论文部分内容阅读
背景
近红外光谱（780～2526 nm）属于分子振动的倍频、合频光谱，具有信息量非常丰富的特点[1]。对其认识过程可以追溯到文艺复兴时期，1666年英国科学家艾萨克·牛顿（Isaac Newton）证明一束白光可分为一系列不同颜色的可见光，即一条从紫色到红色的光带。牛顿导入“光谱”（spectrum）一词，这是光谱科学开端的标志。近红外光谱区是英国科学家威廉·赫歇耳（Sir William Herschel） 在 1800 年进行太阳光谱可见区红外部分能量测量中发现的，为了纪念 Herschel 的历史性发现人们将近红外谱区中介于 780～1100 nm的波段称为Herschel谱区。作为有效的分析手段在20世纪30年代就得到了认可，最初用于分子结构理论的研究。到19世纪60 年代，美国 Karl Norris 博士提出相对NIR分析技术，即物质的含量与近红外区内多个不同的波长点吸收峰呈线性关系，并利用NIR漫反射技术测定了农产品中的水分、蛋白、脂肪等，才使其成为实际分析技术。
由于近红外光谱以其速度快、不破坏样品、操作简单、稳定性好、效率高等特点，已广泛应用于各个领域。特别是在欧美及日本等发达国家，很多近红外光谱分析法被列为标准方法。农业方面主要有美国谷物化学家学会（AACC）Method 39-00.01Near-Infrared Methods-Guidelines for Model Development and Maintenance（美国谷物化学家学会标准39-00.01 近红外方法-模型的建立与维护通则）、Method 39-10.01 Near-Reflectance Method for Protein Determination in small Grains（美国谷物化学家学会标准39-10.01漫反射近红外测定小粒谷物蛋白质的方法）等7条标准，以及国际谷物化学会（ICC）Standard Method No.159 Determination of Protein by Near Infrared Relectances（NIR） Spectroscopy（国际谷物化学会标准159漫反射近红外测定蛋白质）等2条标准。中国制定了（GB/T 18868-2002）“饲料中水分、粗蛋白质、粗纤维、粗脂肪、赖氨酸、蛋氨酸快速测定近红外光谱法”等12条国家标准在农业上进行应用。
对于设施农业作物的分析对象从最初的组织结构和种子扩展到包括植物根、茎秆、叶、全株、果实等，分析对象也从粉末样品扩展到分析完整的籽粒样品，液体样品，蔬菜活体样本等。蔬菜生产上主要用来进行病害的预测、收获期预测、作物植株营养元素的缺失、果实品质的无损检测。
设施生产可检测对象
近红外光谱检测法主要可应用于设施蔬菜生产环节的多类指标的检测和监控。检测品种主要集中在大白菜、洋葱、马铃薯、西红柿、辣椒等。各样品的可检测指标见表1。
果蔬虫害防治
设施蔬菜对于虫害的防治要花费很多的人力和物力，以避免虫害在适宜条件下的快速繁殖。研究表明，通过近红外光谱可以有效的定量获取虫害的信息。由于不同虫害的表皮及组织内都具有相对独特的化学成分，虫害体内分子在吸收近红外光能量后，其振动能级和转动能级产生跃迁。因此，可以根据不同虫害对近红外光吸收与反射的差异对虫害进行定量识别。由于不同虫害体内的C、H、N成分的差异，通过近红外光谱扫描后，根据获得的发射和吸收光谱的数据就可以用来识别不同虫害的重量及数量。目前，通过近红外光谱获取虫害信息，在设施蔬菜研究应用上已成为一个非常活跃和有创新的领域。
蔬菜病害的早期检测
设施蔬菜的病害防治非常关键，一旦发病几乎难以控制。对于还不能用肉眼观察到的病害如能早做预防，将会对病害防治起到非常关键的作用。由Botrytis cinerea真菌引起的灰霉病对于众多设施蔬菜影响非常严重，茄子叶片灰霉病害还未在叶片表面出现病症时的早期检测，就可以通过近红外光谱取得很好防治效果。基于化学计量学方法建立早期检测模型，采用主成分分析结合BP神经网络的方法，解决了光谱反射率值不适合直接应用于神经网络建模，以及仅应用主成分分析鉴别能力不足的缺点，以提高模型计算的速度和精度。检测结果显示，模型具有良好的检测效果，能够达到100%的识别率，正确率也能达到88%。采用可见近红外光谱技术，能够实现当病症还未在叶片表面出现时的早期检测，为灰霉病早期检测提供了新的途径。另一方面，对于长在地下的根部病害也有应用。李金萍[2]应用傅里叶变换红外光谱技术对大白菜根肿病实现早期快速检测。这对于应用红外光谱根部疾病的检测是创新性的。研究表明，染病的根部样品在红外光谱图中有很强的吸收峰，而健康根部样品的光谱图中则没有。结合吸收峰的峰面积值变化，可以对大白菜根肿病进行早期快速检测，与此同时采用聚合酶链式反应（PCR）进行检测加以佐证。这个研究对于研究根部的疾病具有很大的帮助。
果蔬种类的识别
Belton P .S（1995）等使用漫反射和傅里叶红外显微镜方法测定了10 个果蔬样品（ 胡萝卜、黄瓜、克威果、辣椒、橙子、梨、土豆、葡萄、苹果和小胡瓜） 的细胞壁， 并与KBr 方法进行了比较， 发现三种方法都能用于区别果蔬样品， 但使用不同的方法所得到的光谱有明显变化。这个研究工作有助于借助光谱快速识别设施蔬菜种类，可以用作蔬菜的识别和分类。祖琴等[3-4]基于可见-近红外光谱分析开展圆白菜识别研究，用于杂草和蔬菜的区别，试验结果显示利用MSC与3阶5次21点SG相结合的方法对光谱数据预处理后，运用PCA提取前10个主成分作为分类模型的输入变量，取得了100%的分类正确率，能够快速无损地识别圆白菜与几种常见杂草，通过蔬菜的光谱识别可进行设施栽培作物的变量施药。
蔬菜品质的鉴定 对肉眼无法识别的蔬菜品质也是近红外光谱重要的研究方向，使用光谱检测可以对大白菜等的品质进行分级。张德双等[5]通过用近红外光谱法680～ 1235 nm波长范围内，对5 个大白菜品种从外向内分别测定每片叶片的叶柄及软叶的还原糖、VC、中性洗涤纤维
（ NDF） 、粗蛋白（ CP） 、干物质（ DW） 5 种有机成分。光谱检测结果表明， 不同叶片中， 除软叶的VC外， 其余叶柄、软叶的各有机成分都是由外向内逐渐增加； 同一叶片中， 软叶的还原糖和VC含量都高于叶柄中的含量， 各品种软叶与叶柄的其他营养成分则有高有低，表现不一致。比较有代表的是北京桔红心（ 97-8） 的还原糖、VC、NDF、CP 含量是所有品种中最高的。这种快速鉴定蔬菜营养成分的无损检测方法，对蔬菜的栽培管理以及精细化管理非常有用。覃方丽[6]对新鲜辣椒进行光谱方法的品质鉴定，用近红外光谱法获取不同品种、不同颜色的鲜辣椒的凸表面点进行可溶性糖和VC含量值的测定。该研究对于新鲜辣椒的养分进行快速品质鉴定。
蔬菜农药残留的检测
周向阳等[7]开展了叶菜的农药残留光谱检测工作。利用农药中磷元素的特征信号， 采用傅里叶变换近红外光谱法对十字花科、旋药科、菊科、伞形花科、苋科等20余种叶菜类中有机磷农药残留的鉴别开展研究。共采用三种高、中、低毒有机磷类进行分析测试， 采用差谱技术、导数预处理等方法， 成功得出油菜中甲胺磷残留定性和定量检测的分析模型， 并发现无论是何种叶菜，波长在1908 nm时其特征吸收都非常的典型，此方法的检测极限与传统方法一致。通过该研究证明，蔬菜有机磷农药残留的快速分析，通过近红外光谱是非常可靠和准确的，这对于容易受到施药影响的叶菜安全控制提供了一种非常实用的技术手段。
蔬菜的硬度
通过近红外光谱技术无损获得蔬菜的果实硬度，对于获得果实的物理特性以及果实生长规律也具有重要意义。2005年，马广等用傅里叶近红外光谱仪测定了荸荠的果实硬度。在800～ 2500 nm， 830～ 1250 nm 和860～ 1090 nm 等不同波段上， 用PLS、主成分回归（ PCR） 和逐步回归（ SMLR） 建立荸荠近红外光谱和硬度的统计模型。研究结果表明，基于近红外光谱的果实硬度检测精确性能，满足生产上的需求。
蔬菜的长势监测
通过蔬菜叶片的近红外检测获得蔬菜的长势情况，能无损得快速获得西红柿等叶片的营养情况。石吉勇等[8]基于近红外光谱实现设施栽培水果黄瓜磷元素亏缺初期快速诊断，取得了很好的效果。由于元素（P）亏缺初期，水果黄瓜植株根部叶片出现小斑点，其症状的外观特征与健康植株根部叶片老化初期类似，难以用肉眼或者计算机图像处理技术识别。通过采集了叶片病症区域的近红外光谱，结合BP神经网络（BP-ANN）算法建立了磷元素亏缺初期的光谱诊断模型，正确识别率为100%，预测集的识别率为100%。因此，该技术对于磷元素亏缺初级阶段的快速诊断植株营养状况，对及时指导追肥和挽救生产具有重要意义。张方明等[9]分别用傅里叶变换近红外漫反射光谱法测定西红柿叶片中的水分含量和叶绿素，用PLS 模式探讨不同的光谱处理方法（不同波长范围、基线校正、平滑、一阶和二阶微分） ，从而获得较好的预测模型。研究结果表明，直接对西红柿的叶片光谱测试能判断其长势的优劣。
结束语
近年来，设施蔬菜生产的管理可借助多种无损检测手段，其中近红外光谱是非常具有代表性的。谢丽娟[10]从最初的基于尺寸、形状、颜色、气味、硬度、表面纹理等特征出发，得到了比较好的结果，一系列的果蔬产品品质无损检测技术已经被开发出，并开始投入生产应用。除了外部品质的快速无损检测外，近红外光谱的优势在于无损的对内部品质进行检测， 对设施果蔬产品的内部直接通过照射获得其数据，包括成熟度、糖含量、脂含量、内部缺陷、组织衰竭等。由于蔬菜内部成分及外部特性不同，在不同波长的射线照射下，会有不同的吸收或反射特性，且吸收量与果蔬的组成成分、波长及照射路径有关。根据这一特性结合光学检测装置能实现水果和蔬菜品质的无损检测。但是近红外光谱还存在诸多不足，很容易受到采样位置和装样条件的影响，尤其对叶片的单点测量而言，不同部位的测试获得模型就很不相同，测试结果也会有差异，借助化学分析、高光谱图像、核磁共振等手段结合起来，检测的稳定性就更容易得到国际认可。
【参考文献】
[1] 严衍禄，陈斌，朱大洲，等.近红外光谱分析的原理、技术与应用[M].北京：中国轻工业出版社.北京，2013.
[2] 李金萍，柴阿丽，石延霞，等. 大白菜根肿病的傅里叶变换红外光谱早期快速检测[J]. 光谱学与光谱分析，2013（06）：1528-1531.
[3] 祖琴，赵春江，邓巍，等. 基于可见-近红外光谱分析的圆白菜与杂草识别研究[J]. 光谱学与光谱分析，2013（05）：1202-1205.
[4] 祖琴，邓巍，王秀，等. 主成分分析和SIMCA的甘蓝与杂草光谱识别方法研究[J]. 光谱学与光谱分析，2013（10）：2745-2750.
[5] 张德双，金同铭，徐家炳，等. 几种主要营养成分在大白菜不同叶片及部位中的分布规律[J]. 华北农学报，2000（01）：108-111.
[6] 覃方丽，闵顺耕，石正强，等. 鲜辣椒中糖份和维生素C含量的近红外光谱非破坏性测定[J]. 分析试验室，2003（04）：59-61.
[7] 周向阳，林纯忠，胡祥娜，等. 近红外光谱法（NIR）快速诊断蔬菜中有机磷农药残残留[J]. 食品科学，2004（05）：151-154.
[8] 石吉勇，邹小波，赵杰文，等.基于近红外光谱的设施栽培水果黄瓜磷元素亏缺初期快速诊断[J].光谱学与光谱分析，2011，31（12）：3264-3268.
[9] 张方明，应义斌，蒋焕煜，等. Correlation analysis-based image segmentation approach for automatic agriculturevehicle[J]. Journal of Zhejiang University ScienceA（Science in Engineering），2005，10：1158-1162.
[10] 谢丽娟，应义斌，于海燕，等.近红外光谱分析技术在蔬菜品质无损检测中的应用研究进展[J].光谱学与光谱分析，2007，27（6）：1131-1135.
[11] 柴阿丽.基于计算机视觉和光谱分析技术的蔬菜叶部病害诊断研究[D].北京：中国农业科学院，2011.
[12] 田有文，李天来，张琳，等.高光谱图像技术诊断温室黄瓜病害的方法[J].农业工程学报，2010，26（5）：202-206.
[13] 张立彬，胡海根，计时鸣，等.果蔬产品品质无损检测技术的研究进展[J].农业工程学报，2005，21（4）：176-180.
[14] 陈守满.高光谱图像与农产品品质无损检测研究进展[J].安康学院学报，2011，23（6）：1-6.
[15] 熊雪梅，姬长英，Claudio M，等.基于参数化遗传神经网络的植物病害预测方法[J].农业机械学报，2004，35（6）：110-114.
[16] 孔汶汶，刘飞，邹强，等.基于近红外光谱技术的油菜叶片丙二醛含量快速检测方法研究[J].光谱学与光谱分析，2011，31（4）：988-991.
[17] 王惟萍，柴阿丽，石延霞，等.基于傅里叶变换红外光谱的大白菜根肿病定量测评[J].光谱学与光谱分析，2015，（5）：1243-1247.
[18] Ma G，Ying Y，Fu X P.Proc.of SPIE.2005，5996：P59660K.
近红外光谱（780～2526 nm）属于分子振动的倍频、合频光谱，具有信息量非常丰富的特点[1]。对其认识过程可以追溯到文艺复兴时期，1666年英国科学家艾萨克·牛顿（Isaac Newton）证明一束白光可分为一系列不同颜色的可见光，即一条从紫色到红色的光带。牛顿导入“光谱”（spectrum）一词，这是光谱科学开端的标志。近红外光谱区是英国科学家威廉·赫歇耳（Sir William Herschel） 在 1800 年进行太阳光谱可见区红外部分能量测量中发现的，为了纪念 Herschel 的历史性发现人们将近红外谱区中介于 780～1100 nm的波段称为Herschel谱区。作为有效的分析手段在20世纪30年代就得到了认可，最初用于分子结构理论的研究。到19世纪60 年代，美国 Karl Norris 博士提出相对NIR分析技术，即物质的含量与近红外区内多个不同的波长点吸收峰呈线性关系，并利用NIR漫反射技术测定了农产品中的水分、蛋白、脂肪等，才使其成为实际分析技术。
由于近红外光谱以其速度快、不破坏样品、操作简单、稳定性好、效率高等特点，已广泛应用于各个领域。特别是在欧美及日本等发达国家，很多近红外光谱分析法被列为标准方法。农业方面主要有美国谷物化学家学会（AACC）Method 39-00.01Near-Infrared Methods-Guidelines for Model Development and Maintenance（美国谷物化学家学会标准39-00.01 近红外方法-模型的建立与维护通则）、Method 39-10.01 Near-Reflectance Method for Protein Determination in small Grains（美国谷物化学家学会标准39-10.01漫反射近红外测定小粒谷物蛋白质的方法）等7条标准，以及国际谷物化学会（ICC）Standard Method No.159 Determination of Protein by Near Infrared Relectances（NIR） Spectroscopy（国际谷物化学会标准159漫反射近红外测定蛋白质）等2条标准。中国制定了（GB/T 18868-2002）“饲料中水分、粗蛋白质、粗纤维、粗脂肪、赖氨酸、蛋氨酸快速测定近红外光谱法”等12条国家标准在农业上进行应用。
对于设施农业作物的分析对象从最初的组织结构和种子扩展到包括植物根、茎秆、叶、全株、果实等，分析对象也从粉末样品扩展到分析完整的籽粒样品，液体样品，蔬菜活体样本等。蔬菜生产上主要用来进行病害的预测、收获期预测、作物植株营养元素的缺失、果实品质的无损检测。
设施生产可检测对象
近红外光谱检测法主要可应用于设施蔬菜生产环节的多类指标的检测和监控。检测品种主要集中在大白菜、洋葱、马铃薯、西红柿、辣椒等。各样品的可检测指标见表1。
果蔬虫害防治
设施蔬菜对于虫害的防治要花费很多的人力和物力，以避免虫害在适宜条件下的快速繁殖。研究表明，通过近红外光谱可以有效的定量获取虫害的信息。由于不同虫害的表皮及组织内都具有相对独特的化学成分，虫害体内分子在吸收近红外光能量后，其振动能级和转动能级产生跃迁。因此，可以根据不同虫害对近红外光吸收与反射的差异对虫害进行定量识别。由于不同虫害体内的C、H、N成分的差异，通过近红外光谱扫描后，根据获得的发射和吸收光谱的数据就可以用来识别不同虫害的重量及数量。目前，通过近红外光谱获取虫害信息，在设施蔬菜研究应用上已成为一个非常活跃和有创新的领域。
蔬菜病害的早期检测
设施蔬菜的病害防治非常关键，一旦发病几乎难以控制。对于还不能用肉眼观察到的病害如能早做预防，将会对病害防治起到非常关键的作用。由Botrytis cinerea真菌引起的灰霉病对于众多设施蔬菜影响非常严重，茄子叶片灰霉病害还未在叶片表面出现病症时的早期检测，就可以通过近红外光谱取得很好防治效果。基于化学计量学方法建立早期检测模型，采用主成分分析结合BP神经网络的方法，解决了光谱反射率值不适合直接应用于神经网络建模，以及仅应用主成分分析鉴别能力不足的缺点，以提高模型计算的速度和精度。检测结果显示，模型具有良好的检测效果，能够达到100%的识别率，正确率也能达到88%。采用可见近红外光谱技术，能够实现当病症还未在叶片表面出现时的早期检测，为灰霉病早期检测提供了新的途径。另一方面，对于长在地下的根部病害也有应用。李金萍[2]应用傅里叶变换红外光谱技术对大白菜根肿病实现早期快速检测。这对于应用红外光谱根部疾病的检测是创新性的。研究表明，染病的根部样品在红外光谱图中有很强的吸收峰，而健康根部样品的光谱图中则没有。结合吸收峰的峰面积值变化，可以对大白菜根肿病进行早期快速检测，与此同时采用聚合酶链式反应（PCR）进行检测加以佐证。这个研究对于研究根部的疾病具有很大的帮助。
果蔬种类的识别
Belton P .S（1995）等使用漫反射和傅里叶红外显微镜方法测定了10 个果蔬样品（ 胡萝卜、黄瓜、克威果、辣椒、橙子、梨、土豆、葡萄、苹果和小胡瓜） 的细胞壁， 并与KBr 方法进行了比较， 发现三种方法都能用于区别果蔬样品， 但使用不同的方法所得到的光谱有明显变化。这个研究工作有助于借助光谱快速识别设施蔬菜种类，可以用作蔬菜的识别和分类。祖琴等[3-4]基于可见-近红外光谱分析开展圆白菜识别研究，用于杂草和蔬菜的区别，试验结果显示利用MSC与3阶5次21点SG相结合的方法对光谱数据预处理后，运用PCA提取前10个主成分作为分类模型的输入变量，取得了100%的分类正确率，能够快速无损地识别圆白菜与几种常见杂草，通过蔬菜的光谱识别可进行设施栽培作物的变量施药。
蔬菜品质的鉴定 对肉眼无法识别的蔬菜品质也是近红外光谱重要的研究方向，使用光谱检测可以对大白菜等的品质进行分级。张德双等[5]通过用近红外光谱法680～ 1235 nm波长范围内，对5 个大白菜品种从外向内分别测定每片叶片的叶柄及软叶的还原糖、VC、中性洗涤纤维
（ NDF） 、粗蛋白（ CP） 、干物质（ DW） 5 种有机成分。光谱检测结果表明， 不同叶片中， 除软叶的VC外， 其余叶柄、软叶的各有机成分都是由外向内逐渐增加； 同一叶片中， 软叶的还原糖和VC含量都高于叶柄中的含量， 各品种软叶与叶柄的其他营养成分则有高有低，表现不一致。比较有代表的是北京桔红心（ 97-8） 的还原糖、VC、NDF、CP 含量是所有品种中最高的。这种快速鉴定蔬菜营养成分的无损检测方法，对蔬菜的栽培管理以及精细化管理非常有用。覃方丽[6]对新鲜辣椒进行光谱方法的品质鉴定，用近红外光谱法获取不同品种、不同颜色的鲜辣椒的凸表面点进行可溶性糖和VC含量值的测定。该研究对于新鲜辣椒的养分进行快速品质鉴定。
蔬菜农药残留的检测
周向阳等[7]开展了叶菜的农药残留光谱检测工作。利用农药中磷元素的特征信号， 采用傅里叶变换近红外光谱法对十字花科、旋药科、菊科、伞形花科、苋科等20余种叶菜类中有机磷农药残留的鉴别开展研究。共采用三种高、中、低毒有机磷类进行分析测试， 采用差谱技术、导数预处理等方法， 成功得出油菜中甲胺磷残留定性和定量检测的分析模型， 并发现无论是何种叶菜，波长在1908 nm时其特征吸收都非常的典型，此方法的检测极限与传统方法一致。通过该研究证明，蔬菜有机磷农药残留的快速分析，通过近红外光谱是非常可靠和准确的，这对于容易受到施药影响的叶菜安全控制提供了一种非常实用的技术手段。
蔬菜的硬度
通过近红外光谱技术无损获得蔬菜的果实硬度，对于获得果实的物理特性以及果实生长规律也具有重要意义。2005年，马广等用傅里叶近红外光谱仪测定了荸荠的果实硬度。在800～ 2500 nm， 830～ 1250 nm 和860～ 1090 nm 等不同波段上， 用PLS、主成分回归（ PCR） 和逐步回归（ SMLR） 建立荸荠近红外光谱和硬度的统计模型。研究结果表明，基于近红外光谱的果实硬度检测精确性能，满足生产上的需求。
蔬菜的长势监测
通过蔬菜叶片的近红外检测获得蔬菜的长势情况，能无损得快速获得西红柿等叶片的营养情况。石吉勇等[8]基于近红外光谱实现设施栽培水果黄瓜磷元素亏缺初期快速诊断，取得了很好的效果。由于元素（P）亏缺初期，水果黄瓜植株根部叶片出现小斑点，其症状的外观特征与健康植株根部叶片老化初期类似，难以用肉眼或者计算机图像处理技术识别。通过采集了叶片病症区域的近红外光谱，结合BP神经网络（BP-ANN）算法建立了磷元素亏缺初期的光谱诊断模型，正确识别率为100%，预测集的识别率为100%。因此，该技术对于磷元素亏缺初级阶段的快速诊断植株营养状况，对及时指导追肥和挽救生产具有重要意义。张方明等[9]分别用傅里叶变换近红外漫反射光谱法测定西红柿叶片中的水分含量和叶绿素，用PLS 模式探讨不同的光谱处理方法（不同波长范围、基线校正、平滑、一阶和二阶微分） ，从而获得较好的预测模型。研究结果表明，直接对西红柿的叶片光谱测试能判断其长势的优劣。
结束语
近年来，设施蔬菜生产的管理可借助多种无损检测手段，其中近红外光谱是非常具有代表性的。谢丽娟[10]从最初的基于尺寸、形状、颜色、气味、硬度、表面纹理等特征出发，得到了比较好的结果，一系列的果蔬产品品质无损检测技术已经被开发出，并开始投入生产应用。除了外部品质的快速无损检测外，近红外光谱的优势在于无损的对内部品质进行检测， 对设施果蔬产品的内部直接通过照射获得其数据，包括成熟度、糖含量、脂含量、内部缺陷、组织衰竭等。由于蔬菜内部成分及外部特性不同，在不同波长的射线照射下，会有不同的吸收或反射特性，且吸收量与果蔬的组成成分、波长及照射路径有关。根据这一特性结合光学检测装置能实现水果和蔬菜品质的无损检测。但是近红外光谱还存在诸多不足，很容易受到采样位置和装样条件的影响，尤其对叶片的单点测量而言，不同部位的测试获得模型就很不相同，测试结果也会有差异，借助化学分析、高光谱图像、核磁共振等手段结合起来，检测的稳定性就更容易得到国际认可。
【参考文献】
[1] 严衍禄，陈斌，朱大洲，等.近红外光谱分析的原理、技术与应用[M].北京：中国轻工业出版社.北京，2013.
[2] 李金萍，柴阿丽，石延霞，等. 大白菜根肿病的傅里叶变换红外光谱早期快速检测[J]. 光谱学与光谱分析，2013（06）：1528-1531.
[3] 祖琴，赵春江，邓巍，等. 基于可见-近红外光谱分析的圆白菜与杂草识别研究[J]. 光谱学与光谱分析，2013（05）：1202-1205.
[4] 祖琴，邓巍，王秀，等. 主成分分析和SIMCA的甘蓝与杂草光谱识别方法研究[J]. 光谱学与光谱分析，2013（10）：2745-2750.
[5] 张德双，金同铭，徐家炳，等. 几种主要营养成分在大白菜不同叶片及部位中的分布规律[J]. 华北农学报，2000（01）：108-111.
[6] 覃方丽，闵顺耕，石正强，等. 鲜辣椒中糖份和维生素C含量的近红外光谱非破坏性测定[J]. 分析试验室，2003（04）：59-61.
[7] 周向阳，林纯忠，胡祥娜，等. 近红外光谱法（NIR）快速诊断蔬菜中有机磷农药残残留[J]. 食品科学，2004（05）：151-154.
[8] 石吉勇，邹小波，赵杰文，等.基于近红外光谱的设施栽培水果黄瓜磷元素亏缺初期快速诊断[J].光谱学与光谱分析，2011，31（12）：3264-3268.
[9] 张方明，应义斌，蒋焕煜，等. Correlation analysis-based image segmentation approach for automatic agriculturevehicle[J]. Journal of Zhejiang University ScienceA（Science in Engineering），2005，10：1158-1162.
[10] 谢丽娟，应义斌，于海燕，等.近红外光谱分析技术在蔬菜品质无损检测中的应用研究进展[J].光谱学与光谱分析，2007，27（6）：1131-1135.
[11] 柴阿丽.基于计算机视觉和光谱分析技术的蔬菜叶部病害诊断研究[D].北京：中国农业科学院，2011.
[12] 田有文，李天来，张琳，等.高光谱图像技术诊断温室黄瓜病害的方法[J].农业工程学报，2010，26（5）：202-206.
[13] 张立彬，胡海根，计时鸣，等.果蔬产品品质无损检测技术的研究进展[J].农业工程学报，2005，21（4）：176-180.
[14] 陈守满.高光谱图像与农产品品质无损检测研究进展[J].安康学院学报，2011，23（6）：1-6.
[15] 熊雪梅，姬长英，Claudio M，等.基于参数化遗传神经网络的植物病害预测方法[J].农业机械学报，2004，35（6）：110-114.
[16] 孔汶汶，刘飞，邹强，等.基于近红外光谱技术的油菜叶片丙二醛含量快速检测方法研究[J].光谱学与光谱分析，2011，31（4）：988-991.
[17] 王惟萍，柴阿丽，石延霞，等.基于傅里叶变换红外光谱的大白菜根肿病定量测评[J].光谱学与光谱分析，2015，（5）：1243-1247.
[18] Ma G，Ying Y，Fu X P.Proc.of SPIE.2005，5996：P59660K.