农业机械学报

作者：封润泽，韩鑫，兰玉彬，勾馨悦，王娟，白京波

单位：山东理工大学,山东理工大学,山东理工大学,山东理工大学,山东理工大学,山东思远农业开发有限公司,

关键词：白菜叶片;铜胁迫分类;高光谱;特征波长;CNN-LSTM

基金：山东省引进顶尖人才“一事一议”专项（鲁政办字〔2018〕27号）、山东临淄设施蔬菜科技小院建设项目（教育部教研厅函[2022] 7号）和山东理工大学研究生教育质量提升计划项目（研究生函[2022] 26号）

为探究蔬菜在不同浓度重金属胁迫下的高光谱响应，本文采集10个浓度Cu2+胁迫下的白菜叶片高光谱数据，提出一种基于高光谱和卷积长短期记忆神经网络(CNN-LSTM) 的白菜叶片Cu2+胁迫分类预测模型。首先采用S-G平滑、一阶微分进行光谱数据预处理，其次采用竞争自适应重加权采样(Competitive adapative reweighted sampling， CARS) 和非信息变量剔除(Uninformative variables elimination, UVE) 提取10个公共特征波长。模型试验结果表明：采用UVE和CARS方法提取的两者共同波长作为CNN-LSTM模型的输入，测试集准确率为94.8%，精确率为93.1%，召回率为93.5%，分别比SVM、CNN和LSTM模型高8.7、5.7、6.4个百分点，6.6、4.7、5.9个百分点和10.1、5.2、3.9个百分点。采用ICP-700T型电感耦合等离子体发射光谱仪精确测量白菜叶片重金属含量对结果进行验证。采用UVE-CARS特征波长筛选后的CNN-LSTM分类预测模型用于白菜叶片无损分类监测效果最优，为蔬菜重金属的无损分类监测提供新方法。

来源：2025年第6期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第6期