甜菜种子活力的测定——基于近红外高光谱技术

为保证田间甜菜种子的出苗率和生产潜力,需要在种植前对种子进行活力检测,挑选出活力高的甜菜种子进行推广种植。利用高温处理法对甜菜种子进行老化处理,再基于标准正态变换(SNV)、去趋势校正(DET)、Savitzky-Golay平滑处理(SG)、一阶差分(1D)和二阶差分(2D)5种近红外高光谱预处理方法,构建种子活力智能检测模型得出预测的种子发芽率,再利用老化处理后的甜菜种子进行发芽实验得出实际的发芽率。研究发现,甜菜种子经过一阶差分预处理建立的智能检测模型预测性能最好,其预测准确率达到91.92%。将未处理的甜菜种子的实际发芽率与一阶差分预处理法建立的智能模型预测结果进行对比,发现模型的预测准确率为88.2%。近红外高光谱技术是一种快速、无损的作物种子活力测定的新方法。     

基于连续投影算法的小麦湿面筋近红外校正模型优化

为减少建模过程中的计算量、提高模型的稳健性及预测精度,将连续投影算法用于小麦湿面筋近红外校正模型的建立。首先采用SPXY算法选择具有代表性的校正集样本,然后对光谱数据作不同预处理,增强光谱特征;运用连续投影算法对原始光谱和预处理后的光谱进行敏感波点提取,进而分别建立多元线性回归校正模型。测试结果表明,对光谱标准正态变量变换后利用连续投影算法提取敏感波点所建多元线性回归模型预测效果最好,预测均方根误差和预测相关系数分别为1.3332和0.94319,优于同等条件下建立的偏最小二乘回归模型。     

基于近红外透射光谱分析技术的小麦蛋白质含量测定

近红外分析技术具有快速、简便、准确、非破坏性的优点,为小麦品质检测提供了一个新的技术手段。笔者首先对光谱数据进行移动窗口平均平滑和马氏距离筛选,在以上光谱预处理基础上,建立了小麦籽粒蛋白的偏最小二乘校正模型。仿真试验结果表明：该模型能够较准确地预测小麦蛋白质的含量,预测相关系数、预测均方误差和平均相对误差分别为0.9809、0.1130、1.973%。与用原始数据所建校正模型相比,预测效果显著提高。     

基于 SPA-RBF神经网络的小麦蛋白质含量无损检测

传统半微量凯氏法测量小麦蛋白质含量繁琐费时,应用近红外光谱分析技术结合SPA-RBF神经网络对小麦蛋白质含量进行快速、无损检测.采用SPXY算法划分校正集和预测集样本,运用连续投影算法(SPA)对一阶微分和SNV预处理后的光谱数据提取敏感波点作为RBF神经网络的输入,建立小麦蛋白质含量的SPA-RBF神经网络校正模型.模型的预测均方根误差和预测相关系数可达到0.26576和0.975,预测效果较好,基本上可以完成粮食储备和食品加工行业对小麦及其制品品质的划分以及育种上的前期世代筛选.研究表明:近红外光谱技术结合SPA-RBF神经网络可实现对小麦蛋白质含量的检测,满足现代农业发展对小麦无损、实时、大量检测的需要.     

不同近红外模型在小麦湿面筋快速检测中的应用研究

本文提出了基于近红外光谱的不同建模方法对小麦湿面筋进行快速无损检测.本研究分别建立了偏最小二乘、BP神经网络和RBF神经网络3种回归模型,并进行分析比较.实验结果表明,3种校正模型都取得了较好的预测效果,预测相关系数分别为0.915 84、0.927 62和0.960 93;预测均方根误差分别为1.852 9、1.623 3和1.112.经过研究比较,基于RBF神经网络所建模型准确度最高并且用时较短,基本上可以完成粮食储备和食品加工行业对小麦及其制品品质的划分以及育种上的前期世代筛选.