应用近红外光谱进行玉米单籽粒品种真实性鉴定的光谱测量方法研究

从玉米籽粒胚的朝向,中长波漫反射分析和短波透射分析,进样方式三个方面进行了研究,通过比较不同的测量方法对品种识别模型性能的影响来选择最佳的玉米单籽粒光谱测量方式,进而鉴定玉米单籽粒品种真实性。原始光谱经过预处理后,使用判别式偏最小二乘法(PLS-DA)对数据进行特征提取和降维,选取前9个因子建立8个玉米品种的仿生模式识别模型。结果表明,玉米籽粒胚正对光源优于胚背对光源,中长波漫反射分析优于短波透射分析,小样品池效果好于小光阑。采用最优测量方法(籽粒胚正对光源,使用小样品池和中长波漫反射分析)获取玉米单籽粒的近红外光谱,建立的品种识别模型对本品种样品的平均正确识别率达到94.6%,对其他品种样品的平均正确拒识率达到96.5%。     

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。     

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。     

玉米品种近红外光谱的DFT特征分析方法

提出了一种基于离散傅里叶变换(discrete Fourier transform,DFT)的玉米品种特征分析新方法.实验数据为37个玉米晶种种子的近红外漫反射光谱数据,波段范围为4 000～12 000 cm-1.文中通过对原始数据进行分析,发现扫描频率较高的部分噪声也比较大.文中首先定义了一种类间、类内差异度Qm的...     

应用近红外光谱技术快速鉴别玉米杂交种纯度的研究

采用近红外光谱分析技术结合定性偏最小二乘法对农大108玉米杂交种的纯度进行了鉴别研究,实验采用农大108杂交种子与母本178种子各100粒进行单粒光谱扫描(建模集与检验集比例为3:1),结果表明:透射孔直径为3 mm 时,所建模型平均鉴别率为99.82%,显著高于透射孔直径为4.5 mm 时所建模型的鉴别率90.96%;采用胚乳面一次光谱、胚面两次平均光谱、胚乳面两次平均光谱和四次平均光谱进行建模,其平均鉴别率筹异不显著,检验集平均鉴别率均达到99%左右,略高于胚面一次光谱;选择透射孔径3.0 mm,4 000～8 000 cm1 光谱范围,种子胚乳面单次光谱所建立的农大108玉米杂交种的种子纯度鉴定模型的建模集和检验集的鉴别率均达到100%.     

玉米亚正常籽粒生活力近红外光谱判别方法研究

应用近红外光谱分析技术,针对玉米诱导过程中产生的亚正常种子,发展亚正常种子的单籽粒生活力判别方法。该研究应用了一种基于Kolmogorov-Smirnov检验的方法(KS法)对近红外光谱进行特征提取,并比较了十种采用不同预处理数据和特征提取方法建立的模型的判别性能,每种模型试验了1134种参数组合,并对采用多种方法和参数组合建立的模型进行交叉验证。结果表明,采用矢量归一化预处理,KS法提取特征波长,并去除低信噪比区域的数据建立的模型判别效果最好。发芽籽粒和不发芽籽粒的平均正确识别率分别达到92.20%和84.86%。该方法将发芽籽粒的筛选准确率由随机筛选的不足40%提高至85%以上,可显著提高筛选效率。     

CCD近红外光谱谱图预处理方法研究

研究讨论了多通道电荷偶合器件（ＣＣＤ）检测器测量的近红外光谱谱图预处理方法及处理参数对光谱信噪比及校正模型质量的影响。对７００～１ １００ｎｍ范围内采用２０４８像素ＣＣＤ测定的近红外光谱,为获得较高的信噪比建议平滑一阶微分处理的窗口参数为９,二阶微分的窗口参数为１９。     

实用化商品玉米籽粒的近红外光谱品种判别方法研究

近年来利用近红外光谱进行农作物品种判别成为农产品检测的一个新兴方向.该文提出一种基于近红外光谱的新的实用化商品玉米品种判别系统,此系统既能对系统学习过的品种做出准确判别也能对未学习过的品种做出准确拒识.首先采用一阶导数法对原始光谱进行预处理,光谱数据经主成分分析后,根据仿生模式识别理论建立判别模型.在建市模型时文章使用了基于二维单形的Ψ-3神经元作为覆盖单元,并提出了包含指数的概念以辅助判定样品的唯一归属.测试结果表明,该系统对参与建模的品种有较强的判别能力,即使建模品种达到34个时系统平均正确判别率仍达到91.8%.同时对于未参与建模的品种也有较强的拒识能力,平均正确拒识率达到95%以上.     

近红外光谱漫反射和漫透射测量方法在玉米品种真实性鉴定中的应用研究

研究了适合进行玉米群体样品品种真实性鉴定的光谱测量方法。分别用近红外光谱仪的全波漫反射和短波漫透射测量方法采集8个玉米品种的光谱数据,对预处理后的数据做偏最小二乘分析(PLS-DA),建立8个玉米品种的仿生模式识别模型。分别统计用两种方法所测数据建立的品种识别模型对本类样品的平均正确识别率和对异类样品的平均正确拒识率,漫反射方法达到94.5%和96.71%,漫透射方法达到98.50%和98.00%,均满足玉米品种初筛所要求的精度,其中短波漫透射方法建立的模型对测试样本的平均正确识别率和拒识率分别比全波漫反射方法高出4%和1.3%。     

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。     

近红外光谱分析技术在茶叶鉴别中的应用研究

茶叶快速准确鉴别方法研究是当前茶叶行业亟待解决的一个重要课题。该研究采用近红外光谱结合主成分-马氏距离模式识别方法鉴别了龙井、碧螺春、毛峰和铁观音4种中国名茶。研究结果表明,在6 500～5 300 cm-1波数范围内的光谱,通过MSC预处理方法,用8个主成分建立的模型最好,模型对校正集样本和预测集样本的鉴别率分别达到98.75%和95%。该研究为快速准确鉴别茶叶提供了一种新思路。     

基于核局部保持投影的近红外光谱玉米单倍体识别研究

实现快速、精确地鉴别玉米单倍体籽粒对玉米单倍体育种技术十分重要。近红外光谱分析技术可在线分析、监测,且无损、分析速度快、操作简便、测试成本低,对实现自动化的大规模鉴定并分拣玉米单倍体非常有帮助。通过美国JDSU的近红外光谱仪进行玉米近红外光谱的数据采集,交叉采集玉米单倍体、多倍体数据。数据处理时,将数据分为训练集和测试集两部分。依次对数据做预处理以消除噪声影响,做核变换将其投射到更高维度空间中增强可分性并进行特征提取,最后建立分类模型鉴别分析。分别统计采用不同的特征提取算法并建立模型鉴别测试的正确识别率。实验结果表明,采用核局部保持投影（KLPP）的特征提取算法的正确识别率更高、稳定性更好,在两组测试集上的正确识别率的均值分别达到95.71%和96.43%。通过分析可以得出,玉米种子的近红外光谱数据经过非线性变换（为高斯核变换）投影到更高维度的空间后,表现出更易于分类的分布特点,保持数据的局部特性也更利于后续的分类。这为玉米单倍体鉴定进一步研究提供了新的方向。     

乌拉尔甘草单粒种子硬实特性的近红外光谱分析

以乌拉尔甘草种子为材料,采用近红外光谱结合定性偏最小二乘法对244粒种子(硬实种子和非硬实种子比例为1∶1)的硬实性进行了鉴别研究,并特制一样品杯用于单粒种子的光谱采集,以降低人为误差。研究结果表明,4次重复平均光谱所建模型鉴别率显著高于单次光谱所建模型,光谱范围采用4 000～8 000 cm-1时模型效果较好,校正集、检验集、预测集样本的鉴别率分别为95.53%,95.94%和94.53%,采用不同建模样品所建模型其预测准确率均在90%以上,硬实种子和非硬实种子的预测准确率分别为92.50%和96.56%。种子大小和颜色均会影响模型的鉴别率,种子颜色的影响相对更大。     

近红外光谱的古筝面板用木材等级识别研究

目前民族乐器古筝面板用板材的等级主要依靠乐器技师凭借个人经验进行判断,此方法受限于有丰富经验的技师且容易受其主观判断影响。针对此现状,以用于制作古筝面板的泡桐木材为实验样本,提出了一种利用近红外光谱结合改进的BP神经网络方法,实现快速识别古筝面板用板材的不同等级。近红外光谱可以表征丰富的物质结构与组成信息,并且测量仪器成本较低,附件形式多样化,所以针对泡桐板材的近红外光谱实验分析有实用意义首先进行光谱去噪,消除系统误差等以提高光谱分辨率,根据均方根误差与信号平方和作为多种预处理方法评价指标,选取一阶导数为本实验最终预处理方式,15为合适的滤波去噪窗口大小,然后通过主成分分析法压缩数据以及马氏距离法剔除建模集异常样本,从而建立更具代表性的建模集。然后通过聚类分析无监督学习方法进行板材等级分析,证明板材分级的可行性。由于H₂O在近红外光谱区域具有较大吸收,根据实验光谱分析结果,不考虑其基频振动波段5 396.0～4 978.0 cm-1区域和第一泛音振动波段6 800～7 000 cm-1区域,仅考虑剩余近红外光谱波段信息,将不同光谱信息波段组合,共七种组合波段区域作为神经网络模型的输入,进行面板板材等级识别模型实验。对传统的BP神经网络模型作改进。BP神经网络中学习率的设置采用自适应学习率优化策略,弥补传统神经网络训练速率慢等劣势。同时采用交叉熵函数作为代价函数,从而加快权重的更新速度。选取Relu函数作为输入层与隐藏层之间的传递函数,提高了模型训练速度,有效防止过拟合的发生。选取Softmax函数作为最后一层的传递函数,以此减少复杂计算,构成该研究最终BP神经网络模型。选取不同数量的主成分变量所能提取的光谱信息量不同,通过不断增加主成分个数和调整参与模型的光谱波段区间,调整BP神经网络模型的输入,当主成分个数为11和光谱区间为10 000～7 000和4 976～4 000 cm-1时,未知样本识别率达到99.7%,所选光谱区间涵盖C-H等基团全部特征信息。研究结果表明,近红外光谱结合神经网络可以对不同等级的泡桐木材进行有效的识别,降低人工检测误差,缩短板材分级时间,更好地满足乐器市场需求。     

近红外反射光谱法(NIRS)测定棉仁粉中蛋白质和棉酚含量的研究

选用49份不同蛋白质和棉酚含量的陆地棉种质资源和188份陆地棉重组近交系为材料,以多年份、多地点种植收获的种子材料组成原始样品集,分别对棉仁粉中蛋白质含量和棉酚含量进行化学测定,采用改进的偏最小二乘法(Modified PLS)和(2,4,4,1)的数学转换方法建立近红外反射光谱(NIRS)定标模型,以寻找棉籽蛋白质含量和棉酚含量的快速测定方法。结果表明,蛋白质含量的定标决定系数(RSQ=0.933)和交叉检验决定系数(1-VR=0.929)较高,定标标准误差(SEC=0.623)和交互校验标准误差(SECV=0.638)较小,预测模型的建模效果较好,可替代化学分析。棉酚含量预测模型的RSQ,1-VR,SEC和SECV分别为0.836,0.811,0.074和0.079,模型预测效果略差于蛋白质模型,但仍可用于棉仁粉中棉酚含量的测定。     

薏仁种类的近红外光谱技术快速鉴别

薏仁是一种药食两用资源,对其品质快速鉴别的需求也越来越多,近红外光谱技术(near infrared spectroscopy,NIRS)作为一种快速、 无损且环保的方法正适合这一需求。 以不同产地和品种薏仁的近红外光谱为基础,结合化学计量学方法对薏仁种类进行鉴别。 对原光谱用无监督学习算法主成分分析(principal component analysis,PCA)和有监督学习算法学习向量量化(learning vector quantization,LVQ)神经网络、 支持向量机(support vector machine,SVM)进行定性判别分析。 由于不同地区和不同品种的薏仁营养物质组成复杂且含量相近,所选两类薏仁的特征变量很相似,因而PCA得分图重叠严重,很难区分;而LVQ神经网络和SVM都能得到满意结果,LVQ神经网络的预测正确率为90.91%,SVM在经过惩罚参数和核函数参数优选后,分类准确率能达到100%。 结果表明：近红外光谱技术结合化学计量学方法可作为一种快速、 无损、 可靠的方法用于薏仁种类的鉴别,并为市场规范提供技术参考。     

近红外光谱技术快速鉴别蜂胶品种的可行性研究

不同植物源的蜂胶物质组成不同,其生理和药理活性也存在着一定的差异。目前主要是根据蜂胶中物质组成及其含量的不同来鉴别蜂胶植物源,存在着一些局限性。因此,建立一种快速、准确鉴别蜂胶植物源的方法具有重要的意义。以三种不同植物源的蜂胶(杨树型蜂胶、桦树型蜂胶和橡树型蜂胶)为研究对象,利用傅里叶变换近红外光谱仪对蜂胶的无水乙醇溶液进行光谱扫描,采用主成分分析结合马氏距离判别法和典型判别分析分别建立蜂胶品种的判别模型并对其性能进行检验。结果表明： 在经过光谱预处理和主成分分析后,得到最佳的光谱建模波段为4 500～12 000 cm-1,最佳的光谱预处理方法为一阶导数+Savitzky-Golay(7)平滑;主成分分析结合马氏距离判别法建立的判别模型校正集和检验集的判别准确率分别为93.62%和82.61%;典型判别分析建立的判别模型的判别准确率为91.4%,交叉检验的判别准确率为88.6%。由此可知,主成分分析结合马氏距离判别法与典型判别分析对蜂胶样品的分类效果均较好。近红外光谱技术结合化学计量学方法应用于蜂胶植物源的快速、准确鉴别具有一定的可行性和实用性。     

近红外光谱的不同牌号聚乳酸识别方法

塑料牌号是塑料生产公司根据原料性质、用途的差异而内部制定的编号。通过检测材料的物理化学性能能间接识别其牌号,但速度慢且具有破坏性。因此,利用了近红外光谱(near infrared spectroscopy, NIR)技术对不同牌号的聚乳酸(polylactic acid), PLA)进行识别。采用主成分分析法(principle component analysis, PCA)分别与马氏距离(mahalanobis distance, MD)、人工神经网络(artificial neural network, ANN)和支持向量机(support vector machine, SVM)结合的模型进行分析预测。在900～1 700 nm的波长范围,采用三种不同牌号的聚乳酸共90个样本的光谱进行建模,另取这3种牌号共90个样本进行识别,比较三种预测模型对PLA牌号的识别能力。结果表明,在对样品的光谱数据做主成分分析后,以验证集的前两个主成分做散点图,发现明显的聚类现象,以前9个主成分得分作为输入变量所建立的马氏距离判别、人工神经网络判别、支持向量机判别均能够对不同牌号的聚乳酸有效识别。最好的判别方法——马氏距离判别正确率能够达到98.9%。因此,近红外光谱能够对不同牌号的PLA进行无损、快速、准确的识别。     

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。