CN101788475A - 对玉米品种种子近红外漫反射光谱数据进行预处理的方法 - Google Patents

Abstract

本发明公开了一种对玉米品种种子近红外漫反射光谱数据进行预处理的方法，该方法包括：从玉米品种种子的近红外漫反射光谱数据中选取一定范围的近红外漫反射光谱数据；对选取的近红外漫反射光谱数据进行离散傅里叶变换，得到变换结果数据；从变换结果数据中选取数据的幅值部分作为预处理结果。本发明利用4000到7085cm^-1波段的DFT数据作为特征数据，相对于原始数据数据特征点(即Qm值大的点)更为集中，易于提取特征数据点。此外，由于DFT变换数据关于数据中轴对称，相应计算得出的Qm数据也关于数据中轴对称，故处理时提取前半部分数据即可。这样不但能够提高处理速度，同时还可以节省数据存储空间。

Description

对玉米品种种子近红外漫反射光谱数据进行预处理的方法

技术领域

本发明涉及信号处理技术领域，特别是一种对玉米品种种子近红外漫反射光谱数据进行预处理的方法。

背景技术

玉米是一种重要的农作物，玉米种子品种鉴别是目前农业生产、作物育种和种子检验的重要问题之一。现有的种子品种鉴别常用方法有形态学方法、荧光扫描鉴定法、化学鉴定法和电泳鉴定法等。形态学方法所需鉴别时间长，且精度不高；荧光扫描鉴定法、化学鉴定法和电泳鉴定法鉴别精度高，但所需时间长，且鉴别过程烦琐，不适宜对种子品种进行批量、快速鉴别。

近红外光谱区的波长范围为780nm至2500nm，通过近红外光谱，可以得到检测样品中所有有机分子含氢基团的特征信息。目前近红外光谱在农产品检测中的应用已经相当成熟，在玉米中的应用也有很多报道。如芮玉奎等(2005)报道了近红外光谱在转基因玉米检测识别中的应用；李伟等(2008)报道了近红外光谱在4个玉米品种鉴别中的应用；A.Mark Settles等(2006)报道了近红外光谱在玉米种子成分检测中的应用等。但现有报道中鉴定的品种种类较少，绝大多数在10个品种以内，大规模的品种鉴定还未见报道，因此探索怎样利用近红外光谱数据进行大规模的品种鉴定具有重要的理论和现实意义。

在利用近红外光谱数据进行大规模的品种鉴定时，现有方法数据处理量和存储量均过大，特征数据点难以有效提取。

发明内容

(一)要解决的技术问题

有鉴于此，本发明的主要目的是为了克服现有方法数据处理量过大，特征数据点难以有效提取的不足，提供了一种对玉米品种种子近红外漫反射光谱数据进行预处理的方法。

(二)技术方案

为达到上述目的，本发明提供了一种对玉米品种种子近红外漫反射光谱数据进行预处理的方法，该方法包括：

从玉米品种种子的近红外漫反射光谱数据中选取一定范围的近红外漫反射光谱数据；

对选取的近红外漫反射光谱数据进行离散傅里叶变换，得到变换结果数据；

从变换结果数据中选取数据的幅值部分作为预处理结果。

上述方案中，所述从玉米品种种子的近红外漫反射光谱数据中选取一定范围的近红外漫反射光谱数据包括：从波长范围为4000到12000cm^-1的玉米品种种子的近红外漫反射光谱数据中选取波长为4000到7085cm^-1的近红外漫反射光谱数据。

上述方案中，所述从变换结果数据中选取数据的幅值部分作为预处理结果，忽略变换结果数据的相角部分。

上述方案中，该方法进一步包括：对得到的预处理结果进行评价，以验证预处理结果的有效性。

上述方案中，所述对得到的预处理结果进行评价包括：定义一种类间、类内差异度Qm的计算方法，对得到的预处理结果进行评价，当Qm值越大时，种间差异度越大，种内差异度越小；当Qm值越小时，种间差异度越小，种内差异度越大。

上述方案中，采用所述Qm的计算方法，对得到的预处理结果进行评价，变换后数据相对于原始数据，Qm曲线均值、峰值均被提高，有利于提取玉米品种特征。

(三)有益效果

从上述技术方案可以看出，本发明具有以下有益效果：

本发明提供的这种对玉米品种种子近红外漫反射光谱数据进行预处理的方法，仅截取前面1/3左右数据作为有效数据，对选取的有效数据做DFT变换，并选取变换后数据的幅值部分，忽略相角部分数据，采用本发明可以有效的减少数据处理、存储量，并且特征数据点相对原始数据较为集中，差异度更大，有利于进行后续玉米种子的分类识别等工作。

另外，本发明DFT处理后数据的Qm曲线均值、峰值都明显大于原始数据，DFT处理后差异度大的点较原始数据集中。由于DFT变换后数据幅值关于数据中轴对称，相应的Qm的曲线也关于数据中轴对称，故处理起来只需要考虑前一半数据即可，减少了近一半的数据运算量和存储量。

附图说明

图1是本发明提供的对玉米品种种子近红外漫反射光谱数据进行预处理的方法流程图；

图2是本发明截取不同有效数据段做DFT变化后Qm的对比曲线；其中：

图3是本发明选取4000到7085cm^-1波段数据做DFT变换后与原始数据Qm的对比曲线。

其中，图2中原始数据是A段曲线组，前600数据是B段曲线组，前800数据是C段曲线组，前1000数据是D段曲线组，后1000数据是E段曲线组，后400数据是F段曲线组；

图3中，(a)是前800点数据DFT处理后的Qm曲线，(b)是原始数据的Qm曲线。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

如图1所示，图1是本发明提供的对玉米品种种子近红外漫反射光谱数据进行预处理的方法流程图，该方法包括：

步骤1：从玉米品种种子的近红外漫反射光谱数据中选取一定范围的近红外漫反射光谱数据；

步骤2：对选取的近红外漫反射光谱数据进行离散傅里叶变换，得到变换结果数据；

步骤3：从变换结果数据中选取数据的幅值部分作为预处理结果。

步骤1中所述从玉米品种种子的近红外漫反射光谱数据中选取一定范围的近红外漫反射光谱数据包括：从波长范围为4000到12000cm^-1的玉米品种种子的近红外漫反射光谱数据中选取波长为4000到7085cm^-1的近红外漫反射光谱数据。

步骤3中所述从变换结果数据中选取数据的幅值部分作为预处理结果，忽略变换结果数据的相角部分。

上述方法进一步包括：对得到的预处理结果进行评价，以验证预处理结果的有效性。

所述对得到的预处理结果进行评价包括：定义一种类间、类内差异度Qm的计算方法，对得到的预处理结果进行评价，当Qm值越大时，种间差异度越大，种内差异度越小；当Qm值越小时，种间差异度越小，种内差异度越大。采用所述Qm的计算方法，对得到的预处理结果进行评价，变换后数据相对于原始数据，Qm曲线均值、峰值均被提高，有利于提取玉米品种特征。

下面结合具体实施例对本发明提供的对玉米品种种子近红外漫反射光谱数据进行预处理的方法进行详细说明。

在本实施例中，实验数据为37个玉米品种种子的近红外漫反射光谱数据，波段范围为4000到12000cm^-1。通过对原始数据进行分析，发现扫描频率较高的部分噪声也比较大，随着扫描频率的升高，数据噪声也随之增大。故尽量截取前面部分数据作为特征数据。

本实施例截取4000到7085cm^-1波段的原始数据做DFT变换，并仅选取DFT变化后数据的幅值部分，而忽略相角部分数据。

本发明定义了一种类间、类内差异度Qm的计算方法，以度量特征选择的有效性，当Qm值越大时种间差异度越大，种内差异度越小；当Qm值越小时种间差异度越小，种内差异度越大。具体Qm计算公为：

${{\mathrm{Qm}}_i}^k=\frac{\underset{j=1}{\overset{37}{\mathrm{\Σ}}}{({{\mathrm{ave}}_i}^k-{{\mathrm{ave}}_j}^k)}^2}{\underset{l=1}{\overset{25}{\mathrm{\Σ}}}{({{\mathrm{data}}_{\mathrm{il}}}^k-{{\mathrm{ave}}_i}^k)}^2}\×\frac{25}{36}---\left(1\right)$

${{\mathrm{ave}}_i}^k=\frac{\underset{j=1}{\overset{25}{\mathrm{\Σ}}}{{\mathrm{data}}_{\mathrm{ij}}}^k}{25}---\left(25\right)$

其中，Qm_i ^k为37种玉米品种中的第i种中的第k个点的Qm值；ave_i ^k为第i种玉米第k个点25个样本的均值；data_ij ^k为第i种玉米第j次采样样本第k点的数值。

对比计算DFT处理后和原始数据的的Qm曲线均值、峰值。

如图2，为依照本实施例寻找最佳的有效数据段，对比不同数据段的Qm曲线。结果发现选取4000到7085cm^-1波段数据作为特征数据，数据量适中，在体现原始数据特征的前提下，尽可能多的减轻了数据量过大所引发的数据处理负担。由于原始数据一共有37种种子，而每一种种子又有25组数据，每一组数据有2075个double型数据，拿全部原始数据来处理运算压力很大，选取前800点数据较直接用原始数据处理可节省进2/3的运算量；并且Qm曲线数值从统计意义上来说最好，Qm曲线整体均值最大，峰值最大值、最小值较大，有利于数据特征点的提取。

如图3，从图3可以看出，对比DFT变化后数据和原始数据Qm曲线可以发现，(a)图曲线两侧的点数值比较大，而曲线中间部分的点相对数值较小(个别曲线中间和两边数值都大)。可以直接提取前部分某些点作为特征点，而忽略中间差异度不大的点，有利于后续特征点提取。而(b)图曲线差异度大的点分布几乎毫无规律，不利于特征点的提取。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种对玉米品种种子近红外漫反射光谱数据进行预处理的方法，其特征在于，该方法包括：

从玉米品种种子的近红外漫反射光谱数据中选取一定范围的近红外漫反射光谱数据；

对选取的近红外漫反射光谱数据进行离散傅里叶变换，得到变换结果数据；

从变换结果数据中选取数据的幅值部分作为预处理结果。

2.根据权利要求1所述的对玉米品种种子近红外漫反射光谱数据进行预处理的方法，其特征在于，所述从玉米品种种子的近红外漫反射光谱数据中选取一定范围的近红外漫反射光谱数据包括：

从波长范围为4000到12000cm^-1的玉米品种种子的近红外漫反射光谱数据中选取波长为4000到7085cm^-1的近红外漫反射光谱数据。

3.根据权利要求1所述的对玉米品种种子近红外漫反射光谱数据进行预处理的方法，其特征在于，所述从变换结果数据中选取数据的幅值部分作为预处理结果，忽略变换结果数据的相角部分。

4.根据权利要求1所述的对玉米品种种子近红外漫反射光谱数据进行预处理的方法，其特征在于，该方法进一步包括：

对得到的预处理结果进行评价，以验证预处理结果的有效性。

5.根据权利要求4所述的对玉米品种种子近红外漫反射光谱数据进行预处理的方法，其特征在于，所述对得到的预处理结果进行评价包括：

定义一种类间、类内差异度Qm的计算方法，对得到的预处理结果进行评价，当Qm值越大时，种间差异度越大，种内差异度越小；当Qm值越小时，种间差异度越小，种内差异度越大。

6.根据权利要求5所述的对玉米品种种子近红外漫反射光谱数据进行预处理的方法，其特征在于，采用所述Qm的计算方法，对得到的预处理结果进行评价，变换后数据相对于原始数据，Qm曲线均值、峰值均被提高，有利于提取玉米品种特征。

Images