近红外光谱分析在玉米单籽粒品种真实性鉴定中的影响因素

以不同存储时间,同一产地及收获时间的10个玉米品种种子为对象,研究存储时间在玉米单籽粒近红外光谱真实性鉴定中,对近红外光谱分析技术检测结果的影响。利用1月份光谱数据建立品种真实性鉴定模型(单月建模),分别鉴定2到12月的相同品种,原始光谱采用平滑、一阶差分和矢量归一化进行预处理, PLS-DA建立模型进行分析比较,结果显示,正确鉴定率均呈逐月下降的趋势,同一品种的同一种子批,由储藏开始建立的品种真实性鉴定模型已无法对储藏11个月后的该种子批进行高准确度的鉴定,储存时间由1个月增加至11个月时,模型的平均正确鉴别率降低26.27%,这说明玉米种子的存储时间越长将降低应用近红外光谱鉴定品种真实性的鉴定准确度。另外,本研究发现玉米种子存储时间越长,导致同一品种种子样品的光谱数据在空间分布上产生差异,光谱数据离散化更明显,重复性一致性越低,使得玉米种子的真实性鉴定结果的准确性越低。通过扩充建模集中易受干扰的信息的范围,即将1年内在不同时间段里随取样时间变化而导致的在不同环境因素、仪器因素及种子样品等变化因素下采集到的光谱数据,均扩充到建模光谱数据中,以增加根据扩充数据建立的近红外光谱预测模型的包容性。通过1月与2月建模集联合后建立的包容性模型(联合建模),之后分别对2016年3月—12月测试集的样品进行鉴定,之后逐月增加建模集光谱数据,并对非建模集所在月份进行逐月鉴定,以京科968为例,结果表明,模型对建模集相邻月份的测试准确度较高,之后逐月降低。当建模集内加入1到6月份建模集内的特征光谱后,包容性模型的平均正确鉴别率可稳定在92%以上。通过以上方式,对10个玉米品种进行了测试,结果表明,包容性模型对于玉米种子真实性的正确识定率相较于单月模型均有明显提高。J92与XY211的平均正确鉴别率分别提高11.58%与7.71%。将2016年整年的光谱数据均加入包容性模型的建模集中,使测试集玉米杂交种2017年的平均正确鉴别率达到94.68%,自交系达到95.03%,为进一步研发专用模型和实用设备提供基础。     

基于水稻种子近红外特征光谱的品种鉴别方法研究

本文用MPA傅立叶变换近红外光谱仪研究了单粒水稻种子的漫反射光谱特征,发现颖壳对光谱扫描有影响,为了尽量消除这种影响,保证光谱的代表性,应对其上下表面分别进行多次光谱采集,取它们的平均光谱。本文利用种子品种特有的光谱特性,结合不同光谱预处理方法建立了多个聚类分析模型,比较它们对杂交F1代种子"03S/0412"和其父本种子"0412"的鉴别效果。结果显示:选择4000⁸900cm-1光谱范围,通过"无预处理"、"矢量归一化"、"二阶导数(25点平滑)"和"二阶导数(25点平滑)+矢量归一化"建立的模型校正集正确率分别为52.4%、65.2%、75.2%和100%,可见,相比无预处理,经过各种预处理后正确率都有提高,其中"二阶导数(25点平滑)+矢量归一化"建立的模型最好,用该模型对预测集预测,分类正确率也为100%,具有很好的预测性能。这说明近红外光谱技术可用于单粒水稻种子品种真伪性鉴别。     

鉴别玉米杂交种纯度的近红外光谱分析技术研究

以不同产地和年份的农华101(NH101)玉米杂交种和母本种子为对象,研究了鉴别玉米杂交种子纯度的近红外光谱分析方法。 光谱采集时间跨度达10个月,运用傅里叶变换(FT)近红外光谱仪器,在不同季节用23天(分五个时间段)采集了这些样品共920条玉米单子粒近红外漫反射光谱。 全部原始光谱用移动窗口平均、 一阶差分导数和矢量归一化进行预处理,使用主成分分析(PCA)方法和线性判别分析(LDA)方法降维,采用仿生模式识别(BPR)方法建立模型。 通过对光谱预处理校正光谱失真,使样品光谱集在特征空间分布的范围收缩,相对距离增大了近70倍,实现了母本和杂交种子的鉴别。 通过代表性样品的选择,提高了模型对光谱采集时间、 地点、 环境等条件变动的应变能力,也提高了模型对样品种子制种时间与地点变动的应变能力,增强了模型的稳健性,使测试集玉米单子粒杂交种和母本种子的平均正确识别率达到95%以上,而平均正确拒识率也达到85%以上。     

近紫外-可见-短波近红外多光谱成像数据的糯玉米种子热损伤粒的无损快速鉴别

为对糯玉米种子热损伤粒进行无损快速鉴别并探索热损伤过程对糯玉米种子的影响,以糯玉米种子“京科糯2000”为例,用Videometer近紫外-可见-短波近红外多光谱成像仪分别以胚面向上和胚面向下方式采集糯玉米种子对照组及热损伤组多光谱成像数据,分别提取胚面向上胚部、胚面向上胚乳部、胚面向下胚乳部单点多光谱数据,并对胚面向上胚部和胚面向上胚乳部多光谱数据做初级融合;对多光谱数据进行基线校正预处理后计算各光谱数据样本标准差,进而通过光谱数据样本标准差的变化分析热损伤对糯玉米种子各部位的影响;基于多光谱数据采用偏最小二乘-判别分析算法建立糯玉米种子热损伤粒无损鉴别模型,对所建模型进行全交互验证,并与近红外光谱数据模型比较。结果表明,热损伤对糯玉米种子胚、胚乳有不同的影响,多光谱数据和近红外光谱数据表现出一致的变化趋势。采用多光谱数据建立热损伤粒鉴别模型,各模型前3主成分得分3D散点图中,对照组和热损伤组样品表现出一定的分离趋势,校正数据正确率在96%~100%之间,交互验证数据正确率在92%~100%之间,其中,糯玉米种子胚面向上胚部光谱和胚乳部光谱初级融合数据建模效果最好,校正数据正确率100%,交互验证数据正确率在98%~100%之间。作为对比,采用近红外光谱数据建立糯玉米种子热损伤粒偏最小二乘-判别分析模型,胚面向上、胚面向下以及二者初级融合数据模型的前3主成分得分3D散点图中,对照组和热损伤组样品表现出较好的分离趋势,各模型校正数据、交互验证数据正确率皆为100%。本研究表明,采用近紫外-可见-短波近红外多光谱成像对糯玉米种子的热损伤粒进行无损快速识别具有较好的可行性,多光谱成像数据各变量样本标准差和近红外光谱数据各变量样本标准差呈现一致的规律;采用胚和胚乳融合多光谱数据所建模型在各模型中具有更高的正确率。     

利用少量波段近红外光谱图像鉴定玉米种子纯度

为实现玉米杂交种的自动化快速分选,提出了应用少量近红外波段光对玉米种子进行成像,获取种子光谱图像并提取纹理特征来鉴定玉米杂交种纯度的方法。采集5个玉米品种的母本和杂交种在4个短波近红外波段的透射光谱图像和4个中波近红外波段的反射光谱图像,采用白板标定校正光谱图像,运用中值滤波、大津法去除噪声,从背景中分割出种子,应用灰度分布统计,灰度共生矩阵提取纹理特征,对同一粒种子拼接其在各波长处的特征数据,应用主成分分析和正交线性判别分析降维并获得子空间的最佳可分性,使用支持向量机建立透射和反射光谱图像纯度鉴定模型。透射和反射模型对5个玉米品种平均正确鉴别率均在85%以上。表明利用少量波段的近红外光谱图像鉴定玉米杂交种纯度是可行的。     

基于DS算法的玉米近红外定性分析光谱校正方法研究

从校正的角度出发,研究了近红外定性分析中模型稳定性问题。以13个玉米品种为研究对象,针对数据采集时间不同带来的模型失效问题,借鉴近红外光谱定量分析中两台仪器间模型传递的思想,将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型,能用于其余时间测试数据的鉴别。首先采用Kennard/Stone算法在主光谱集中选取校正样品集,按照对应的编号从从光谱集中取出对应的数据,然后对校正样品集采用DS算法求取两组数据间的变换关系,再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。实验中对比了校正样本数和模型校正位置对校正结果的影响,分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。结果表明,该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象,对采样时间不同的测试集均得到较高的识别率,提高了模型的鲁棒性和适用范围,由实验结果可见,校正位置处于特征提取之后时,校正效果最佳。     

基于近红外光谱的商品玉米品种快速鉴别方法

现有的玉米种子品种鉴别方法检测时间长,费用高,不易大批量快速鉴别。提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。对原始光谱进行矢量归一化预处理以消除噪声干扰,为了找到玉米品种籽粒的光谱特征波段,提出一种基于标准差的方法,进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA),取能反映玉米品种 99.98％ 光谱信息的前10个主成分。最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型,对于每个品种的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共900个样本作为第二测试集。该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。     

玉米品种近红外光谱的特征分析与鉴别方法

以玉米种子的4 000~12 000 cm-1波段的漫反射近红外光谱为研究对象,提出了一种鉴别玉米品种的新方法。采用主成分分析法(PCA)来研究数据特征,发现近红外光谱在特征空间中具有显著的长条状分布特征,为此我们研究了改变样本点在PCA空间中的分布对品种鉴别的影响,并提出了归一化主成分分析(NPCA)的特征提取算法,同时还根据近红外光谱的数据分布特点提出了一种主方向仿生模式识别的分类算法,进一步提高了鉴别正确率。鉴别模型对第一测试集的平均正确识别率达到了97.67%,平均正确拒识率达到了98.40%,30个品种中的13个达到了100%的正确识别率;对第二测试集的平均正确拒识率达到了98.90%,有11个品种达到了100%的正确拒识率,具有较高的鉴别准确度。     

基于BP-ANN的草莓品种近红外光谱无损鉴别方法研究

研究了使用近红外漫反射光谱对不同品种草莓进行无损鉴别的方法,并分析了各品种草莓品质指标的差异性。在4 545～9 090 cm-1光谱范围比较了反向传播人工神经网络、最小二乘支持向量机及判别分析的分类模型性能,发现拓扑结构为12-18-3的反向传播神经网络模型分类结果最优,校正集和预测集分类正确率分别为96.68%和97.14%,“甜宝”(n=99)、“丰香”(n=100)和“明星”(n=117)样品的单独判别正确率分别为94.95%,97%和98.29%。对三个品种样品的可溶性固形物、可滴定酸、pH值及固酸比品质指标进行了单因素方差分析,发现四个指标含量均存在明显差异,分析成分指标数据的主成分得分发现不同品种草莓存在明显的聚类趋势。结果表明,近红外光谱与反向传播人工神经网络结合可有效鉴别不同品种的草莓,且不同品种草莓化学成分含量的差异为近红外光谱分类提供了理化解释。     

玉米杂交种品质性状的近红外光谱分析技术研究

以我国常用玉米自交系、杂交种样品为材料,采用偏最小二乘(PLS)回归法,建立了近红外反射光谱测定玉米完整籽粒的粗蛋白、粗淀粉和油分含量的校正模型。并利用40个玉米杂交后代材料对3个模型的实际预测效果进行了验证,预测值与化学值间的相关系数(r)可达0.98(粗蛋白)、0.93(粗淀粉) 和0.97(油分), 最大相对误差仅为2.46%(粗淀粉)～7%(油分)。文章还从理论上研究了以数量相对较少的亲本自交系为建模样品、建立可适用于分析大量杂交种样品的近红外数学模型的可行性,提出了作物近红外光谱某些特征具有遗传性这一新的观点。     

A Study of the Relationship Among Genetic Distances,NIR Spectra Distances,and NIR-Based Identification Model Performance of the Seeds of Maize Inbred LinesSCIEI北大核心CSCD

This paper explored the relationship among genetic distances, NIR spectra distances and NIR-based identification model performance of the seeds of maize inbred lines. Using 3 groups (total 15 pairs) of maize inbred lines whose genetic distaches are different as experimental materials, we calculates the genetic distance between these seeds with SSR markers and uses Euclidean distance between distributed center points of maize NIR spectrum in the PCA space as the distances of NIR spectrum. BPR method is used to build identification model of inbred lines and the identification accuracy is used as a measure of model identification performance. The results showed that the correlation of genetic distance and spectra distancesis 0.9868, and it has a correlation of 0.9110 with the identification accuracy, which is highly correlated. This means near-Infrared spectrum of seedscan reflect genetic relationship of maize inbred lines. The smaller the genetic distance, the smaller the distance of spectrum, the poorer ability of model to identify. In practical application, near infrared spectrum analysis technology has the potential to be used to analyze maize inbred genetic relations, contributing much to genetic breeding, identification of species, purity sorting and so on. What's more, when creating a NIR-based identification model, the impact of the maize inbred lines which have closer genetic relationship should be fully considered.     

利用近红外光谱进行玉米杂种优势类群划分的可行性研究

准确地划分玉米杂种优势群,可有效地指导种质的改良、杂种优势模式的构建和新品种的选育。目前主要利用系谱法、配合力测定、同工酶和分子标记等进行玉米杂种优势类群的划分,这些划分方法成本高,操作复杂,甚至有的方法还需破坏种子。本文探索了利用近红外光谱技术(NIRS)快速、无损地划分玉米杂种优势群的可行性。使用MPA型傅里叶变换近红外光谱仪漫反射模式采集整粒玉米种子的光谱,用滑动平均窗口平滑、一阶差分导数、矢量归一化对光谱进行预处理。将光谱用主成分分析方法降维到低维空间,使用层次聚类法对A组6个中国的骨干自交系和B组的6个优良自选系共12个材料进行杂种优势群划分,结果将A组6个自交系划分为3类,A1(郑58)和A2(掖478)为一类,A3(昌7-2)和A4(黄早四)为一类,A5(Mo17)和A6(四F1)为一类,这与系谱法分析结果高度吻合。对B组6个自选系,将B1和B2,B3和B4,B5和B6分别划分为一类,与SSR标记的类群划分结果一致。由此可见,利用NIRS划分玉米杂种优势类群是简便、快速、高效、可行的方法。     

应用近红外反射和透射光谱法鉴定玉米杂交种的纯度

探索使用近红外反射和透射光谱法(波长范围908.1~1 677.2 nm)鉴定玉米杂交种纯度,并对两种方法进行比较。对光谱进行一阶导数、矢量归一化的预处理后,使用主成分分析(PCA)和正交线性判别分析(OLDA)提取光谱特征,使用支持向量机(SVM)分别建立两个玉米品种(农华101和京玉16)的种子纯度鉴定模型。反射近红外光谱建立的农华101和京玉16的正确鉴定率分别为100%和90%。但反射光谱法受种子摆放位置的影响很大,胚面和非胚面光谱有较大差异。透射光谱法建立的京玉16和农华101纯度鉴定模型的正确鉴定率均为98%,胚面和非胚面的光谱相似度很高。结果表明,利用近红外反射和透射光谱法鉴定玉米杂交种纯度是可行的;透射光谱法更适于分析单籽粒玉米种子。     

近红外光谱的玉米种子穗腐病特征提取与判别模型研究

玉米种子穗腐病是危害玉米产量的主要病害之一。利用近红外光谱开展了玉米种子穗腐病判别模型研究。246粒玉米种子由吉林省农业科学院海南育种基地提供,其中96粒玉米种子为穗腐病染病样本,其他150粒玉米种子为同种玉米正常样本。利用MATRIX-Ⅰ型傅里叶近红外光谱仪采集了样本800～2 500 nm范围的近红外光谱信息,并对样本近红外光谱数据利用多元散射校正（MSC）进行预处理。结合玉米内部有机物质的近红外光谱的敏感波段和样本近红外光谱吸收峰挑选了4个优选区间,并采用相关系数法(CA)、连续投影算法（SPA）和竞争性自适应重加权算法（CARS）三种不同原理的特征波长提取算法分别提取了4（1 362,1 760,2 143和2 311 nm）、5（1 227,1 310,1 382,1 450和1 728 nm）和10（1 232,1 233,1 257,1 279,1 313,1 688,1 703,1 705,2 302和2 323 nm）个特征波长。以提取得到的特征波长作为玉米种子穗腐病判别模型输入变量,用0-1（染病-正常）表示样本染病状况作为输出真实值建立支持向量机（SVM）模型,使用网格搜索法结合十折交叉验证法对模型参数进行优化。结果表明,CA-SVM,SPA-SVM和CARS-SVM三种判别模型中训练集和测试集建模准确率均在90%以上。该研究成果为玉米种子病害诊断装置提供了模型基础,且针对优选区间进行特征波长选择的方式也可以为建立其他种子病害判别模型提供参考。     

SVDD的近红外光谱定性分析光谱质量判定方法

近红外光谱属微弱信号,其质量易受被测物体自身状态及各种外界因素干扰,具体而言,在近红外光谱定性分析中,影响光谱质量的因素主要有光谱仪状态改变、光谱采集人员错误操作、奇异样本干扰等。建模时若混入质量较差的光谱易影响所建模型的稳健性与适用性,因此光谱质量判定是确保模型预测能力的一项重要工作。目前用于定量分析的光谱质量判定研究较多,而用于定性分析的光谱质量判定研究较少,为此,提出一种基于支持向量机数据描述的近红外光谱定性分析光谱质量判定方法,采用自制漫透射近红外光谱装置采集单籽粒玉米光谱,以正常状况下采集的某品种玉米单籽粒漫透射光谱作为正常样本,而人为漏光、近红外探测器窗口覆盖玉米表皮碎屑、光源强度改变、光源与被测玉米籽粒距离改变、相近品种玉米籽粒混入等几种情况下所采集光谱作为异常样本,在此数据集基础上研究了基于支持向量机数据描述的定性分析光谱质量判定模型建立的原理与方法,其后将支持向量机数据描述方法与常用的马氏距离法、局部异常因子法等光谱质量判定方法进行了对比,并以正常样本正确识别率与异常样本正确拒识率的均值作为评价标准,对实验结果进行分析,由实验结果可以看出相比其他两种方法,基于支持向量机数据描述的光谱质量判定方法具有最优判定能力,建模集正常样本数目会影响光谱质量判定能力,在实际使用光谱质量判定方法时,建模集应包含足量样本。在近红外定性分析时可以将该方法作为剔除异常光谱的手段,在预处理、特征提取,模式分类等近红外光谱定性分析步骤前首先进行基于支持向量机的光谱质量判定步骤,并剔除异常光谱,可有效提高近红外光谱定性分析模型的可靠性,亦为近红外光谱定性分析光谱质量判定提供新的方法参考。     

基于机器学习的玉米单倍体近红外光谱鉴别方法研究

在玉米单倍体技术中,单倍体鉴别是非常重要的环节。该研究对大量玉米单倍体与杂合二倍体的近红外透射光谱进行分析,以期建立一套在生产上实用的单倍体鉴别模型。通过采集三组遗传背景不同的玉米单倍体与杂合二倍体籽粒光谱,进行不同机器学习算法对比,光谱预处理建模效果比较,以及分析数据集大小对模型构建的影响。对比所有单倍体与杂合二倍体的平均光谱,发现二者在光谱的吸收峰位置基本相同,但是单倍体的吸光度略高于杂合二倍体,尤其是在波长940～1 120 nm以及1 180～1 316 nm这两段谱区差异较大。在构建的几个模型中,采用偏最小二乘法和神经网络算法的模型单倍体鉴别准确率较高,分别为93.26%和95.42%。测试集验证的结果与模型准确率一致,表明两种算法适宜进行单倍体大规模筛选。利用偏最小二乘法模型比较了不同光谱预处理方法的模型效果,发现仅进行移动窗口平滑预处理原始光谱进行建模准确率最高。对不同大小数据集的建模效果对比发现,在一定范围内增大数据集有助于提高模型准确率。而且数据中单倍体所占比例较高时,单倍体预测召回率可达100%。此外,还根据籽粒颜色标记挑选出不易鉴别的单倍体和杂合二倍体,利用偏最小二乘法构建的机器学习模型预测准确率可达93.39%,显示出近红外鉴别单倍体的优势,即有可能在不依赖籽粒颜色的情况下实现准确鉴别。基于机器学习的近红外单倍体鉴别方法具有较高的准确率,而且该方法还能在后期数据增加的基础上不断优化,对其开展理论研究有望为自动化智能鉴别单倍体创造条件。     

应用近红外光谱技术定量分析杂交玉米纯度的研究

利用近红外光谱分析技术结合定量偏最小二乘法对农大108玉米的纯度进行了定量测定,首先通过在农大108杂交种子加入不同量的母本178种子,获得纯度60%~100%范围内的样本123份,然后测定粉碎后样本的光谱,根据2:1的比例划分建模集和检验集。结果表明:6 000~10 000 cm-1为适宜的建模光谱范围,主成分为8时,建模集内部交叉验证的决定系数达96.61%、校正标准差(SEC)2.15%,平均相对误差(RSD)2.04%;检验集的决定系数达到97.67%,校正标准差(SEP)1.78%,平均相对误差(RSD)1.94%。采用该方法建模时,采用不同比例的建模样品和检验样品,建模集平均决定系数为96.21%,校正标准差2.29%,平均相对误差为2.81%。检验集的平均决定系数为95.75%,预测标准差2.23%,平均相对误差为2.73%,进一步证明模型的稳定性。     

近红外光谱技术快速识别针叶材和阔叶材的研究

对一种针叶材和一种阔叶材的横切面采集波长范围为780～2 500 nm的近红外漫反射光谱,结合偏最小二乘判别分析法(PLS-DA)对针叶材杉木和阔叶材桉树快速识别的可行性进行了研究,结果表明：(1)利用近红外光谱结合PLS-DA法建立的识别模型对建模样品的识别正确率达到100%,识别模型预测的分类变量值与实际值之间相关系数r达到0.99,SEC为0.07;(2)即使采用短波区域780～1 100 nm的近红外光谱也可以获得理想的识别结果(识别正确率为100%),识别模型的r也达到0.99,SEC为0.07;(3)利用近红外光谱建立的识别模型对未知样本的识别正确率都为100%,说明近红外光谱技术可以快速、准确识别针叶材和阔叶材,这为木材识别提供了一种新方法和技术,也为开发低成本的近红外光谱识别仪器提供了科学依据。     

基于二维红外相关谱欧氏距离判别掺杂牛奶

基于纯牛奶、掺杂牛奶样品间二维红外相关谱欧氏距离,依据未知样品与校正集中“极值样品”欧氏距离平均值、组内、组间样品欧氏距离平均值,提出了一种掺杂牛奶判别的新方法。分别配置掺杂尿素牛奶(0.01～0.3 g·L-1)和掺杂三聚氰胺牛奶(0.01～0.3 g·L-1)样品各16个,采集纯牛奶及掺杂牛奶样品的红外光谱。以牛奶中掺杂物浓度为外扰,构建纯牛奶与掺杂牛奶的同步二维红外相关谱,并计算了各样品相关谱矩阵间的欧氏距离。在此基础上,分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶与纯牛奶的判别模型,确定模型中的“极值样品”,组内、组间样品欧氏距离平均值。利用所建模型,计算未知样品与“极值样品”的欧式距离,并依据判别规则,对未知样品进行判别。研究结果表明： 基于样品红外相关谱矩阵间欧氏距离可实现掺杂牛奶的判别,其判别正确率为100%,验证了该方法的有效性。该研究为掺杂牛奶的检测提供了一种新的可能方法。     

近红外光谱定性与定量分析技术在莲子无损检测中的应用

通过提取采后不同时期的莲子、莲仁的近红外漫反射光谱特征,以莲子的可溶性固形物(SSC)和干物质含量(DM)为指标进行定量和定性分析。利用偏最小二乘回归(PLSR)分析和距离判别分析(DA)计算所得的结果表明：SSC和DM含量与莲子、莲仁的吸收光谱特征具有明显相关。莲子SSC、DM的PLSR模型在5 941～12 480 cm-1谱区综合性能较好,预测相关系数(r₁)分别为0.74和82,校正相关系数(r₂)分别为0.82和0.84,留一交互相关系数(r₃)分别为0.72和0.71。莲仁SSC的PLSR模型在7 891～9 310 cm-1谱区综合性能较好,r₁为0.79,r₂为0.84,r₃为0.77。DM的PLSR模型在全光谱的综合性能较好,r₁为0.92,r₂为0.89,r₃为0.82。莲子在5 400～7 885 cm-1谱区的判别性能较好,正确率达84.2%,而莲仁在9 226～12 480 cm-1谱区的判别性能较好,正确率达90.8%。对不同年份和有膜有芯的干莲仁进行DA判别的精度可达98.9%。研究表明近红外检测技术可用于莲子和莲仁的SSC和DM含量的定量分析及储存期的定性判别,还可对不同年份和有膜有芯的干莲仁进行判别。