利用近红外透射光谱技术测定小麦品质性状的研究

为了研究小麦品质性状的快速测试方法，本试验以2002年来自全国各地的426个小麦品种为材料，利用近红外光谱透射仪(NITS)分析了小麦籽粒水分、蛋白质含量、硬度和面粉的干、湿面筋含量、灰分含量、SDS及Zeleny沉淀值等8项指标，根据定标集样品化学分析数据和吸收光谱建立了定标模型，并获得了较高的预测集决定系数(O．70～O．97)和较低的标准误差(O.05～11．18)。同时，选用了一批有代表性的预测集样品对模型进行了预测，结果表明，近红外光谱技术用于测试小麦品质是可行的，能够用于育种的早代选择。     

应用近红外光谱分析法测定大豆种子蛋白质和脂肪含量的研究

应用近红外谷物分析仪测定了16个来自全国各地的大豆品种中种子的蛋白质和脂肪含量,并将测定结果与传统的凯氏定氮法和索氏提取脂肪法测定结果进行比较.结果表明:相同样品分别用两种分析方法的测试结果基本吻合,尤其是应用近红外谷物分析仪测定大豆脂肪含量结果准确度较高,与索氏提取脂肪法测定结果相比,偏差均小于2.18,最低偏差仅为0.08.以上结果说明近红外谷物分析仪的大豆定标曲线稳定性较好,分析结果可靠,适用于大豆大批量育种材料筛选和非破坏性的品质鉴定工作.     

玉米子粒颜色对近红外模型预测其淀粉含量的影响

以我国黑龙江、吉林、辽宁、内蒙古、山西、广西等省区368份玉米样品为材料,分别采用近红外透射光谱(NITS)和实验室常规分析(LAB)测定其淀粉含量,通过校正样品集建立样品吸收光谱与化学成分间的关系模型,校正并优化原有神经网络模型。经检验,校正模型Ⅰ(黄色样品)、校正模型Ⅱ(橙红色样品)和校正模型Ⅲ(总样品)的预测平均残差(Bias)依次为0.15、0.05和1.04;均方误差(RMSE)依次为1.06、1.07和1.12。预测效果相比较,模型Ⅰ和模型Ⅱ预测值与常规分析值的残差和均方误差均低于模型Ⅲ,因此对玉米整子粒淀粉近红外分析,按样品外观颜色分类定标(校正)更有利于提高模型的预测性能。     

大豆粗蛋白、粗脂肪含量近红外检测模型建立及可靠性分析

大豆是重要的植物蛋白和食用油来源,目前常用的蛋白质和脂肪化学分析方法不仅操作步骤繁琐,而且籽粒粉碎而不能延续后代,在大豆品质改良的后代选育过程中的应用受到限制.为明确快速、简便、非破坏籽粒的近红外检测方法利用的可行性.利用4个建模样品集,采用偏最小二乘法建立了3个近红外大豆粗蛋白、粗脂肪籽粒检测模型和1个粉末检测模型.通过重新采集8个不同蛋白质和油份含量的大豆样品检测分析,并送检权威检测部门进行化学分析比较,分析近红外检测的可靠性.通过稳定性、一致性等分析表明,合适的建模样品集是正确建模的前提,在所建3个籽粒模型中,以含415个大豆材料的样品集所建模型(M6)可靠性最好;分析结果还表明,近红外检测结果与化学分析结果一致,在需要保存籽粒完好的大豆杂交分离世代或大量样品检测时,用近红外检测代替化学分析是可行的.     

人工提高大豆水分近红外活度研究

在建立大豆水分定标模型过程中,样品收集的难度非常大,此研究目的是为定标样品创建一个简捷、有效的收集方法.首先对大豆主要成分蛋白质、脂肪、纤维素等与水分之间的关系进行分析,了解大豆中蛋白分子与水分子的结合原理.其次采用加水润湿大豆的方法,得到了有一定水分含量梯度的均匀分布样品.最后利用此样品进行近红外定标,定标结果预测集决定系数达到0.992,标准误差仅为0.082.结果表明:经人为加湿水分与种子自然水分有同等的近红外活度.因此,可以采用以人为加湿水分的方法进行大豆水分定标样品收集.     

利用近红外透射光谱技术同步测定糙米的多项品质指标初报

利用FOSS TECATOR 公司生产的1241型近红外透射光谱仪,对266份整粒糙米样品进行了光谱扫描并测定了其多项品质指标。借助于近红外定标软件WINISI,建立了利用近红外透射光谱同时测定糙米多项品质指标的模型。结果表明,蛋白质模型的分析效果最好,其外部检验 (经校正的) 工作标准误\[SEP (C) \] 为0.312,检验决定系数(RSQ )为0956,而其他4项指标直链淀粉含量、糊化温度(碱消值)、透明度（透光率）和垩白度模型的SEP (C)分别为1.672、 0.389、 0034和4.024,RSQ分别为0.745、0.838、0.797和0.714。分析了近红外测定的重复性并讨论了该模型在水稻遗传育种等方面的应用前景。     

基于近红外漫反射光谱法的大豆粗蛋白和粗脂肪含量的快速检测

为满足大豆品质育种快速筛选的需求,本文详细探讨了利用近红外漫反射光谱法对大豆粗蛋白和粗脂肪含量实现快速测定的可行性。采用凯氏定氮法和索氏抽提法测定了120份大豆粗蛋白和粗脂肪的含量,分别采集大豆整粒和粉末两种状态的近红外光谱,然后运用化学计量学方法PLS建立近红外光谱与化学值之间的关系模型。其中粉末大豆样品建立的粗蛋白校正模型的决定系数R^2为0.978 7,校正标准误差RMSECV为0.003 8,该模型对24份待测样品进行测定的预测标准误差RMSEP为0.002 84;粗脂肪校正模型的R^2为0.934 1,RMSECV为0.003 69,RMSEP为0.003 53。整粒大豆建立的粗蛋白校正模型的R^2为0.872 4,RMSECV为0.009 07,RMSEP为0.007 49;粗脂肪校正模型的R^2为0.876 5,RMSECV为0.005 08,RMSEP为0.004 66。对比发现,建模样品的状态对近红外模型的预测性能有重要影响,样品在粉末状态下建立的粗蛋白和粗脂肪近红外模型的预测效果更好。另一方面,由于整粒样品建立的近红外模型的R^2均在0.87以上,因此当样品量较少没有足够样品可用于粉碎时,该模型可以满足对整粒大豆品质进行粗测的需求。该结果对大豆育种早代筛选工作具有重要意义。     

近红外光谱法快速测定苎麻果胶含量的研究与探讨

本文旨在探讨应用近红外光谱法快速测定苎麻中果胶含量的可行性.对62个苎麻样品进行近红外光谱扫描及果胶含量的测定,采用偏最小二乘法(PLS)建立近红外光谱信息与果胶含量的校正模型,该模型的相关系数为0.904.利用该模型对16个验证集样品进行果胶含量的预测,预测标准差为0.21.结果表明,该方法用于快速测定苎麻果胶含量是可行的.     

高油玉米群体油分、蛋白质和淀粉含量近红外分析模型的构建

以BHO高油玉米F2∶3家系为材料,应用主成分空间和傅里叶变换近红外光谱分析技术,采用偏最小二乘回归法(PLS),建立了测定高油玉米子粒的油分、蛋白质和淀粉含量的近红外校正模型。预处理分别采用一阶导数 矢量归一化、一阶导数 多元散射校正及直线相减等方法,主成分维数分别为5、9、9。验证分析表明,所建立的油分、蛋白质和淀粉含量的校正模型的校正和预测效果最好,其校正决定系数(R2cal)分别为0.950、0.973、0.976,交叉验证决定系数(R2cv)和外部验证决定系数(R2val)在0.918～0.948,各项误差(RMSEE、RMSECV、RMSEP)在0.305%～0.721%。结果表明,所建立的高油玉米完整子粒品质性状三成分模型的准确度和精确度均较高,可以满足高油玉米群体大量样品无损品质分析的需要。     

基于近红外光谱大豆蛋白质、脂肪快速无损检测模型的优化构建

为实现大豆蛋白质、脂肪含量的快速无损检测,采集350～2 500 nm光谱范围内的大豆近红外光谱。运用经典Kennard-Stone算法选取建模样本及验证样本,对近红外原始光谱进行卷积平滑(savitzky and golay, SG)+一阶微分、变量标准化(standard normal variate, SNV)+去趋势算法(de-trending,DT)、正交信号校正(orthogonal signal correction,OSC)处理;然后通过竞争性自适应重加权采样方法(competitive adaptive reweighted sampling,CARS)筛选出特征波长,比较偏最小二乘法(partial least squares,PLS)、BP神经网络法所建模型,最终获得对于大豆蛋白质、脂肪含量的快速、无损检测的最佳模型。结果表明:(1)经CARS特征波段挑选后,波长的变量个数由1 981个减少为100个以下,变量压缩率大于94.95%;(2)CARS波段选择能够提高建模精度,基于挑选的特征波段所建立模型的决定系数均0.9;(3)OSC+CARS+PLS与OSC+CARS+BP该类数据处理组合方式在一定程度上能够实现大豆蛋白质、脂肪的快速、无损检测。优化构建的该模型能够精准快速无损的检测大豆蛋白质、脂肪含量,对大豆品质评估以及作物改良具有重要意义。     

东北地区大豆种质资源脂肪和蛋白质含量分析

利用近红外谷物分析仪对东北地区大豆品种(系)脂肪含量和蛋白质含量进行分析.结果表明:脂肪含量、蛋白质含量及蛋脂总量平均值不同年份间大致接近,三者中蛋白质含量具有更丰富的遗传多样性.不同地区间脂肪含量的分布规律:黑龙江省>吉林省>其它地区;蛋白质含量:其它地区>吉林省>黑龙江省;蛋脂总量:其它地区>吉林省>黑龙江省.早熟...     

黑龙江省大豆区域试验品种品质现状分析

为了解黑龙江省大豆新品种化学品质发展变化的概况及趋势,对黑龙江省2005～2008年参加区域试验的360份大豆品种(品系)进行品质分析,对照美国2号大豆期货标准,评价了近年来黑龙江省大豆品种品质改良的效果.结果表明:在360份材料中,蛋白质(干基)含量达到该标准的有151份,占全部材料的41.9%;脂肪(干基)含量达到该标准的有104份,占全部材料的28.9%;蛋白质加脂肪(干基)含量达到标准的有87份,占全部材料的24.2%.黑龙江省大豆区域试验品种的整体品质与美国2号大豆质量标准还有较大差距.     

基于近红外光谱的芒果采后品质与贮放潜力预判的无损检测模型

可溶性固形物含量（soluble solids content, SSC）和pH是决定芒果内在品质的关键因素,贮放潜力是果商进行芒果销售决策时首要的参考指标。本研究以海南省三亚市代表性的芒果品种‘台农’为材料,利用NIRMagic2400型近红外光谱仪,连续采集果实从采摘到完熟过程中在600~1100 nm波长的近红外吸收光谱,以经典方法实测果实SSC和pH,建立芒果采摘后SSC、pH变化和贮放潜力预判的无损检测模型。结果表明：在600~670 nm的波长范围内,采摘后未后熟的芒果对近红外光的吸光度随波长的增加而增加,并在670 nm达到峰值,随后吸光度快速降低,在725 nm左右达到谷值;采摘后达到完熟的芒果在600-700 nm波长范围内吸光度持续下降,并在700 nm处达到谷值。受果皮颜色差异等影响,不同芒果个体在704~746 nm区域的吸光度出现较大的分离,之后在725~1025 nm整体呈缓慢上升的趋势,在1025 nm左右达到第二个峰值。实测结果显示SSC在芒果采摘后0~5 d快速增,第6和第7天变化较小,期间的前4 d的pH保持稳定增加,之后迅速提升。使用Kennard-Stone算法将芒果样本的SSC和pH实测数据划分为校正集和预测集,测试多元散射校正、标准正态变换、SG卷积导数、SG卷积平滑等9种对近红外光谱数据进行预处理的方法,发现矢量归一化最适合SSC光谱数据的处理,多元散射校正最适合pH光谱数据的预处理,建立的SSC和pH的最佳偏最小二乘法（PLS）模型的校正相关系数分别为0.952和0.936,校正均方根误差分别为1.055和0.184,预测相关系数分别为0.959和0.918,预测均方根误差分别为0.974和0.202;采用偏最小二乘法建立的芒果贮放潜力预判模型的正确率为96.9%。以上结果表明,基于近红外光谱所建立的芒果无损检测模型能够较可靠地检测芒果采摘后的SSC、pH动态变化及贮放潜力。研究结果对提升基于内在品质的芒果分级与选品能力,预测芒果的最佳销售时间及选择销售市场等都具有重要意义。     

大豆蛋白质和油分含量遗传研究进展

蛋白质和油分含量是大豆2个重要品质性状,其遗传研究对大豆品质改良尤为重要。该文从表型遗传分离规律、基因遗传模型、基因作用方式、遗传相关、遗传力及QTL定位等方面,概括了大豆蛋白质、油分含量的遗传研究进展。并提出利用野生大豆资源研究大豆蛋白质和油分含量遗传机理,为大豆品质改良提供理论参考。     

黑龙江省大豆育成推广品种的化学品质现状

搜集黑龙江省各育种单位育成并经省品种审定委员会审定推广的大豆新品种，分析比较其脂肪、蛋白质含量现状及育成推广品种化学品质发展变化的概况及趋势，提出了黑龙江省大豆化学品质发展方向以及该省发展优质大豆的措施建议。认为黑龙江省作为全国的大豆加工原料供应基地，应当同时注重脂肪含量和蛋白质含量两个方面，但是应当对于高脂肪含量予以更多的关注。由于黑龙江省的生态条件利于大豆脂肪的形成与积累，是我国大豆的高脂肪区，而且国家已经决定将黑龙江省作为高油优质大豆生产基地，固此对于高脂肪优质品种这一育种方向，应当予以更大的注意。     

大麦籽粒抗性淀粉含量快速测定方法研究

为探索快速高效测定大麦籽粒中抗性淀粉含量的方法，利用衰减全反射中红外（attenuated total reflection mid-infrared spectroscopy,ATR-MIR）和近红外（near-infrared spectroscopy,NIR）光谱技术，分别用3种不同方法进行预处理，建立大麦样品的抗性淀粉含量快速测定红外模型，通过不同预处理预测模型的校正和内部交叉验证结果的比较，依据决定系数（r）和均方根误差（RMSE）筛选出基于ATR-MIR和NIR光谱的最佳预测模型，再对最佳预测模型进行外部验证。结果表明，经基线位移校正+范围归一化（BOC+RN）预处理后的PLS模型为最佳ATR-MIR预测模型；经标准正态变换+Savitzky-Golay法一阶求导（SNV+1thD）的预处理模型为最佳NIR预测模型。用验证集材料对BOC+RN和SNV+1thD最佳预测模型的预测效果进行外部验证，光谱预测值与化学测定值之间没有显著差异，说明两种方法均可以用于大麦籽粒抗性淀粉含量测定；ATR-MIR光谱比NIR光谱具有更好的预测能力。     

Study of the near-infrared transmission of woven fabrics based on statistical analysis

47 kinds of woven fabrics were prepared with different fibers, thicknesses, weights per square meter and percentage covers. Statistical analysis method was employed to study the influence of the material and structure parameters on near-infrared transmission of these fabrics. Firstly, the effect of materials on near-infrared transmittance was determined through the contingency table analysis. Then the parameters significantly influencing near-infrared transmittance were found out and correlations among them were discussed by direct correlation and partial correlation analysis. Finally, regression equation of the near-infrared transmittance was established using factor analysis and principal component extraction. Results show that materials have little influence on near-infrared transmittance of woven fabrics. However, thickness, weight per square meter and percentage cover of the fabrics are closely related to near-infrared transmittance. Because there are correlations among thickness, weight per square meter and percentage cover, two new factors are extracted to establish the regression equation. The equation has an error rate of less than 5 % and thus can predict near-infrared transmittance precisely.