 图5为本发明实施例的水稻冠层光谱智能计算示意图 0033 图6为本发明实施例的镉胁迫。

18、强度的诊断示意图。 具体实施方式 0034 以下结合附图和实施例详细说明该发明技术方案。 0035 本发明提出通过水稻冠层近红外特定波长数据进行重金属镉胁迫强度的诊断叶 片夹， 实 现生长期水稻镉胁迫强度的快速监测。 该装置首先将传感器与后台微型计算机连 接在一起， 利用特定波段反射率传感器获取水稻冠层叶片光谱数据， 利用微型计算机存 储、 并记录数据 采集时间、 地点等； 然后对光谱进行自动化预处理， 包括： 包括异常光谱剔 除、 光谱一阶微 分、 Savitzky-Golay平滑、 标准化。 对预处理后的光谱值自动化组合计算诊 断值并输入最后镉 胁迫强度诊断模块， 实现镉胁迫强度的快速识别。

19、。 0036 如图1， 实施例提供了水稻冠层光谱数据快速诊断镉胁迫的叶片夹装置的内部模 块示意 图， 包括水稻冠层近红外特定波段光谱数据的采集模块10、 光谱数据预处理模块 20、 特征波 段指标值计算模块30、 镉胁迫强度诊断模块40。 0037 实施例中， 整个仪器的构造如图2所示， 包括叶片夹、 光谱传感器、 微型计算机和 GPS， 叶片夹、 光谱传感器、 GPS分别连接微型计算机， 此外还可以设置显示用的显示器和剩 余电 量显示器、 供电用的电源开关和充电插头。 具体实施时， 可以将光谱传感器、 微型计算 机、 GPS等集成设置在壳体内部， 叶片夹设置在壳体外部， 和光谱传感器连接。 。

20、还可以在壳 体上 设置方便拿取的手柄。 0038 实施例中叶片夹位于右上位置， 由上下两片拇指大小的光谱传感器探头组成， 正 常情况 下呈打开状态， 数据采集的时候只需稍用力， 即可闭合轻轻夹住叶片获取数据， 数 据经光谱 传感器获取后， 传到微型计算机存储； 手柄采取符合常人习惯的右手发力方式， 舒适抓住仪 器， 并方便食指和拇指控制叶片夹的发力。 0039 实施例中， 微型计算机可采用微型的个人PC实现， 包括中央处理器的CPU， 一般内 设 有存储单元， 可以实时存储传感器测量的水稻冠层高光谱数据。 GPS、 显示器、 光谱传感 器 都与微型计算机连接， 具体地， 可视为与CPU连接。 。

21、获取的GPS位置信息和光谱信息会实 时在显示器上显示， 存储后显示器会处于光谱采集信息常亮状态， 数据经微型计算机进入 后 台进行预处理、 特征波段计算、 诊断， 诊断结果完成后， 经微型计算机控制， 将结果记录 并 显示在显示器上。 诊断结果一直在显示器上显示， 直到下一次数据采集开始。 0040 微型计算机采用软件模块化方式可实现水稻冠层近红外特定波段光谱数据的采 集模块10、 光谱数据预处理模块20、 特征波段指标值计算模块30、 镉胁迫强度诊断模块40。 说明书 3/7 页 5 CN 109916845 A 5 采集模块 10所得数据传输到光谱数据预处理模块20， 处理后再传输至特征波。

22、段指标值计 算模块30， 最后经镉胁迫强度诊断模块40诊断传输至CPU， 并显示到显示器上。 为了方便数 据采集和 处理的自动化传输进行， 上述各个模块都与CPU连接。 内部模块的使用会在下面 进行详细说 明。 0041 以下分别说明各模块实现， 以供实施参考。 0042 水稻冠层近红外特定波段光谱数据的采集模块10用于水稻冠层光谱数据的采集， 通过数 据传输等形式将数据存储到微型计算机内设的存储单元上， 作为后续光谱数据预 处理模块20 的输入数据。 0043 利用叶片夹和光谱传感器， 可以无损便捷地采集水稻冠层的特定波段光谱数据。 在开始 测定前， 要对当天的环境参数(太阳辐射、 空气水汽。

23、含量、 当地时间、 天气状况等)有 一个 初步记录， 如表1， 之后预热机器， 使光谱探头和仪器运行状态达到最佳， 保证光谱数 据采 集阶段电量充足、 仪器工作温度适宜， 在预热的同时， 可以设定叶片夹硬件的采集参 数， 仪 器预热状态与工程参数设置表格如表2所示， 采集数据的记录形式如表3所示。 0044 表1环境参数记录表 0045 日期 时间 太阳辐射 温度 空气水汽含量 天气状况 0046 表2工程参数设置记录表 0047 开始时间 预热时间 外界温度 仪器温度 曝光时间 单次采集次数 存储位置 存储格式 编号形式 编号开始码 剩余电量 0048 表3冠层光谱数据记录表 0049 采集。

24、点编号 光谱值 采集时间 经度 纬度 0050 实施例中， 选择晴朗无云的当地时间10： 0014： 00， 预热器械3-5分钟， 在野外稻 田 中， 轻轻夹住叶片3s-5s， 光谱传感器所得数据传到采集模块10， 采集模块10数据采集完 成， 将采集到的光谱数据输入光谱数据预处理模块。 0051 采集模块10采集的是通过2个叶片的探头分别得到的2个特殊波段的光谱值。 光谱 波段 有2000余个邻近波段的差值(后者减前者)可被作为诊断因子， 为提高效率， 具体实施 时可 预先从中找到适合Cd诊断的潜在敏感因子， 然后再从潜在敏感因子里面选择适宜诊 断的因 子。 实施例中， 确定最终诊断因子的具。

25、体实现包括以下步骤： 0052 1)确定潜在的敏感因子范围， 包括从所有2000余个可视及近红外邻近波段的差值 说明书 4/7 页 6 CN 109916845 A 6 (所 谓临近波段的差值， 即对于任意相邻的2个波段， 均有后者反射率的值减去前者所得) 中， 由前期试验经方差分析(Two-way analysis of variance， ANOVA2)筛选得到若干潜在 敏感因 子； 基于Cd胁迫试验设置的零低中高四个浓度的胁迫组别， ANOVA2借助反射率差异 在不 同组别间的均值和总平均值之偏差平方和的总和表示， 其结果(差异显著性)即为判 别该波 段差值是否对Cd胁迫敏感的依据。 根。

26、据不同Cd胁迫强度间差异的显著性(设置 0.05)， 即 有效区分Cd胁迫强度变化导致的反射率差异， 得到对单一重金属Cd胁迫敏感的 潜在特征因 子。 0053 2)对步骤1)所得的潜在敏感因子， 根据随机森林(Random Forest， RF)的特征置信 度 (Z-Value)的大小排序选择前10个特征因子。 0054 3)基于SVM的诊断精度， 选择综合诊断精度最优的一个特征因子作为确定的诊断 因子， 确定该诊断因子由波段A和B差值所得。 实施例中， 该因子由波段772nm和771nm差值 所 得。 0055 因此实施例中选择的两个特定波段为771nm和772nm。 0056 4)从制造。

27、成本考虑， 由于光谱带宽较窄的传感器成本较高， 因此考察在771nm和 772nm 附近较宽的波长范围， 范围为754-771nm、 772-789nm时， 利用两波段反射率之差仍可 达到 满意的诊断精度， 故确定了Cd胁迫诊断的最终诊断因子， 即实施例中选择的两个波长 范围 分别为754nm-771nm、 772nm-789nm的特定波段。 0057 光谱数据预处理模块20， 用于对采集模块10所得光谱数据， 进行水稻叶片光谱噪 声和 冗余信息的消除， 提高数据采集的可靠性， 以便获得更高的镉胁迫强度的诊断精度。 具体实 施时可包括一阶导数(1st-Derivative)、 标准化(Std)。

28、、 Savitzky-Golay平滑(Sg) 中两种或以 上处理的组合。 0058 特征波段指标值计算模块30， 用于基于光谱预处理模块20输入的预处理后的光谱 数据， 分配计算内存， 计算特征波段计算值作为指标的诊断值， 输入镉胁迫强度诊断模块 40。 0059 特征波段的计算来源于本发明提出的特定波段光谱， 具体的波段和计算方法如 下， 基于 光谱数据预处理模块20传输进来的预处理后的光谱数据， 计算得到指标的诊断 值， 输入下一 个诊断模块； 0060 诊断所用光谱值计算公式为： (R772-789nm-R754-771nm)/2 0061 即： 计算两个波段(波长范围754nm-771。

29、nm、 772nm-789nm)的光谱反射率的差值， 最 后除 以2得到用于最终的诊断的光谱值。 0062 具体实施时， 可依托于微型计算机的计算功能， 根据数据计算量(数据量评估、 分 配存 储、 存储单位等)， 如表4， 将光谱预处理模块20的数据计算后传输进诊断模块。 0063 表4计算参数记录表格 0064 数据量 存储单位 计算机总内存 已占用内存 运行内存分配 0065 镉胁迫强度诊断模块40， 用于对于输入的特征波段计算值， 采用预训练的SVM诊断 模 型快速诊断和判别， 输出诊断所得最终的镉胁迫强度。 说明书 5/7 页 7 CN 109916845 A 7 0066 基于特征。

30、波段指标计算模块30所得诊断所用光谱值， 传入内部的支持向量机 (SVM) 模型分类器， 对水稻是否受到重金属镉胁迫强度进行快速判定， 诊断精度最高的将 作为最终 水稻受到镉胁迫的强度。 0067 诊断模块包括内置模型调用单元和诊断结果显示单元。 0068 内置模型调用单元： 根据预训练的SVM诊断模型参数将内置参数调整为适宜的诊 断参 数， SVM诊断模型的具体参数设置共有四组12个， 内置单元中共包括12组完整的SVM诊 断模型的参数， 包括核函数类别、 偏差值等， svmModel1001、 svmModel2001、 svmModel3001 是诊断水稻是否受到任一浓度Cd胁迫的模型，。

31、 svmModel1002、 svmModel2002、 svmModel3002 是诊断是否受到低浓度Cd胁迫的模型， svmModel1003、 svmModel2003、 svmModel3003是 诊 断是否受到中浓度Cd胁迫的模型， svmModel1004、 svmModel2004、 svmModel3004是诊 断是 否受到高浓度Cd胁迫的模型。 0069 实施例中， 整个模型训练和分类都是在Matlab 2015a上操作， 选择平台自带的SVM 训 练， 考虑到样本个数有限， 将平台的SVM改成留一验证的形式评估模型精度， 即N个样本， 每个样本逐个作为验证数据集， 其他的作。

32、为训练集在平台上训练， 最终精度取N个判别模型 的平均值。 在SVM训练模型中， 对于零/低/中/高浓度的诊断， 核函数KernelFunction保持不 变， 选择线性核函数linear kernel ,其他会随着训练标签的变化存有差异： 组别 GroupsName即 为训练标签， 变化部分包括支持向量(SupportVectors) ,拉格朗日向量 (Alpha),超平面截 距(Bias),向量指数(SupportVectorIndices),数据规模(ScaleData), 而ScaleData又包括 行向量均值(shift)， 以及shift的倒数标度系数(scaleFactor) 两。

33、个因素。 具体实现可参 见Matlab 2015a相应封装， 本发明不予赘述。 0070 对于四个强度胁迫(每个包括3个svmModel)的模型，“-001” 是训练模型时诊断第1 个 样本的诊断模型，“-003” 是训练模型时诊断最后一个样本的诊断模型，“-002” 是训练模 型时诊 断中间训练样本(除首末2个)的诊断模型。 具体实施中， 将训练模型得到的训练参 数内置 到叶片夹装置中， 类似一个SVM多分类器， 对于实际采集中的样本， 将其作为验证集 进行 胁迫强度验证， 得出其 “类别” 胁迫强度。 0071 诊断结果单元， 包括四个类别： 无Cd胁迫、 低浓度Cd胁迫、 中浓度Cd胁迫。

34、、 高浓度 Cd胁迫。 诊断模型会基于水稻冠层的特殊光谱， 得出水稻是否受到其中任意一种的胁迫， 对 于置信度最高的诊断类别， 即为最后叶片夹装置诊断出的胁迫类别， 结果和置信度将在显 示 屏上显示。 0072 为便于实施参考起见， 提供用户采用本发明所提供的水稻镉胁迫强度实时诊断的 叶片夹 硬件装置过程如下： 0073 步骤1， 水稻冠层光谱数据采集步骤， 包括根据用户设定的参数， 获取水稻冠层近 红外特 定波段的光谱数据； 0074 步骤2， 光谱数据预处理步骤， 包括一阶导数、 标准化、 Savitzky-Golay平滑及它们 的组 合， 获得不受环境因素影响的预处理后光谱数据； 007。

35、5 步骤3， 特征波段指标值计算步骤， 微型计算机将根据在开始采集前设定的参数 (表2)， 智能化分配计算空间， 自动化计算指标值并传入下一个模块； 0076 步骤4， 镉胁迫强度诊断步骤， 该步骤也是微型计算机的自动化判别， 利用内嵌的 SVM 诊断模型对零浓度、 低浓度、 中浓度、 高浓度镉胁迫的置信度进行分别评估， 通过微型 说明书 6/7 页 8 CN 109916845 A 8 计算 机内嵌程序的比较， 最终叶片夹判别的胁迫强度置信度最高的为水稻实际受镉胁迫 的强度， 在显示器上显示该强度和对应置信度。 0077 具体实施时可采用软件技术实现自动运行流程。 0078 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。 本发明所属技术领 域的技 术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替 代， 但并不 会偏离本发明的精神或者超越所附权利要求书所定义的范围。 说明书 7/7 页 9 CN 109916845 A 9 图1 图2 说明书附图 1/3 页 10 CN 109916845 A 10 图3 图4 图5 说明书附图 2/3 页 11 CN 109916845 A 11 图6 说明书附图 3/3 页 12 CN 109916845 A 12 。