CN116306984B - 紫色系作物鲜叶花色苷检测模型训练、检测方法及装置 - Google Patents

Abstract

本发明提供一种紫色系作物鲜叶花色苷检测模型训练、检测方法及装置，涉及农业技术领域，紫色系作物鲜叶花色苷检测模型训练方法包括：基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数；以样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以花色苷含量为训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型。本发明提供的紫色系作物鲜叶花色苷检测模型训练、检测方法及装置，仅需光谱数据就能实现花色苷含量的无损检测，模型训练的效率更高，模型训练的投入成本更低，进行花色苷含量检测的准确率更高、效率更高且所需投入的成本更低。

Description

紫色系作物鲜叶花色苷检测模型训练、检测方法及装置

技术领域

本发明涉及农业技术领域，尤其涉及一种紫色系作物鲜叶花色苷检测模型训练、检测方法及装置。

背景技术

花色苷作为一种天然色素，已广泛应用于食品、保健品、化妆品、医药等行业。花色苷以其良好的特性而具备较高的应用价值，检测作物的花色苷含量，对于了解作物品质、搜索潜力新品种、保证食品安全以及提高农业生产效益等方面具有重要意义。

现有技术中主要通常采用pH示差法和高效液相色谱法进行花色苷含量检测。但是，上述两种方法均需要对待测作物进行破化学取样后，在室内实验环境中对上述待测作物进行花色苷含量检测，难以实现对花色苷含量的无损检测。

因此，如何实现花色苷含量的无损检测，是本领域亟待解决的技术问题。

发明内容

本发明提供一种紫色系作物鲜叶花色苷检测模型训练、检测方法及装置，用以解决现有技术中难以实现花色苷含量的无损检测的缺陷，实现花色苷含量的无损检测。

本发明提供一种紫色系作物鲜叶花色苷检测模型训练方法，包括：

获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据；

基于所述花色苷含量、所述叶绿素含量以及所述目标光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数；

以所述样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以所述花色苷含量为所述训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型。

根据本发明提供的一种紫色系作物鲜叶花色苷检测模型训练方法，所述获取样本紫色系作物鲜叶的目标光谱数据，包括：

获取所述样本紫色系作物鲜叶在不同波段下的光谱反射率，作为原始光谱数据；

对所述原始光谱数据进行数学变换，获得所述目标光谱数据；

其中，所述数学变换的方式包括恒等变换、求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分中的至少一种。

根据本发明提供的一种紫色系作物鲜叶花色苷检测模型训练方法，所述基于所述花色苷含量、所述叶绿素含量以及所述目标光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数，包括：

对所述目标光谱数据和所述花色苷含量，以及所述目标光谱数据和所述叶绿素含量进行相关性分析，获取所述花色苷含量，与所述数学变换的方式和所述波段之间的第一相关系数，以及所述叶绿素含量，与所述数学变换的方式以及所述波段之间的第二相关系数；

基于所述第一相关系数，确定所述花色苷含量对应的第一敏感波段和第一数学变换方式，基于所述第二相关系数，确定所述叶绿素含量对应的第二敏感波段和第二数学变换方式；

基于所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式，获取所述样本紫色系作物鲜叶的花色苷光谱指数。

根据本发明提供的一种紫色系作物鲜叶花色苷检测模型训练方法，所述基于所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式，获取所述样本紫色系作物鲜叶的花色苷光谱指数，包括：

在所述目标光谱数据中获取与所述第一数学变换方式和所述第一敏感波段对应的第一光谱数据，以及与所述第二数学变换方式和所述第二敏感波段对应的第二光谱数据；

基于所述第一光谱数据和所述第二光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数。

根据本发明提供的一种紫色系作物鲜叶花色苷检测模型训练方法，所述初始模型是基于回归算法构建的。

本发明还提供一种紫色系作物鲜叶花色苷检测方法，包括：

获取待测紫色系作物鲜叶的光谱数据；

基于所述光谱数据，获取所述待测紫色系作物鲜叶的花色苷光谱指数；

将所述待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取所述紫色系作物鲜叶花色苷检测模型输出的所述待测紫色系作物鲜叶的花色苷含量；

其中，所述紫色系作物鲜叶花色苷检测模型是基于如上任一所述的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。

根据本发明提供的一种紫色系作物鲜叶花色苷检测方法，在所述光谱数据包括所述待测紫色系作物鲜叶在不同波段下的光谱反射率的情况下，所述基于所述光谱数据，获取所述待测紫色系作物鲜叶的花色苷光谱指数，包括：

基于第一数学变换方式和所述待测紫色系作物鲜叶在第一敏感波段下的光谱反射率，获取第三光谱数据，基于第二数学变换方式和所述待测紫色系作物鲜叶在第二敏感波段下的光谱反射率，获取第四光谱数据；

基于所述第三光谱数据和所述第四光谱数据，获取所述待测紫色系作物鲜叶的花色苷光谱指数；

其中，所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式，是基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据确定的。

根据本发明提供的一种紫色系作物鲜叶花色苷检测方法，所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式是通过如下步骤获取的：

对所述目标光谱数据和所述样本紫色系作物鲜叶的花色苷含量，以及所述目标光谱数据和所述样本紫色系作物鲜叶的叶绿素含量进行相关性分析，获取所述样本紫色系作物鲜叶的花色苷含量，与所述数学变换的方式和所述波段之间的第一相关系数，以及所述样本紫色系作物鲜叶的叶绿素含量，与所述数学变换的方式以及所述波段之间的第二相关系数；

基于所述第一相关系数，确定所述第一敏感波段和所述第一数学变换方式，基于所述第二相关系数，确定所述第二敏感波段和所述第二数学变换方式。

根据本发明提供的一种紫色系作物鲜叶花色苷检测方法，所述目标光谱数据是通过如下步骤获取的：

获取所述样本紫色系作物鲜叶在不同波段下的光谱反射率，作为原始光谱数据；

对所述原始光谱数据进行数学变换，获得所述目标光谱数据；

其中，所述数学变换的方式包括恒等变换、求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分中的至少一种。

本发明还提供一种紫色系作物鲜叶花色苷检测模型训练装置，包括：

第一数据获取模块，用于获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据；

第一指数计算模块，用于基于所述花色苷含量、所述叶绿素含量以及所述目标光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数；

模型训练模块，用于以所述样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以所述花色苷含量为所述训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型。

本发明还提供一种紫色系作物鲜叶花色苷检测装置，包括：

第二数据获取模块，用于获取待测紫色系作物鲜叶的光谱数据；

第二指数计算模块，用于基于所述光谱数据，获取所述待测紫色系作物鲜叶的花色苷光谱指数；

花色苷含量检测模块，用于将所述待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取所述紫色系作物鲜叶花色苷检测模型输出的所述待测紫色系作物鲜叶的花色苷含量；

其中，所述紫色系作物鲜叶花色苷检测模型是基于如上任一所述的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。

本发明还提供一种电子设备，包括存储器、处理器及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程序时实现如上述任一种所述紫色系作物鲜叶花色苷检测方法。

本发明还提供一种非暂态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如上述任一种所述紫色系作物鲜叶花色苷检测方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述紫色系作物鲜叶花色苷检测方法。

本发明提供的紫色系作物鲜叶花色苷检测模型训练、检测方法及装置，通过基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数之后，以上述花色苷光谱指数为训练样本，以上述花色苷含量为上述训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型，基于上述紫色系作物鲜叶花色苷检测模型，仅需光谱数据就能实现花色苷含量的无损检测，能利用高光谱技术为紫色系作物鲜叶花色苷检测模型的训练提供更准确地数据支撑，用于模型训练的训练样本及样本标签更准确，模型训练的效率更高，模型训练的投入成本更低，能基于训练好的紫色系作物鲜叶花色苷检测模型实现更低成本的花色苷含量检测。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的紫色系作物鲜叶花色苷检测模型训练方法的流程示意图之一；

图2是本发明提供的紫色系作物鲜叶花色苷检测模型训练方法的流程示意图之二；

图3是本发明提供的紫色系作物鲜叶花色苷检测方法的流程示意图；

图4是本发明提供的紫色系作物鲜叶花色苷检测模型训练装置的结构示意图；

图5是本发明提供的紫色系作物鲜叶花色苷检测装置的结构示意图；

图6是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

需要说明的是，花色苷是花色素与糖以糖苷键结合而成的一类化合物，广泛存在于紫色系植物的花、果实、茎、叶和根器官的细胞液中，使其呈现由红、紫红到蓝等不同颜色。

花色苷作为一种天然色素，在人类的健康饮食中日益重要，如清除体内自由基、抗肿瘤、抗癌、抗炎、抑制脂质过氧化和血小板凝集、预防糖尿病、减肥以及保护视力等，花色苷已被广泛应用于食品、保健品、化妆品、医药等行业。准确检测作物的花色苷含量，对于了解作物品质、搜索潜力新品种、保证食品安全以及提高农业生产效益等方面具有重要意义。

通常情况下，常用的花色苷检测方法主要包括pH示差法和高效液相色谱（HPLC）法。

由于花色苷结构在特定pH值下存在着平衡，因此在不同pH溶液中花色苷的结构不同。在pH=1.0的情况下，花色苷在530nm处具有特征吸收峰，在pH=4.5的情况下，花色苷转变为无色查尔酮形式在530nm处无吸收峰。利用花色苷的此特性，采用pH示差法检测花色苷含量时，可以分别测定不同pH条件下待测样品在530nm和700nm处吸光值，即可定量检测待测样品的花色苷含量。

采用HPLC检测花色苷含量时，将待测样品脱水干燥后进行机械粉碎，采用C18色谱柱为固定相，用紫外检测器于520nm波长处检测，0.2%甲酸溶液和乙腈为流动相，采取梯度洗脱，流量设定为1mL/min，将花色苷标准品的保留时间与供试样品液各色谱峰的保留时间进行对照，并通过加标定性的方法确定待测样品的花色苷种类。

但是，采用上述两种方式进行花色苷含量检测存在以下缺陷：第一，采用上述两种方式进行花色苷含量检测之前，均需要对作物进行破坏性取样，得到待测样品之后，在室内实验环境对上述待测样品进行花色苷含量检测，难以实现花色苷含量的无损检测；

第二，采用上述两种方式进行花色苷含量检测均需要利用精密仪器进行测定，并且对操作人员的专业性要求较高，不适宜大规模市场化推广；

第三，采用上述两种方式进行花色苷含量检测的过程均需要耗费大量时间，检测步骤复杂、程序繁琐，检测效率较低。

近年来，高光谱技术得到快速发展，已广泛应用于植物新鲜叶片中的叶绿素、水分、氮素等营养特性无损检测。

利用高光谱技术可以在350-2500nm波段范围中获取成百上千个窄波段光谱反射率，能捕捉目标物的细微特征，具有快速、无损、准确等特点，可直接在田间原位使用鲜叶直接观测，无需破坏性取样，在田间即可实现光谱反射率的测量，省时、省力、低成本。

植物叶片中的各种化学成分变化可引起某些特征波段的反射率变化，是高光谱技术用于花色苷含量检测的基础。

对此，本发明提供一种紫色系作物鲜叶花色苷检测模型训练方法以及紫色系作物鲜叶花色苷检测方法。相较于传统的复杂、耗时的花色苷含量破坏性室内测定方法，本发明提供的紫色系作物鲜叶花色苷检测模型训练方法基于高光谱技术，通过分析紫色系作物鲜叶花色苷、叶绿素与高光谱反射率之间相关关系，分别筛选花色苷和叶绿素的敏感波段，将花色苷敏感波段与叶绿素敏感波段进行数学组合变换，构建能有效排除叶绿素干扰的新型花色苷光谱指数，基于上述新型花色苷光谱指数训练得到的紫色系作物鲜叶花色苷检测模型能实现花色苷含量的无损检测，并且上述紫色系作物鲜叶花色苷检测模型检测准确率更高、检测效率更高，训练上述紫色系作物鲜叶花色苷检测模型所需投入的成本更低，基于上述紫色系作物鲜叶花色苷检测模型能更准确、更高效地进行花色苷含量检测，能降低花色苷含量检测的成本投入。

图1是本发明提供的紫色系作物鲜叶花色苷检测模型训练方法的流程示意图之一。下面结合图1描述本发明的紫色系作物鲜叶花色苷检测模型训练方法。如图1所示，该方法包括：步骤101、获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据。

需要说明的是，本发明实施例的执行主体为紫色系作物鲜叶花色苷检测模型训练装置。

需要说明的是，通常情况下，花色苷是从越橘、蓝莓、桑葚和黑醋栗等浆果中提取得到的，但是上述浆果的生产成本较高且不易保存。而紫色系作物（如紫玉米、紫甘薯等）的叶片以其较高的花色苷含量以及较长的保存时间，成为更优质、成本更低廉的花色苷提取来源。

本发明实施例中的样本紫色系作物，为叶片含有花色苷的作物，例如紫玉米、紫甘薯等。以下以样本紫色系作物为紫玉米为例，说明本发明提供的紫色系作物鲜叶花色苷检测模型训练方法。

需要说明的是，样本紫色系作物鲜叶，可以指样本紫色系作物未离体的叶片，还可以指离体时长不超过预设时长的样本紫色系作物叶片。其中，上述预设时长可以根据先验知识和/或实际情况确定，例如上述预设时长的取值范围可以40分钟至80分钟之间。本发明实施例中对上述预设时长的具体取值不作限定。

可以理解的是，本发明实施例中样本紫色系作物鲜叶的片数为多片。

本发明实施例中可以在紫玉米种植地中随机选取100片以上的紫玉米鲜叶，并将上述紫玉米鲜叶标记为样本紫色系作物鲜叶。

利用高光谱仪可以测量样本紫色系作物鲜叶在不同波段下的光谱反射率。

需要说明的是，本发明实施例中可以利用高光谱仪测量样本紫色系作物鲜叶在不同波段下的光谱反射率时，可以在紫玉米种植地中，直接对未离体的样本紫色系作物鲜叶进行测量。

可选地，本发明实施例中利用高光谱仪测量样本紫色系作物鲜叶在不同波段下的光谱反射率的测量范围为325~1075nm，光谱分辨率为1nm。

本发明实施例可以基于高光谱仪测量到的样本紫色系作物鲜叶在不同波段下的光谱反射率，获取样本紫色系作物鲜叶的目标光谱数据。

作为一个可选地实施例，获取样本紫色系作物鲜叶的目标光谱数据，包括：获取样本紫色系作物鲜叶在不同波段下的光谱反射率，作为原始光谱数据。

具体地，本发明实施例中可以用表示样本紫色系作物鲜叶在/>波段下的光谱反射率。其中，/>，光谱分辨率为1nm。

图2是本发明提供的紫色系作物鲜叶花色苷检测模型训练方法的流程示意图之二。如图2所示，获取高光谱仪测量到的样本紫色系作物鲜叶在不同波段下的光谱反射率之后，可以将样本紫色系作物鲜叶在不同波段下的光谱反射率/>确定为样本紫色系作物鲜叶的原始光谱数据/>。

对原始光谱数据进行数学变换，获得目标光谱数据；

其中，数学变换的方式包括恒等变换、求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分中的至少一种。

具体地，原始光谱数据进行数学变换有助于挖掘光谱蕴含的有益信息，提高光谱信息对于叶片花色苷含量的敏感性。

获取样本紫色系作物鲜叶的原始光谱数据之后，可以对上述原始光谱数据进行多种数学变换，获得目标光谱数据。

可选地，本发明实施例中的数学变换可以包括求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分。

本发明实施例中求取倒数的数学变换对应的目标光谱数据可以表示为1/P、求取对数的数学变换对应的目标光谱数据可以表示为、求取对数的倒数的数学变换对应的目标光谱数据可以表示为1//>、求取微分的数学变换对应的目标光谱数据可以表示为/>、求取倒数的微分的数学变换对应的目标光谱数据可以表示为/>、求取对数的微分的数学变换对应的目标光谱数据可以表示为/>、求取对数的倒数的微分的数学变换对应的目标光谱数据可以表示为/>。

需要说明的是，本发明实施例中的数学变换还可以包括恒等变换。相应地，本发明实施例中恒等变换的数学变换对应的目标光谱数据可以表示为P。

采用高光谱仪获取样本紫色系作物鲜叶在不同波段下的光谱反射率之后，可以将从植株上摘取样本紫色系作物鲜叶，并在上述预设时长内，通过实验手段，获取样本紫色系作物鲜叶的花色苷含量和叶绿素含量。

需要说明的是，本发明实施例对样本紫色系作物鲜叶进行无损检测获取样本紫色系作物鲜叶的目标光谱数据之后，由于未对样本紫色系作物鲜叶的外部结构造成损失，使得能实现对样本紫色系作物鲜叶的花色苷含量和叶绿素含量的无损检测，进而能更准确地获得样本紫色系作物鲜叶的花色苷含量和叶绿素含量，能为紫色系作物鲜叶花色苷检测模型的训练提供更准确地数据支撑。

步骤102、基于花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数。

具体地，获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据之后，可以基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据，通过数值计算、数理统计或深度学习等方式，获取样本紫色系作物鲜叶的花色苷光谱指数。

需要说明的是，花色苷光谱指数（Anthocyanin Spectral Index，简称ASI），可以用于反映植物花色苷含量的多少。

作为一个可选地实施例，基于花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数，包括：对目标光谱数据和花色苷含量，以及目标光谱数据和叶绿素含量进行相关性分析，获取花色苷含量，与数学变换的方式和波段之间的第一相关系数，以及叶绿素含量，与数学变换的方式以及波段之间的第二相关系数。

具体地，获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据之后，可以对上述花色苷含量和上述目标光谱数据进行相关性分析，获取上述花色苷含量，与每一波段和每一种数学变换方式之间的第一相关系数。

获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据之后，还可以对上述叶绿素含量和上述目标光谱数据进行相关性分析，获取上述叶绿素含量，与每一波段和每一种数学变换方式之间的第二相关系数。

表1为部分第一相关系数和部分第二相关系数的示意表。上述花色苷含量，与部分波段和每一数学变换方式之间的第一相关系数，以及上述叶绿素含量，与部分波段和每一数学变换方式之间的第二相关系数如表1所示。

表1 部分第一相关系数和部分第二相关系数的示意表

可选地，本发明实施例中的相关性分析，可以包括但不限于皮尔逊相关性分析、Apriori算法、基于树结构的相关性分析以及基于图结构的相关性分析等。

基于第一相关系数，确定花色苷含量对应的第一敏感波段和第一数学变换方式，基于第二相关系数，确定叶绿素含量对应的第二敏感波段和第二数学变换方式。

具体地，获取上述第一相关系数之后，可以将上述第一相关系数中绝对值最大的第一相关系数对应的波段和数学变换方式，确定为上述花色苷含量对应的第一敏感波段和第一数学变化形式。

需要说明的是，如表1所示，本发明实施例中基于上述第一相关系数，可以将550nm波段确定为上述花色苷含量对应的第一敏感波段，可以将求取倒数的微分，确定为上述花色苷含量对应的第一数学变换方式。

获取上述第二相关系数之后，可以将上述第二相关系数中绝对值最大的第二相关系数对应的波段和数学变换方式，确定为上述叶绿素含量对应的第二敏感波段和第二数学变化形式。

需要说明的是，如表1所示，本发明实施例中基于上述第二相关系数，可以将746nm波段确定为上述叶绿素含量对应的第二敏感波段，可以将求取倒数的微分，确定为上述叶绿素含量对应的第二数学变换方式。

基于第一敏感波段、第一数学变换方式、第二敏感波段和第二数学变换方式，获取样本紫色系作物鲜叶的花色苷光谱指数。

具体地，获取上述花色苷含量对应的第一敏感波段和第一数学变换方式，以及上述叶绿素含量对应的第二敏感波段和第二数学变换方式之后，可以通过数值计算的方式，获取样本紫色系作物鲜叶的花色苷光谱指数。

作为一个可选地实施例，基于第一敏感波段、第一数学变换方式、第二敏感波段和第二数学变换方式，获取样本紫色系作物鲜叶的花色苷光谱指数，包括：在目标光谱数据中获取与第一数学变换方式和第一敏感波段对应的第一光谱数据，以及与第二数学变换方式和第二敏感波段对应的第二光谱数据。

具体地，在上述花色苷含量对应的第一敏感波段为550nm波段，且上述花色苷含量对应的第一数学变换方式为求取倒数的微分的情况下，第一光谱数据可以表示为；

在上述叶绿素含量对应的二敏感波段为746nm波段，且上述叶绿素含量对应的第二数学变换方式为求取倒数的微分的情况下，第二光谱数据可以表示为；

基于第一光谱数据和第二光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数。

具体地，获取上述第一光谱数据和上述第二光谱数据之后，可以通过数值计算的方式，获取样本紫色系作物鲜叶的花色苷光谱指数。

需要说明的是，本发明实施例中为了排除叶绿素对花色苷含量检测的干扰，采用了第一光谱数据除以第二光谱数据的方式，获取样本紫色系作物鲜叶的花色苷光谱指数，进而可以使得基于样本紫色系作物鲜叶的花色苷光谱指数训练得到的紫色系作物鲜叶花色苷检测模型能够排除叶绿素对花色苷含量检测的干扰，提高训练得到的紫色系作物鲜叶花色苷检测模型的检测准确率。

在上述花色苷含量对应的第一敏感波段为550nm波段，上述花色苷含量对应的第一数学变换方式为求取倒数的微分，上述叶绿素含量对应的第一敏感波段为746nm波段，且上述叶绿素含量对应的第二数学变换方式为求取倒数的微分的情况下，样本紫色系作物鲜叶的花色苷光谱指数可以通过如下公式计算得到： />

步骤103、以样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以花色苷含量为训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型。

具体地，获取样本紫色系作物鲜叶的花色苷光谱指数之后，可以随机选取三分之二的样本紫色系作物鲜叶的花色苷光谱指数/>作为训练样本，将上述三分之二的样本紫色系作物鲜叶的花色苷含量作为上述训练样本的样本标签，对初始模型进行训练，获得训练好的紫色系作物鲜叶花色苷检测模型。

作为一个可选地实施例，初始模型是基于回归算法构建的。

需要说明的是，本发明实施例中的初始模型可以是基于线性形式、指数形式或对数形式等回归算法构建的。

可选地，本发明实施例中的初始模型可以是基于指数形式的回归算法构建的。上述初始模型可以通过如下公式表达：

其中，表示样本紫色系作物鲜叶花色苷含量的预测值。对上述初始模型的训练目标为样本紫色系作物鲜叶花色苷含量的预测值/>与样本标签之间的偏差越小越好。

本发明实施例中上述初始模型的决定系数为0.796，均方根误差（Root MeanSquare Error，RMSE）为3.830mg/g。

获得训练好的紫色系作物鲜叶花色苷检测模型之后，可以将剩余三分之一的样本紫色系作物鲜叶的花色苷光谱指数作为验证样本，将上述三分之一的样本紫色系作物鲜叶的花色苷含量作为上述验证样本的验证标签，对上述训练好的紫色系作物鲜叶花色苷检测模型进行验证。

本发明实施例中基于验证样本和验证标签，计算得到上述训练好的紫色系作物鲜叶花色苷检测模型的决定系数为0.780，均方根误差为4.014mg/g。

在上述训练好的紫色系作物鲜叶花色苷检测模型通过验证的情况下，完成紫色系作物鲜叶花色苷检测模型的训练。

本发明实施例通过基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数之后，以上述花色苷光谱指数为训练样本，以上述花色苷含量为上述训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型，基于上述紫色系作物鲜叶花色苷检测模型，仅需光谱数据就能实现花色苷含量的无损检测，能利用高光谱技术为紫色系作物鲜叶花色苷检测模型的训练提供更准确地数据支撑，用于模型训练的训练样本及样本标签更准确，模型训练的效率更高，模型训练的投入成本更低，能基于训练好的紫色系作物鲜叶花色苷检测模型实现更低成本的花色苷含量检测。

图3是本发明提供的紫色系作物鲜叶花色苷检测方法的流程示意图。下面结合图3描述本发明的紫色系作物鲜叶花色苷检测方法。如图3所示，该方法包括：步骤301、获取待测紫色系作物鲜叶的光谱数据。

上述紫色系作物鲜叶花色苷检测模型紫色系作物鲜叶花色苷检测装置。

具体地，待测紫色系作物鲜叶为本发明提供的紫色系作物鲜叶花色苷检测方法的检测对象。基于本发明提供的紫色系作物鲜叶花色苷检测方法可以获取待测紫色系作物鲜叶的花色苷含量。

可以理解的是，本发明实施例中的待测作物，为叶片含有花色苷的作物。以下以待测作物为紫玉米为例，说明本发明提供的紫色系作物鲜叶花色苷检测方法。

本发明实施例可以利用高光谱仪，测量待测紫色系作物鲜叶在不同波段下的光谱反射率，作为待测紫色系作物鲜叶的光谱数据。

可选地，本发明实施例中利用高光谱仪测量待测紫色系作物鲜叶在不同波段下的光谱反射率的测量范围为325~1075nm，光谱分辨率为1nm。

步骤302、基于光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数。

具体地，获取待测紫色系作物鲜叶的光谱数据之后，可以基于上述光谱数据，通过数值计算的方式，获取待测紫色系作物鲜叶的花色苷光谱指数。

作为一个可选地实施例，在光谱数据包括待测紫色系作物鲜叶在不同波段下的光谱反射率的情况下，基于光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数，包括：基于第一数学变换方式和待测紫色系作物鲜叶在第一敏感波段下的光谱反射率，获取第三光谱数据，基于第二数学变换方式和待测紫色系作物鲜叶在第二敏感波段下的光谱反射率，获取第四光谱数据；

其中，第一敏感波段、第一数学变换方式、第二敏感波段和第二数学变换方式，是基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据确定的。

作为一个可选地实施例，第一敏感波段、第一数学变换方式、第二敏感波段和第二数学变换方式是通过如下步骤获取的：对目标光谱数据和样本紫色系作物鲜叶的花色苷含量，以及目标光谱数据和样本紫色系作物鲜叶的叶绿素含量进行相关性分析，获取样本紫色系作物鲜叶的花色苷含量，与数学变换的方式和波段之间的第一相关系数，以及样本紫色系作物鲜叶的叶绿素含量，与数学变换的方式以及波段之间的第二相关系数；

基于第一相关系数，确定第一敏感波段和第一数学变换方式，基于第二相关系数，确定第二敏感波段和第二数学变换方式。

作为一个可选地实施例，目标光谱数据是通过如下步骤获取的：获取样本紫色系作物鲜叶在不同波段下的光谱反射率，作为原始光谱数据；

对原始光谱数据进行数学变换，获得目标光谱数据；

其中，数学变换的方式包括恒等变换、求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分中的至少一种。

需要说明的是，基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据，确定上述第一敏感波段、上述第一数学变换方式、上述第二敏感波段以及上述第二数学变换方式的具体步骤可以参见上述各实施例的内容，本发明实施例中不再赘述。

具体地，本发明实施例中可以用表示待测紫色系作物鲜叶在/>波段下的光谱反射率。其中，/>，光谱分辨率为1nm。

在上述第一敏感波段为550nm波段且上述第一数学变换方式为求取倒数的微分的情况下，第三光谱数据可以表示为。

在上述第二敏感波段为746nm波段且上述第二数学变换方式为求取倒数的微分的情况下，第四光谱数据可以表示为。

基于第三光谱数据和第四光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数。

具体地，获取上述第三光谱数据和上述第四光谱数据之后，可以通过数值计算的方式，获取待测紫色系作物鲜叶的花色苷光谱指数。

在上述第一敏感波段为550nm波段、上述第一数学变换方式为求取倒数的微分、上述第二敏感波段为746nm波段且上述第二数学变换方式为求取倒数的微分的情况下，待测紫色系作物鲜叶的花色苷光谱指数可以通过如下公式计算得到：

步骤303、将待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取紫色系作物鲜叶花色苷检测模型输出的待测紫色系作物鲜叶的花色苷含量；

其中，紫色系作物鲜叶花色苷检测模型是基于如上任一所述的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。

具体地，获取待测紫色系作物鲜叶的花色苷光谱指数之后，可以将待测紫色系作物鲜叶的花色苷光谱指数/>输入紫色系作物鲜叶花色苷检测模型，进而可以获取上述紫色系作物鲜叶花色苷检测模型输出的待测紫色系作物鲜叶的花色苷含量。

需要说明的是，训练上述紫色系作物鲜叶花色苷检测模型的步骤可以参见上述各实施例的内容。本发明实施例中不再赘述。

本发明实施例通过基于待测紫色系作物鲜叶的光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数之后，将待测紫色系作物鲜叶的花色苷光谱指数输入上述紫色系作物鲜叶花色苷检测模型，获得待测紫色系作物鲜叶的花色苷含量，在待测紫色系作物鲜叶未离体的情况下，通过高光谱技术就能获取待测紫色系作物鲜叶的光谱数据，进而能基于上述光谱数据和上述紫色系作物鲜叶花色苷检测模型，实现待测紫色系作物鲜叶花色苷含量的无损检测，进行花色苷含量检测的准确率更高、效率更高且所需投入的成本更低。

图4是本发明提供的紫色系作物鲜叶花色苷检测模型训练装置的结构示意图。下面结合图4对本发明提供的紫色系作物鲜叶花色苷检测模型训练装置进行描述，下文描述的紫色系作物鲜叶花色苷检测模型训练装置与上文描述的本发明提供的紫色系作物鲜叶花色苷检测模型训练方法可相互对应参照。如图4所示，该装置包括：第一数据获取模块401、第一指数计算模块402和模型训练模块403。

第一数据获取模块401，用于获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据；

第一指数计算模块402，用于基于花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数；

模型训练模块403，用于以样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以花色苷含量为训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型。

具体地，第一数据获取模块401、第一指数计算模块402和模型训练模块403电连接。

可选地，第一数据获取模块401可以具体用于获取样本紫色系作物鲜叶在不同波段下的光谱反射率，作为原始光谱数据；对原始光谱数据进行数学变换，获得目标光谱数据；其中，数学变换的方式包括恒等变换、求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分中的至少一种。

可选地，第一指数计算模块402可以具体用于对目标光谱数据和花色苷含量，以及目标光谱数据和叶绿素含量进行相关性分析，获取花色苷含量，与数学变换的方式和波段之间的第一相关系数，以及叶绿素含量，与数学变换的方式以及波段之间的第二相关系数；基于第一相关系数，确定花色苷含量对应的第一敏感波段和第一数学变换方式，基于第二相关系数，确定叶绿素含量对应的第二敏感波段和第二数学变换方式；基于第一敏感波段、第一数学变换方式、第二敏感波段和第二数学变换方式，获取样本紫色系作物鲜叶的花色苷光谱指数。

可选地，第一指数计算模块402还可以具体用于在目标光谱数据中获取与第一数学变换方式和第一敏感波段对应的第一光谱数据，以及与第二数学变换方式和第二敏感波段对应的第二光谱数据；基于第一光谱数据和第二光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数。

本发明实施例中的紫色系作物鲜叶花色苷检测模型训练装置，通过基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数之后，以上述花色苷光谱指数为训练样本，以上述花色苷含量为上述训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型，基于上述紫色系作物鲜叶花色苷检测模型，仅需光谱数据就能实现花色苷含量的无损检测，能利用高光谱技术为紫色系作物鲜叶花色苷检测模型的训练提供更准确地数据支撑，用于模型训练的训练样本及样本标签更准确，模型训练的效率更高，模型训练的投入成本更低，能基于训练好的紫色系作物鲜叶花色苷检测模型实现更低成本的花色苷含量检测。

图5是本发明提供的紫色系作物鲜叶花色苷检测装置的结构示意图。下面结合图5对本发明提供的紫色系作物鲜叶花色苷检测装置进行描述，下文描述的紫色系作物鲜叶花色苷检测装置与上文描述的本发明提供的紫色系作物鲜叶花色苷检测方法可相互对应参照。如图5所示，第二数据获取模块501、第二指数计算模块502和花色苷含量检测模块503。

第二数据获取模块501，用于获取待测紫色系作物鲜叶的光谱数据；

第二指数计算模块502，用于基于光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数；

花色苷含量检测模块503，用于将待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取紫色系作物鲜叶花色苷检测模型输出的待测紫色系作物鲜叶的花色苷含量；

其中，紫色系作物鲜叶花色苷检测模型是基于如上任一的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。

具体地，第二数据获取模块501、第二指数计算模块502和花色苷含量检测模块503电连接。

可选地，第二指数计算模块502可以具体用于基于第一数学变换方式和待测紫色系作物鲜叶在第一敏感波段下的光谱反射率，获取第三光谱数据，基于第二数学变换方式和待测紫色系作物鲜叶在第二敏感波段下的光谱反射率，获取第四光谱数据；基于第三光谱数据和第四光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数；其中，第一敏感波段、第一数学变换方式、第二敏感波段和第二数学变换方式，是基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据确定的。

本发明实施例中的紫色系作物鲜叶花色苷检测装置，通过基于待测紫色系作物鲜叶的光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数之后，将待测紫色系作物鲜叶的花色苷光谱指数输入上述紫色系作物鲜叶花色苷检测模型，获得待测紫色系作物鲜叶的花色苷含量，在待测紫色系作物鲜叶未离体的情况下，通过高光谱技术就能获取待测紫色系作物鲜叶的光谱数据，进而能基于上述光谱数据和上述紫色系作物鲜叶花色苷检测模型，实现待测紫色系作物鲜叶花色苷含量的无损检测，进行花色苷含量检测的准确率更高、效率更高且所需投入的成本更低。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器（processor）610、通信接口（Communications Interface）620、存储器（memory）630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行紫色系作物鲜叶花色苷检测模型训练方法和/或紫色系作物鲜叶花色苷检测方法。紫色系作物鲜叶花色苷检测模型训练方法包括：获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据；基于花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数；以样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以花色苷含量为训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型。紫色系作物鲜叶花色苷检测方法包括：获取待测紫色系作物鲜叶的光谱数据；基于光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数；将待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取紫色系作物鲜叶花色苷检测模型输出的待测紫色系作物鲜叶的花色苷含量；其中，紫色系作物鲜叶花色苷检测模型是基于如上任一所述的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的紫色系作物鲜叶花色苷检测模型训练方法和/或紫色系作物鲜叶花色苷检测方法。紫色系作物鲜叶花色苷检测模型训练方法包括：获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据；基于花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数；以样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以花色苷含量为训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型。紫色系作物鲜叶花色苷检测方法包括：获取待测紫色系作物鲜叶的光谱数据；基于光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数；将待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取紫色系作物鲜叶花色苷检测模型输出的待测紫色系作物鲜叶的花色苷含量；其中，紫色系作物鲜叶花色苷检测模型是基于如上任一所述的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。

又一方面，本发明还提供一种非暂态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以执行上述各方法提供的紫色系作物鲜叶花色苷检测模型训练方法和/或紫色系作物鲜叶花色苷检测方法。紫色系作物鲜叶花色苷检测模型训练方法包括：获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据；基于花色苷含量、叶绿素含量以及目标光谱数据，获取样本紫色系作物鲜叶的花色苷光谱指数；以样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以花色苷含量为训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型。紫色系作物鲜叶花色苷检测方法包括：获取待测紫色系作物鲜叶的光谱数据；基于光谱数据，获取待测紫色系作物鲜叶的花色苷光谱指数；将待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取紫色系作物鲜叶花色苷检测模型输出的待测紫色系作物鲜叶的花色苷含量；其中，紫色系作物鲜叶花色苷检测模型是基于如上任一所述的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种紫色系作物鲜叶花色苷检测模型训练方法，其特征在于，包括：

获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据；

基于所述花色苷含量、所述叶绿素含量以及所述目标光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数；

以所述样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以所述花色苷含量为所述训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型；

所述初始模型是基于回归算法构建的；

所述获取样本紫色系作物鲜叶的目标光谱数据，包括：

获取所述样本紫色系作物鲜叶在不同波段下的光谱反射率，作为原始光谱数据；

对所述原始光谱数据进行数学变换，获得所述目标光谱数据；

其中，所述数学变换的方式包括恒等变换、求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分中的至少一种；

所述基于所述花色苷含量、所述叶绿素含量以及所述目标光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数，包括：

对所述目标光谱数据和所述花色苷含量，以及所述目标光谱数据和所述叶绿素含量进行相关性分析，获取所述花色苷含量，与所述数学变换的方式和所述波段之间的第一相关系数，以及所述叶绿素含量，与所述数学变换的方式以及所述波段之间的第二相关系数；

基于所述第一相关系数，确定所述花色苷含量对应的第一敏感波段和第一数学变换方式，基于所述第二相关系数，确定所述叶绿素含量对应的第二敏感波段和第二数学变换方式；

基于所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式，获取所述样本紫色系作物鲜叶的花色苷光谱指数。

2.根据权利要求1所述的紫色系作物鲜叶花色苷检测模型训练方法，其特征在于，所述基于所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式，获取所述样本紫色系作物鲜叶的花色苷光谱指数，包括：

在所述目标光谱数据中获取与所述第一数学变换方式和所述第一敏感波段对应的第一光谱数据，以及与所述第二数学变换方式和所述第二敏感波段对应的第二光谱数据；

基于所述第一光谱数据和所述第二光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数。

3.一种紫色系作物鲜叶花色苷检测方法，其特征在于，包括：

获取待测紫色系作物鲜叶的光谱数据；

基于所述光谱数据，获取所述待测紫色系作物鲜叶的花色苷光谱指数；

将所述待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取所述紫色系作物鲜叶花色苷检测模型输出的所述待测紫色系作物鲜叶的花色苷含量；

其中，所述紫色系作物鲜叶花色苷检测模型是基于如权利要求1或2所述的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。

4.根据权利要求3所述的紫色系作物鲜叶花色苷检测方法，其特征在于，在所述光谱数据包括所述待测紫色系作物鲜叶在不同波段下的光谱反射率的情况下，所述基于所述光谱数据，获取所述待测紫色系作物鲜叶的花色苷光谱指数，包括：

基于第一数学变换方式和所述待测紫色系作物鲜叶在第一敏感波段下的光谱反射率，获取第三光谱数据，基于第二数学变换方式和所述待测紫色系作物鲜叶在第二敏感波段下的光谱反射率，获取第四光谱数据；

基于所述第三光谱数据和所述第四光谱数据，获取所述待测紫色系作物鲜叶的花色苷光谱指数；

其中，所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式是基于样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据确定的。

5.根据权利要求4所述的紫色系作物鲜叶花色苷检测方法，其特征在于，所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式是通过如下步骤获取的：

对所述目标光谱数据和所述样本紫色系作物鲜叶的花色苷含量，以及所述目标光谱数据和所述样本紫色系作物鲜叶的叶绿素含量进行相关性分析，获取所述样本紫色系作物鲜叶的花色苷含量，与所述数学变换的方式和所述波段之间的第一相关系数，以及所述样本紫色系作物鲜叶的叶绿素含量，与所述数学变换的方式以及所述波段之间的第二相关系数；

基于所述第一相关系数，确定所述第一敏感波段和所述第一数学变换方式，基于所述第二相关系数，确定所述第二敏感波段和所述第二数学变换方式。

6.根据权利要求5所述的紫色系作物鲜叶花色苷检测方法，其特征在于，所述目标光谱数据是通过如下步骤获取的：

获取所述样本紫色系作物鲜叶在不同波段下的光谱反射率，作为原始光谱数据；

对所述原始光谱数据进行数学变换，获得所述目标光谱数据；

其中，所述数学变换的方式包括恒等变换、求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分中的至少一种。

7.一种紫色系作物鲜叶花色苷检测模型训练装置，其特征在于，包括：

第一数据获取模块，用于获取样本紫色系作物鲜叶的花色苷含量、叶绿素含量以及目标光谱数据；

第一指数计算模块，用于基于所述花色苷含量、所述叶绿素含量以及所述目标光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数；

模型训练模块，用于以所述样本紫色系作物鲜叶的花色苷光谱指数为训练样本，以所述花色苷含量为所述训练样本的样本标签，对初始模型进行训练，获得紫色系作物鲜叶花色苷检测模型；

所述初始模型是基于回归算法构建的；

所述第一数据获取模块获取样本紫色系作物鲜叶的目标光谱数据，包括：

获取所述样本紫色系作物鲜叶在不同波段下的光谱反射率，作为原始光谱数据；

对所述原始光谱数据进行数学变换，获得所述目标光谱数据；

其中，所述数学变换的方式包括恒等变换、求取倒数、求取对数、求取对数的倒数、求取微分、求取倒数的微分、求取对数的微分以及求取对数的倒数的微分中的至少一种；

所述第一指数计算模块基于所述花色苷含量、所述叶绿素含量以及所述目标光谱数据，获取所述样本紫色系作物鲜叶的花色苷光谱指数，包括：

对所述目标光谱数据和所述花色苷含量，以及所述目标光谱数据和所述叶绿素含量进行相关性分析，获取所述花色苷含量，与所述数学变换的方式和所述波段之间的第一相关系数，以及所述叶绿素含量，与所述数学变换的方式以及所述波段之间的第二相关系数；

基于所述第一相关系数，确定所述花色苷含量对应的第一敏感波段和第一数学变换方式，基于所述第二相关系数，确定所述叶绿素含量对应的第二敏感波段和第二数学变换方式；

基于所述第一敏感波段、所述第一数学变换方式、所述第二敏感波段和所述第二数学变换方式，获取所述样本紫色系作物鲜叶的花色苷光谱指数。

8.一种紫色系作物鲜叶花色苷检测装置，其特征在于，包括：

第二数据获取模块，用于获取待测紫色系作物鲜叶的光谱数据；

第二指数计算模块，用于基于所述光谱数据，获取所述待测紫色系作物鲜叶的花色苷光谱指数；

花色苷含量检测模块，用于将所述待测紫色系作物鲜叶的花色苷光谱指数输入紫色系作物鲜叶花色苷检测模型，获取所述紫色系作物鲜叶花色苷检测模型输出的所述待测紫色系作物鲜叶的花色苷含量；

其中，所述紫色系作物鲜叶花色苷检测模型是基于如权利要求1或2所述的紫色系作物鲜叶花色苷检测模型训练方法训练得到的。