本文设计了一种新型的便携式高光谱成像设备LeafSpec-Dicot，对双子叶植物（如大豆）的叶片进行高光谱成像。该设备能在20秒内获取一张完整的双子叶植物叶片高光谱图像，具有较高的空间分辨率和光谱分辨率。设备的数据质量通过检测大豆植株的氮素含量来进行验证，使用了两种方法来建立基于高光谱图像的氮素含量预测模型：一种是基于平均归一化差异植被指数（NDVI）的线性回归模型，另一种是基于整片叶子NDVI热图分布的深度学习神经网络模型。结果表明，后者能够更好地利用叶片上NDVI的空间分布信息，提高了预测的准确性和相关性。这种新型的高光谱成像设备可以为双子叶植物的表型分析提供高质量的数据。

LeafSpec-Dicot主要结构如下：

扫描机构（一个马达驱动的齿轮机架，两片玻璃板，一个编码器和两个限位开关组成）作用是将叶片夹在两片玻璃板之间，保护叶片免受滑动损伤，并将高光谱相机沿着齿轮机架移动，实现对叶片的逐行扫描。编码器用于测量高光谱相机的移动距离，限位开关用于限制扫描范围。高光谱相机是一种线扫描相机，光谱范围为400-1000 nm，光谱分辨率为2.8 nm，空间分辨率为0.1 mm。光源是两个12 W的卤素灯，能够发出覆盖可见光和红外光的宽波段、平滑、单调的光谱。卤素灯安装在一个灯箱内，灯箱只照亮叶片的一条窄长区域，与高光谱相机对应，灯箱出口覆盖一层塑料片，用于均匀扩散卤素灯光线。此外还包括外围电路及微处理器（树莓派4），该设备可与智能手机进行蓝牙通信，传输图像数据。

最后使用64株大豆植株（分两个基因型Pioneer P34T21SE和Thorne），每个基因型分为四个处理组（高氮低水、高氮高水、低氮低水、低氮高水），每组8株。对每株大豆植株最上方成熟的三片复叶分别进行高光谱成像，后对原始高光谱图像进行白板校正，叶片分割，计算出每张图像的NDVI热图。使用两种方法建立了基于高光谱图像的氮素含量预测模型，结果表明基于整片叶子NDVI热图分布的深度学习神经网络模型能够更好地利用叶片上NDVI的空间分布信息，提高了预测的准确性和相关性。在测试集上的R2值为0.871，RMSE值为0.276，优于基于平均NDVI的线性回归模型。

图1 用于双子叶植物的LeafSpec手持式HSC：（a）LeafSpec外观结构；（b） LeafSpec内部结构

图2 Leafspec-Dicot 捕获的全叶 NDVI 热图

图3 氮含量与叶片平均NDVI 之间的线性关系

图4 使用平均 NDVI 建模的N预测值和实测数据之间的相关性

图5 使用深度学习网络的N预测值和实测数据之间的相关性