发明内容
本发明的目的是为克服上述现有技术耗时、繁琐、精确度不高的缺陷,提出一种基于光谱技术的小麦叶片糖氮比的快速检测方法,该方法可以快速、准确地检测出小麦叶片糖氮比。
本发明是通过以下技术方案实现的:
一种基于光谱技术的小麦叶片糖氮比快速检测方法,包括采集样品光谱,其特征是将利用近红外光谱及光谱采集平台采集的小麦叶片光谱基于TQ Analyst 7.0平台进行预处理,应用偏最小二乘法对预处理的光谱数据进行分析,提取特征光谱,将特征光谱输入小波神经网络模型中,检测得到小麦叶片糖氮比。
上述利用近红外光谱及光谱采集平台采集的小麦叶片近红外光谱步骤为先采集背景光谱,然后采集样品光谱;光谱采集参数为:扫描次数为8、16、32、64或128,光谱范围1100~2500nm,分辨率为0.25、0.5、1、2、4或8。优选光谱采集参数为:扫描次数为64,光谱范围1100~2500nm,分辨率为1nm。
上述基于TQ Analyst 7.0平台进行预处理主要包含以下步骤:在光谱范围1655~2378nm内,对光谱进行多元散射校正,Norris平滑处理和一阶导数处理。其中,多元散射校正是利用Pathlength组件对光谱进行多元散射校正;平滑处理是利用Spectra组件的Smoothing功能对光谱进行Norris平滑预处理;一阶导数处理是利用Regions组件对光谱进行一阶导数预处理。
上述提取特征光谱为应用偏最小二乘法模型对预处理过的光谱数据进行分析,压缩样品的光谱信息,提取6个特征光谱。根据交叉验证RMSECV最小时的主成分数为最佳特征光谱个数,确定特征光谱为6个,如果采用的PLS主成分数过少,光谱中一些有用的信息会被忽略,其模型预测准确度就会降低;如果采用过多的PLS主成分建模,就会将一些代表噪声的主成分加到模型中,模型的预测能力也会下降。
上述小波神经网络模型为运用Levevberg-Marquardt优化算法训练的小波神经网络模型。该模型采用输入层、隐含层和输出层的三层结构模式,输入层节点数-隐含层节点数-输出层节点数为6-7-1,输入层节点为6个特征光谱,隐含层节点数为训练网络时预测值和真实值误差最小时的节点数7,输出层节点为小麦叶片糖氮比1。小波神经网络模型隐含层传递函数采用小波函数Morlet,输入层到隐含层的权值和阈值分别为Morlet函数的伸缩参数和平移参数。所述的Levevberg-Marquardt网络优化算法,学习速率为0.01,最大训练次数为1000,网络模型期望误差为0.001。
与现有技术比较本发明的有益效果:
本发明是将小麦叶片粉末装入石英杯,利用近红外光谱仪、InGaAs检测器漫反射附件和OMNIC 7.2软件采集背景光谱、小麦叶片粉末样品光谱,以吸光度为指标对样品的光谱数据进行存储;在1655~2378nm的光谱范围内,利用Pathlength组件对光谱进行多元散射校正,利用Spectra组件的Smoothing功能对光谱进行平滑处理,利用Regions组件对光谱进行一阶导数处理;利用偏最小二乘法,压缩样品的光谱信息,提取6个特征光谱;将特征光谱输入到小波神经网络,运用Levevberg-Marquardt优化算法训练网络,预测叶片糖氮比。与现有技术比较本发明提出了一种快速检测小麦叶片糖氮比的光谱方法,并提供了光谱仪工作运行的最佳参数,克服了传统方法存在的耗费人力、物力和财力的缺点,有助于提高小麦作物生产的数字化和精确化管理水平。另外,通过对所采集光谱信息进行最佳预处理后,提取特征光谱,利用小波神经网络组件预测小麦叶片糖氮比,革新了小麦叶片糖氮比测定方法,改进了线性校正法不适合非线性关系的弱点,提高了预测的速度和效率,增强了预测的机理性和准确性。
具体实施方式
实施例1
如图1所示流程图,将小麦干叶粉末(过筛30目,含水量10%)装入内径2.5cm、高5cm的石英杯并置于样品台,在OMNIC 7.2软件(热电尼高力公司,麦迪逊,威斯康星州,美国)中调整Thermo Nicolet 5700FT-IR近红外光谱仪,使得仪器的能量达到3以上,设置工作参数:扫描次数64,光谱范围1100~2500nm,分辨率1nm。利用InGaAs检测器漫反射附件,首先采集背景光谱,通过对近红外光谱仪自带的镀金内壁附件进行1次光谱采集实现,然后采集样品光谱,每份样品重复采集光谱3次,取平均值代表该样品的光谱,背景光谱每隔10分钟重新采集一次,最后以吸光度为指标对样品的光谱数据进行存储,见图4。
对存储的光谱数据利用TQ Analyst 7.0平台进行光谱预处理;应用偏最小二乘模型对预处理过的光谱数据进行分析并提取特征光谱,根据交叉验证RMSECV最小时的主成分数为最佳特征光谱个数,确定特征光谱为6个,见图6;运用三层小波神经网络检测出小麦叶片糖氮比数值。
参照图2所示流程图,基于TQ Analyst 7.0平台对样品光谱进行最佳预处理,主要包含以下步骤:
在光谱范围1655~2378nm内,利用Pathlength组件对光谱进行多元散射校正(MultiplicativeScatter Correction,MSC)预处理,利用Spectra组件的Smoothing功能对光谱进行Norris平滑预处理(Norris Derivative Filter,NDF),利用Regions组件对光谱进行一阶导数预处理(FirstDerivative,FD),完成对样品原始光谱在1655~2378nm范围内先后进行MSC+NDF+FD的预处理。见图5。
参照图3,小波神经网络模型(WNN)是基于美国MATLAB 7.0.1中的NNET工具箱编程实现,采用输入层、隐层和输出层的三层结构形式。主要包含以下步骤:
将PLS法提取的6个特征光谱作为WNN的输入层输入网络,输入层节点数为6;输出层节点数为1,即为预测的叶片糖氮比数值;输入层到隐层的权值及隐层阀值分别由Morlet小波函数来确定;隐层传递函数采用Morlet函数,最佳隐层节点数为7。将WNN的学习速率设为0.01,优化算法选择Levevberg-Marquardt,最大训练次数设为1000,期望误差设为0.001,驱动WNN模型,即可输出小麦叶片糖氮比数值。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比得到以下结果及模型的表现,详见表1,结果显示本方法准确性较高。
表1 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例2
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序。设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数128,光谱范围1100~2500nm,分辨率1nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表2,结果显示本方法准确性较高。
表2 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例3
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序。置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数32,光谱范围1100~2500nm,分辨率1nm。小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表3,结果显示本方法准确性较高。
表3 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例4
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序,设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数16,光谱范围1100~2500nm,分辨率1nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表4,结果显示本方法准确性较高。
表4 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例5
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序,设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数8,光谱范围1100~2500nm,分辨率1nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表5,结果显示本方法准确性较高。
表5 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例6
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序,设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数64,光谱范围1100~2500nm,分辨率0.25nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表6,结果显示本方法准确性较高。
表6 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例7
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序,设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数64,光谱范围1100~2500nm,分辨率0.5nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表7,结果显示本方法准确性较高。
表7 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例8
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序,设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数64,光谱范围1100~2500nm,分辨率2nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表8,结果显示本方法准确性较高。
表8 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例9
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序,设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数64,光谱范围1100~2500nm,分辨率4nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表9,结果显示本方法准确性较高。
表9 小麦叶片糖氮比预测值与传统方法观测值对比表
实施例10
采用与实施例1相同的小麦粉末样品,执行同样的操作步骤和程序,设置Thermo Nicolet5700FT-IR近红外光谱仪最佳工作参数为:扫描次数64,光谱范围1100~2500nm,分辨率8nm。将小麦叶片糖氮比模型的预测值和传统方法获得的观测值作对比,见表10,结果显示本方法准确性较高。
表10 小麦叶片糖氮比预测值与传统方法观测值对比表