为了监测黄瓜采摘后贮藏期间品质的变化, 借助不同贮藏日期贮藏室气氛的3D荧光数据, 提出了一种特征荧光信息(特征激发与特征发射波长)提取方法, 实现了黄瓜贮藏期间品质的监测。 首先, 对3D荧光数据进行去除瑞利散射和多项式Savitzky-Golar(SG)平滑降噪预处理, 有效消除了散射和噪声信号的影响。 其次, 对预处理后的3D荧光数据进行主成分分析(PCA)得到主成分矩阵, 并运用各主成分变量构造Wilks统计量, 选取了最小值对应的主成分(第11主成分, PC11); 根据构造该主成分的各原始变量(激发波长)的组合系数大小提取了8个特征激发波长。 然后, 采用10 nm的间隔对发射光谱进行了波段划分, 运用小波包分解(WPD)对每个波段进行了3尺度分解, 计算了各波段分解后的小波包能量, 综合8天试验结果选择能量最高的发射波段作为初选发射波段。 采用偏最小二乘回归(PLS)结合黄瓜理化指标(硬度、 叶绿素含量和失重率)对初选的发射波段进行了分析, 依据回归系数精选了7个特征发射波长, 简化了计算。 同时, 根据黄瓜硬度数据初步找到了其变化趋势的转折点; 根据黄瓜叶绿素含量变化曲线及一阶导数, 发现了叶绿素下降趋势最显著的点, 并结合试验过程中的感官观察结果, 确定第5个贮藏日为黄瓜品质突变日, 并选择第5个贮藏日为监测基准日。 最后, 采用提取的特征荧光信息计算不同贮藏天数与监测基准日之间的马氏距离(MD), 构建MD监测模型。 结果表明, 随着贮藏时间越来越接近监测基准日, MD值则逐渐减小到0, 与黄瓜贮藏过程中品质变化进程相符。 上述多变量统计分析融合小波包能量的特征波长提取方法和应用特征荧光信息构建的MD监测模型有望成为黄瓜贮藏过程中品质监测的一种可行方法。

自然场景下获取的黄瓜病害图像存在光照、 土壤等噪声, 严重影响黄瓜病害识别精度, 现有检测模型占用内存较大, 难以实现黄瓜病害的实时检测。 以自然环境中黄瓜霜霉病、 白粉病和炭疽病3种病害的可见光光谱图像为研究对象, 提出一种基于可见光谱和改进YOLOv5目标检测网络的黄瓜病害识别模型, 探索自然环境中黄瓜病害的准确实时检测并降低检测模型存储成本的方法。 为平衡检测精度和模型所需存储空间, 以轻量级网络结构YOLOv5s为基线模型, 引入SE注意力机制, 提取特征维度信息, 降低复杂背景对检测结果的影响, 提高模型的检测精度; 引入深度可分离卷积替换基线模型中的标准卷积, 减少模型参数带来的计算负担, 提高检测速度。 检测模型接收任意像素的可见光光谱图像并调整成640×640像素作为检测网络输入, 输出表示黄瓜病害发生区域及病害类别, 使用COCO数据集上预训练权重初始化网络权重。 实验结果表明, 改进后的YOLOv5s-SE-DW模型对黄瓜霜霉病、 白粉病和炭疽病的检测精度分别达到了78.0%, 80.9%和83.6%, mAP高达80.9%, 模型存储空间仅为9.45 MB, 浮点运算次数仅为11.8 G, 相比基线模型mAP提高了2.4%, 运算次数减少了4.6 G, 模型所需的存储空间降低了4.95 MB, 在减小模型所需内存的同时提升病害检测准确率; 进一步与经典两阶段目标检测网络Faster-RCNN和单阶段目标检测网络YOLOv3, YOLOv3-tiny, YOLOv3-SPP以及YOLOv4进行对比, 提出的YOLOv5s-SE-DW模型相比对比模型中表现最优的YOLOv4模型mAP提高了3.8%, 检测时间和存储空间大幅度降低。 综合结果表明, 所提出的YOLOv5s-SE-DW网络对于自然场景中的黄瓜病害检测具有良好的精度和实时性, 能够满足黄瓜实际种植环境中病害检测的需求, 为实际应用场景下黄瓜病害自动检测的实现提供参考。

黄瓜白粉病是一种传播速度快、 发生频率高的蔬菜病害, 一旦爆发将对产量产生严重的打击, 因此对黄瓜白粉病的识别与尽早防治具有重要的意义。 采用便携式光谱仪采集了黄瓜叶片的近红外光谱反射率曲线与荧光光谱强度曲线, 采用LI-6400光合作用测量仪测量叶片的光合速率, 并采集了叶片的图像信息。 首先, 采用图像分割技术对白粉病进行等级划分; 其次, 对净光合速率与光谱之间进行相关性分析; 最后, 利用定性分析以及定量预测两种方法, 结合黄瓜患白粉病叶片及健康叶片的光合速率指标建立白粉病检测模型。 从分析结果可知, 利用二值化将黄瓜叶片区域作为感兴趣区域(ROI)分割出, 根据R-G-B与L*a*b*色彩空间中颜色的差异可以有效提取白粉病斑面积; 通过皮尔逊相关性分析光合速率与光谱之间的相关性强度, 得到光合速率与光谱具有较强的负相关, 并且随着反射率及光谱强度的增高, 相关性减弱, 表明采用光谱及相关性较大的波段对光合速率进行预测具有可行性; 经过准确率比较, 选择集成学习(ensemble learner)中的子空间判别(subspace discriminant)算法对定性模型进行最终分析, 得到近红外光谱模型更加稳定, 识别准确率更高; 采用偏最小二乘回归模型(PLSR)进行定量预测, 通过比较7种不同的预处理方法, 验证得知MSC预处理可以有效去除光谱干扰信息, 其中近红外光谱模型R2更高, 且RMSEP＜RMSEC。 预测值与实际测量值对比可知, 近红外光谱模型得出的预测值与实际测试值更相近, 且健康样本与患白粉病样本区分明显, 表明该模型具有更高的鲁棒性。 结果表明, 利用近红外光谱与光合速率指标相结合建立的模型以及图像识别系统可以实现对黄瓜白粉病的快速识别与病情分级, 为黄瓜病害诊断提供了方法和参考依据。

硫是植物生长发育的一种必需营养元素，主要以SO42-的形式被植物吸收。硫酸盐转运蛋白(SULTR)在植物吸收与转运硫的过程中发挥着重要的作用。本研究鉴定得到10个黄瓜SULTR基因家族成员(CsaSULTR1;1~CsaSULTR4;1)。系统发育分析结果表明，黄瓜和拟南芥的SULTR可分为GROUP 1～4四个类群。大多数CsaSULTR基因含9～12个内含子，且亲缘关系相近的成员之间基因结构也十分相似。启动子顺式元件分析预测表明，CsaSULTR基因家族成员均包含与激素应答和胁迫相关的作用元件，表明它们可能在生长发育过程中发挥了主要作用。转录组数据表达分析也表明，CsaSULTR基因在各种组织间都存在着比较突出的表达特异性，且部分基因的表达量在霜霉病胁迫下表现出显著的改变。这些结果为下一步研究黄瓜SULTR基因的功能奠定了重要的基础。

褐斑病是黄瓜主要真菌性病害之一, 适宜条件下, 特别是在昼夜温差大及饱和湿度条件下发病迅速, 病情加重, 导致黄瓜减产, 造成经济损失。 对黄瓜褐斑病进行病斑分割与提取, 可以为后续的病害识别与诊断提供有效依据, 具有重要意义。 结合黄瓜褐斑病可见光谱图像, 利用U-net深度学习网络构建黄瓜褐斑病语义分割模型, 实现了病斑分割。 首先在采集到的黄瓜褐斑病可见光谱图像中截取病斑较为突出的区域作为样本, 共在40幅图像中截取到135个像素区域, 区域的像素分辨率为200×200, 利用Matlab的Image Labeler工具对样本进行像素标记, 分别标记出感病区域和健康区域。 然后构建U-net网络, 该网络包含46层和48个连接, 通过卷积层和线性整流层以及最大池化法来完成病斑特征提取, 通过深度连接层以及上卷积层和上线性整流层完成上采样, 通过跳层连接来完成复制和剪裁操作, 并进行病斑特征融合。 利用所构建的U-net网络进行学习训练得到语义分割模型, 在135个样本中, 随机选取其中96个作为训练样本, 剩余的39个作为测试样本, 设置迭代次数为240次, L2正则化系数为0.000 1, 初始学习率为0.05, 动量参数为0.9, 梯度阈值为0.05, 进行样本训练和测试。 经过10次重复训练和测试, 结果表明, 基于U-net和可见光谱图像的黄瓜褐斑病语义分割模型执行时间平均为46.4 s, 内存占用平均为6 665.8 MB, 执行效率较高; 模型准确率PA为96.23%~97.98%, MPA为97.28%~97.87%, MIoU为86.10%~91.59%, FWIoU为93.33%~96.19%, 模型的稳定性较好、 泛化能力较强。 该研究方法利用较少的训练样本, 获得了准确率较高的分割模型, 为小样本机器学习提供了参考, 同时为其他蔬菜的病斑分割、 病害识别与诊断提供了方法依据。

以黄瓜为原料, 采用水热法合成了荧光纳米碳点, 实现了对Fe3+的特异性荧光检测。利用透射电子显微镜和X射线光电子能谱仪对纳米碳点的形貌和微结构进行了表征, 并利用荧光光谱仪对纳米碳点的荧光性能以及加入不同金属离子后的荧光强度变化进行了测量。结果表明, 合成的纳米碳点分散性良好, 尺寸约为3 nm左右。在365 nm紫外光激发下, 其发射峰位于435 nm; 当反应温度为200 ℃、反应时间为12 h时, 纳米碳点的荧光性能最佳。Fe3+的加入能猝灭纳米碳点的荧光, 而其他金属离子不会引起纳米碳点荧光强度和发射峰位置的改变, 表明绿色方法合成的纳米碳点实现了对Fe3+的特异性荧光检测。

温室黄瓜霜霉病严重度的准确估算是科学防治霜霉病的前提条件, 对于减少农药使用量、 提升温室黄瓜品质和农民经济效益具有重要意义。 机器学习在植物病害诊断领域的应用越来越广泛, 已经取得了丰富的研究成果, 病害严重程度的估算萌发了新的思路。 利用霜霉病可见光图像并结合机器学习方法, 开展温室黄瓜霜霉病严重度快速准确定量估算研究。 利用数码相机采集温室黄瓜霜霉病叶片图像并进行预处理, 剔除病害图像的背景。 以黄瓜霜霉病叶片图像为输入, 构建基于卷积神经网络（CNN）的估算模型。 利用可见光光谱颜色特征（CVCF）结合支持向量机进行温室黄瓜霜霉病病斑图像分割, 采用SURF（speeded up robust features）特征及形态学操作对分割结果进行优化。 在获取黄瓜霜霉病病斑分割图像后, 提取病斑图像RGB, HSV, L*a*b*, YCbCr和HSI共5个颜色空间15个颜色分量的平均值和标准差2个颜色特征, 以及在此基础上结合灰度共生矩阵提取各颜色分量的对比度、 相关性、 熵和平稳度4个纹理特征, 共计90个特征； 利用Pearson相关性分析进行特征优选, 采用与温室黄瓜霜霉病严重程度实际值相关性高的图像特征构建浅层机器学习估算模型, 包括支持基于向量机回归（SVR）的估算模型和基于BP神经网络（BPNN）的估算模型。 基于以上3种估算模型开展黄瓜霜霉病严重度定量估算, 采用决定系数（R2）和归一化均方根误差（NRMSE）对估算模型准确率进行定量评价。 结果表明, 模型估算的温室黄瓜霜霉病严重度与实际值之间具有良好的线性关系, 其中, 基于CNN的估算模型准确率最高, 模型的R2为0.919 0, NRMSE为23.33%, 其次是基于BPNN的估算模型, 其R2为0.890 8, NRMSE为24.64%, 基于SVR的估算模型的准确率最低, 其R2为0.8901, NRMSE为31.08%。 研究结果表明, 利用黄瓜霜霉病可见光图像数据, 结合卷积神经网络估算模型, 实现了温室黄瓜霜霉病严重度的准确估算, 能够为温室黄瓜霜霉病的科学防治提供参考, 提高病害防治效率, 减少农药使用。

以黄瓜叶部病害作为研究对象, 基于可见光谱反射率差异识别黄瓜叶部病害, 研究基于SVM的黄瓜叶部病害识别预测模型。 采用小波变换进行数据预处理; 选取Otsu、 边缘分割法和K均值聚类三类分割方法进行病斑分割, 比较错分率和运行时间, K均值聚类方法更适合黄瓜叶部病斑分割; 提取纹理、 颜色和形状特征参数, 共15个特征参数; 通过交叉验证选择最优参数c和g, 对核函数参数进行优化处理, 并通过比较线性核、 多项式核、 RBF核等不同核函数情况下SVM的正确识别率, 确定RBF核SVM模式识别方法能够更精准地识别黄瓜叶部病害。 并将基于SVM与另外两种常见的黄瓜叶部病害识别方法, BP神经网络和模糊聚类进行比较, 结果表明, 基于SVM的识别模型对霜霉病的正确识别率为95%, 白粉病和褐斑病的正确识别率均为90%, 平均诊断正确率为92%; 该模式识别方法识别效果最佳, 运行时间最短, 为基于可见光谱的黄瓜病害识别模型提供参考。

透明保鲜膜包装以其方便、 经济、 卫生的特点被广泛应用于超市卖场及日常生活中, 却也给食品农产品的检测增加了难度, 所以急需一种能够隔透明薄膜无损检测农产品的方法。 叶绿素是影响黄瓜品质的重要因素之一, 该研究主要探讨了拉曼技术检测黄瓜品质时, 食品保鲜膜层数对叶绿素特征峰的影响, 并通过对菠菜、 油菜和芹菜对得出的结论进行验证。 采用点检测拉曼光谱系统, 采集无保鲜膜包装以及多层包装下黄瓜的拉曼光谱。 拉曼信号经Savitzky-Golay(SG) 5点平滑和自适应迭代惩罚最小二乘法扣除荧光背景, 探究不同层数(1~6层)的PE保鲜膜对黄瓜叶绿素特征峰的影响。 采集被保鲜膜覆盖的黄瓜的拉曼信号并处理, 即可建立叶绿素的特征峰(1 158和1 528 cm-1)减少值与保鲜膜层数之间的变化规律, 并对规律的预测效果进行评价。 随着保鲜膜层数的增加, 透明包装层数与黄瓜叶绿素特征峰强度之间呈现良好的线性相关关系。 提取出单层透明包装对叶绿素在1 158和1 528 cm-1处特征峰强度的降低值分别为81.4和103.1, 分别占未加保鲜膜时叶绿素特征峰强度值的7.98%和8.56%, 多组验证结果的相关系数达到0.95以上, 验证的相关系数达到0.94。 随着样品浓度增高, 线性递减效果越明显。 作为验证, 通过透明保鲜膜检测菠菜、 油菜和芹菜叶片中的叶绿素表明, 每加一层膜叶绿素在1 158和1 528 cm-1处的特征峰强度会比覆膜前分别降低7.9%～8.6%和8.1%～8.6%; 导致检测信号强度呈线性降低是由于保鲜膜使激发光分散不聚焦导致, 保鲜膜成分对检测结果无影响。 该研究为拉曼光谱隔透明包装检测拉曼光谱特征峰强度, 进而获得农产品品质信息提供了一种新的分析方法。