近红外反射技术建立合肥地区精米直链淀粉含量测定模型

以合肥地区种植的203份水稻材料为检测对象,用近红外反射技术采集光谱,常规化学方法测定精米直链淀粉含量。结果表明,定标样品的直链淀粉含量分布范围为3.439%～28.046%,代表性和连续性良好。采用多种计量数学处理方法和偏最小二乘法(PLS),优化建立了精米直链淀粉含量的定量分析预测模型。定标集(C-Set)样品数132个,相关系数(Rc)0.9278,定标标准差(SEC)1.6582;验证集(V-Set)样品数67个,相关系数(Rv)0.8736,预测标准差(SEP)1.9083,并证实所建立的模型在测定精米直链淀粉含量上具有很好的准确性和实用性,对合肥地区水稻品质育种及种质资源相关研究具有实用价值。     

基于近红外光谱技术的大米品种快速鉴别方法

为探索大米无损检测技术,提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立品种识别模型,对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型,剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用,为大米的品种鉴别提供了一种新方法。     

基于多生育期光谱变量的水稻直链淀粉含量监测

直链淀粉含量是评价稻米品质的重要指标之一,其累积生长过程是多生育期、多因素综合作用的结果。为了探究多生育期信息引入对水稻籽粒直链淀粉含量监测模型的影响,实现水稻品质信息的大规模准确监测。该研究选取水稻孕穗期、抽穗期、灌浆期和成熟期这4个有关水稻籽粒形成发育的生育期的冠层光谱,分析原光谱、植被指数、高光谱特征参数,及其变换形式与水稻籽粒直链淀粉含量的相关性,筛选得到相关性较好的光谱变量,并利用逐步回归的方法进行建模,建立基于多生育期光谱变量的直链淀粉含量预测模型。结果表明：一阶导数、差值植被指数（Difference Vegetation Index, DVI）、比值植被指数（Ratio Vegetation Index, RVI）及成熟期特征参数表现出较高敏感性,最适用于直链淀粉含量预测的生育期为成熟期,而多生育期信息的综合利用能显著提高模型预测精度,最佳多生育期预测模型为孕穗-抽穗-成熟期组合模型,建模决定系数（Coefficient of Determination, R2）为0.708,均方根误差（Root Mean Square Error, RMSE）为0.711%,平均绝对百分比误差（Mean Absolute Percent Error, MAPE）为3.22%,验证R2为0.631,RMSE为0.768%,MAPE为3.99%,证明该模型能较为精确地预测籽粒直链淀粉含量,为稻米品质指标大尺度统计监测提供一定的技术支撑和应用基础。     

大米胶稠度近红外光谱分析数学模型的建立

胶稠度是评价大米蒸煮食用品质的重要指标之一。研究了运用近红外光谱分析技术检测大米胶稠度的测试原理，对60个样品的光谱数据用偏最小二乘法(PLS)建立了测定大米胶稠度的数学模型，其回判结果与化学分析值之间的相关系数为0.95，建模标准差为0.66；用41个样品对建立的数学模型进行了交叉验证，其检测结果与用标准化学分析方法测得结果的相关系数达0.92，预测标准差为0.78。试验证明，可以利用近红外光谱分析技术对大米胶稠度进行快速检测。     

利用RNAi技术提高玉米直链淀粉含量

为了提高玉米直链淀粉含量,用基因枪将前期工作中构建的sbeⅡb RNAi表达载体pBAC413导入玉米自交系幼胚愈伤组织,经过筛选获得了12 株转化再生植株,其中6 个植株获得了结实种子。DNA点杂交、PCR扩增和PCR－Southern均证明目的基因已整合到T0代再生植株玉米基因组中。对T1代转基因玉米籽粒淀粉含量进行测定,结果表明总淀粉含量比对照没有显著变化,其中1个转基因玉米株系的直链淀粉含量比对照提高了15.6%。     

一种稻米直链淀粉含量的简易测定方法

为便于育种利用,对农业部标准中的米质测定方法(NY147-88)作了简化,其测定结果与标准法高度正相关(r=0.9996),两种方法间的测定结果绝对误差小于1.2%。与标准法相比较,简易法具有简单、易操作、样品量少等优点,可用于小样品或育种大群体的筛选测定。     

酶标仪在稻米表观直链淀粉含量测定及突变体筛选中的应用

探索了 96孔全自动酶标仪 (SpectraMax 1 90 ,Sunnyvale,USA)在稻米表观直链淀粉含量(AAC)测定中的应用效果。实验以IR2 4、Iri371、Z41 3、KMD1、秀水 1 1共 5个品种为材料 ,以农业部部颁标准为参照 ,样本处理后不作定容稀释而直接在 96孔酶标板上进行显色 ,测定OD值 ,根据标样获得的回归等式计算待测样本的AAC。结果表明 ,酶标法与国标法测得的精度无显著差异。利用这一体系 ,对 1 5 0 0余份协青早B的M3 (收自M2 单株 )种子进行了AAC突变体筛选及后代跟踪研究 ,获得了 1份中等AAC( 1 6%左右 )突变体ZXY1 6。该方法操作简便易行 ,据此可建立高通量稻米AAC测定体系     

大米直链淀粉分子量分布及分子旋转半径的研究

为了从大米淀粉中有效的分离出直链淀粉，建立直链淀粉分子量的分析方法，从而得出确切的大米直链淀粉分子结构方面的信息，通过使用流变仪控制大米淀粉的升温糊化过程，用浸出法在不同温度下分离出大米直链淀粉，利用高效液相分子排阻色谱(HPSEC)与多角度光散射仪(MALLS)及折光检测器(RI)连用系统，分析了大米直链淀粉的分子量分布和分子旋转半径。得到不同品种的大米淀粉中分离出的直链淀粉的重均分子量范围为3.29×10⁵～2.75×10⁶。研究表明，90℃以上高温不利于用浸出法从直链淀粉含量低的大米淀粉中分离直链淀粉，当温度低于90℃而高于糊化温度时，各个温度下均可用浸出法分离出直链淀粉，得到的直链淀粉具有十分相似的分子量分布、重均分子量和分子旋转半径。该方法是一种简便、快速的分离大米直链淀粉，并测定其分子量的方法，具有较高的准确性。     

乳熟阶段短期高温对不同品种早籼稻直链淀粉含量和RVA谱特征参数的影响

以2个杂交稻（淦鑫203和金优402）和4个常规稻（中531、B670、E134和ST66）为材料,于水稻乳熟期进行高温处理3d,处理温度分别为35℃和38℃,以同期田间自然温度为对照,研究乳熟期高温对不同品种早籼稻直链淀粉含量和RVA谱特征参数的影响,并对稻米淀粉RVA谱特征值与直链淀粉含量进行相关分析.结果表明,无论是对照还是高温处理,中531和B670的直链淀粉含量、消减值及回复值较低,但崩解值较高,而E134和ST66表现为直链淀粉含量、消减值及回复值较高,崩解值较低;杂交稻淦鑫203和金优402则介于两者中间.与对照相比,38℃高温显著降低淦鑫203、金优402、中531和E134的崩解值,显著提高淦鑫203、中531的消减值、显著降低金优402、中531、B670和E134的回复值.各处理淀粉RVA谱变化趋势较一致,但因品种及温度而略有差异.38℃高温处理下稻米淀粉黏滞性曲线始终低于对照,但常规稻中531和B670的RVA谱形态与对照差异不大.此外,稻米直链淀粉含量与RVA谱各特征值间存在显著相关性.     

苹果糖分含量的近红外漫反射检测研究

应用近红外漫反射技术探讨水果糖分含量检测方法并建立其光谱漫反射测量系统,重点对0,2,4 mm和6 mm 4种不同测量距离对苹果糖分含量无损检测的影响分析.试验结果为:当光纤贴紧苹果表面(0 mm测量距离)时建立的校正方程对未知样品的预测效果最好.利用主成分回归多元校正技术,建立在0 mm时红富士苹果样品糖分含量的预测数学模型,其样品预测值和实测值之间的相关系数为0.844,标准校正误差(SEC)为0.729,标准预测误差(SEP)为0.864,偏差(Bias)为0.318.通过本次试验研究表明,应用近红外光谱漫反射技术进行苹果糖分含量无损检测具有可行性,并得到了较为满意的预测效果.     

基于近红外漫反射光谱的云芝提取物多糖含量快速检测研究

为探索快速无损测定云芝提取物中多糖含量的方法,通过采集粉末状云芝提取物近红外光谱,经预处理和波段选择,结合间隔偏最小二乘法(iPLS)和反向区间偏最小二乘法(Bi-PLS),建立并优化云芝提取物多糖含量检测模型。结果表明,光谱区间为9 365.92~8 918.76 cm~(-1)和5 341.48~4 894.32cm~(-1),二阶导数(SD)预处理后,建立的反向区间偏最小二乘法模型更优,其校正决定系数(R_(cal))、校正均方根差(RMSECV)、验证决定系数(R_(val))和验证均方根差(RMSEP)可分别达到0.9089、0.00781、0.9879和0.00292。该模型可以更有效地优选建模所需波段,降低模型复杂度,降低多糖含量的检测成本,提高检测效率,实现云芝提取物多糖含量的快速、无损检测。     

近红外漫反射光谱技术快速无损识别灵芝和云芝提取物研究

为了满足食用菌提取物实际生产监管需要,本研究采用近红外漫反射光谱技术对来自不同地区的灵芝和云芝提取物样品进行定性识别研究。在800~2 750nm波段范围,采集灵芝和云芝提取物的漫反射光谱,应用主成分聚类分析和偏最小二乘判别法分别建立识别模型,用146个样品进行建模和48个外部样品集进行验证。结果表明:采用主成分聚类判别分析法,灵芝和云芝提取物的判别界线清晰,正确率达到88.54%;采用偏最小二乘判别法,建立的鉴别分类模型能较好地对灵芝和云芝提取物进行鉴别,校正集和预测集样品的识别正确率均为100%。因此,近红外结合主成分聚类分析和偏最小二乘判别法识别灵芝和云芝提取物是可行的,同时研究结果为灵芝和云芝提取物的快速识别提供了理论依据和使用方法。     

基于可见/近红外反射光谱的梨树叶片钾含量的快速测定研究

利用可见/近红外反射光谱定量分析技术对梨树鲜叶钾素含量进行快速测定研究。对150个梨树叶片样本进行光谱扫描,其中120个做建模集,30个做验证集。通过对样品的可见/近红外光谱进行多种预处理,并建立钾素预测模型,探讨了可见/近红外光谱数据预处理对预测精度的影响。结果表明,通过原始光谱与S-G(3)平滑相结合的预处理方法,用17个主成分建立的偏最小二乘法模型最好,其交叉验证集和预测集模型的决定系数(R2)分别为0.722 7和0.679 1,交叉验证均方根误差(RMSECV)为1.171,预测的平均相对误差为6.81%,能高效、快速地预测梨树叶片钾素含量,为梨树钾素快速测定提供了新的手段。     

Rapid Analysis of Apple Leaf Nitrogen using Near Infrared Spectroscopy and Multiple Linear Regression

A quick method was developed for diagnosis of nitrogen (N) in apple trees based on multiple linear regressions to establish the relationship between near-infrared reflectance spectra (NIRS) and the N contents of fresh and dry tissue. Spectral pretreatment methods such as derivatives, smoothing, and normalization were used. The derivatives appeared to be the most effective. The best calibration for fresh leaf gave 0.842 for the correlation coefficient of validation (R_v), 1.119 g kg^?1 for the root mean square error of prediction (RMSEP), and 8.311 for the ratio of the range in reference data from the validation samples to the root mean square error of prediction (RER). The best calibration for dried ground samples was obtained with R_v = 0.952, RMSEP = 0.633 g kg^?1, the ratio performance deviation (RPD) = 3.27, and RER = 13.728. The results showed that calibrations of dry-apple leaf are robust enough for an accurate prediction of N.     

花生籽仁中蔗糖含量近红外预测群体模型的建立及在突变体筛选中的应用

籽仁蔗糖含量是影响花生食味品质的重要因素。为了建立花生籽仁中蔗糖含量的高效检测技术,本研究采集了149份花生籽仁的近红外光谱,结合化学法测定籽仁蔗糖含量,采用偏最小二乘法 (PLS) 构建花生籽仁蔗糖含量近红外预测群体模型。结果显示,预测模型的决定系数(R²)为0.898,校正标准偏差(SEC)为0.253,20份外部验证材料的预测值和化学值的R²为0.873,预测模型具有较高的可信度,运用该模型筛选徐花17号诱变群体,从1 965份M₂单株籽仁中获得4份的突变体。本研究为优质食味花生种质资源的筛选和品种选育奠定了基础。     

近红外光谱法在土壤有机质研究中的应用

近红外光谱技术(Near Infrared Reflectance Spectroscopy,NIRS)具有快速、低成本、无损等优点。目前利用NIRS获取土壤信息已成为国内外学者研究的重点,但是在我国利用NIRS对土壤成分进行定量分析才刚刚起步。本文简要介绍了近红外光谱分析的基本原理、模型的建立及评价,详细论述了该技术在预测土壤有机质及其组分方面的应用,并对NIRS在我国土壤有机质定量研究方面的应用前景进行了展望。     

近红外光谱联合CARS-PLS-LDA的山茶油检测

为了寻找快速判别山茶油掺假的检测方法,本研究利用近红外光谱技术对掺杂大豆没油山茶油进行掺假检测研究.试验在350～1 800 nm波段范围内采集样本的透射光谱,利用CARS方法筛选重要的波长变量,应用偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假的判别模型,并与未经变量优选的判别模型进行比较.结果表明,近红外光谱技术联合CARS-PLS-LDA方法可以有效判别纯山茶油和掺假山茶油,校正集、预测集及独立样本组样本的判别正确率、灵敏度及特异性均为100％.CARS-PLS-LDA判别模型性能优于未经变量优选的判别模型,表明CARS方法可以有效筛选重要波长变量,能简化判别模型及提高判别模型的稳定性和判别精度.本研究可为山茶油掺假快速检测提供理论依据.     

基于近红外图像纹理分析检测作物叶片含水率的研究

利用水分子对９６０ｎｍ附近的红外光有较强的吸收这一特性,采用图像处理技术中纹理分析的灰度梯度共生矩阵法分别对两种作物（苞菜和青菜）叶片的近红外图像求出各自的特征量。实验结果表明,特征量与叶片干基含水率之间的线性关系不仅和特征量有关,而且和拍摄图像时的实验因素（如摄像头的工作距离,光圈,光强等）有关,另外还取决于梯度图像灰度级的数目。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

可见-近红外光谱联合随机蛙跳算法检测生物柴油含水量

生物柴油是一种优质清洁柴油,可从各种生物质中提炼,其特有的优势受到越来越广泛的关注。该文应用可见-近红外光谱技术原理对生物柴油的含水率进行了检测。配置含水率分别为0、2.5%、5.0%、7.5%和10.0%的试验样品并获取可见-近红外光谱,进行主成分分析,观察不同含水率生物柴油的聚类性,并采用Random Frog算法进行特征波段的提取,最后采用随机蛙跳算法(Random Frog)挑选出的特征波段作为偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least squares-support vector machine,LS-SVM)模型的输入量,建立生物柴油含水量的预测模型。结果发现:采用Random Frog提取出的8条特征波段(563、560、642、565、562、493、559和779 nm)所建立非线性模型LS-SVM所得到的结果较好,其中Random Frog-LS-SVM的结果中R均大于0.95,校正集均方根误差RMSEC=0.722,预测集均方根误差RMSEP=0.520。结果表明采用Random Frog-LS-SVM模型可以准确的预测生物柴油的含水量,为实际应用提供参考。