基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7 d后,以5 min为间隔在纯净水中分别浸泡5~30 min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5 nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据R_p的变化趋势,得到最佳浸泡时间为22.1 min,实际上,精确度超过0.95(R_p)需要5 min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。     

生物热化学系统的微量热方法研究 Ⅱ.微量热法研究稻种萌发过程

用自行研制的微量热装置测定了稻种萌发的全热谱,由此得到了稻种萌发各产热阶段的热数据,并对不同谱线作了比较和讨论。     

基于红外热成像技术和广义回归神经网络的稻种发芽率检测方法研究

基于稻种老化时间不同时的物理学和生理学差异,提出一种基于红外热成像技术及广义回归神经网络的快速、无损检测稻种发芽率的检测方法,解决传统稻种发芽率检测方法操作复杂、实验周期长等问题。在温度为45 ℃、湿度为90%的条件下,将水稻种子依次老化0,1,2,3,4,5,6和7 d,得到不同发芽率的种子;采集稻种红外热图像,然后提取稻种胚芽部位数据,总计144份,随机分为校正集和预测集,其中校正集96份,预测集48份;分析和比较不同老化天数稻种红外热差异,从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系,结合偏最小二乘算法(partial least squares, PLS)、BP(back propagation, BP)人工神经网络和广义回归神经网络(general regression neural network, GRNN),建立稻种发芽率的红外热模型。结果表明,利用GRNN建立的发芽率预测模型效果最优,其中校正集的R_C(相关系数)和SEC(标准偏差)分别为0.932 0和2.056 0,预测集R_P(相关系数)和SEP(标准偏差)分别为0.900 3和4.101 2,相关性均达到较高水平且校正集与预测集的标准偏差均较小。实验结果表明,采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的,且所建模型在稻种发芽率快速测定方面有较高的精度。     

杂交稻种宜香725纯度的可见-近红外反射光谱鉴定

提出了一种基于可见-近红外光谱技术快速、无损鉴定杂交稻种纯度的新方法.以FieldSpec(R)3地物光谱仪采集纯度在90%～99%范围内的杂交稻种(宜香725)光谱数据90份,随机分成校正集(75份)和检验集(15份).根据其在380～2 400 nm的反射光谱,以偏最小二乘算法(PLS)建立了回归模型,并比较了不同光谱预处理方法对模型的影响.分析表明采用一阶导数结合标准归一化处理能最有效地提取光谱信息,此时PLS模型校正集决定系数与检验集决定系数分别为0.988 4与0.922 7,校正标准误差(SEC)与预测标准误差(SEP)分别为0.002 5与0.006 6.将经一阶导数结合标准归一化处理后的光谱进行PCA降维,以前20个主成份(含原始光谱86.09%的特征信息)为输入变量,建立杂交稻种纯度鉴定的BP-ANN模型.分析表明BP-ANN模型校正集决定系数与检验集决定系数分别为0.995 2与0.936 9,SEC与SEP分别为0.001 7与0.006 1,具有比PLS模型更高的精度.结果表明以可见-近红外技术进行杂交稻种纯度的快速、无损鉴定是可行的,且PCA结合BP-ANN是一种优选方法.     

连续偏振光谱的稻种发芽率检测方法研究

针对目前传统稻种发芽率检测方法周期长、精度低的问题,提出新颖的基于连续偏振光谱技术实现稻种发芽率快速、无损检测的方法。以不同老化天数稻种为检测目标,10 min为检测时间点,使用起偏器将光纤准直光源调制成线偏振光垂直入射稻种浸出液,而后以5°为间隔旋转检偏器,并通过光纤光谱仪检测透射的光谱,对检测的偏振光谱通过归一化预处理后,根据不同发芽率稻种检测时偏振角及波长的贡献给出特征偏振角和特征波长,特征偏振角为0°,5°和25°,特征波长为576,620和788 nm,将获取的连续偏振光谱以特征偏振角和特征波长处的透射率为输入,构建稻种发芽率检测模型。分别比较运用偏最小二乘法回归(partial least squares regression,PLSR)、BP神经网络(back propagation neural network,BPNN)、径向基神经网络(radial basis function neural network,RBFNN)三种建模方法建立稻种发芽率检测模型。分别用老化天数为0,2,4,6 d的稻种,在不同的偏振角共测量1 520组实验数据,其中912组数据作为校正集,608组数据作为预测集,建模结果表明三种模型预测精度较高,其中RBFNN模型预测精度最高,其相关系数r为0.976,均方误差RMSE为0.785,平均相对误差MRE为0.85%。表明利用连续偏振光谱技术通过多维度光谱信息能够有效实现稻种发芽率的快速、准确检测。