近红外光谱技术测定水稻直链淀粉含量研究

以298份水稻种子为样本,用常规法测定直链淀粉含量,采用偏最小二乘法(PLS),优化建立精米直链淀粉含量近红外光谱预测校正模型.模型校正决定系数RC为0.95;校正标准差SEC为1.58;内部交叉检验决定系数RP为0.91,标准误差SEP为1.92.利用20个样品进行外部检验,预测值与真实值之间差异不显著,其相关系数达95%以上.定标模型预测性能较好,可以替代化学分析法快速测定水稻直链淀粉含量.     

近红外光谱技术测定水稻直链淀粉含量研究（英文）

以298份水稻种子为样本,用常规法测定直链淀粉含量,采用偏最小二乘法(PLS),优化建立精米直链淀粉含量近红外光谱预测校正模型。模型校正决定系数RC为0.95;校正标准差SEC为1.58;内部交叉检验决定系数RP为0.91,标准误差SEP为1.92。利用20个样品进行外部检验,预测值与真实值之间差异不显著,其相关系数达95%以上。定标模型预测性能较好,可以替代化学分析法快速测定水稻直链淀粉含量。     

近红外光谱法快速测量平菇菌丝总蛋白含量（英文）

该文以平菇平板培养菌丝总蛋白含量为指标,在1 000-1 799 nm近红外光谱区域采集光谱信息,采用化学计量学法建立菌株各参数的偏最小二乘法(PLS)定量预测模型。结果表明:最佳光谱预处理方法为SavitzkyGolay平滑+Savitzky-Golay导数+多元散射校正(MSC)+均值中心化,所建定量模型的校正集相关系数、校正标准差(SEC)、验证集相关系数、预测标准差(SEP)、主因子数、SEP/SEC均在合理范围,模型真实值与预测值的相关系数为0.672 63,模型可靠性、稳健性和预测效果较好,可用于菌丝蛋白质含量检测。     

近红外光谱法快速测量平菇菌丝总蛋白含量

本文以平菇平板培养菌丝总蛋白含量为指标,在1 000~1 799 nm近红外光谱区域采集光谱信息,采用化学计量学法建立菌株各参数的偏最小二乘法(PLS)定量预测模型。结果表明:最佳光谱预处理方法为Savitzky-Golay平滑+Savitzky-Golay导数+多元散射校正(MSC)+均值中心化,所建定量模型的校正集相关系数、校正标准差(SEC)、验证集相关系数、预测标准差(SEP)、主因子数、SEP/SEC均在合理范围,模型真实值与预测值的相关系数为0.67263,模型可靠性、稳健性和预测效果较好,可用于菌丝蛋白质含量检测。     

近红外光谱技术应用于玉米单籽粒蛋白质含量检测分析的初步研究

为探索应用近红外光谱技术检测玉米单籽粒蛋白质含量,本研究采用JDSU近红外光谱检测仪采集了205份不同基因型玉米材料的单籽粒光谱值,用常规化学法测定玉米单籽粒蛋白质含量化学值,以117个样本为建模集,拟合了玉米单籽粒近红外光谱仪扫描得到的光谱图与玉米单籽粒蛋白质含量化学值之间的相互关系,用88个样本作预测集,比较了偏最小二乘回归法(PLSR)和支持向量机回归法(SVR)2种预测模型的效果。结果表明,玉米单籽粒种子的蛋白质含量在样本中变异范围为3.48%~18.15%,平均值为10.17%。偏最小二乘回归法(PLSR)和支持向量机回归法(SVR)所建的模型预测效果基本相同,其决定系数(R2)分别为0.99和0.99,校正标准差(SEC)分别为0.32和0.32,预测标准差(SEP)分别为0.46和0.46,相对预测标准差(RSEP)分别为4.61和4.60,RPD分别为6.106和6.111。上述参数表明PLSR和SVR所建立的模型预测效果都比较好,预测值基本接近参比值,便携式JDSU近红外光谱检测仪可以应用于定量分析玉米单籽粒蛋白质含量。     

相关成分分析法在大米直链淀粉波长选择中的应用

为挑选信息含量大、与样品组成或性质相关性较强的光谱区域参与建模,以提高校正模型的精度,采用相关成分分析法对大米直链淀粉的近红外光谱进行分析。结果表明:采用相关成分分析法进行波长选择后,建模波长点数减少为波长选择前的22%,模型预测值与标准值的相关系数R由0.921 2提高到0.973 0,交叉验证标准差(SECV)由3.404 3减小为1.977 4,预测标准差(SEP)由4.810 0减小为1.900 0,模型的预测能力得到显著提高。     

水稻籽粒直链淀粉含量非破坏性活体测定方法研究

对533份杂交稻和常规稻材料的糙米和精米直链淀粉含量进行化学分析, 并结合近红外透射光谱数据, 采用改进偏最小二乘法(MPLS)分别建立糙米、精米的直链淀粉含量(AC)预测定标模型, 并对其进行内部和外部验证. 结果表明, 杂交稻糙米及精米模型的定标相关系数(RSQ)分别为0.873和0.922, 常规稻糙米及精米模型的RSQ则分别为0.924和0.939, 定标标准偏差(SEC)分别为1.100,0.956,1.537,1.547; 内部交叉验证预测值和真实值之间的RSQ分别为0.866,0.901,0.892和0.921, 外部验证的RSQ分别为0.9506,0.9352,0.9116,0.9180, 所建模型的相关性较高, 预测值与真实值之间的误差小. 常规稻模型可应用于大量育种材料快速、无损的早代筛选, 杂交稻模型可用于新组合直链淀粉含量的快速鉴定, 促进稻米品质改良, 提高育种效率.     

基于高光谱的稻米品质估测模型的构建

通过测试不同试验条件下稻米品质及其高光谱数据,研究稻米中淀粉、蛋白质和胶稠度与高光谱数据特征之间的相关关系。结果表明:在不同施肥条件下,通过构建归一化指数(NDI,x)与稻米品质指标(y)的多种关系模型,比较模型预测的显著性,得出的多项式模型对稻米品质指标具有较高预测性,通用模型y=ax2+bx+c中的构成系数a、b、c因肥料水平差异取值不同;在不同品种条件下,通过比较波段比值指数(RI,x)与稻米品质指标(y)的相关系数,得出的最佳波段组合分别为x直链淀粉=R783nm/R634nm、x蛋白质=R829nm/R646nm和x胶稠度=R900nm/R670nm,推算出预测稻米品质指标的线性回归方程通用模型y=ax+b中的构成系数a、b因品种差异取值不同。这表明,运用高光谱方法估算稻米中的直链淀粉、蛋白质含量和胶稠度切实可行,可为稻米品质遥感监测提供依据。     

基于近红外光谱分析的绿茶水分无损检测模型建立

收集代表性绿茶样品158个,直接对新鲜样品进行近红外光谱扫描,运用改进偏最小二乘法(MPLS)在4种不同的光谱数据预处理方式下进行水分含量建模,并用验证集对最优模型进行检验.结果显示,光谱数据在散射处理方式SNV Detrend下经过一阶导数处理后的预测结果最优,其定标标准差(SEC)为0.32%,样品预测值和实测值之间的决定系数(RSQ)为0.861,预测标准差(SEP)为0.5%,偏差(Bias)为-0.1%.说明应用近红外光谱分析技术实现绿茶中水分含量的无损检测是可行的,并可得到较为满意的预测效果.     

水稻直链淀粉含量近红外模型的创建

利用近红外分析仪,对30份不同直链淀粉含量的水稻品系进行了光谱扫描,并用国标化学法对其直链淀粉含量的参比值进行了测定.通过近红外定标软件(WinISI III),采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较,优化建立了水稻直链淀粉含量测定的近红外分析定标模型.其定标标准偏差(Standard error of calibration, SEC)、交叉检验标准误差(Standard error of cross-validation,SECV)和定标决定系数(Regression squared,RSQ)分别为0.277、1.492和0.979.利用建立的近红外定量分析模型,实现了对水稻航天育种后代材料的快速筛选与鉴定.     

稻米蛋白质含量快速活体测定的定标研究

应用近红外透射光谱技术(NITS),采用偏最小二乘法(PLS)建立重庆地区稻米活体蛋白质含量(PC)定量分析数学模型。结果表明,糙米和精米蛋白质含量预测数学模型的定标标准误偏差(SEC)、交叉检验标准误差(SECV)、定标相关系数(RSQ)和交叉验证相关系数(1-VR)分别为0.252、0.247;0.256、0.278;-0.953、0.946;0.951、0.940;近红外预测值与化学值误差范围分别为-0.61~0.18、-0.39~0.46,相关系数分别为0.984、0.978,均达到极显著相关。利用该模型能够对育种材料的蛋白质含量进行快速非破坏性活体测定,可大大提高育种选择效率。     

应用近红外光谱法定量检测牛奶中尿素氮的研究

【目的】建立牛奶中尿素氮的快速、无损检测方法,为牛奶中尿素氮的快速检测提供支持。【方法】对200个牛奶样品进行近红外扫描,并用多功能乳制品分析仪对牛奶样品中尿素氮的含量进行测定;剔除20个异常样品后,得到由180个牛奶样品组成的得分样品,将得分样品分为定标集(144个)和验证集(36个),将正交试验设计与主成分回归法(PCR)、偏最小二乘法(PLS)、改进偏最小二乘法(MPLS)3种定量校正方法和多种光谱预处理方法结合,建立牛奶中尿素氮的近红外检测模型,利用目标函数法对模型预测效果进行评定。【结果】建立了定量检测牛奶中尿素氮的最优模型,其定标相关系数(R2)和定标标准差(SEC)分别为0.986 4和0.238 4。用验证集对所建模型进行验证,其校正相关系数(RSQ)和预测标准差(SEP)分别为0.976 0和0.360 0。利用所有得分样品对预测结果进行监控,并绘制尿素氮测定值与模型预测值的线性相关曲线,相关系数r2为0.980 5。【结论】利用近红外光谱法建立的尿素氮定量检测最优模型具有很好的适用性和准确性,可用于牛奶尿素氮的快速定量检测。     

水稻籽粒直链淀粉含量非破坏性活体测定方法研究

对533份杂交稻和常规稻材料的糙米和精米直链淀粉含量进行化学分析,并结合近红外透射光谱数据,采用改进偏最小二乘法（MPLS）分别建立糙米、精米的直链淀粉含量（AC）预测定标模型,并对其进行内部和外部验证.结果表明,杂交稻糙米及精米模型的定标相关系数（RSQ）分别为0.873和0.922,常规稻糙米及精米模型的RSQ则分别为0.924和0.939,定标标准偏差（SEC）分别为1.100,0.956,1.537,1.547;内部交叉验证预测值和真实值之间的RSQ分别为0.866,0.901,0.892和0.921,外部验证的RSQ分别为0.9506,0.9352,0.9116,0.9180,所建模型的相关性较高,预测值与真实值之间的误差小.常规稻模型可应用于大量育种材料快速、无损的早代筛选,杂交稻模型可用于新组合直链淀粉含量的快速鉴定,促进稻米品质改良,提高育种效率.     

用近红外反射光谱测定小样本糙米粉的品质性状

比较了用近红外反射光谱（NIRS）技术直接测定约0.5g糙米粉和约3g精米粉样本的表观直链淀粉含量(AAC)、糊化温度（碱消值）和蛋白质含量的效果。结果发现,用精米粉和糙米粉样本测定蛋白质含量均有很好效果,建模时标准误很小而决定系数高,校正标准误（SEC）、检验工作标准误（SEP）、校正决定系数（R#+2）以及检验决定系数（RSQ）依次分别为0.11和0.19,0.20和0.21,0.995和0.932以及0.99和0.91。在建立AAC回归方程时,小样本糙米粉要比精米粉差一些,前者的SEC、SEP、R#+2和RSQ分别为0.933、2.07、0.927、和0.65,而用精米粉时依次为0.426、0.91、0.985和0.93。用小样本糙米粉测定糊化温度（碱消值）时,SEC、SEP、R#+2和RSQ分别为0.349、0.48、0.827和0.74,而用精米粉时依次为0.224、0.36、0.949和0.84。在对水稻育种过程中用小样本糙米粉进行稻米品质的NIRS测定作了讨论。     

基于改进偏最小二乘法的甜椒可溶性固形物和总酸的近红外光谱检测

以黄色甜椒为研究对象,利用改进偏最小二乘法(MPLS)建立其近红外漫反射光谱无损检测可溶性固形物(SSC)和总酸含量的数学模型。在400~2 500 nm以及400~980 nm+1 108~1 900 nm 2个波长范围内分别建立了甜椒的SSC和总酸质量分数的定标MPLS模型,并用最优模型进行预测。结果表明,最优的预处理是在400~980 nm+1 108~1 900 nm下建立的模型,SSC采用SNV处理的定标模型较好,交互验证相关系数(RCV)、交互验证标准误差(SECV)分别为0.926 9和0.186 2,预测集的相关系数RP和预测标准误差(SEP)分别为0.924 8和0.158 9;总酸则是采用None处理的模型较好,交互验证相关系数(RCV)、交互验证标准误差(SECV)分别为0.868 0和0.012 5,预测集的相关系数RP预测标准误差(SEP)分别为0.903 8和0.011 1。试验结果说明,基于改进偏最小二乘法对甜椒鲜果SSC和总酸含量的近红外漫反射快速无损检测是可行的,近红外光谱与SSC和总酸含量呈显著相关性。     

近红外分析技术在稻米淀粉RVA谱特征值测定中的应用

采用近红外光谱分析技术和化学计量方法建立了稻米淀粉RVA谱3项(BDV、SBV、CSV)与稻米其它品质相关显著的特征值的近红外分析模型,并对模型进行了预测准确性评价。结果显示BDV、SBV和CSV的模型校正决定系数Rc2分别为0.9707,0.9966和0.9943,校正标准差RMSEE分别为4.12,2.41和1.72;内部交叉检验的决定系数Rcv2分别为0.942,0.9942和0.9913;标准差RMSECV分别为5.4,2.87和1.99。验证决定系数除DBV外均达到0.99以上,模型准确性较高,具有实用价值。     

应用近红外透射光谱法测定水稻种子直链淀粉含量的初步研究

 以124份水稻种子为样本，利用FOSS-Tecator公司的Infratec1255型近红外谷物品质分析仪，对样本进行光谱扫描，并利用化学法测定了直链淀粉含量。借助于近红外定标软件(WinISI)，采用多种计量数学处理方法和不同的回归统计方法进行定标曲线的开发和比较，得到了小样本量水稻种子直链淀粉含量测定的近红外分析定标数学模型。其定标标准偏差（SEC）、交叉检验标准误差（SECV）和定标决定系数（RSQ）分别为1.489、1.761和0.885。     

近红外光谱检测青贮饲料的营养成分

选取154批次青贮样品为研究对象,利用化学分析法测定营养成分的含量,采用近红外光谱仪对其采集光谱数据,应用化学计量学软件中的偏最小二乘法(PLS)建立青贮饲料化学成分的定标模型,并探讨定标模型的可行性。定标模型的决定系数(R2)分别为0.913,0.854,0.992,0.808,0.884,0.870;标准偏差(SEC)分别为0.322,0.215,0.230,1.909,2.785,2.275。验证化学分析值与预测值之间的决定系数r2分别为:0.9544,0.779,0.9604,0.8031,0.8539,0.8227。结果表明,近红外光谱分析技术可用于青贮中粗蛋白、水分、淀粉、中性洗涤纤维、酸性洗涤纤维含量的定量检测分析。     

甘蓝型油菜脂肪酸组分近红外分析模型构建

对一批芥酸含量接近0、油酸含量在60％～80％的高油酸油菜脂肪酸组分建立近红外分析模型,旨在提高近红外模型用于高油酸油菜的预测性能,为高油酸育种提供快速品种选择手段.169份油菜样品扫描近红外光谱,采用气相色谱法测定脂肪酸组分含量,结合定标技术进行近红外建模.结果显示:油酸、亚油酸、亚麻酸的建模效果较好,定标相关系数RSQ分别为0.957、0.922、0.891,交叉检验和外部检验都具有较高的相关系数(1-VR,RSQ)和较低的标准差(SECV,SEP):1-VR分别为0.8926、0.8542、0.8008;RSQ分别为0.926、0.867、0.855;SECV分别为1.8638、1.5288、0.8672;SEP分别为1.540、1.506、0.725.所建模型可用于油菜高油酸育种早期材料的快速筛选,用于育种实践.     

近红外光谱分析技术及其在稻米品质改良中的应用

介绍了近红外光谱分析技术的原理、程序及特点。利用近红外光谱技术对宁夏200份育种材料的稻米胶稠度、直链淀粉含量、碱消值、蛋白质含量等进行了测定,其平均值分别为胶稠度66.34 mm、直链淀粉16.44%、碱消值6.36、蛋白质8.66%。近红外光谱技术分析结果与化学分析结果相近,可满足水稻育种中对低世代材料品质性状筛选的需要。