基于計(jì)算機(jī)視覺的土壤鎘脅迫生菜葉片污染響應(yīng)分析

孫　俊　張躍春　毛罕平　武小紅　陳　勇　翁褀鵬

(1.江蘇大學(xué)電氣信息工程學(xué)院， 鎮(zhèn)江 212013； 2.江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室， 鎮(zhèn)江 212013)

0　引言

蔬菜生長在鎘污染的土壤中或長期使用受鎘污染的水澆灌會(huì)造成鎘污染，受污染的生菜體內(nèi)含有較高水平的鎘積累，表現(xiàn)出生長受到嚴(yán)重抑制，各項(xiàng)生理指標(biāo)和營養(yǎng)含量均有明顯下降，制約其產(chǎn)業(yè)發(fā)展[1]。鎘可在生物體內(nèi)富集，通過食物鏈進(jìn)入人體引起慢性中毒，嚴(yán)重影響人體健康[2-4]。傳統(tǒng)的重金屬檢測(cè)方法雖然準(zhǔn)確性好、靈敏度高，但也存在著樣品消化時(shí)間長、試劑消耗量大、環(huán)境危害較大、儀器操作復(fù)雜等缺點(diǎn)[5-8]，無法滿足現(xiàn)代農(nóng)業(yè)的需求，不利于推廣。因此，探索并建立快速檢測(cè)蔬菜鎘污染等級(jí)的方法，對(duì)生菜產(chǎn)業(yè)發(fā)展和人體健康均有重要意義。

目前，無損檢測(cè)蔬菜中重金屬含量的方法主要應(yīng)用光譜技術(shù)。顧艷文等[9]利用光譜參數(shù)對(duì)小白菜葉片鎘含量進(jìn)行估算。高偉[10]利用高光譜技術(shù)對(duì)鎘脅迫下兩種葉類蔬菜的葉片高光譜特征及生理參數(shù)進(jìn)行模擬。但是，光譜技術(shù)一般基于點(diǎn)源信息，信息較片面；高光譜圖像技術(shù)涉及的信息量巨大，數(shù)據(jù)處理分析是一難題，且需昂貴的設(shè)備儀器。計(jì)算機(jī)視覺檢測(cè)技術(shù)是指利用圖像傳感器將作物的一些特征轉(zhuǎn)變?yōu)閳D像信息，并分析作物圖像的顏色、形態(tài)、紋理、明度等信息，較光譜技術(shù)信息量更為全面，較高光譜圖像技術(shù)信息更易處理分析。國內(nèi)外已將計(jì)算機(jī)視覺技術(shù)用于農(nóng)副產(chǎn)品品質(zhì)檢測(cè)，并取得了一定的成效[11-15]。黃東龍等[16]利用計(jì)算機(jī)視覺技術(shù)對(duì)水體突發(fā)性重金屬污染下斑馬魚的行為反應(yīng)進(jìn)行分析。樂立強(qiáng)等[17]利用圖像獲取系統(tǒng)得到皮蛋表面斑點(diǎn)的整體顏色特征，采用計(jì)算機(jī)軟件對(duì)皮蛋表面斑點(diǎn)進(jìn)行量化處理得出蛋殼亮度值，以考察金屬添加劑的種類和含量。以上文獻(xiàn)均是利用計(jì)算機(jī)視覺技術(shù)對(duì)重金屬的分析應(yīng)用，表明利用計(jì)算機(jī)視覺技術(shù)檢測(cè)農(nóng)產(chǎn)品品質(zhì)是可行的。但是，利用計(jì)算機(jī)視覺技術(shù)在蔬菜重金屬污染檢測(cè)方面的研究還未見報(bào)道。因此，本文選取比較容易被葉類蔬菜吸收的重金屬鎘為研究對(duì)象，利用計(jì)算機(jī)視覺技術(shù)對(duì)不同土壤鎘脅迫梯度的生菜葉片污染響應(yīng)進(jìn)行分析，以期為生菜重金屬污染的快速檢測(cè)提供技術(shù)支持。

1　材料與方法

1.1　試驗(yàn)設(shè)計(jì)

本試驗(yàn)在江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)省部共建重點(diǎn)實(shí)驗(yàn)室的Venlo型溫室內(nèi)進(jìn)行。采用盆栽試驗(yàn)，試驗(yàn)品種為意大利耐抽薹生菜，試驗(yàn)土壤為未受污染的營養(yǎng)土，其中大量元素氮、磷、鉀含量均大于5%，中微量元素鋅、硼含量均大于0.3%。采用篩網(wǎng)將土壤篩去雜質(zhì)呈細(xì)粒狀，保持土壤干燥通風(fēng)。根據(jù)GB15618—1995《土壤環(huán)境質(zhì)量標(biāo)準(zhǔn)》土壤污染的3個(gè)標(biāo)準(zhǔn)，在土壤中分別加入0(CK)、0.2、0.6、1 mg/kg的鎘。準(zhǔn)確稱取對(duì)應(yīng)質(zhì)量的CdCl2·2.5H2O分析純?cè)噭?，以蒸餾水作溶劑，配置200 mL溶液。對(duì)應(yīng)逐層噴灑在試驗(yàn)土壤中，充分翻土混合，3 d后放入口徑17 cm、深15 cm的花盆中，每盆加土1 kg。每個(gè)處理水平設(shè)置8個(gè)平行組，等育苗盤里面的幼苗長至5～6片葉時(shí)移栽到花盆，每盆一株。

1.2　圖像采集

當(dāng)生菜生長到蓮座期，摘取中間的生菜葉片，剔除新、老葉，進(jìn)行圖像采集。將生菜葉片置于一張A4白紙上方，用SONY DSC-HX30V型數(shù)碼相機(jī)進(jìn)行拍攝。相機(jī)垂直于A4紙，距離葉片50 cm處進(jìn)行拍攝。相機(jī)曝光時(shí)間設(shè)置為0.01 s，最大光圈值為f/4，圖像儲(chǔ)存格式為JPG，分辨率為4 896像素×3 672像素。拍攝時(shí)間均為12:00—13:00之間，天氣晴朗無云時(shí)進(jìn)行。共采集生菜葉片圖像200幅，其中4個(gè)鎘脅迫水平各50幅。圖像采用Matlab 2014a進(jìn)行處理。

1.3　土壤鎘脅迫梯度與生菜葉片鎘污染程度的正相關(guān)性

將圖像采集后的生菜葉片根據(jù)GB 5009.15—2014 《食品安全國家標(biāo)準(zhǔn)食品中鎘的測(cè)定》中的石墨爐原子吸收光譜測(cè)定方法測(cè)定生菜葉片中鎘的含量，結(jié)果如表1所示。

表1　生菜葉片中鎘含量的數(shù)據(jù)統(tǒng)計(jì)結(jié)果Tab.1　Data of cadmium in leaves of lettuce　mg/kg

從生菜葉片鎘含量平均值可以看出，隨著土壤鎘脅迫梯度的增加，生菜葉片的鎘含量也逐漸增加。表明土壤的鎘脅迫梯度與生菜葉片的鎘污染程度呈正相關(guān)性。

1.4　圖像分割

圖像分割是為了有效地進(jìn)行圖像描述和分析，將原始圖像中的生菜葉片區(qū)域與背景區(qū)域分割開來，分割出的生菜葉片區(qū)域可以作為后續(xù)特征提取的目標(biāo)對(duì)象。本文使用K-means算法對(duì)生菜葉片圖像進(jìn)行分割。K-means算法以聚類數(shù)K為參數(shù)，把樣本空間n個(gè)像素點(diǎn)分為K類，使類內(nèi)具有較高的相似度，而類間的相似度較低[18]。以歐氏距離作為相似度測(cè)度，并采用誤差平方和準(zhǔn)則函數(shù)作為聚類準(zhǔn)則函數(shù)。

1.5　圖像特征提取

圖像特征提取是進(jìn)行圖像識(shí)別的關(guān)鍵步驟，圖像特征提取的效果影響圖像識(shí)別的效果，目前常用的圖像特征包括顏色、紋理和形狀等[19]。

1.5.1顏色特征提取

在圖像識(shí)別中，顏色是描述圖像最直接的特征，它與圖像中所包含的物體十分相關(guān)，相比于其它的視覺特征，顏色特征對(duì)圖像本身的尺寸、方向、視角的依賴性相對(duì)較小，具有較強(qiáng)的魯棒性。當(dāng)生菜受到鎘脅迫時(shí)，Cd2+會(huì)破壞葉綠體結(jié)構(gòu)，干擾Mg與原卟啉原結(jié)合，使葉綠素a和葉綠素b含量發(fā)生變化[20]。在宏觀上的表現(xiàn)是葉片顏色呈現(xiàn)灰白色，邊緣干枯[21]。因此，顏色是描述生菜葉片是否受到鎘脅迫的一個(gè)重要外觀特征。RGB是易于硬件使用的顏色空間，HSV是最符合人的視覺機(jī)理的顏色空間，將兩者結(jié)合來描述生菜葉片鎘脅迫水平的顏色特征。本文提取了R、G、B、H、S、V6個(gè)顏色特征值的平均值(Mean)、方差(Variance)、偏斜度(Skewness)和峰度(Kurtosis)，共24個(gè)顏色特征值。

1.5.2紋理特征提取

紋理是對(duì)圖像細(xì)節(jié)的描述，反映了像素灰度空間的圖像特征。當(dāng)生菜受到鎘脅迫時(shí)，蔬菜的生長趨勢(shì)會(huì)受到一定的影響，會(huì)出現(xiàn)葉片邊緣失水、失綠，葉面呈灰白色等癥狀，這些癥狀導(dǎo)致葉片的紋理特性發(fā)生變化[22]。因此，紋理特征也是表征鎘脅迫水平的重要特征?；叶忍荻裙采仃嘯23](Gray-gradient co-occurrence matrix, GGCM)紋理特征分析是用灰度和梯度的綜合信息提取紋理特征。將圖像的梯度信息加入到灰度共生矩陣中，使共生矩陣包含圖像的紋理基元及其排列信息?；谝?guī)范化的GGCM，提取得到15個(gè)紋理特征參數(shù)[24]：小梯度優(yōu)勢(shì)(WSga)、大梯度優(yōu)勢(shì)(WLga)、灰度分布不均勻性(WGyd)、梯度分布不均勻性(WGdd)、能量(WEn)、灰度均方差(WGys)、梯度均方差(WGds)、相關(guān)性(WCo)、灰度熵(WGye)、梯度熵(WGde)、混合熵(WHe)、慣性矩(WMi)、逆差矩(WIdm)、梯度均值(Wadm)和灰度均值(Waym)。

1.5.3形狀特征提取

對(duì)于生菜葉片形狀特征，由于同一鎘脅迫水平的生菜葉片大小也會(huì)出現(xiàn)較大的差異，所以絕對(duì)性形狀參數(shù)(長、寬、面積和周長)不適合用作定性依據(jù)。Hu不變矩(Hu invariant distance)是對(duì)目標(biāo)區(qū)域內(nèi)所有像素集合的描述，具有不隨目標(biāo)物在圖像中的位置、大小和角度變化而變化的特點(diǎn)，屬于RST(Rotation scale translation)不變形的無量綱幾何特征參數(shù)。根據(jù)葉片的二值圖像計(jì)算得到Hu不變矩[25-26]。

對(duì)于二維離散圖像f(x,y)的(p+q)階矩mpq和中心距μpq定義為

(1)

(2)

式中M、N——圖像的行數(shù)和列數(shù)

x、y——圖像像素點(diǎn)的坐標(biāo)值

根據(jù)二階和三階中心距推導(dǎo)了7個(gè)不變矩組，分別為

1.6　特征選擇

綜合以上特征提取結(jié)果可以得出，顏色信息共24個(gè)特征數(shù)據(jù)，紋理特征共15個(gè)特征數(shù)據(jù)，形狀特征共7個(gè)特征數(shù)據(jù)，因此共提取46個(gè)生菜鎘脅迫圖像特征用于后續(xù)分析。使用SPSS軟件中的t檢驗(yàn)檢測(cè)數(shù)據(jù)中的異常值，剔除異常值，更換正常數(shù)據(jù)。

圖像中提取的特征數(shù)據(jù)包含了噪聲和無用信息。對(duì)提取的特征數(shù)據(jù)降維可以減少或去除噪聲信息的影響[27]。對(duì)原始數(shù)據(jù)進(jìn)行特征選擇，減少數(shù)據(jù)量，降低無用數(shù)據(jù)影響，使建立的模型更簡便、準(zhǔn)確。本文使用競爭性自適應(yīng)重加權(quán)算法和基于變量組合的變量重要性分析對(duì)圖像特征數(shù)據(jù)進(jìn)行特征選擇。

競爭性自適應(yīng)重加權(quán)算法(Competitive adaptive reweighted sampling, CARS)[28]是一種新型變量選擇方法。此算法將每個(gè)波長作為一個(gè)個(gè)體，在波長選擇過程中，每次利用指數(shù)衰減函數(shù) (Exponentially decreasing function, EDF) 和自適應(yīng)重加權(quán)采樣技術(shù)(Adaptive reweighted sampling, ARS) 挑選出PLS模型中回歸系數(shù)絕對(duì)值較大的個(gè)體，從而獲得多個(gè)波長變量子集。根據(jù)交叉驗(yàn)證法從中篩選出交互驗(yàn)證均方根誤差 (RMSECV) 最小的子集，該子集所包含的變量即為最優(yōu)波長組合。

基于變量組合的變量重要性分析(Variable importance analysis based on random variable combination, VIAVC)[29-30]是基于模型集群分析思路對(duì)每個(gè)變量進(jìn)行重要性分析的方法。VIAVC的框架主要包括3部分：①采用二進(jìn)制矩陣重采樣(Binary matrix resampling, BMR)，可以保證每個(gè)變量以相同的概率被選擇，并產(chǎn)生不同的變量組合。②使用偏最小二乘法判別分析(Partial least squares discriminant analysis, PLS-DA)構(gòu)建模型，評(píng)估出每個(gè)變量的重要性。③迭代地保留并輸出最佳變量組合。其流程圖如圖1所示。

1.7　模型選取

本文選取了2種分類模型，分別為PLS-DA和隨機(jī)森林(Random forest, RF)。通過比較這兩類模型對(duì)特征數(shù)據(jù)的建模效果，來選取最優(yōu)分類模型。其中，訓(xùn)練集和預(yù)測(cè)集樣本數(shù)比例為3∶1。所有建模程序都在Matlab 2014a軟件環(huán)境中運(yùn)行。

圖1　基于變量組合的變量重要性分析算法流程圖Fig.1　Algorithmic flow chart of variable importance analysis based on random variable combination

2　結(jié)果分析

2.1　圖像處理及數(shù)據(jù)提取

采集得到的生菜葉片圖像背景部分過大，為了減少計(jì)算量，手動(dòng)截取外接矩形。對(duì)截取得到的生菜圖像，通過計(jì)算每個(gè)像素點(diǎn)的R、G、B分量，進(jìn)行K-means聚類。K-means聚類分割是根據(jù)不同目標(biāo)物體之間色彩平均值的差異來實(shí)現(xiàn)分割的。因背景白紙和生菜葉片的顏色差異較大，進(jìn)行圖像分割時(shí)，根據(jù)兩者的顏色不同，令K值為2，即聚為兩類。本文聚類準(zhǔn)則采用最小距離原則。其分割效果如圖2所示。

顏色特征是從彩色目標(biāo)圖像(圖2b)中提取的，形態(tài)特征和紋理特征分別從二值化圖像和灰度圖像中獲取。將K-means分割出的生菜葉片(圖2b)利用Matlab轉(zhuǎn)換為二值化圖像和灰度圖像，結(jié)果如圖3所示。

分別從分割出的生菜葉片(圖2b)、生菜葉片二值化圖像(圖3a)和生菜葉片灰度圖像(圖3b)提取顏色特征、形狀特征和紋理特征，將提取的特征數(shù)據(jù)用于建模分析。

2.2　特征數(shù)據(jù)建模

為了探索最佳的特征數(shù)據(jù)組合模型，本文組合了7種不同特征數(shù)據(jù)：顏色特征、形狀特征、紋理特征、顏色與形狀融合特征、顏色與紋理融合特征、形狀與紋理融合特征、顏色形狀紋理融合特征。將7種不同的特征數(shù)據(jù)組合代入PLS-DA和RF建立分類模型。所有特征數(shù)據(jù)組合建立的模型結(jié)果如表2所示。

從表2中單一特征建立的模型來看，基于顏色特征所建立的模型性能優(yōu)于基于形狀特征和紋理特征所建立的模型，分類正確率達(dá)到82%?；谛螤钐卣魉⒌哪Ｐ头诸愓_率最低，最優(yōu)的模型分類正確率只有58%。經(jīng)過分析，這可能是因?yàn)殒k脅迫導(dǎo)致生菜葉片中色素含量變化，使得顏色特征與鎘脅迫程度相關(guān)性高，所以基于顏色特征的模型就會(huì)有較好的分類結(jié)果。而鎘脅迫對(duì)形狀特征的影響較小，并且同一脅迫水平下，不同葉子之間也存在形狀的差異，不能僅僅用形狀特征來區(qū)分不同脅迫程度。基于紋理特征所建立模型的分類正確率為72%，這說明基于紋理特征的模型對(duì)不同程度鎘脅迫的識(shí)別是有效的。這是因?yàn)殒k脅迫使得葉片表面出現(xiàn)病變癥狀，這些癥狀導(dǎo)致葉片的紋理特性發(fā)生變化。

圖2　生菜圖像的K-means分割結(jié)果Fig.2　K-means segmentation results of lettuce images

圖3　生菜葉片二值化圖像和灰度圖像Fig.3　Lettuce binarized image and grayscale image

特征PLSDA測(cè)試集RF測(cè)試集顏色特征6882形狀特征3458紋理特征6472顏色與形狀融合特征7074顏色與紋理融合特征7688形狀與紋理融合特征5666顏色形狀紋理融合特征7892

從表2可以看出，顏色與紋理融合特征和顏色形狀紋理融合特征所建立模型的分類正確率要高于單一特征所建立的模型。這一結(jié)果表明，特征組合可以產(chǎn)生更好的效果，這也為利用特征組合來區(qū)分不同程度的鎘脅迫提供了重要的解釋。而顏色與形狀融合特征和形狀與紋理融合特征所建立模型的分類正確率卻低于單一模型所建立的模型，這是因?yàn)閱我坏男螤钐卣髋c鎘脅迫程度相關(guān)性較差，組合形狀特征就等于增加一些冗余信息，因此組合形狀特征模型性能反而變差了。在所有組合特征模型中，顏色形狀紋理融合特征所建立的模型給出了最優(yōu)結(jié)果，分類正確率為92%，所以本文選取顏色形狀紋理融合特征用于降維及建模。

2.3　特征提取和模型構(gòu)建

顏色形狀紋理融合特征維數(shù)為46，高維數(shù)據(jù)帶來了較大的計(jì)算資源浪費(fèi)，計(jì)算識(shí)別速度較慢，不利于實(shí)際應(yīng)用。本文使用VIAVC對(duì)圖像特征進(jìn)行降維，對(duì)控制參數(shù)進(jìn)行大量實(shí)驗(yàn)測(cè)試，采樣次數(shù)k=1 000，交互檢驗(yàn)次數(shù)為10。經(jīng)過5次迭代后，VIAVC保留了15個(gè)變量，對(duì)這15個(gè)變量進(jìn)行排序，利用10折雙層交互檢驗(yàn)按照排序向前選擇，找出最佳的變量組合。

由圖4可以看出，當(dāng)變量數(shù)為5時(shí)，他們的交互檢驗(yàn)正確率為90%，與全部變量的交互驗(yàn)證正確率78%相比，選擇變量大大提高了預(yù)測(cè)能力，所選的5個(gè)變量分別是H分量的平均值(HM)、R分量的平均值(RM)、H分量的峰度(HK)、相關(guān)性(WCo)、慣性矩(WMi)。從選擇的變量可以看出，鎘脅迫對(duì)顏色特征和紋理特征的影響較大，對(duì)形狀特征的影響較小。

圖4　利用交互檢驗(yàn)按照排序選擇變量組合曲線Fig.4　Curves of using interactive check to select combination of variables in descending order

使用CARS對(duì)圖像特征進(jìn)行降維，其中設(shè)置MC采樣次數(shù)為50，采用5折交叉驗(yàn)證方式。得到16個(gè)變量分別是：不變矩的φ5和φ7、灰度分布不均勻性(WGyd)、相關(guān)性(WCo)、灰度熵(WGye)、梯度熵(WGym)、慣性矩(WMi)、逆差矩(WIdm)、R分量的平均值(RM)、R分量的峰度(Rk)、G分量的偏斜度(GS)、B分量的偏斜度(BS)、B分量的峰度(Bk)、H分量的平均值(HM)、H分量的峰度(HK)、S分量的平均值(SM)。將2種特征選擇方法選取的變量代入到PLS-DA和RF模型中建立分類模型，結(jié)果如表3所示。

從表3可以看出，VIAVC的降維效果優(yōu)于CARS，變量數(shù)更為精簡。基于VIAVC特征選擇的模型訓(xùn)練集和預(yù)測(cè)集分類正確率都高于基于CARS特征選擇的模型。RF分類模型的效果比PLS-DA模型更優(yōu)。綜上，基于VIAVC的RF模型性能最好，訓(xùn)練集分類正確率為98.0%，預(yù)測(cè)集分類正確率為96.0%。

表3　基于2種特征選擇方法的PLS-DA和RF模型分類正確率Tab.3　Classification accuracy of PLS - DA and RF models based on two feature selection methods　%

3　結(jié)論

(1)以易被葉類蔬菜吸收的重金屬鎘為對(duì)象，根據(jù)國家標(biāo)準(zhǔn)設(shè)置4個(gè)梯度(0、0.2、0.6、1 mg/kg)對(duì)生菜進(jìn)行鎘脅迫試驗(yàn)。利用數(shù)碼相機(jī)獲取4個(gè)梯度的生菜葉片圖像，使用K-means聚類算法從背景中分割出生菜葉片；提取目標(biāo)圖像的顏色、形狀和紋理特征；組合不同特征構(gòu)建PLS-DA和RF模型，識(shí)別不同程度鎘脅迫的生菜葉片；采用VIAVC和CARS算法對(duì)46個(gè)圖像特征進(jìn)行降維，構(gòu)建新的PLS-DA和RF模型。

(2)在7個(gè)組合特征模型中，顏色形狀紋理融合特征所建立模型得到了最優(yōu)結(jié)果，測(cè)試集分類正確率為92%，所以本文選取顏色形狀紋理融合特征用于降維及建模。

(3)利用VIAVC和CARS進(jìn)行特征選擇，VIAVC的降維效果要優(yōu)于CARS。將2種特征選擇算法得到的變量代入PLS-DA和RF 2個(gè)模型中，建立分類模型，RF模型的訓(xùn)練集分類正確率和預(yù)測(cè)集分類正確率均高于PLS-DA。其中，基于VIAVC的RF模型性能最好，訓(xùn)練集和預(yù)測(cè)集分類正確率分別為98.0%和96.0%?？梢?，基于VIAVC的RF模型在降低了特征維數(shù)的前提下，能夠較好地對(duì)不同鎘脅迫程度的生菜葉片進(jìn)行識(shí)別，可為實(shí)際應(yīng)用提供技術(shù)支持和參考。

1韓承華, 江解增. 重金屬污染對(duì)蔬菜生產(chǎn)的危害以及緩解重金屬污染措施的研究進(jìn)展[J]. 中國蔬菜, 2014, 1(4):7-13.

HAN Chenghua, JIANG Jiezeng. Research progress on effects of heavy metal on vegetable production and measures for releasing heavy metal stress [J].China Vegetables, 2014, 1(4):7-13. (in Chinese)

2張丙春, 王磊, 范麗霞,等. 鉛、鎘在蔬菜中的累積特性及對(duì)蔬菜生長的影響[J]. 生態(tài)學(xué)雜志, 2015, 34(10):2873-2878.

ZHANG Bingchun, WANG Lei, FAN Lixia, et al. Accumulation characteristics of lead and cadmium in vegetables and their effects on the growth of vegetables [J].Chinese Journal of Ecology, 2015, 34(10):2873-2878. (in Chinese)

3CHANG C Y, YU H Y, CHEN J J, et al. Accumulation of heavy metals in leaf vegetables from agricultural soils and associated potential health risks in the Pearl River Delta, South China [J]. Environmental Monitoring & Assessment, 2014, 186(3):1547-1560.

4余娜, 鐘志勇, 唐小江,等. 鎘引起腎臟毒性的細(xì)胞凋亡通路[J]. 生態(tài)毒理學(xué)報(bào), 2014, 9(3):407-412.

YU Na, ZHONG Zhiyong, TANG Xiaojiang, et al. Apoptotic pathways for cadmium-induced renal toxicity [J]. Asian Journal of Ecotoxicology, 2014, 9(3):407-412. (in Chinese)

5范寶磊, 張健, 吳仲珍. 原子吸收和原子熒光光譜法測(cè)定茶園土壤中的微量元素[J]. 分子科學(xué)學(xué)報(bào), 2010, 26(1):62-65.

FAN Baolei, ZHANG Jian, WU Zhongzhen. Determination of trace elements in soil on tea garden by FAAS and FAFS [J]. Journal of Molecular Science, 2010, 26(1):62-65. (in Chinese)

6萬婕, 劉成梅, 劉偉,等. 電感耦合等離子體原子發(fā)射光譜法分析不同產(chǎn)地大豆中的礦物元素含量[J]. 光譜學(xué)與光譜分析, 2010, 30(2):543-545.

WAN Jie, LIU Chengmei,LIU Wei, et al. Determination of mineral elements in soybean from different producing areas by ICP-AES [J]. Spectroscopy and Spectral Analysis, 2010, 30(2):543-545. (in Chinese)

7劉洋, 張曉倩, 李夢(mèng)婷,等. 原子吸收光譜法測(cè)定蔬菜中的鋅、鈣、銅、鉛和鎘[J]. 食品研究與開發(fā), 2015, 36(17):52-54.

LIU Yang, ZHANG Xiaoqian, LI Mengting, et al.Determination of Zn,Ca, Cu, Pb and Cd in vegetables by atomic absorption spectrometry [J]. Food Research and Development, 2015, 36(17):52-54. (in Chinese)

8汪學(xué)英, 殷曉俊. 微波消解樣品-石墨爐原子吸收光譜法測(cè)定雙黃連口服液及其藥材中重金屬元素[J]. 理化檢驗(yàn):化學(xué)分冊(cè), 2012(1):87-89.

WANG Xueying, YIN Xiaojun. GF-AAS Determination of heavy metal elements in shuanghuanglian oral liquor and its raw medicines with microwave assisted sample digestion [J].Physical Testing and Chemical Analysis Part B: Chemical Analysis, 2012(1):87-89. (in Chinese)

9顧艷文, 李帥, 高偉,等. 基于光譜參數(shù)對(duì)小白菜葉片鎘含量的高光譜估算[J]. 生態(tài)學(xué)報(bào), 2015, 35(13):4445-4453.

GU Yanwen, LI Shuai, GAO Wei, et al.Hyperspectral estimation of the cadmium content in leaves of brassica rapachinesis based on the spectral parameters [J].Acta Ecologica Sinica, 2015, 35(13):4445-4453. (in Chinese)

10高偉. 鎘脅迫下兩種葉菜類蔬菜的葉片高光譜特征及生理參數(shù)模擬[D]. 重慶：西南大學(xué), 2012.

GAO Wei.Hyperspectral characteristics and simulation ofsome physiological parameters of leafy vegetables under Cd stress [D].Chongqing:Southwest University,2012.(in Chinese)

11溫芝元, 曹樂平. 基于補(bǔ)償模糊神經(jīng)網(wǎng)絡(luò)的臍橙不同病蟲害圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28 (11):152-157.

WEN Zhiyuan, CAO Leping. Image recognition of navel orange diseases and insect pests based on compensatory fuzzy neural networks [J]. Transactions of the CSAE, 2012, 28 (11):152-157. (in Chinese)

12TI S, SETH N. Fungus/disease analysis in tomato crop using image processing techniques [J]. International Journal of Computer Trends & Technology, 2014, 13(2):61-63.

13MANNINEN H, PAAKKI M, HOPIA A, et al. Measuring the green color of vegetables from digital images using image analysis[J]. LWT-Food Science and Technology, 2015, 63(2):1184-1190.

14李鴻強(qiáng), 孫紅, 李民贊. 基于機(jī)器視覺的結(jié)球甘藍(lán)形狀鑒別方法[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015,46(增刊):141-146.http:∥www.jcsam.org/jcsam/ch/reader/view_abstract.aspx?file_no=2015S024&flag=1.DOI:10.6041/j.issn.1000-1298.2015.S0.024.

LI Hongqiang, SUN Hong, LI Minzan. Identification of cabbage ball shape based on machine vision [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015,46(Supp.):141-146. (in Chinese)

15潘磊慶, 王振杰, 孫柯,等. 基于計(jì)算機(jī)視覺的稻谷霉變程度檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(3):272-280.

PAN Leiqing, WANG Zhenjie, SUN Ke, et al.Detection of paddy mildew degree based on computer vision [J].Transactions of the CSAE, 2017, 33(3):272-280. (in Chinese)

16黃東龍，周勤.水體突發(fā)性重金屬污染脅迫下斑馬魚的行為反應(yīng)分析[J]. 環(huán)境監(jiān)測(cè)管理與技術(shù)，2011，23(4)：27-31.

HUANG D L, ZHOU Q. Behavior response analysis of zebrafish danio reriounder sudden heavy metal stress [J]. Administration & Technique of Environmental Monitoring, 2011,23(4):27-31.(in Chinese)

17樂立強(qiáng), 吳玲, 孫靜,等. 基于機(jī)器視覺的皮蛋斑點(diǎn)檢測(cè)和最佳生產(chǎn)配方研究[J]. 食品科學(xué), 2012, 33(6):203-208.

LE Liqiang, WU Ling, SUN Jing, et al.Detection of spots on surface of preserved egg and optimal preserved formula based on machine vision [J].Food Science, 2012, 33(6):203-208. (in Chinese)

18CHITADE A Z, KATIYAR D S K. Colour based image segmentation using K-means clustering [J]. International Journal of Engineering Science & Technology, 2010, 2(10):5319-5325.

19劉雙喜,張馨,鄭文秀,等. 棉花異性纖維圖像特征提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(3):158-162.

LIU Shuangxi, ZHANG Xin, ZHENG Xiuwen, et al.Image feature extraction of cotton foreign fibre [J]. Transactions of the Chinese Society for Agricultural Machinery, 2010,41(3):158-162. (in Chinese)

20PARMAR P, KUMARI N, SHARMA V. Structural and functional alterations in photosynthetic apparatus of plants under cadmium stress [J]. Botanical Studies, 2013, 54(1):1-6.

21孔維萍, 程鴻. 鎘脅迫對(duì)蔬菜生長影響及蔬菜抗鎘育種研究進(jìn)展[J]. 北方園藝, 2013,37(23):190-193.

KONG Weiping, CHENG Hong. Research advances on the effect of cadmium on vegetables growth and vegetable cadmium-resistance breeding [J]. Northern Horticulture, 2013,37(23):190-193. (in Chinese)

22SRIDHAR B B M, DIEHL S V, HAN F X, et al. Anatomical changes due to uptake and accumulation of Zn and Cd in Indian mustard (Brassicajuncea)[J]. Environmental & Experimental Botany, 2005, 54(2):131-141.

23CHEN H, WENDA X U, HAO X. Detection of rail track surface defects based on gray level-gradient co-occurrence matrix [J]. Journal of Beijing Jiaotong University, 2015, 39(2):7-12.

24馮兵, 李芝棠, 花廣路. 基于灰度-梯度共生矩陣的圖像型垃圾郵件識(shí)別方法[J]. 通信學(xué)報(bào), 2013,34(增刊2):1-4.

FENG Bing, LI Zhitang, HUA Guanglu. Image spam identification method based on gray-gradient co-occurrence matrix [J]. Journal on Communications, 2013,34(Supp.2):1-4. (in Chinese)

25楊舒, 王玉德. 基于Contourlet變換和Hu不變矩的圖像檢索算法[J]. 紅外與激光工程, 2014, 43(1):306-310.

YANG Shu, WANG Yude. Image retrieval algorithm based on Contourlet transform and Hu invariant moments [J].Infrared and Laser Engineering, 2014, 43(1):306-310. (in Chinese)

26ZHANG R, WANG L. An image matching evolutionary algorithm based on Hu invariant moments[C]∥2011 International Conference on Image Analysis and Signal Processing. IEEE, 2011:113-117.

27徐立新, 梁娟, 查金水,等. 基于顏色常量的圖像特征提取及其降維方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2007, 28(3):602-604.

XU Lixin, LIANG Juan, ZHA Jinshui, et al.Novel method for image feature retrieval based on color constant and its dimensionality reduction [J]. Computer Engineering and Design, 2007, 28(3):602-604. (in Chinese)

28LI H, LIANG Y, XU Q, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta, 2009, 648(1):77-84.

29YUN Y H, FU L, DENG B C, et al. Erratum to: informative metabolites identification by variable importance analysis based on random variable combination[J]. Metabolomics, 2016, 12(2):1.

30云永歡, 鄧百川, 梁逸曾. 化學(xué)建模與模型集群分析[J]. 分析化學(xué), 2015,43(11):1638-1647.

YUN Yonghuan, DENG Baichuan, LIANG Yizeng. Progress of chemical modeling and model population analysis [J].Chinese Journal of Analytical Chemistry, 2015, 43(11):1638-1647. (in Chinese)