基于深度學習的甘藍葉片超氧化物歧化酶活性模型構建

摘要超氧化物歧化酶（SOD）是判斷作物受脅迫程度的關鍵指標，可以用來衡量植物生長狀況，同時也在植物逆境脅迫研究中具有重要意義。為了實現甘藍葉片SOD活性的快速無損檢測，提出了一種利用高光譜成像技術結合深度學習的方法來對甘藍葉片進行檢測。試驗共采集了200片甘藍葉片在不同生長發育時期的光譜信息，通過7種預處理方法對原始光譜進行優化，最后選用高斯濾波方法為SOD活性的預處理方法。采用連續投影算法、無信息變量消除算法、遺傳偏最小二乘算法、競爭自適應重加權采樣算法和區間變量迭代空間收縮分析算法提取特征波長，建立偏最小二乘回歸模型。基于優選的特征波長建立PLSR、主成分回歸、多元線性回歸、最小二乘支持向量機和深度學習模型。結果表明，CARS算法提取的17個最佳波長效果較好，最優預測模型CNN的相關系數Rc和Rp值分別為0.9098和0.8235，均方根誤差RMSEC和RMSEP分別為2.0382和3.6492。該研究為今后鹽脅迫下植株長勢在線無損監測提供技術支撐，具有良好的發展前景。

關鍵詞高光譜成像；深度學習；SOD活性；無損檢測

中圖分類號S-058""文獻標識碼A

文章編號0517-6611（2025）01-0229-07

doi：10.3969/j.issn.0517-6611.2025.01.048

開放科學（資源服務）標識碼（OSID）：

ConstructionofSuperoxideDismutaseActivityModelofCabbageLeavesBasedonDeepLearning

MASi-yan，MALing，MAYanetal

（CollegeofWineandHorticulture，NingxiaUniversity，Yinchuan，Ningxia750021）

AbstractSuperoxidedismutase（SOD）isakeyindextojudgethedegreeofcropstress，whichcanbeusedtomeasureplantgrowthstatus，andalsohasimportantsignificanceinthestudyofplantstress.InordertoachieverapidnondestructivedetectionofSODactivityincabbageleaves，amethodofhyperspectralimaging（HSI）combinedwithdeeplearningwasproposedtodetectcabbageleaves.Intheexperiment，spectralinformationof200cabbageleavesatdifferentgrowthanddevelopmentstageswascollected，andtheoriginalspectrawereoptimizedby7pretreatmentmethodsthroughsamplesetdivision.Finally，theGaussianFilter（GF）methodwasselectedasthepretreatmentmethodforSODactivity.Successiveprojectionalgorithm（SPA），uninformativevariableeliminationalgorithm（UVE），geneticalgorithm-partialleastsquaresalgorithm（GAPLS），competitiveadaptivereweightedsampling（CARS）andintervalvariableiterativespaceshrinkinganalysis（IVISSA）wereusedtoextractfeaturewavelengthsandpartialleastsquaresregression（PLSR）modelwasestablished.PLSR，principalcomponentregression（PCR），multiplelinearregression（MLR），leastsquareSVM（LSSVM）andconvolutionalneuralnetwork（CNN）modelswereestablishedbasedonthepreferredcharacteristicwavelength.Theresultsshowedthatthe17optimalwavelengthsextractedbyCARSalgorithmhadthebesteffect，andthecorrelationcoefficients"Rcand"RpvaluesoftheoptimalpredictionmodelCNNwere0.9098and0.8235，respectively.Andtheroot-mean-squareerrorRMSECandRMSEPwere2.0382and3.649"respectively.Thisstudyprovidedtechnicalsupportfornon-destructiveon-linemonitoringofplantgrowthundersaltstressinthefuture，andhadagooddevelopmentprospect.

KeywordsHyperspectralimaging;Deeplearning;SODactivity;Nondestructivetesting

基金項目國家重點研發計劃項目子課題專項“集約化育苗系列機械優化”（2021YFD1600302-3）。

作者簡介馬思艷（2000—），女，回族，寧夏銀川人，碩士研究生，研究方向：設施蔬菜栽培。*通信作者，副教授，博士，從事設施園藝產品無損檢測方面的研究。

甘藍是十字花科蕓薹屬植物，二年生草本，屬于六盤山冷涼蔬菜的一種^［1］，甘藍含有豐富的營養成分，具有強身健體的作用^［2］。在甘藍栽培過程中，鹽脅迫已成為抑制甘藍正常發育的主要難題，當鹽脅迫濃度過高時會影響甘藍幼苗的健康生長，超氧化物歧化酶（SOD）是植物抗脅迫不可或缺的抗氧化物酶之一^［3］。與此同時，當植株受到鹽脅迫時自身會出現應激反應，超氧化物歧化酶（SOD）會將超氧陰離子自由基的歧化反應生成分子氧或過氧化氫，抑制油脂的氧化，降低對細胞膜的損傷，進而對植物產生防衛性保護^［4-5］，其與植株營養狀況以及生長發育階段有關，也是判斷作物生長狀況及其受脅迫程度的關鍵指標^［6］。

傳統的甘藍葉片超氧化物歧化酶（SOD）活性檢測方法具有損壞樣本、費時且檢測效果低的問題，不能及時反映作物的生長狀況和受害情況，因此需要一種高效、精確、無損的技術手段來對其進行檢測。目前，高光譜成像技術因簡便、快捷、光學無損檢測等優點，在農業領域獲得了越來越多的重視和應用^［7］。國內外諸多學者利用高光譜成像技術結合葉綠素含量對玉米^［8］、大豆^［9］和辣椒^［10］等作物建立預測模型，同時也對抗氧化物酶領域進行相關探索。杜明華^［11］利用光譜成像技術對番茄葉片抗氧化物酶活性檢測進行相關研究，分析發現過氧化氫酶（CAT）活性的 IRF-PLSR模型效果較好，其中校正集和驗證集相關系數分別為 R c=0.874 9， R p=0.808 6。Thummajitsakul等^［12］以藤黃葉為研究對象，探索不同茶型葉片光譜信息與抗氧化物酶活性之間的關系，結果表明乙醇提取物的抗氧化物酶活性顯著增強，并且二者之間存在非常強的正相關關系。Wu等^［13］利用光譜技術對番茄葉細胞過氧化物酶（POD）活性進行研究，結果表明基于區間變量迭代空間收縮法的偏最小二乘回歸模型效果最好，預測集決定系數和均方根誤差（RMSEP）分別為0.66和18.94。上述研究表明，光譜成像技術已被廣泛應用于植物營養元素檢測領域，并取得一定成果，但光譜成像技術結合深度學習算法對甘藍超氧化物歧化酶（SOD）活性的相關研究成果極少。鑒于此，筆者采用高光譜成像技術結合深度學習與甘藍葉片超氧化物歧化酶（SOD）活性相聯系進行定量模型的建立，為今后鹽脅迫下植株長勢在線無損監測提供技術支撐，具有良好的發展前景。

1材料與方法

1.1試驗材料試驗選用甘藍品種中甘2購買于寧夏博瑞農業科技有限公司。

1.2 試驗設計 試驗于2023年3—7月在寧夏大學北校區溫室進行，采用基質栽培，用0.5個單位的日本園試營養液配方^［14］進行澆灌，在澆灌處理之后的第7、14、21、28和35天時采摘甘藍葉片，試驗共采集200個葉片，將采摘下的葉片依次編號放入塑料密封袋中，立即帶回實驗室進行光譜圖像的采集，之后立即進行超氧化物歧化酶（SOD）活性的測定，具體不同水平NaCl濃度的澆灌處理見表1。

1.3 超氧化物歧化酶（SOD）活性的測定 采用氮藍四唑光化還原法^［15］對SOD活性進行測定。

1.4高光譜成像設備和圖像校準

該試驗采用可見近紅外波段高光譜成像系統（400～1000nm，光譜分辨率為3.8nm，共有175個波段）（圖1）。為了防止圖像尺寸及空間分辨率不準，經過多次重復試驗確定最佳采集參數條件（成像光譜儀曝光時間為10ms，增益為1）。但由于光源的亮度分布不一致以及暗電流噪聲的產生，導致在光源亮度分布很弱的波段下，得到的影像中存在很大的噪聲，所以必須對得到的高光譜圖像進行黑白校正，公式如下：

R=T"raw-T"darkT"white-T"dark（2）

式中：T"raw為原始圖像;T"dark為黑板校正圖像;T"white為白板校正圖像;R為校正后的高光譜圖像。

1.5數據分析方法數據分析過程中首先利用ENVI5.3軟件對光譜數據進行感興趣區域的提取，其次使用TheUnscramblerX10.4軟件進行光譜數據預處理和建模，最后使用Matlab2020a軟件進行特征波長的提取和圖像構建。

1.5.1光譜提取。

使用ENVI5.3軟件從校正后的光譜圖像中用區域選擇工具（橢圓形狀）選取不帶有光斑且避開葉脈的甘藍葉片表面作為感興趣區域（ROI）（圖2）。

1.5.2樣本集劃分。

在劃分數據集時，校正集和預測集的分布必須與真實分布相匹配^［16］。該研究采用Kennard-Stone（KS）算法、隨機（RS）算法以及共生距離（SPXY）算法劃分樣本，結合偏最小二乘回歸模型對比分析，選擇最優的劃分方法，提高后期建立模型的效果。

1.5.3光譜預處理方法。

為了消除由于光譜儀器設備和暗電流噪聲造成的光譜曲線不重復對光譜曲線的危害^［17］，該試驗選用平均平滑（moving average smoothing，MA）、高斯濾波（Gaussian filter，GF）、歸一化處理（normalize）、基線校準（baseline）、去趨勢化（detrending）、正交信號校正（OSC）和標準正態變化（standard normal variation，SNV）7種光譜預處理方法對其進行數據優化。

1.5.4特征波長提取方法。

試驗選用特征波長提取的方法有區間變量迭代空間收縮法（interval variable iterative space shrinking analysis，IVISSA）、競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）、無信息變量消除算法（ uninformative variable elimination，UVE）、連續投影算法（successive projection algorithm，SPA）以及遺傳偏最小二乘法算法（genetic algorithm-partial least squares algorithm，GAPLS），這些方法可以有效減少模型算法復雜度、穩健提升模型的可靠性和預測分析精確性^［18］。

1.5.5模型構建與評價。

在該試驗中主要應用偏最小二乘回歸模型（partial least squares regression，PLSR）、多元線性回歸（multiple linear regression，MLR）、主成分回歸（principal component regression，PCR）、最小二乘支持向量機（least square SVM，LSSVM）以及深度學習（convolutional neural network，CNN）預測模型方法。評估模型性能好壞的一些具體參數主要包括校正集相關系數（ R c）、預測集相關系數（ R p）、交互驗證相關系數（ R "CV）和均方根誤差（RMSE），也可利用 R c與 R p之和以及剩余預測偏差（RPD）來評價模型性能^［19］。

2結果與分析

2.1光譜特征分析

采用ENVI 5.3軟件提取甘藍葉片光譜信息，結果見圖3。由圖3可知，5個不同水平NaCl濃度處理下的甘藍葉片SOD活性的光譜曲線變化趨勢基本一致，且有明顯的變化規律。在藍光（434～502 nm）和紅光（602～687 nm）波段范圍內的495 和660 nm處出現2個吸收谷，這主要是由于葉片中葉綠素反射綠光，吸收藍光和紅光所致；綠光波段（512～558 nm）范圍的551 nm處出現1個反射“綠峰”；在701～800 nm 光譜波段區域內，反射譜曲線迅速增大，呈現了陡峭且近乎垂直的特征^［20-21］。但是在400～600和700～1 000 nm內反射率差異明顯，說明葉片中的化學成分存在差異，這為建模預測SOD活性提供了依據^［22］。總體來說，在可見光和近紅外范圍內（400～1 000 nm），不同處理SOD活性甘藍葉片的光譜反射率曲線變化比較明顯，較容易區分。由于采集得到的光譜除吸收SOD活性外，可能還會吸收其他物質，因此需要對光譜數據進行分析，建立與SOD活性相關性高的預測模型。

2.2樣本集劃分

該試驗共有200個甘藍葉片樣本，樣本按照3∶1劃分為校正集與預測集，取其中3/4作為訓練集，1/4作為預測集。通過采用randomsampling（RS），Kennard-Stone（KS）、samplesetpartitioningbasedonjoint"x-y"distance（SPXY）3種樣本劃分方法對校正集和預測集進行選取，然后通過PLSR方法對選取的校正集和預測集進行模型建立，結果見表2。

由表2可知，在3種劃分方法中KS法的相關系數R"C、Rp以及RPD均高于SPXY法和RS法，其數值分別為0.8861、0.7994和2.7709；其均方根誤差RMSEC和RMSEP均低于SPXY法和RS法，數值分別為2.2355和3.2448，同時其R"C和Rp之和也高于其余2種方法，綜合考慮最終選擇KS法劃分甘藍葉片SOD活性的樣本集。

2.3光譜預處理

該試驗選用MA、GF、normalize、baseline、detrending、OSC、SNV共7種光譜預處理方法，并結合PLSR模型性能參數對比分析，選出基于SOD活性樣本的最優預處理方法，結果比較見表3。與原始光譜結果相比，除GF方法外，其余6種方法的校正集相關系數都較原始光譜結果有所下降，雖然normalize方法的預測集相關系數比原始光譜結果高，但其R"C和Rp之和低于原始數據方法，與此同時，GF方法的R"C、RPD以及Rp均高于其余6種方法，數值分別為0.8919、5.0942和0.8965，其均方根誤差RMSEC和RMSEP均低于其余幾種方法，數值分別為2.1811和2.4774；綜合分析，GF方法為甘藍葉片SOD活性的最佳預處理方法。

2.4特征波長提取

2.4.1競爭自適應重復加權法（CARS）提取特征波長。

CARS算法采用 N 次自適應重加權采樣技術^［23］，其結果如圖4所示。在采樣運算過程中變量數呈下降狀態，號線反映了RMSECV最小位置，號線之后部分有效信息被去除，RMSECV數值持續增大，根據RMSECV最小值原則選擇了17個特征波長，此時模型擬合效果最佳。

2.4.2連續投影算法（SPA）提取特征波長。

SPA算法是根據均方根誤差的最小值來確定提取的特征波長數，在運行過程中會根據不同變量數的均方根誤差值進行繪圖，從而確定下降的最低點篩選特征波長^［24］。由圖5可以確定SOD活性特征波長數為12個，RMSE值為2.597 6，運行過程中大大壓縮了數據量，方便后續的建模與分析。

2.4.3遺傳偏最小二乘法算法（GAPLS）提取特征波長。

應用GAPLS算法提取SOD活性的光譜特征波長時，要不斷地調試相關參數，經過多次試驗，將程序參數設定為群體數為30、交叉概率為50%、變異概率為1%、最大遺傳系數為30、迭代次數為100次，得到的結果如圖6所示，頻次越高表示該點適應性越強，其相關性也就越高^［25］。對于甘藍葉片SOD活性生理指標而言，當175個波長變量被選擇，RMSECV獲得最小的，這也表明這175個波長與葉綠素含量有強烈的相關性，表明這175個波長是特征波長的最優子集，并作為最終的最優特征波長。

2.4.4無信息變量消除變換法（UVE）提取特征波長。

由圖7可知，在 400～1 000 nm 波段范圍內模型擬合效果最佳的主成分數，在主成分數為10個時， t 值模型擬合效果最佳，圖中左側黃色部分表示為 175 個輸入變量的分布曲線，而右側紅色部分表示隨機變量的分布曲線^［26］，最終選取了111個波長。

2.4.5區間變量迭代空間收縮法（IVISSA）提取特征波長。

IVISSA算法提取的特征波長變量分布均勻，且以波長區間居多，因此很好地保留了波長之間的聯合作用^［27］。每個波長的權值系數經過15次迭代后基本保持不變，得到了最優的波長子集，最終采用IVISSA法提取了37個波長。

2.4.6特征波長建模比較。

為了對特征波長的提取進行比較，利用PLSR法建立了相應的模型，得到了表4的結果，其中CARS法提取的特征波長建立的PLSR模型中的預測集相關系數和交互驗證相關系數高于其他幾種算法（Rp=0.8199，R"CV=0.5674），且CARS法建立的SOD活性的PLSR模型的均方根誤差低于其余幾種算法，其中RMSECV=3.9856，RMSEP=3.8365，雖然GAPLS算法的校正集相關系數（Rc）高于CARS算法，但CARS算法的Rc與Rp之和以及剩余預測偏差（RPD）高于IVASSA、UVE、GAPLS以及SPA這幾種算法，其中RPD=3.0506，Rc與Rp之和等于1.4284。綜合分析，優選CARS法提取的特征波長建立甘藍葉片SOD活性定量預測模型，預測模型的效果如圖9所示。

2.5預測模型比較分析

為了選出最優的特征波長模型，通過PLSR、MLR、PCR、LSSVM以及CNN法構建相應模型，結果見表5。CNN所建立的SOD活性模型的相關系數均高于PLSR、MLR、PCR以及LSSVM（Rc=0.9098，Rp=0.8235，RPD=3.1075），均方根誤差均低于其他幾種建模方法（RMSEC=2.038"RMSEP=3.6492）。綜合分析，優選CNN所建立的模型來對甘藍葉片SOD活性進行快速無損檢測，預測模型的效果見圖10。

3討論

超氧化物歧化酶（SOD）活性作為評價植物產量和生物量的重要指標，是影響植物生長發育的關鍵因素。然而缺乏良好的高光譜數據會阻礙對甘藍葉片SOD活性的準確評估，該研究探討了甘藍葉片SOD活性與高光譜數據結合卷積神經網絡之間的關系，為SOD活性的準確評估制定了相關策略和依據，具有良好的應用前景，同時也為未來構建在線檢測系統提供了新的思路。

該研究采用7種不同的預處理方法和5種不同的提取特征波長的方法對樣本進行優化，這樣會在很大程度上降低噪聲和背景對樣本的影響。在數據處理過程中采用的建模方法與前人有所差異，提出了一種新的建模方法CNN建模方法，其是一種具有卷積操作的多層前饋神經網絡，同時也是一種從數據中自動學習的機器學習方法。當原始圖像經過輸入層后，會變成一個充滿RGB數值的矩陣，之后將卷積核心和圖像矩陣在相應卷積核中的數字相乘并相加，然后將獲得的數據纖維填充成1個新的矩陣，可以反射一些特征圖像，設置不同的卷積內核可以找到不同的特性^［28-29］。

深度學習模型具有從大量數據中自動學習的特征，能夠高度區分數據特性并利用空間和光譜信息，使得CNN模型比一般其他模型更有效果，同時也在一定程度上大大提高了樣本的穩定性和相關性^［30］。Yang等^［31］利用卷積神經網絡（CNN）模型提取可見-近紅外范圍內的光譜特征，估計玉米幼苗的冷害，結果表明CNN模型與化學方法給出的等級具有較高的相關性，比其他幾種建模方法效果要好得多。Li等^［32］利用高光譜成像技術結合卷積神經網絡對大豆品種進行鑒定，最后發現CNN模型最穩定，分類準確率最高，高于其他模型1%。同時，該研究也發現CNN模型與SOD活性之間呈現出較高的相關性，是預測SOD活性化學指標的最佳模型，穩定性較高，具有廣泛應用的前景。

4結論

該試驗對不同水平NaCl濃度處理下的甘藍葉片進行研究，探討了甘藍葉片的預處理、特征波長提取以及優化建模等方法，結果表明應用MA、GF、OSC、normalize、baseline、SNV和detrending這7種光譜預處理方法，優選GF預處理方法；之后使用CARS、SPA、UVE、GAPLS和IVASSA方法提取光譜特征波長并構建PLSR模型，結果顯示CARS法提取的特征波長效果最好；使用該特征波長進行PLSR、MLR、PCR、LSSVM和CNN建模，對比分析發現CNN法建立的SOD活性模型效果更優，其中R"C=0.9098，R"P=0.8235，RMSEC=2.0283，RMSEP=3.1075，該研究為今后鹽脅迫下植株長勢在線無損監測提供技術支撐，具有良好的發展前景。

參考文獻

［1］龐順家.西吉縣冷涼蔬菜產業高質量發展現狀及對策［J］.中國農技推廣，20238（4）：15-17.

［2］"楊迎霞，陳銳，姚星偉.甘藍類蔬菜分子育種研究進展［J］.農學學報，2023，13（3）：44-51.

［3］楊平，蔡蕓菲，孫悅，等.生長素引發對鹽脅迫下棉花生長發育及產量品質的影響［J］.分子植物育種，2023，21（20）：6851-6859.

［4］劉鈺，孫學偉，於麗華，等.氯化鈉脅迫對甜菜幼苗傷害和抗氧化酶系統的影響［J］.黑龍江大學自然科學學報，2020，37（5）：588-593.

［5］祝洋，劉志應，李新苗，等.水肥耦合對設施番茄葉片酶活性及水肥利用的影響［J］.節水灌溉，2023（12）：18-26.

［6］WULG，ZHANGY，JIANGQF，etal.StudyontheCATactivityoftomatoleafcellsundersaltstressbasedonmicrohyperspectralimagingandtransferlearningalgorithm［J］.SpectrochimicaactapartA：Molecularandbiomolecularspectroscopy，2023，302：1-10.

［7］"陳素彬，楊華，羅蓉，等.馬鈴薯可溶性固形物的近紅外光譜快速定量模型及優化［J］.安徽農業科學，20249（20）：205-209.

［8］王敬湧，張明珍，凌華榮，等.干旱脅迫下玉米葉片葉綠素含量與含水量高光譜成像反演方法［J］.智慧農業，2023，5（3）：142-153.

［9］李勝利.基于高光譜成像的大豆葉片葉綠素分布可視化［J］.貴州農業科學，20250（4）：41-50.

［10］袁自然，葉寅，武際，等.基于高光譜成像技術的辣椒葉片葉綠素含量估算［J］.江蘇農業科學，20249（16）：189-193.

［11］杜明華.基于顯微高光譜成像技術的番茄葉片抗氧化酶活性檢測研究［D］.銀川：寧夏大學，2022.

［12］THUMMAJITSAKULS，SAMAIKAMS，TACHAS，etal.StudyonFTIRspectroscopy，totalphenoliccontent，antioxidantactivityandanti-amylaseactivityofextractsanddifferentteaformsof"Garciniaschomburgkiana"leaves［J］.LWT-foodscienceandtechnology，2020，134：1-11.

［13］WULG，JIANGQF，ZHANGY，etal.Peroxidaseactivityintomatoleafcellsundersaltstressbasedonmicro-hyperspectralimagingtechnique［J］.Horticulturae，2028（9）：1-12.

［14］吳思琳，孔叢玉，王利芬.不同配方營養液對萬壽菊生長的影響［J］.江蘇農業科學，2019，47（22）：167-169.

［15］孫風梅.茄莖中抗氧化物酶的提取方法的研究［J］.山西大同大學學報（自然科學版），2018，34（1）：44-48.

［16］盧冠鏹.基于高光譜成像技術的玉米新陳度快速無損檢測方法研究［D］.鄭州：河南工業大學，2023.

［17］張晉，曹曉寧，田翔，等.近紅外光譜法快速檢測藜麥蛋白含量［J］.安徽農業科學，20249（9）：175-176，179.

［18］周占坤.基于THz-NIR高光譜相融合的番茄病蟲害檢測研究［D］.鎮江：江蘇大學，2022.

［19］姚婉清，彭夢俠，陳梓云，等.近紅外光譜法同時測定橙汁中多種成分含量［J］.安徽農業科學，2020，48（15）：208-210.

［20］段金饋，李峰，秦泉，等.高分六號紅邊波段對夏玉米種植區識別的影響［J］.海洋氣象學報，2023，43（3）：104-112.

［21］LIG，WANSW，ZHOUJ，etal.Leafchlorophyllfluorescence，hyperspectralreflectance，pigmentscontent，malondialdehydeandprolineaccumulationresponsesofcastorbean（Ricinuscommunis"L.）seedlingstosaltstresslevels［J］.Industrialcropsandproducts，2010，31（1）：13-19.

［22］BOSHKOVSKIB，DOUPISG，ZAPOLSKAA，etal.HyperspectralimagerydetectswaterdeficitandsalinityeffectsonphotosynthesisandantioxidantenzymeactivityofthreeGreekolivevarieties［J］.Sustainability，20214（3）：1-17.

［23］宋士媛.基于高光譜成像的腐爛櫻桃無損檢測方法研究［D］.沈陽：沈陽農業大學，2022.

［24］史成昆.基于高光譜成像的水稻品種鑒別與蛋白質含量預測［D］.泰安：山東農業大學，2023.

［25］石海軍.基于光譜圖像技術的中華絨螯蟹品質鑒別研究［D］.鎮江：江蘇大學，2019.

［26］劉曉龍.基于多光譜技術的柑橘黃龍病早期檢測研究［D］.南昌：華東交通大學，2022.

［27］孫博康.貯藏期內香水梨果實硬度和SSC的高光譜快速檢測研究［D］.銀川：寧夏大學，2021.

［28］唐偉萍，黃欣，陳泳锨.基于深度學習的甘蔗生長監測模型設計［J］.廣西糖業，2023，43（3）：14-19.

［29］魯夢瑤，陳棟，周強，等.基于深度學習的煙葉等級分類及特征可視化［J］.煙草科技，2023，56（6）：92-100.

［30］劉東旭.基于卷積神經網絡的高光譜遙感圖像分類方法研究［D］.長春：中國科學院大學（中國科學院長春光學精密機械與物理研究所），2023.

［31］YANGW，YANGC，HAOZY，etal.Diagnosisofplantcolddamagebasedonhyperspectralimagingandconvolutionalneuralnetwork［J］.IEEEaccess，2019，7：118239-118248.

［32］LIH，ZHANGL，SUNH，etal.Identificationofsoybeanvarietiesbasedonhyperspectralimagingtechnologyandone-dimensionalconvolutionalneuralnetwork［J］.Journaloffoodprocessengineering，20244（8）：e13769.