[0001] 本申请涉及一种基于光谱技术测量辣椒叶片叶绿素的方法，涉及基于光谱技术的叶绿素测量技术领域。

[0002] 随着现代农业的发展与精准农业技术的进步，对作物生理状态和品质进行实时、无损、高效的监测日益重要。叶绿素作为植物体内参与光合作用的关键色素，其含量直接反映了植物的光合活性和生长状况，是评价作物健康状况、产量预测以及指导农事活动的重要指标。然而，传统的叶绿素含量检测方法，如乙醇提取法、分光光度法等，存在耗时长、操作繁琐、对样品有损伤等问题，无法满足大规模、快速监测的需求。

[0037] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

[0038] 应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

[0039] 还应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

[0040] 下面结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。

[0041] 在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

[0042] 实施例一

[0043] 本申请实施例提供了一种基于光谱技术测量辣椒叶片叶绿素的方法，如图1和2所示，该方法包括：

[0044] S100选取预处理后的辣椒叶片作为样本，将样本划分为校准集和测试集，其中，校准集包括已知叶绿素含量的样本，测试集包括待测量叶绿素含量的样本；

[0045] 可选的，选取若干合适的辣椒叶片并清洁其表面污渍后作为样本。

[0046] 在一种实施方式中，在对辣椒叶片采样与预处理的过程中，选取具有代表性的辣椒叶片，无需化学提取或破坏性处理，仅需清洁表面污渍，保持自然状态。具体的，选择具有代表性的辣椒植株，摘取发育正常、无病虫害的成熟叶片，而后使用软布或棉签轻轻擦拭叶片表面，去除尘土、露水或其他污染物，保证光谱信号不受干扰，得到若干样本。

[0047] 在一种实施方式中，记录每片叶片的基本信息，包括采摘时间、部位、叶片大小等，以便后续数据分析。

[0048] S200设定特征波长的范围和荧光强度并对样本进行光谱扫描，得到样本在可见光及近红外波段范围内的光谱数据；

[0049] 在一种实施方式中，使用便捷式光谱仪，如近红外光谱仪或高光谱成像系统，对准辣椒叶片进行光谱扫描，获取其在可见光及近红外波段范围内的光谱数据。具体的，先设置合适的测量参数，包括但不限于波长范围(通常设置为350‑800nm或700‑1000nm)、分辨率和扫描速度等，将叶片置于光谱仪的稳定平台上，确保叶片均匀受光，尽可能覆盖整个光谱仪的有效接收区域，开启光谱仪，对准叶片进行扫描，获取完整的光谱数据，包括反射光谱或透射光谱。

[0050] 本申请实施例采用非破坏性光谱技术，不仅可以提高测量效率，减少实验成本，而且避免了化学试剂对环境的污染，同时，该方法可实现实时监测，有助于及时了解辣椒植株的生理状况并指导精准农业管理，可用于辣椒种植过程中的生长监测、品质评估以及病虫害预警等方面，对于提升辣椒产业的精细化管理水平，保障辣椒产品质量具有重要价值。

[0051] 在一种实施方式中，特征波长λn的范围为350～800nm，且荧光强度设定为400、800或1200lux。

[0052] 在一种实施方式中，由于叶绿素在可见光区有明确的吸收峰和荧光发射特性，特征波长范围为350～800nm涵盖了可见光区，这一范围对于叶绿素的荧光检测特别重要，且不同波长的荧光强度可以揭示不同物质的存在和浓度；如，若荧光强度分别在400nm、800nm和1200nm三个波长处测量，可能分别对应不同分子结构的荧光响应，有助于区分不同类型的荧光物质或探查不同激发状态下样品的荧光性质，通过分析不同波长下的荧光强度变化，可以深入了解植物的生理状况，例如光合作用效率、胁迫响应等，并且在350～800nm波长范围内在叶绿素含量分析方面测量荧光强度有助于对植物生理生态研究和农作物品质评估。

[0053] 本申请实施例通过将化学测定的真实叶绿素含量与选定特征波长下的吸光度配对，建立了可靠的地面实况数据集，为后续模型构建提供了坚实的定量基础，这种方法允许将无损的光谱测量与传统的实验室化学方法相结合，既节省了时间和成本，又能保持测量结果的科学性和准确性。

[0054] S300根据所述光谱数据得到与叶绿素含量相关的特征波长；

[0055] 可选的，根据所述光谱数据得到与叶绿素含量相关的特征波长包括：

[0056] S301通过平滑滤波方法和归一化对所述光谱数据进行预处理；

[0057] S302基于预处理后的光谱数据计算各个特征波长的特征参数，特征参数包括红边位置与红边斜率、叶绿素指数、归一化差值植被指数、增强植被指数等；

[0058] S303基于各特征参数，通过高级特征选择方法识别出与叶绿素含量相关的特征波长，这些特征波长可能对应着叶绿素的最大吸收峰或边缘效应。

[0059] 在一种实施方式中，步骤S301中，对光谱数据进行预处理，包括采用平滑滤波方法消除噪声以及归一化消除物理因素的影响。其中，平滑滤波方法包括采用移动平均或Savitzky‑Golay滤波器等，归一化如归一化至参考波段、最大值归一化、标准正态变量转换SNV等，而物理因素泛指如光源强度、距离、叶片表面粗糙度等影响。

[0060] 在一种实施方式中，步骤S302中，红边位置的特定波长为696～705nm。其中，叶绿素a和b在700nm左右有一明显的“红边”现象，可以通过计算红边位置、红边斜率或特定波长(如696nm或705nm)的归一化差值植被指数等参数来反映叶绿素含量，如图3所示数据比对，其中光谱特征波长在区间350～354nm之间所实际测得的叶绿素含量与预测的叶绿素含量差异明显大于光谱特征波长在区间696～800nm所实际测得的叶绿素含量与预测的叶绿素含量差异，显著表现在特征波长为700nm的临近特征波长。

[0061] 在一种实施方式中，步骤S303中，采用的高级特征选择方法为UVE‑IRIV算法，具体步骤包括：

[0062] S1.1、初始定义：定义光谱数据矩阵X，其中每一列代表一个波长下的光谱强度，每一行代表一个样本，获取已知的叶绿素含量标签Y，作为响应变量；

[0063] S1.2、无信息变量消除：计算光谱特征波长λn与叶绿素含量之间的相关性或互信息，识别出与叶绿素含量变化关系较弱或无明显关系的波长，通过迭代过程逐步剔除这些非信息性特征波长，如使用UVE算法中的范数惩罚、投影追踪等方法来判断和移除无用特征；

[0064] S1.3、信息拒绝不变向量选择：假设本步骤是指保持预测性能稳健的特征选择策略，这可能涉及到构建多元校正模型(如偏最小二乘回归PLS)，在每次特征剔除后检查模型预测性能的变化，选择仍能保持预测性能稳定的特征波长；

[0065] S1.4、迭代优化：进行多次迭代，每次迭代都重复步骤S1.2与S1.3的过程，直至剩余的特征波长既能有效地预测叶绿素含量，又能在一定程度上抵抗特征缺失时的预测性能下滑。

[0066] S400通过化学方法测定校准集样本实际的叶绿素含量并建立校准集参数，基于校准集参数构建校准集样本的叶绿素含量与其光谱数据之间的数学模型，其中，所述校准集参数包括与叶绿素含量相关的特征波长λn、样本在各特征波长下的吸光度A(λn)和样本的叶绿素含量；

[0067] 在一种实施方式中，通过多元统计分析或机器学习算法构建校准集中样本的叶绿素含量与其光谱数据之间的数学模型。

[0068] 可选的，基于校准集参数构建校准集样本的叶绿素含量与其光谱数据之间的数学模型包括：

[0069] S401通过对原始光谱数据进行分析，确定与叶绿素含量最相关的几个特征波长(λ1,λ2,…,λn)，这些特征波长可能是叶绿素吸收峰所在的波段或其它能够反映叶绿素含量变化的关键位置；

[0070] S402数据准备：基于校准集中各样本，获取每个辣椒叶片在步骤S401中选定的特征波长下的对应吸光度A(λ1),A(λ2),…,A(λn)；

[0071] S403模型构建：假设实际的叶绿素含量Ci与各个特征波长(λ1,λ2,…,λn)下的吸光度A(λ1),A(λ2),…,A(λn)之间存在线性关系，建立如下方程组：

[0072] Ci＝a1*A(λ1)+a2*A(λ2)+…+an*A(λn)+b；

[0073] 其中，a1,a2,…,an为特征波长(λ1,λ2,…,λn)所对应的权重系数，反映了各波长吸光度对叶绿素含量贡献的大小；b为截距项，反映了除吸光度之外的其他因素对叶绿素含量的影响；

[0074] S404参数估计：利用最小二乘法或偏最小二乘回归分析方法，基于上述步骤所获取的叶绿素含量Ci各与之相关的吸光度A(λ1),A(λ2),…,A(λn)对步骤S403中的方程组进行权重系数a1,a2,…,an与截距项b的求解，以最小化预测值与实际叶绿素含量之间的残差平方和，得到所述数学模型。

[0075] 本申请实施例基于线性假设建立模型，降低了复杂性，使得模型易于理解和解释，尤其对于初次探索性研究和快速现场应用非常有利。且利用构建的数学模型，能够对未知的辣椒叶片进行快速无损的叶绿素含量预测，大大提升了测量效率，实现了对大量样本的快速评估。

[0076] 进一步的，S405对得到的数学模型进行训练优化，具体包括：

[0077] S2.1模型评估：基于所获取的叶绿素含量预测值ci与实际的叶绿素含量Ci，通过计算绝对系数计算数学模型的预测误差值，计算公式如下：

[0078]

[0079] 其中，R2为决定系数，是衡量模型对数据拟合程度的一个关键指标，反映了模型解释因变量变化的能力；

[0080] S2.2模型调整：基于步骤S2.1中的计算结果，基于所述权重系数a1,a2,…,an与截距项b对数学模型进行调整，得到优化后的数学模型。

[0081] 进一步的，步骤S2.1中还包括：额外通过计算相对误差进行模型的误差值预测，计算公式如下：

[0082]

[0083] 其中，n为校准集样本数量，为实际的叶绿素含量的平均值。相对误差RE提供了预测值与真实值之间偏差的一种标准化度量，不受数据尺度的影响，便于跨不同尺度的数据集进行比较。

[0084] 本申请实施例通过计算决定系数和相对误差建立对数学模型的调整过程，可以从不同层面评估模型预测的可信度和实用性，进而对模型进行必要的优化和调整，以减小预测误差并提高预测精度，同时，也可以通过分析两者来设定合理的误差容忍范围，帮助判断模型是否满足实际应用的需求，以确认模型的稳定性和有效性。

[0085] S500将测试集样本的光谱数据输入至所述数学模型，得到测试集样本的叶绿素含量预测值。

[0086] 在一种实施方式中，将待测量辣椒叶片的光谱数据输入优化后的数学模型，对其叶绿素含量进行预测，即可得到待测量辣椒叶片的叶绿素含量预测值ci。

[0087] 由上可见，本申请实施例提供了一种基于光谱技术测量辣椒叶片叶绿素的方法，将化学测定的真实叶绿素含量与选定特征波长下的吸光度配对，建立了可靠的地面实况数据集，为后续模型构建提供了坚实的定量基础，这种方法允许将无损的光谱测量与传统的实验室化学方法相结合，既节省了时间和成本，又能保持测量结果的科学性和准确性；并且，利用构建的数学模型，能够对未知的辣椒叶片进行快速无损的叶绿素含量预测，大大提升了测量效率，实现了对大量样本的快速评估；此外，采用非破坏性光谱技术，不仅可以提高测量效率，减少实验成本，而且避免了化学试剂对环境的污染，同时，该方法可实现实时监测，有助于及时了解辣椒植株的生理状况并指导精准农业管理，可用于辣椒种植过程中的生长监测、品质评估以及病虫害预警等方面，对于提升辣椒产业的精细化管理水平，保障辣椒产品质量具有重要价值。

[0088] 实施例二

[0089] 本申请实施例提供了一种电子设备，该电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，其中，存储器用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器和处理器通过总线连接。具体地，处理器通过运行存储在存储器的上述计算机程序时实现上述实施例一中的任一步骤。

[0090] 应当理解，在本申请实施例中，所称处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

[0091] 存储器可以包括只读存储器、快闪存储器和随机存储器，并向处理器提供指令和数据。存储器的一部分或全部还可以包括非易失性随机存取存储器。

[0092] 应当理解，上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于以计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

[0093] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

[0094] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0095] 需要说明的是，上述实施例所提供的方法及其细节举例可结合至实施例提供的装置和设备中，相互参照，不再赘述。

[0096] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

[0097] 在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其他的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

[0098] 上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。