黃富榮，周泳欣，鄭海平，陳嘉澤，熊 征，劉霓紅

（1.暨南大學(xué)理工學(xué)院光電工程系，廣東 廣州 510632；2.廣東省現(xiàn)代農(nóng)業(yè)裝備研究所，廣東 廣州 510630）

0 引言

在農(nóng)作物的生長環(huán)境中，一切對(duì)于作物生長不利的環(huán)境因素都可以被稱作脅迫。一般而言，根據(jù)脅迫的來源，可以將作物脅迫分為生物脅迫與非生物脅迫2 類；而隨著日益嚴(yán)峻的氣候問題與人類工業(yè)的不斷發(fā)展，非生物脅迫的來源正逐漸增加，非生物脅迫對(duì)于農(nóng)作物生長的不利影響也在日益擴(kuò)大，被認(rèn)為比生物脅迫更具有威脅性[1]。

在所有類型的農(nóng)作物非生物脅迫中，重金屬脅迫已然成為全世界都值得關(guān)注的問題。自從人類社會(huì)進(jìn)入工業(yè)時(shí)代以來，工業(yè)水平不斷發(fā)展，人們開礦冶金，金屬加工等活動(dòng)日益頻繁，外加各類農(nóng)業(yè)化肥的過度使用，大量未經(jīng)處理的重金屬污染物被排放到自然環(huán)境中。據(jù)統(tǒng)計(jì)，全球每年排放到自然環(huán)境中的污染物主要有：汞（Hg）、銅（Cu）、鉻（Cd）、鉛（Pb）等，其中重金屬銅排放量約為3.5×106t/年，為三大重金屬污染物之一[2]。

銅元素污染自然環(huán)境的方式主要分為3 類：水體污染、大氣污染與土壤污染[3]，而這3 類污染方式都能夠?qū)虿⑽廴巨r(nóng)作物的生長環(huán)境，從而對(duì)農(nóng)作物產(chǎn)生銅脅迫。受到銅脅迫的農(nóng)作物，其生理性質(zhì)與結(jié)構(gòu)都會(huì)受到影響：過量的銅元素會(huì)阻礙農(nóng)作物根系生長，影響葉片葉綠素含量，抑制葉片的光合作用，從而對(duì)農(nóng)作物的質(zhì)量與產(chǎn)量產(chǎn)生極大的負(fù)面影響；其次，由于重金屬的富集特性與難降解特性，大量銅元素會(huì)在農(nóng)作物中進(jìn)行累積，并且能夠通過食物鏈對(duì)其他生物造成傷害，倘若這類農(nóng)作物進(jìn)入到人們的飲食生活中，將會(huì)對(duì)人類的飲食安全帶來極大的威脅[4]。因此，在銅污染日益嚴(yán)重的今天，需要建立快速且有效的農(nóng)作物銅脅迫檢測(cè)方法。

早期的重金屬檢測(cè)方法主要以實(shí)驗(yàn)室化學(xué)檢測(cè)法為主，通過對(duì)農(nóng)作物生長環(huán)境的土壤或者對(duì)農(nóng)作物本身進(jìn)行化學(xué)檢測(cè)，這類方法由于外界干擾因素多，檢測(cè)準(zhǔn)確率并不高。而目前實(shí)驗(yàn)室中高靈敏度的檢測(cè)方法有：原子吸收光譜法、原子熒光光譜法等。雖然原子吸收光譜法等實(shí)驗(yàn)室測(cè)量方法能夠準(zhǔn)確且靈敏地檢測(cè)農(nóng)作物是否受到銅脅迫，但其檢測(cè)周期較長，檢測(cè)流程繁瑣，對(duì)樣品有損且無法進(jìn)行實(shí)時(shí)檢測(cè)，無法滿足人們快速且無損的檢測(cè)需求。因此，人們開始將目光轉(zhuǎn)向能夠?qū)崿F(xiàn)無損且實(shí)時(shí)檢測(cè)的光譜技術(shù)。目前運(yùn)用于快速檢測(cè)重金屬脅迫的光譜技術(shù)主要有：近紅外光譜技術(shù)[13]、激光誘導(dǎo)擊穿光譜技術(shù)[14]、高光譜成像技術(shù)[15]等。其中高光譜成像技術(shù)由于能夠?qū)⒐庾V信息與圖像信息結(jié)合提取，在得到圖像的同時(shí)，能夠獲取圖像上每個(gè)像素點(diǎn)的光譜信息，為之后的光譜特征響應(yīng)分析提供了較為完整且充分的信息。目前，高光譜成像技術(shù)已經(jīng)開始運(yùn)用到農(nóng)作物重金屬快速檢測(cè)研究中，ANNEM RUFFING 等[6]使用高光譜成像技術(shù)，結(jié)合多元曲線分辨技術(shù)（MCR），實(shí)現(xiàn)了對(duì)擬南芥在2 種重金屬脅迫（銅與銫）下的鑒定。張雙印等[7]利用高光譜成像技術(shù)，結(jié)合SG 平滑等預(yù)處理，分別基于支持向量機(jī)（SVM）和BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行診斷，實(shí)現(xiàn)了對(duì)水稻2種重金屬脅迫（鉛與隔）的分類診斷，其中SVM 有較好的診斷結(jié)果。孫君等[8]利用高光譜成像技術(shù)，結(jié)合WT-LSSVR 算法選取特征波段，并建立相應(yīng)的檢測(cè)模型，用于檢測(cè)番茄葉片中的重金屬鎘的含量，其模型決定系數(shù)為0.943 7，均方根誤差為0.098 8 mg/kg，擁有較好的檢測(cè)性能。

因此運(yùn)用高光譜成像技術(shù)實(shí)現(xiàn)對(duì)農(nóng)作物重金屬脅迫的快速檢測(cè)是可行的，并且能夠達(dá)到較高的檢測(cè)準(zhǔn)確率，有極大的研究意義。目前基于高光譜成像技術(shù)的菜心銅脅迫檢測(cè)研究較少，本文的研究對(duì)于精準(zhǔn)農(nóng)業(yè)的發(fā)展有一定的應(yīng)用價(jià)值。

菜心是我國南方常見的農(nóng)作物，一年四季都可播種，生長周期較短，是我國南方地區(qū)重要的蔬菜來源。菜心本身易受重金屬污染，重金屬富集作用顯著，且在銅脅迫早期，葉片表面沒有明顯特征，無法通過肉眼進(jìn)行分辨[5]；因此，利用高光譜技術(shù)實(shí)現(xiàn)對(duì)菜心銅脅迫的早期快速檢測(cè)對(duì)我國食品安全與農(nóng)業(yè)安全有著重要的意義。

1 材料與方法

1.1 實(shí)驗(yàn)樣品制備

本實(shí)驗(yàn)以菜心幼苗作為研究對(duì)象，選用的菜心幼苗健康狀態(tài)與生長態(tài)勢(shì)基本一致，且葉片展開狀況良好，采用水培的方式對(duì)菜心幼苗進(jìn)行培養(yǎng)與脅迫，為了作物得到足夠的生長所需營養(yǎng)，采用霍格蘭營養(yǎng)液進(jìn)行培養(yǎng)[9]，產(chǎn)生銅脅迫的銅離子由CuSO4溶液提供。其中標(biāo)準(zhǔn)霍格蘭營養(yǎng)液的成分如表1 所示。

表1 標(biāo)準(zhǔn)霍格蘭營養(yǎng)液組成成分

根據(jù)標(biāo)準(zhǔn)霍格蘭營養(yǎng)液的成分組成，分別配置濃度為標(biāo)準(zhǔn)值200 倍的營養(yǎng)液A 液與B 液，即母液；將配置好的營養(yǎng)液A、B 母液分別與不同濃度的CuSO4母液按一定比例混合，并加入一定量的水進(jìn)行稀釋，最終獲得CuSO4濃度分別為0.08（CK）、8、16、24、32 mg/L 的霍格蘭營養(yǎng)液。根據(jù)我國《農(nóng)業(yè)灌溉水質(zhì)標(biāo)準(zhǔn)》，含銅量在1 mg/L 以上的水質(zhì)，便會(huì)對(duì)農(nóng)作物產(chǎn)生銅脅迫，因此可使用上述后4 種營養(yǎng)液對(duì)菜心進(jìn)行銅脅迫處理。

選取40 株健康且生長狀況相似的菜心幼苗，將40 株菜心平均分為5 組，每組8 株菜心。將5 組幼苗分別放置在40 cm×28 cm×6 cm 的塑料淺盒中進(jìn)行培育，其中1 組使用標(biāo)準(zhǔn)的霍格蘭營養(yǎng)液進(jìn)行正常水培，作為實(shí)驗(yàn)的空白組；另外4 組分別用CuSO4濃度為8、16、24、32 mg/L 的霍格蘭營養(yǎng)液進(jìn)行脅迫水培。

1.2 高光譜數(shù)據(jù)圖像采集和數(shù)據(jù)提取

1.2.1 圖像采集

本次實(shí)驗(yàn)采用芬蘭SPECIM 公司所生產(chǎn)的SPECIM IQ 便攜式高光譜成像系統(tǒng)，如圖1 所示，系統(tǒng)包括高光譜相機(jī)、鹵素?zé)艄庠础⑷_架以及校正白板。該相機(jī)便于攜帶且操作簡單，影像分辨率為512×512，所采集的圖像光譜范圍為400～1 000 nm，光譜分辨率為3 nm，可提供204個(gè)光譜波段信息，能夠提供有效的光譜數(shù)據(jù)進(jìn)行分析。

圖1 高光譜成像系統(tǒng)

將5 組菜心幼苗進(jìn)行培育與脅迫處理后的第1、3、5、7 d 進(jìn)行樣品的高光譜圖像拍攝工作。在高光譜圖像采集之前，應(yīng)使周邊環(huán)境處于一個(gè)較暗的狀態(tài)，防止拍攝過程中，除鹵素?zé)艄庠赐獾钠渌麩o關(guān)光源的干擾。拍攝過程中應(yīng)使三腳架兩側(cè)對(duì)稱的鹵素?zé)艄庠磳?duì)準(zhǔn)樣品，保證光線充足，模擬自然環(huán)境下的太陽光。樣品的拍攝背景應(yīng)為黑色，便于之后的樣品光譜數(shù)據(jù)提取工作。拍攝時(shí)，將菜心幼苗放置于黑色的塑料杯中，并使上層葉片展開，上層葉片與高光譜相機(jī)之間保持20 cm 的垂直距離，高光譜相機(jī)選用默認(rèn)的拍攝模式，曝光時(shí)間設(shè)置為25 ms。拍攝時(shí)可將99%反射率的校正白板置于鏡頭下，高光譜相機(jī)會(huì)根據(jù)校正白板對(duì)圖像進(jìn)行自動(dòng)校正，從而獲得校正后的高光譜圖像。

通過高光譜圖像采集系統(tǒng)，能夠獲得1 個(gè)樣品204 個(gè)波段下的高光譜圖像。經(jīng)過4 d 的圖像采樣工作，共獲得160 個(gè)菜心高光譜圖像。

1.2.2 數(shù)據(jù)提取

獲得樣品的高光譜圖像后，需要對(duì)高光譜圖像進(jìn)行處理，并從中獲取樣品的高光譜信息。通過ENVI5.3 軟件，將高光譜圖像文件格式轉(zhuǎn)換為TIF格式，并將其導(dǎo)入Matlab 軟件。針對(duì)高光譜單波段圖像，根據(jù)樣品反射率與背景反射率的差異，基本能夠?qū)⒉诵挠酌鐦悠窂膱D片背景中提取出來，并通過二值化，建立掩膜圖像，通過選取感興趣區(qū)域，得到該區(qū)域中所需樣品的高光譜數(shù)據(jù)。在實(shí)驗(yàn)過程中，通常選取1 片完整的葉片作為感興趣區(qū)域進(jìn)行數(shù)據(jù)提取。本實(shí)驗(yàn)通過對(duì)160 個(gè)樣品高光譜圖像進(jìn)行數(shù)據(jù)提取，剔除部分無法獲得正常葉片的異常圖片，最終能夠獲取140 個(gè)總樣品的原始光譜數(shù)據(jù)。

1.3 光譜數(shù)據(jù)預(yù)處理

在光譜數(shù)據(jù)采集的過程中，由于采集環(huán)境、儀器性能、樣品狀態(tài)等干擾因素，容易在光譜數(shù)據(jù)中引入噪聲，從而影響后續(xù)的光譜特性分析。因此，在進(jìn)行光譜分析之前，需要對(duì)原始光譜進(jìn)行一定的預(yù)處理，從而減少原始光譜中的干擾信息。本實(shí)驗(yàn)采取一階微分（First Derivative，F(xiàn)D）、多元散射校正（Multiplicative Scatter Correction，MSC）、標(biāo)準(zhǔn)正態(tài)變換（Standard Normal Variate，SNV）3 種預(yù)處理方法，同時(shí)結(jié)合建模分析方法，對(duì)比建模后模型的準(zhǔn)確率，從而確定最佳預(yù)處理方法。

1.4 建模分析方法

1.4.1 偏最小二乘判別分析

偏最小二乘判別分析（Partial least squares Discriminant Analysis，PLS-DA）是一種線性判別算法，通過PLS技術(shù)得到樣本的分類信息，并建立自變量與分類信息間的回歸模型，從而獲取與分類信息相關(guān)性強(qiáng)的特征變量，實(shí)現(xiàn)對(duì)樣品的分類工作[11]。

1.4.2 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是一種根據(jù)監(jiān)督學(xué)習(xí)，對(duì)樣品進(jìn)行二元分類的算法。其主要思想是尋找能夠正確劃分樣本數(shù)據(jù)、幾何間隔最大的分離超平面，對(duì)于難以劃分的樣本數(shù)據(jù)可映射到高維空間上，從而實(shí)現(xiàn)對(duì)樣本的分類[12]。對(duì)于高維空間的數(shù)據(jù)運(yùn)算需要引入核函數(shù)，常用的核函數(shù)為徑向基核函數(shù)（REF），并且在建模過程中需要尋找支持向量機(jī)的懲罰系數(shù)c與徑向基核函數(shù)中正則化系數(shù)g的最優(yōu)解，提高模型性能。

2 結(jié)果與討論

2.1 光譜數(shù)據(jù)預(yù)處理

分別對(duì)原始光譜采用一階微分（FD）、標(biāo)準(zhǔn)正態(tài)分布（SNV）、多元散射校正（MSC）進(jìn)行預(yù)處理工作，原始光譜曲線圖與進(jìn)行預(yù)處理后的光譜曲線圖如圖2 所示。

圖2 原始光譜與預(yù)處理后的光譜

通過對(duì)比原始光譜曲線與預(yù)處理后的光譜曲線圖，可以發(fā)現(xiàn)經(jīng)過預(yù)處理后的光譜曲線相比于原始光譜曲線，噪聲信息與冗余信息都得到了一定程度的消除。其中，經(jīng)過一階微分處理的光譜曲線能夠反映原始光譜的變化率，能夠展現(xiàn)出更為深層的信息，但在900～1 000 nm波段存在一定的噪聲，在后續(xù)分析處理時(shí)可進(jìn)行剔除；經(jīng)過標(biāo)準(zhǔn)正態(tài)分布與多元散射校正處理后的光譜曲線，在保留原始光譜趨勢(shì)的同時(shí)，使光譜曲線更為平滑，并且較好地消除了基線平移與非線性偏移的影響，使光譜信息更為緊密，但1 000 nm波段附近依舊存在一定量的噪聲，可在后續(xù)分析時(shí)進(jìn)行剔除。

后續(xù)建模過程將分別對(duì)不同預(yù)處理的光譜進(jìn)行分析，從而選擇較好的光譜預(yù)處理方法。

2.2 基于不同脅迫程度與不同脅迫時(shí)間有無銅脅迫的判別模型

在高光譜數(shù)據(jù)采集過程中，對(duì)于總樣品一共采集了140 組高光譜數(shù)據(jù)。在這140 個(gè)總樣品中，受到脅迫的樣品存在不同脅迫程度與不同脅迫時(shí)間的雙變量，未受脅迫的樣本也存在培養(yǎng)時(shí)間的差異，比較貼近自然環(huán)境中農(nóng)作物受到銅脅迫時(shí)自身狀態(tài)的差異性與復(fù)雜性。針對(duì)總樣品光譜數(shù)據(jù)建立銅脅迫檢測(cè)模型，對(duì)比不同預(yù)處理時(shí)模型的準(zhǔn)確率，選出效果較好的預(yù)處理方法。

在建立模型之前，需要對(duì)樣品進(jìn)行訓(xùn)練集與測(cè)試集的劃分。其中訓(xùn)練集為104 個(gè)樣品，測(cè)試集為36 個(gè)樣品。

2.2.1 PLS-DA 模型

分別將經(jīng)過預(yù)處理的光譜，對(duì)訓(xùn)練集進(jìn)行K 折交互驗(yàn)證，從而選擇出適合建模的最優(yōu)主成分?jǐn)?shù)，根據(jù)所選的最優(yōu)主成分?jǐn)?shù)、訓(xùn)練集與訓(xùn)練標(biāo)簽，建立判斷菜心是否受到銅脅迫的檢測(cè)模型，并使用測(cè)試集對(duì)建立好的檢測(cè)模型進(jìn)行模型準(zhǔn)確率評(píng)估。表2 為不同預(yù)處理光譜數(shù)據(jù)所建立的PLS-DA 模型測(cè)試結(jié)果。

表2 PLS-DA模型分類結(jié)果

通過表2 可知，在上述3 種預(yù)處理方法中，使用SNV 預(yù)處理后的數(shù)據(jù)建模的效果較好，其最優(yōu)主成分?jǐn)?shù)為10，訓(xùn)練集準(zhǔn)確率為84.62%，預(yù)測(cè)集準(zhǔn)確率為80.56%，但對(duì)比原始數(shù)據(jù)所建立的模型，整體的提升幅度較小。

2.2.2 SVM 模型

本次研究所使用的SVM 模型以徑向基核函數(shù)作為核函數(shù)，根據(jù)訓(xùn)練集與訓(xùn)練標(biāo)簽建立銅脅迫檢測(cè)模型，并使用網(wǎng)格搜索算法GS 尋找最優(yōu)的懲罰系數(shù)c與核函數(shù)參數(shù)g，通過測(cè)試集對(duì)所建立的SVM 模型進(jìn)行準(zhǔn)確率評(píng)估，如表3 所示。

表3 不同預(yù)處理下的SVM模型分類結(jié)果

通過表3 可知，經(jīng)FD 預(yù)處理后的光譜數(shù)據(jù)建立的SVM 模型性能較好，相比于原始數(shù)據(jù)所建立的模型，準(zhǔn)確率有較大的提升。

針對(duì)4 d 總樣品光譜數(shù)據(jù)進(jìn)行建模分析，對(duì)比PLS-DA 模型與SVM 模型的測(cè)試準(zhǔn)確率，可以看出，SVM 模型的檢測(cè)性能較好，能夠有效地檢測(cè)出菜心幼苗是否受到銅脅迫。因此，在自然環(huán)境下，由于農(nóng)作物受到銅脅迫時(shí)自身狀態(tài)的差異性與復(fù)雜性，面對(duì)脅迫天數(shù)與培育天數(shù)不同的農(nóng)作物時(shí)，使用非線性的SVM 算法建立的檢測(cè)模型效果更好。

2.3 基于同一脅迫程度不同脅迫時(shí)間有無銅脅迫的判別模型

分別于菜心培育與脅迫處理后的第1、3、5、7 d對(duì)菜心進(jìn)行圖像采集，可以分別對(duì)每天采集的樣本光譜數(shù)據(jù)進(jìn)行分析，得出在不同培養(yǎng)天數(shù)下對(duì)于菜心是否受到銅脅迫的檢測(cè)準(zhǔn)確率，研究菜心受到銅脅迫后多長時(shí)間內(nèi)可被準(zhǔn)確檢測(cè)。

在對(duì)同一天的樣品進(jìn)行數(shù)據(jù)分析之前，可以在高光譜圖像處理環(huán)節(jié)，每個(gè)樣品選擇多個(gè)感興趣區(qū)域用于獲取高光譜數(shù)據(jù)，增加樣本容量，使每天的光譜數(shù)據(jù)約為60 個(gè)。

2.3.1 PLS-DA 模型

通過分別對(duì)光譜做MSC、SNV、FD 預(yù)處理，將同一天的樣品數(shù)據(jù)劃分訓(xùn)練集與測(cè)試集，使用PLS-DA算法分別對(duì)每一天的樣品數(shù)據(jù)進(jìn)行建模分析。表4 為經(jīng)不同預(yù)處理的光譜數(shù)據(jù)的PLS-DA 模型的檢測(cè)結(jié)果。

表4 PLS-DA模型對(duì)不同培養(yǎng)天數(shù)的菜心分類結(jié)果

由表4 所顯示的分析結(jié)果可以得知，使用原始光譜數(shù)據(jù)進(jìn)行PLS-DA 建模，檢測(cè)培育時(shí)間相同的樣品是否受到銅脅迫時(shí)，已經(jīng)達(dá)到了較好的效果，測(cè)試集的平均準(zhǔn)確率為90%。對(duì)比不同預(yù)處理后的建模結(jié)果，可知經(jīng)MSC 與SNV 預(yù)處理后建立的檢測(cè)模型的穩(wěn)定性不高，而經(jīng)過FD 預(yù)處理后建立的檢測(cè)模型穩(wěn)定性較高，且相比于原始數(shù)據(jù)建立的模型，其準(zhǔn)確性有一定的提高，能夠?qū)崿F(xiàn)對(duì)菜心是否受到銅脅迫的早期快速檢測(cè)。

2.3.2 SVM 模型

按照PLS-DA 模型劃分的訓(xùn)練集與測(cè)試集結(jié)果，首先利用原始NIR 光譜數(shù)據(jù)及3 種不同預(yù)處理（FD、SD、MSC）后的數(shù)據(jù)建立SVM 判別模型，比較不同預(yù)處理方法建立的SVM 模型對(duì)預(yù)測(cè)數(shù)據(jù)集的預(yù)測(cè)準(zhǔn)確率的高低來選取最佳的預(yù)處理方式，其中通過網(wǎng)格搜索算法GS 尋找最優(yōu)的懲罰系數(shù)c與核函數(shù)參數(shù)g，得到表5。

由表5 可以看出，相比與原始光譜數(shù)據(jù)所建立的SVM 模型，經(jīng)過預(yù)處理后的SVM 模型在準(zhǔn)確率上有明顯的提升，其中經(jīng)FD 預(yù)處理后的SVM 模型準(zhǔn)確率最佳。但在菜心受到銅脅迫后的第1 d，SVM模型的檢測(cè)準(zhǔn)確率并不理想。

通過對(duì)比PLS-DA 模型與SVM 模型的檢測(cè)結(jié)果，可以發(fā)現(xiàn)在菜心受到銅脅迫后的第1 d，使用PLSDA 模型進(jìn)行檢測(cè)的準(zhǔn)確率更高，而在后3 d，經(jīng)FD預(yù)處理的SVM 模型的檢測(cè)準(zhǔn)確率略高于PLS-DA 模型。在實(shí)際的農(nóng)作物種植活動(dòng)中，由于重金屬脅迫在早期無法從農(nóng)作物的表面所觀測(cè)到，可以同時(shí)使用SVM 模型與PLS-DA 模型對(duì)農(nóng)作物進(jìn)行檢測(cè)，通過兩者的優(yōu)勢(shì)互補(bǔ)，能夠?qū)崿F(xiàn)對(duì)農(nóng)作物銅脅迫的早期快速檢測(cè)，從而及時(shí)進(jìn)行干預(yù)，對(duì)農(nóng)業(yè)的生產(chǎn)有著極大的意義。

3 結(jié)論

1）利用CuSO4濃度不同的霍格蘭營養(yǎng)液培育菜心樣品。分4 d 完成樣品高光譜圖像的采集工作，建立掩膜圖像，分割樣品與圖像背景，選取感興趣區(qū)域提取樣品的高光譜數(shù)據(jù)。

2）針對(duì)不同脅迫程度不同脅迫時(shí)間進(jìn)行建模分析，分別使用一階微分、標(biāo)準(zhǔn)正態(tài)變換、多元散射校正對(duì)原始光譜進(jìn)行預(yù)處理。分別使用PLS-DA 算法與SVM 算法進(jìn)行建模分析，比較2 種模型的性能。經(jīng)過FD 預(yù)處理后的SVM 模型檢測(cè)準(zhǔn)確率較高，可達(dá)到86.11%。

3）針對(duì)同一脅迫程度不同脅迫時(shí)間進(jìn)行建模分析，使用不同的光譜預(yù)處理方法，分別使用PLS-DA算法與SVM 算法進(jìn)行建模分析。經(jīng)過FD 預(yù)處理的PLS-DA 模型穩(wěn)定性較高，平均準(zhǔn)確率可達(dá)95%；經(jīng)過FD 預(yù)處理的SVM 模型在脅迫早期的檢測(cè)準(zhǔn)確率不如PLS-DA 模型，但隨著脅迫時(shí)間推移，該模型檢測(cè)準(zhǔn)確率略優(yōu)于PLS-DA 模型。