雨生红球藻中虾青素含量检测方法、装置、介质及产品
本发明涉及虾青素含量检测，特别是涉及一种雨生红球藻中虾青素含量检测方法、装置、介质及产品。
背景技术：
1、不同诱导因子对雨生红球藻中虾青素积累的影响存在差异，这些差异可能是由不同的藻类菌株或不同的初始培养条件引起的。因此，研究虾青素在雨生红球藻中的蓄积条件变得十分必要，而检测虾青素含量是了解雨生红球藻中虾青素蓄积机制的重要一步。高光谱成像技术可用于物体成像和光谱分析，因此，这对检测生物及其特性是非常有益的。藻类的高光谱成像研究主要集中在利用藻类和水中其他浮游生物的反射光谱特征，建立相应的模型，对水体富营养化的水质进行分析判别和监测。
技术实现思路
1、本发明的目的是提供一种雨生红球藻中虾青素含量检测方法、装置、介质及产品，能够提高雨生红球藻中虾青素含量检测的精度和效率。
2、为实现上述目的，本发明提供了如下方案：
3、一种雨生红球藻中虾青素含量检测方法，包括：
4、获取白色参考图像和黑色参考图像；
5、获取雨生红球藻溶液的高光谱原始图像；
6、根据所述白色参考图像和所述黑色参考图像对所述高光谱原始图像进行校正处理，得到高光谱校正图像；
7、确定高光谱校正图像中每个像素点的光谱全波段的光谱反射率曲线；
8、确定高光谱校正图像中任一像素点为当前像素点；
9、确定当前像素点光谱全波段的光谱反射率曲线为当前光谱反射率曲线；
10、从当前光谱反射率曲线中提取多个特征波长对应的光谱反射率为当前特征；
11、将多个所述当前特征均输入到虾青素含量检测模型中，得到当前像素点处的虾青素含量。
12、可选的，所述高光谱校正图像为：
13、
14、其中，rcorrect为高光谱校正图像，i为高光谱原始图像，w为白色参考图像，d为黑色参考图像。
15、可选的，所述虾青素含量检测模型为：
16、y＝-12.909-53.407x437nm+85.711x441nm-28.554x455nm-124.966x457nm+144.712x474nm+84.322x477nm+77.957x480nm-109.051x492nm-67.988x493nm+134.89x514nm-153.802x551nm-37.988x562nm-45.592x563nm+94.753x573nm+116.31x575nm+55.565x593nm+71.58x601nm-112.1x625nm-106.831x626nm-94.133x628nm-65.874x633nm+93.602x701nm+119.202x702nm-66.004x858nm-56.668x863nm+58.553x907nm+79.69x921nm+122.823x967nm+81.963x982nm-36.446x1013nm-117.712x1015nm-125.249x1016nm；
17、其中，y为虾青素含量预测值；xi为特征波长i处的光谱反射率值，i＝437nm，441nm，455nm，457nm，474nm，477nm，480nm，492nm，493nm，514nm，551nm，562nm，563nm，573nm，575nm，593nm，601nm，625nm，626nm，628nm，633nm，701nm，702nm，858nm，863nm，907nm，921nm，967nm，982nm，1013nm，1015nm，1016nm。
18、可选的，在获取雨生红球藻的高光谱原始图像之前，还包括：
19、获取多种虾青素溶液的高光谱原始图像为训练原始图像；不同所述虾青素溶液的虾青素浓度不同；
20、根据所述白色参考图像和所述黑色参考图像，分对每张训练原始图像进行校正，得到训练校正图像；
21、确定每张训练校正图像中每个像素点的光谱全波段的光谱反射率训练曲线；
22、构建多种初始模型；
23、令特征提取迭代次数m＝1；
24、利用第m种特征提取方法对多个光谱反射率训练曲线进行特征提取，得到待定特征波长组对应的光谱反射率；
25、将以待定特征波长组对应的光谱反射率为输入，以对应虾青素溶液的虾青素浓度为输出，分别对多种初始模型进行训练，得到多个待定虾青素含量检测模型；
26、令特征提取迭代次数m的数值增加1，并返回步骤“利用第m种特征提取方法对多个光谱反射率历史曲线进行特征提取，得到待定特征波长组对应的光谱反射率”直至遍历所有特征提取方法；
27、确定预测精度最高的待定虾青素含量检测模型为虾青素含量检测模型。
28、可选的，在确定预测精度最高的待定虾青素含量检测模型为虾青素含量检测模型之后，还包括：
29、确定训练虾青素含量检测模型时输入的待定特征波长组，为特征步长。
30、可选的，所述特征提取方法包括：加权回归系数法、主成分分析载荷法、连续投影算法和竞争性自适应重加权算法。
31、可选的，所述初始模型包括：偏最小二乘模型、最小二乘-支持向量机模型和多元线性回归模型。
32、一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现所述的一种雨生红球藻中虾青素含量检测方法。
33、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的一种雨生红球藻中虾青素含量检测方法。
34、一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现所述的一种雨生红球藻中虾青素含量检测方法。
35、根据本发明提供的具体实施例，本发明公开了以下技术效果：
36、本发明提供的一种雨生红球藻中虾青素含量检测方法、装置、介质及产品，获取白色参考图像和黑色参考图像；获取雨生红球藻溶液的高光谱原始图像；根据白色参考图像和黑色参考图像对高光谱原始图像进行校正处理，得到高光谱校正图像；确定高光谱校正图像中每个像素点的光谱全波段的光谱反射率曲线；确定高光谱校正图像中任一像素点为当前像素点；确定当前像素点光谱全波段的光谱反射率曲线为当前光谱反射率曲线；从当前光谱反射率曲线中提取多个特征波长对应的光谱反射率为当前特征；将多个当前特征均输入到虾青素含量检测模型中，得到当前像素点处的虾青素含量。本发明通过确定虾青素含量检测模型及其对应的多个特征波长，能够提高雨生红球藻中虾青素含量检测的精度和效率。
37、本发明建立了基于全波长的偏最小二乘模型(partial least square，pls)，预测相关系数(correlation coefficient of prediction，rp)为0.972，预测均方根误差(rootmean square error of prediction，rmsep)为0.499，剩余预测偏差(residualpredictive deviation，rpd)为4.207。同时，利用加权回归系数法(weighted regressioncoefficient，bw)、主成分分析载荷法(principal component analysis-loading，pca-loading)、竞争性自适应重加权算法(competitive adaptive reweighted sampling，cars)和连续投影算法(successive projections algorithm，spa)提取特征变量。然后建立基于特征波段的pls、多元线性回归(multiple linear regression，mlr)和最小二乘-支持向量机(least squares-support vector machine，ls-svm)预测模型。结果显示，cars-pls模型的预测效果最好，此模型使用的变量数量仅为全波段变量数的6.75％。表明，反射光谱率信息可实现雨生红球藻中虾青素含量的检测，基于最优模型cars-pls可得到雨生红球藻中虾青素含量的预测方程。因此，利用高光谱成像技术预测雨生红球藻中虾青素含量是可行的。
技术特征：
1.一种雨生红球藻中虾青素含量检测方法，其特征在于，包括：
2.根据权利要求1所述的一种雨生红球藻中虾青素含量检测方法，其特征在于，所述高光谱校正图像为：
3.根据权利要求1所述的一种雨生红球藻中虾青素含量检测方法，其特征在于，所述虾青素含量检测模型为：
4.根据权利要求1所述的一种雨生红球藻中虾青素含量检测方法，其特征在于，在获取雨生红球藻的高光谱原始图像之前，还包括：
5.根据权利要求4所述的一种雨生红球藻中虾青素含量检测方法，其特征在于，在确定预测精度最高的待定虾青素含量检测模型为虾青素含量检测模型之后，还包括：
6.根据权利要求4所述的一种雨生红球藻中虾青素含量检测方法，其特征在于，所述特征提取方法包括：加权回归系数法、主成分分析载荷法、连续投影算法和竞争性自适应重加权算法。
7.根据权利要求4所述的一种雨生红球藻中虾青素含量检测方法，其特征在于，所述初始模型包括：偏最小二乘模型、最小二乘-支持向量机模型和多元线性回归模型。
8.一种计算机装置，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的一种雨生红球藻中虾青素含量检测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种雨生红球藻中虾青素含量检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种雨生红球藻中虾青素含量检测方法。
技术总结
本发明公开了一种雨生红球藻中虾青素含量检测方法、装置、介质及产品，涉及虾青素含量检测技术领域。方法包括：对高光谱原始图像进行校正处理，得到高光谱校正图像；确定高光谱校正图像中每个像素点的光谱全波段的光谱反射率曲线；确定当前像素点光谱全波段的光谱反射率曲线为当前光谱反射率曲线；从当前光谱反射率曲线中提取多个特征波长对应的光谱反射率为当前特征；将多个当前特征均输入到虾青素含量检测模型中，得到当前像素点处的虾青素含量。本发明通过确定虾青素含量检测模型及其对应的多个特征波长，能够提高雨生红球藻中虾青素含量检测的精度和效率。
技术研发人员：谢传奇,龚爱平,唐文升,范锋,李玲燕,徐杏,邵咏妮
受保护的技术使用者：浙江省农业科学院
技术研发日：
技术公布日：2024/9/23