镉(Cd)是一种有毒元素，能够在可食用植物组织中积累，对人类健康产生负面影响。本研究的目的是确定高光谱成像(HSI)和机器学习(ML)是否可以用来对甘蓝(Brassica oleracea)和罗勒(Ocimum basilicum)中的镉浓度进行分类，以减少食品安全风险。实验在一个自动表型设施中进行，除土壤中的镉浓度外，所有的环境条件都保持不变。罗勒和甘蓝植物分别在62天和84天后被收割，并使用传统方法测定地上生物量中的镉浓度，以便使用成像传感器收集的数据训练ML模型。在收获时还收集了可见光/近红外(VNIR)图像，并进行处理以计算400-998 nm之间的473个波段的反射率。所有的反射光谱都要经过特征选择算法ReliefF和主成分分析(PCA)来生成数据，并为评估三种ML分类模型提供输入：人工神经网络(ANN)、集成学习(EL)和支持向量机(SVM)。根据Cd浓度高于或低于粮食及农业组织(FAO)规定的0.2mg kg-1 Cd的安全阈值，对植物进行了分类。Cd检测排名最高的波长在519和574以及692和732 nm之间，表明高Cd可能改变了植物的叶绿素含量并改变了叶片内部结构。所有的模型都能将植物分为高镉组和低镉组，尽管对量化镉的最佳F1得分的模型是利用所有波长反射率的验证子集的ANN。这项研究表明，HSI和ML是快速和精确诊断绿叶植物中Cd的有效技术。

　　图1图形摘要

　　来源：Souza A, Zea M, Yang Y, et al. Identifying Cadmium Contaminated Leafy Vegetables Using Hyperspectral Imaging and Machine Learning[J]. Available at SSRN 4095061.

　　编辑：小王博士在努力