稻谷品种和品质的光谱快速无损检测研究

论文摘要

水稻是世界上最重要的粮食作物之一,也是我国最重要的粮食作物之一。水稻的品种共有五万多种。稻谷品种、年份鉴别和内部品质检测一直是农业生产、作物育种和种子检验上的重要问题。随着社会经济的发展,人们越来越青睐于质优价高的优质稻谷,随之而来的是制售假冒伪劣种子等现象的日益增多,每年造成的经济损失是巨大的。因此,稻谷品种、年份的鉴别和内部品质的检测问题日益受到种子质检部门、水稻育种研究以及粮食企业等单位的重视。长期以来水稻品种的鉴别和稻谷内部品质的检测主要由人工结合化学方法来完成,操作过程繁琐,工作量大,所需时间长,检测效率和检测结果的一致性都比较差。在稻谷品种的鉴别方面,目前常用的方法有形态法、化学法、幼苗法、田间小区种植法、电泳法等,近年来国内外学者采用计算机图像技术进行稻谷品种鉴别也取得了很大进展。在稻谷内部品质成分的检测方面,生产实际中主要还是采用碘比色法、凯氏定氮法等一些标准化学测量方法。建立一套简便、快捷、高效、经济、准确的稻谷检测技术体系成为当前的一个迫切需要,而红外光谱技术的发展为此提供了可能。本文针对上述目标,以稻谷为研究对象,采用红外光谱技术结合化学计量学方法和数据挖掘技术,对稻谷进行了品种和不同年份的鉴别,以及辐照剂量、直链淀粉和蛋白质含量的检测,主要研究内容和结果如下:（1）使用Field Spec Handheld光谱仪对五个水稻品种的150个样本进行可见/近红外光谱测定,采用小波变换结合主成分分析和人工神经网络的组合化学计量学方法对对获得的光谱特征进行分析,建立了稻谷品种的识别模型,对五个水稻品种进行了定性的聚类和定量的鉴别,正确率达96%。提出的组合算法为复杂体系的光谱非线形建模提供了一种有力的工具。结果表明,应用可见/近红外光谱技术结合化学计量学方法可简单、快速、无损地鉴别稻谷品种,为稻谷的品种的快速无损鉴别提供了一种新的方法。（2）试验得到了2003-2005年三年的晚粳谷的可见/近红外光谱,经处理后采用独立组分分析提取稻谷样本的敏感波段作为神经网络的输入,建立稻谷年份的BP神经网络鉴别模型,对不同年份的稻谷的识别率达到100%。通过独立组分分析,找到了晚粳谷主要成分对应的敏感波段,其中770nm,970nm对应水分含量,880nm对应脂肪含量,922nm,972nm,996nm对应稻谷中蛋白质的含量。该结果对不同种类的稻谷具有普适性。研究结果表明利用可见/近红外光谱技术结合化学计量学的方法对同年份的稻谷进行快速鉴别是可行的,它为稻谷年份的快速检测提供了一种新方法。（3）采用偏最小二乘法（PLS）和最小二乘支持向量机（LS-SVM）分别建立辐照谷物剂量及内部品质（直链淀粉和蛋白质）的线性数学模型。用偏最小二乘法（PLS）建立的较优模型所得的辐照谷物剂量测定,直链淀粉和蛋白质含量的预测相关系数分别为0.978,0.911和0.943,预测均方根误差为114.902,0.250和0.102,偏差为-6.032E-03,-6.012E-04和2.150E-05,其中对于辐照剂量的预测和蛋白质含量测定,中红外波段好于近红外波段;对于直链淀粉含量的测定,近红外波段优于中红外波段。用最小二乘支持向量机（LS-SVM）建立的最优模型所得的辐照谷物剂量测定,直链淀粉和蛋白质含量的预测相关系数分别为0.989,0.951和0.982,预测均方根误差为95.763,0.201和0.052,偏差为-3.621E-03,-1.302E-06和-2.105E-07,其中对于辐照剂量的预测和蛋白质含量测定,中红外波段好于近红外波段,对于直链淀粉含量的测定,近红外波段优于中红外。研究结果表明最小二乘支持向量机具有较好的预测准确性和抗干扰性,可以得到较好的预测结果。

论文目录

• 目录
• 摘要
• Abstract
• 第一章 绪论
• 1.1 前言
• 1.2 稻谷检测国内外研究现状
• 1.3 红外光谱技术的原理、特点及应用现状
• 1.3.1 红外光谱技术的原理
• 1.3.2 红外光谱技术的特点
• 1.3.3 红外光谱技术的应用现状
• 1.4 稻谷光谱检测的可行性
• 1.5 本文的研究内容
• 第二章 试验材料与研究方法
• 2.1 前言
• 2.2 试验仪器设备
• 2.2.1 便携式可见-近红外光谱仪
• 2.2.2 FT/IR—4000傅立叶红外光谱仪
• 2.2.3 FOSS NIRSYSTEM 5000近红外光谱分析仪
• 2.2.4 Sartorius BS224S电子分析天平
• 2.2.5 奥力AK-400A小型万能粉碎机
• 2.3 试验材料及方法
• 2.3.1 稻谷样品的选用
• 2.3.2 稻谷品种、年份鉴别和辐照剂量及品质检测
• 2.3.2.1 稻谷品种的鉴别
• 2.3.2.2 稻谷中蛋白质含量的化学测定
• 2.3.2.3 稻谷中直链淀粉含量的化学测定
• 2.3.2.4 稻谷不同年份的鉴别
• 2.3.2.5 辐照稻谷的辐照剂量及内部品质检测
• 2.3.3 光谱检测分析方法
• 2.3.3.1 光谱数据预处理方法
• 2.3.3.2 光谱数据分析中的化学计量学方法
• 2.3.3.3 模型评价标准
• 2.4 小结
• 第三章 基于可见/近红外光谱技术的水稻品种鉴别
• 3.1 前言
• 3.2 材料与方法
• 3.2.1 仪器设备
• 3.2.2 样品来源及光谱的获取
• 3.2.3 光谱数据预处理
• 3.2.4 化学计量学方法
• 3.3 试验结果与分析
• 3.3.1 稻谷样本的可见/近红外光谱特征
• 3.3.2 光谱数据的小波降噪
• 3.3.3 主成分分析对不同品种稻谷进行定性分析
• 3.3.4 应用BP神经网络建立水稻品种鉴别模型
• 3.4 小结
• 第四章 基于近红外光谱技术的不同年份稻谷的鉴别与分析
• 4.1 前言
• 4.2 材料和方法
• 4.2.1 仪器设备
• 4.2.2 样品制备及光谱的扫描
• 4.2.3 光谱数据预处理
• 4.2.4 化学计量学方法
• 4.3 试验结果与分析
• 4.3.1 不同年份稻谷的可见/近红外光谱图分析
• 4.3.2 BP神经网络模型建立
• 4.3.3 晚粳谷主要成分对应的敏感波段
• 4.4 小结
• 第五章 辐照稻谷的辐照剂量及内部品质检测
• 5.1 前言
• 5.2 样本预处理和光谱测定
• 5.2.1 样本预处理
• 5.2.2 光谱数据的采集
• 5.3 试验结果与分析
• 5.3.1 近红外及中红外光谱分析
• 5.3.2 谷物辐照剂量的检测
• 5.3.2.1 偏最小二乘（PLS）模型
• 5.3.2.2 最小二乘支持向量机（LS-SVM）模型
• 5.3.3 辐照谷物的直链淀粉含量检测
• 5.3.3.1 偏最小二乘（PLS）模型
• 5.3.3.2 最小二乘支持向量机（LS-SVM）模型
• 5.3.4 辐照谷物的蛋白质含量检测
• 5.3.4.1 偏最小二乘（PLS）模型
• 5.3.4.2 最小二乘支持向量机（LS-SVM）模型
• 5.4 小结
• 第六章 结论与展望
• 6.1 结论
• 6.2 展望
• 参考文献
• 附录
• 附录一
• 附录二
• 致谢
• 个人简介