基于計算機視覺的土壤鎘脅迫生菜葉片污染響應分析

孫　俊　張躍春　毛罕平　武小紅　陳　勇　翁褀鵬

(1.江蘇大學電氣信息工程學院， 鎮江 212013； 2.江蘇大學現代農業裝備與技術教育部重點實驗室， 鎮江 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造成鎘污染，受污染的生菜體內含有較高水平的鎘積累，表現出生長受到嚴重抑制，各項生理指標和營養含量均有明顯下降，制約其產業發展[1]。鎘可在生物體內富集，通過食物鏈進入人體引起慢性中毒，嚴重影響人體健康[2-4]。傳統的重金屬檢測方法雖然準確性好、靈敏度高，但也存在著樣品消化時間長、試劑消耗量大、環境危害較大、儀器操作復雜等缺點[5-8]，無法滿足現代農業的需求，不利于推廣。因此，探索并建立快速檢測蔬菜鎘污染等級的方法，對生菜產業發展和人體健康均有重要意義。

目前，無損檢測蔬菜中重金屬含量的方法主要應用光譜技術。顧艷文等[9]利用光譜參數對小白菜葉片鎘含量進行估算。高偉[10]利用高光譜技術對鎘脅迫下兩種葉類蔬菜的葉片高光譜特征及生理參數進行模擬。但是，光譜技術一般基于點源信息，信息較片面；高光譜圖像技術涉及的信息量巨大，數據處理分析是一難題，且需昂貴的設備儀器。計算機視覺檢測技術是指利用圖像傳感器將作物的一些特征轉變為圖像信息，并分析作物圖像的顏色、形態、紋理、明度等信息，較光譜技術信息量更為全面，較高光譜圖像技術信息更易處理分析。國內外已將計算機視覺技術用于農副產品品質檢測，并取得了一定的成效[11-15]。黃東龍等[16]利用計算機視覺技術對水體突發性重金屬污染下斑馬魚的行為反應進行分析。樂立強等[17]利用圖像獲取系統得到皮蛋表面斑點的整體顏色特征，采用計算機軟件對皮蛋表面斑點進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。以上文獻均是利用計算機視覺技術對重金屬的分析應用，表明利用計算機視覺技術檢測農產品品質是可行的。但是，利用計算機視覺技術在蔬菜重金屬污染檢測方面的研究還未見報道。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象，利用計算機視覺技術對不同土壤鎘脅迫梯度的生菜葉片污染響應進行分析，以期為生菜重金屬污染的快速檢測提供技術支持。

1　材料與方法

1.1　試驗設計

本試驗在江蘇大學現代農業裝備與技術省部共建重點實驗室的Venlo型溫室內進行。采用盆栽試驗，試驗品種為意大利耐抽薹生菜，試驗土壤為未受污染的營養土，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%。采用篩網將土壤篩去雜質呈細粒狀，保持土壤干燥通風。根據GB15618—1995《土壤環境質量標準》土壤污染的3個標準，在土壤中分別加入0(CK)、0.2、0.6、1 mg/kg的鎘。準確稱取對應質量的CdCl2·2.5H2O分析純試劑，以蒸餾水作溶劑，配置200 mL溶液。對應逐層噴灑在試驗土壤中，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。每個處理水平設置8個平行組，等育苗盤里面的幼苗長至5～6片葉時移栽到花盆，每盆一株。

1.2　圖像采集

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

1.3　土壤鎘脅迫梯度與生菜葉片鎘污染程度的正相關性

將圖像采集后的生菜葉片根據GB 5009.15—2014 《食品安全國家標準食品中鎘的測定》中的石墨爐原子吸收光譜測定方法測定生菜葉片中鎘的含量，結果如表1所示。

表1　生菜葉片中鎘含量的數據統計結果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性。

1.4　圖像分割

圖像分割是為了有效地進行圖像描述和分析，將原始圖像中的生菜葉片區域與背景區域分割開來，分割出的生菜葉片區域可以作為后續特征提取的目標對象。本文使用K-means算法對生菜葉片圖像進行分割。K-means算法以聚類數K為參數，把樣本空間n個像素點分為K類，使類內具有較高的相似度，而類間的相似度較低[18]。以歐氏距離作為相似度測度，并采用誤差平方和準則函數作為聚類準則函數。

1.5　圖像特征提取

圖像特征提取是進行圖像識別的關鍵步驟，圖像特征提取的效果影響圖像識別的效果，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，相比于其它的視覺特征，顏色特征對圖像本身的尺寸、方向、視角的依賴性相對較小，具有較強的魯棒性。當生菜受到鎘脅迫時，Cd2+會破壞葉綠體結構，干擾Mg與原卟啉原結合，使葉綠素a和葉綠素b含量發生變化[20]。在宏觀上的表現是葉片顏色呈現灰白色，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理的顏色空間，將兩者結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個顏色特征值的平均值(Mean)、方差(Variance)、偏斜度(Skewness)和峰度(Kurtosis)，共24個顏色特征值。

1.5.2紋理特征提取

紋理是對圖像細節的描述，反映了像素灰度空間的圖像特征。當生菜受到鎘脅迫時，蔬菜的生長趨勢會受到一定的影響，會出現葉片邊緣失水、失綠，葉面呈灰白色等癥狀，這些癥狀導致葉片的紋理特性發生變化[22]。因此，紋理特征也是表征鎘脅迫水平的重要特征。灰度梯度共生矩陣[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。基于規范化的GGCM，提取得到15個紋理特征參數[24]：小梯度優勢(WSga)、大梯度優勢(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出現較大的差異，所以絕對性形狀參數(長、寬、面積和周長)不適合用作定性依據。Hu不變矩(Hu invariant distance)是對目標區域內所有像素集合的描述，具有不隨目標物在圖像中的位置、大小和角度變化而變化的特點，屬于RST(Rotation scale translation)不變形的無量綱幾何特征參數。根據葉片的二值圖像計算得到Hu不變矩[25-26]。

對于二維離散圖像f(x,y)的(p+q)階矩mpq和中心距μpq定義為

(1)

(2)

式中M、N——圖像的行數和列數

x、y——圖像像素點的坐標值

根據二階和三階中心距推導了7個不變矩組，分別為

1.6　特征選擇

綜合以上特征提取結果可以得出，顏色信息共24個特征數據，紋理特征共15個特征數據，形狀特征共7個特征數據，因此共提取46個生菜鎘脅迫圖像特征用于后續分析。使用SPSS軟件中的t檢驗檢測數據中的異常值，剔除異常值，更換正常數據。

圖像中提取的特征數據包含了噪聲和無用信息。對提取的特征數據降維可以減少或去除噪聲信息的影響[27]。對原始數據進行特征選擇，減少數據量，降低無用數據影響，使建立的模型更簡便、準確。本文使用競爭性自適應重加權算法和基于變量組合的變量重要性分析對圖像特征數據進行特征選擇。

競爭性自適應重加權算法(Competitive adaptive reweighted sampling, CARS)[28]是一種新型變量選擇方法。此算法將每個波長作為一個個體，在波長選擇過程中，每次利用指數衰減函數 (Exponentially decreasing function, EDF) 和自適應重加權采樣技術(Adaptive reweighted sampling, ARS) 挑選出PLS模型中回歸系數絕對值較大的個體，從而獲得多個波長變量子集。根據交叉驗證法從中篩選出交互驗證均方根誤差 (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每個變量進行重要性分析的方法。VIAVC的框架主要包括3部分：①采用二進制矩陣重采樣(Binary matrix resampling, BMR)，可以保證每個變量以相同的概率被選擇，并產生不同的變量組合。②使用偏最小二乘法判別分析(Partial least squares discriminant analysis, PLS-DA)構建模型，評估出每個變量的重要性。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和隨機森林(Random forest, RF)。通過比較這兩類模型對特征數據的建模效果，來選取最優分類模型。其中，訓練集和預測集樣本數比例為3∶1。所有建模程序都在Matlab 2014a軟件環境中運行。

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　結果分析

2.1　圖像處理及數據提取

采集得到的生菜葉片圖像背景部分過大，為了減少計算量，手動截取外接矩形。對截取得到的生菜圖像，通過計算每個像素點的R、G、B分量，進行K-means聚類。K-means聚類分割是根據不同目標物體之間色彩平均值的差異來實現分割的。因背景白紙和生菜葉片的顏色差異較大，進行圖像分割時，根據兩者的顏色不同，令K值為2，即聚為兩類。本文聚類準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圖像(圖2b)中提取的，形態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轉換為二值化圖像和灰度圖像，結果如圖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，將提取的特征數據用于建模分析。

2.2　特征數據建模

為了探索最佳的特征數據組合模型，本文組合了7種不同特征數據：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種不同的特征數據組合代入PLS-DA和RF建立分類模型。所有特征數據組合建立的模型結果如表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于基于形狀特征和紋理特征所建立的模型，分類正確率達到82%。基于形狀特征所建立的模型分類正確率最低，最優的模型分類正確率只有58%。經過分析，這可能是因為鎘脅迫導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性高，所以基于顏色特征的模型就會有較好的分類結果。而鎘脅迫對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不同程度鎘脅迫的識別是有效的。這是因為鎘脅迫使得葉片表面出現病變癥狀，這些癥狀導致葉片的紋理特性發生變化。

圖2　生菜圖像的K-means分割結果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測試集RF測試集顏色特征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。這一結果表明，特征組合可以產生更好的效果，這也為利用特征組合來區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，這是因為單一的形狀特征與鎘脅迫程度相關性較差，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結果，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　特征提取和模型構建

顏色形狀紋理融合特征維數為46，高維數據帶來了較大的計算資源浪費，計算識別速度較慢，不利于實際應用。本文使用VIAVC對圖像特征進行降維，對控制參數進行大量實驗測試，采樣次數k=1 000，交互檢驗次數為10。經過5次迭代后，VIAVC保留了15個變量，對這15個變量進行排序，利用10折雙層交互檢驗按照排序向前選擇，找出最佳的變量組合。

由圖4可以看出，當變量數為5時，他們的交互檢驗正確率為90%，與全部變量的交互驗證正確率78%相比，選擇變量大大提高了預測能力，所選的5個變量分別是H分量的平均值(HM)、R分量的平均值(RM)、H分量的峰度(HK)、相關性(WCo)、慣性矩(WMi)。從選擇的變量可以看出，鎘脅迫對顏色特征和紋理特征的影響較大，對形狀特征的影響較小。

圖4　利用交互檢驗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對圖像特征進行降維，其中設置MC采樣次數為50，采用5折交叉驗證方式。得到16個變量分別是：不變矩的φ5和φ7、灰度分布不均勻性(WGyd)、相關性(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，結果如表3所示。

從表3可以看出，VIAVC的降維效果優于CARS，變量數更為精簡。基于VIAVC特征選擇的模型訓練集和預測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。綜上，基于VIAVC的RF模型性能最好，訓練集分類正確率為98.0%，預測集分類正確率為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　結論

(1)以易被葉類蔬菜吸收的重金屬鎘為對象，根據國家標準設置4個梯度(0、0.2、0.6、1 mg/kg)對生菜進行鎘脅迫試驗。利用數碼相機獲取4個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；提取目標圖像的顏色、形狀和紋理特征；組合不同特征構建PLS-DA和RF模型，識別不同程度鎘脅迫的生菜葉片；采用VIAVC和CARS算法對46個圖像特征進行降維，構建新的PLS-DA和RF模型。

(2)在7個組合特征模型中，顏色形狀紋理融合特征所建立模型得到了最優結果，測試集分類正確率為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進行特征選擇，VIAVC的降維效果要優于CARS。將2種特征選擇算法得到的變量代入PLS-DA和RF 2個模型中，建立分類模型，RF模型的訓練集分類正確率和預測集分類正確率均高于PLS-DA。其中，基于VIAVC的RF模型性能最好，訓練集和預測集分類正確率分別為98.0%和96.0%。可見，基于VIAVC的RF模型在降低了特征維數的前提下，能夠較好地對不同鎘脅迫程度的生菜葉片進行識別，可為實際應用提供技術支持和參考。

1韓承華, 江解增. 重金屬污染對蔬菜生產的危害以及緩解重金屬污染措施的研究進展[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蔬菜生長的影響[J]. 生態學雜志, 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胞凋亡通路[J]. 生態毒理學報, 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定茶園土壤中的微量元素[J]. 分子科學學報, 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射光譜法分析不同產地大豆中的礦物元素含量[J]. 光譜學與光譜分析, 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, 李夢婷,等. 原子吸收光譜法測定蔬菜中的鋅、鈣、銅、鉛和鎘[J]. 食品研究與開發, 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汪學英, 殷曉俊. 微波消解樣品-石墨爐原子吸收光譜法測定雙黃連口服液及其藥材中重金屬元素[J]. 理化檢驗:化學分冊, 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. 基于光譜參數對小白菜葉片鎘含量的高光譜估算[J]. 生態學報, 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模擬[D]. 重慶：西南大學, 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. 基于補償模糊神經網絡的臍橙不同病蟲害圖像識別[J]. 農業工程學報, 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, 孫紅, 李民贊. 基于機器視覺的結球甘藍形狀鑒別方法[J/OL]. 農業機械學報, 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. 基于計算機視覺的稻谷霉變程度檢測[J]. 農業工程學報, 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.水體突發性重金屬污染脅迫下斑馬魚的行為反應分析[J]. 環境監測管理與技術，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, 吳玲, 孫靜,等. 基于機器視覺的皮蛋斑點檢測和最佳生產配方研究[J]. 食品科學, 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]. 農業機械學報,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. 鎘脅迫對蔬菜生長影響及蔬菜抗鎘育種研究進展[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別方法[J]. 通信學報, 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]. 計算機工程與設計, 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. 化學建模與模型集群分析[J]. 分析化學, 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)