CN104198428B - 带种衣剂种子真实性快速鉴定方法及系统 - Google Patents
带种衣剂种子真实性快速鉴定方法及系统 Download PDFInfo
- Publication number
- CN104198428B CN104198428B CN201410414913.8A CN201410414913A CN104198428B CN 104198428 B CN104198428 B CN 104198428B CN 201410414913 A CN201410414913 A CN 201410414913A CN 104198428 B CN104198428 B CN 104198428B
- Authority
- CN
- China
- Prior art keywords
- near infrared
- seed
- coat agent
- infrared spectrum
- seed coat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种带种衣剂种子真实性快速鉴定方法及系统，涉及种子真实性鉴定技术领域，所述方法包括：S1：获取若干个待鉴定种子，将每个待鉴定种子均等分切开为两半，并将得到的每一半作为一个待鉴定单元；S2：每次采集M个待鉴定单元的切面所对应的近红外光谱，并将采集到的近红外光谱作为所述待鉴定种子的近红外光谱；S3：对所述待鉴定种子的近红外光谱进行特征提取，将提取出的特征与预设特征模型进行对比，并根据对比结果确定所述待鉴定种子的真实性。本发明通过对待鉴定种子的处理，采集待鉴定种子的切面的近红外光谱，并根据近红外光谱对待鉴定种子实现鉴定，不仅实现了采用近红外光谱对种子的真实性鉴定，并且使得鉴定时间短。
Description
技术领域
本发明涉及种子真实性鉴定技术领域，特别涉及一种带种衣剂种子真实性快速鉴定方法及系统。
背景技术
近年来市场上出售假冒伪劣种子的情况愈演愈烈，严重损害了农民的利益。国家已经加强了对商品种子市场的管理，种子的品种真实性鉴定则是监管的重要环节。田间种植鉴定是被广泛认可的标准方法，但是耗时耗力；基于PCR的DNA标记法在作物的质量控制方面取得了较好的效果；DNA分子标记指纹图谱方法(例如SSRS)也被运用到种子的真实性鉴定中。上述方法对检测人员的专业技能和经验要求很高，而且耗费资源，用时较长，无法满足实际应用中快速、低成本的要求。
近红外光谱分析方法近年来被成功地应用于检测玉米、水稻、小麦、大豆等农产品种子的质量。现有的研究都是针对无种衣剂的种子，在实际中，商品种子表面均涂有种衣剂。种衣剂的主要成分是杀虫剂、杀菌剂、复合肥料、微量元素、植物生长调节剂、缓释剂、成膜剂等，为种子的发芽提供必要的养分，并且防止病虫害的入侵，其中有机物质的C-H、N-H、O-H等含氢基团会吸收近红外波段的光，所以对种子的近红外光谱影响很大，导致无法采用近红外光谱实现对种子的真实性鉴定。
发明内容
为了实现采用近红外光谱对种子的真实性鉴定，本发明提供了一种带种衣剂种子真实性快速鉴定方法，所述方法包括以下步骤：
S1：获取若干个待鉴定种子，将每个待鉴定种子均等分切开为两半，并将得到的每一半作为一个待鉴定单元，所述待鉴定种子为带种衣剂种子；
S2：每次采集M个待鉴定单元的切面所对应的近红外光谱，直至所有待鉴定单元均经过采集，并将采集到的近红外光谱作为所述待鉴定种子的近红外光谱，所述M为不小于2的偶数；
S3：对所述待鉴定种子的近红外光谱进行特征提取，将提取出的特征与预设特征模型进行对比，并根据对比结果确定所述待鉴定种子的真实性。
其中，步骤S2和步骤S3之间，还包括：
若所述待鉴定种子的某个近红外光谱与标准光谱之间的马氏距离超过了预设距离，则将该近红外光谱剔除。
其中，步骤S2和步骤S3之间，还包括：
对所述待鉴定种子的近红外光谱进行预处理，所述预处理包括：移动窗口平均法、一阶导数法和矢量归一化中的至少一种。
其中，步骤S1之前，还包括：
S001：获取带种衣剂样本，将每个带种衣剂样本均等分切开为两半，将得到的每一半作为一个带种衣剂样本单元，所述带种衣剂样本为不同品种的带种衣剂种子，每个品种的带种衣剂种子均具有不同产地和不同年份的种子；
S002：每次采集M个同一品种的带种衣剂样本单元的切面所对应的近红外光谱，直至所有带种衣剂样本单元均经过采集，并将采集到的近红外光谱作为所述带种衣剂样本的近红外光谱，所述M为不小于2的偶数；
S003：将所述带种衣剂样本的近红外光谱加入待建模近红外光谱；
S004：对所述待建模近红外光谱进行特征提取，以获得所述待建模近红外光谱的特征；
S005：对所述待建模近红外光谱的特征进行建模，以获得所述预设特征模型。
其中，步骤S001中，还包括：
获取无种衣剂样本，将每个无种衣剂样本均等分切开为两半，将得到的每一半作为一个无种衣剂样本单元，所述无种衣剂样本为不同品种的无种衣剂种子，每个品种的无种衣剂种子均具有不同产地和不同年份的种子；
步骤S002中还包括：
每次采集M个同一品种的无种衣剂样本单元的切面所对应的近红外光谱，直至所有无种衣剂样本单元均经过采集，并将采集到的近红外光谱作为所述无种衣剂样本的近红外光谱，所述M为不小于2的偶数；
步骤S003具体包括：
对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱采用固定尺寸移动窗口因子分析法FSMWEFA进行分析，以获得所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱在各波段的相关系数；若属于同一品种的带种衣剂样本的近红外光谱与无种衣剂样本的近红外光谱在特征波段处的相关系数小于预设阈值，则将带种衣剂样本的该近红外光谱剔除，将无种衣剂样本的近红外光谱和未被剔除的带种衣剂样本的近红外光谱作为待建模近红外光谱，所述特征波段为种衣剂成分所影响的波段。
其中，步骤S002与S003之间，还包括：
对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱进行预处理，所述预处理包括：移动窗口平均法、一阶导数法和矢量归一化中的至少一种。
其中，步骤S003和步骤S004之间，还包括：
对所述待建模近红外光谱进行特征提取后，通过均匀分布算法进行分析，以获得有代表性的待建模近红外光谱的特征；所述特征提取方法包括：主成分分析、偏最小二乘分析、线性判别分析和小波分析中的至少一种。
其中，步骤S004中，对所述待建模近红外光谱的特征通过支持向量机SVM、软独立模式识别SIMCA或仿生模式识别BPR进行建模。
其中，所述待鉴定种子为玉米时，沿胚面凹陷方向进行等分切开。
本发明还公开了一种带种衣剂种子真实性快速鉴定系统，所述系统包括：
获取切开单元，用于获取若干个待鉴定种子，将每个待鉴定种子均等分切开为两半，并将得到的每一半作为一个待鉴定单元，所述待鉴定种子为带种衣剂种子；
光谱采集单元，用于每次采集M个待鉴定单元的切面所对应的近红外光谱，直至所有待鉴定单元均经过采集，并将采集到的近红外光谱作为所述待鉴定种子的近红外光谱，所述M为不小于2的偶数；
真实性鉴定单元，用于对所述待鉴定种子的近红外光谱进行特征提取，将提取出的特征与预设特征模型进行对比，并根据对比结果确定所述待鉴定种子的真实性。
本发明通过对待鉴定种子的处理，采集待鉴定种子的切面的近红外光谱，并根据近红外光谱对待鉴定种子实现鉴定，不仅实现了采用近红外光谱对种子的真实性鉴定，并且使得鉴定时间短，鉴定一个品种所需的时间少于5分钟。
附图说明
图1是本发明一种实施方式的带种衣剂种子真实性快速鉴定方法的流程图；
图2是本发明一种实施例中光谱采集配件的结构示意图；
图3a是本发明一种实施例中近红外光谱在各波段的吸光度的示意图；
图3b是本发明一种实施例中有种衣剂样本和无种衣剂样本近红外光谱在各波段的相关系数的示意图；
图4是本发明一种实施例中玉米品种为XD20的均匀分布算法选择代表性建模样本的示意图；
图5是本发明一种实施方式的带种衣剂种子真实性快速鉴定系统的结构框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1是本发明一种实施方式的带种衣剂种子真实性快速鉴定方法的流程图；参照图1，所述方法包括以下步骤：
S1：获取若干个待鉴定种子，将每个待鉴定种子均等分切开为两半，并将得到的每一半作为一个待鉴定单元，所述待鉴定种子为带种衣剂种子；
S2：每次采集M个待鉴定单元的切面所对应的近红外光谱，直至所有待鉴定单元均经过采集，并将采集到的近红外光谱作为所述待鉴定种子的近红外光谱，所述M为不小于2的偶数；
S3：对所述待鉴定种子的近红外光谱进行特征提取，将提取出的特征与预设特征模型进行对比，并根据对比结果确定所述待鉴定种子的真实性。
由于近红外光谱采集仪器的状态发生异常，或者操作的错误，采集的光谱数据会与标准光谱之间产生很大区别，从而导致鉴定结果产生错误，为防止鉴定结果产生错误，优选地，步骤S2和步骤S3之间，还包括：
若所述待鉴定种子的某个近红外光谱与标准光谱之间的马氏距离超过了预设距离，则将该近红外光谱剔除。
为便于去除所述待鉴定种子的近红外光谱中的噪声，优选地，步骤S2和步骤S3之间，还包括：
对所述待鉴定种子的近红外光谱进行预处理，所述预处理包括：移动窗口平均法、一阶导数法和矢量归一化中的至少一种；通过所述移动窗口平均法对待鉴定种子的近红外光谱进行平滑处理，以消除光谱噪声；通过所述一阶导数法消除光谱的基线漂移并放大光谱之间的差别；通过所述矢量归一化用户去除近红外光谱采集仪器状态和检测对象变化带来的随机噪声。
为便于获取所述预设特征模型，优选地，步骤S1之前，还包括：
S001：获取带种衣剂样本，将每个带种衣剂样本均等分切开为两半，将得到的每一半作为一个带种衣剂样本单元，所述带种衣剂样本为不同品种的带种衣剂种子，每个品种的带种衣剂种子均具有不同产地和不同年份的种子；
S002：每次采集M个同一品种的带种衣剂样本单元的切面所对应的近红外光谱，直至所有带种衣剂样本单元均经过采集，并将采集到的近红外光谱作为所述带种衣剂样本的近红外光谱，所述M为不小于2的偶数；
S003：将所述带种衣剂样本的近红外光谱加入待建模近红外光谱；
S004：对所述待建模近红外光谱进行特征提取，以获得所述待建模近红外光谱的特征；
S005：对所述待建模近红外光谱的特征进行建模，以获得所述预设特征模型。
为便于剔除受种衣剂影响较大的带种衣剂种子的近红外光谱，以提高预设特征模型的可靠性，优选地，步骤S001中，还包括：
获取无种衣剂样本，将每个无种衣剂样本均等分切开为两半，将得到的每一半作为一个无种衣剂样本单元，所述无种衣剂样本为不同品种的无种衣剂种子，每个品种的无种衣剂种子均具有不同产地和不同年份的种子；
步骤S002中还包括：
每次采集M个同一品种的无种衣剂样本单元的切面所对应的近红外光谱，直至所有无种衣剂样本单元均经过采集，并将采集到的近红外光谱作为所述无种衣剂样本的近红外光谱，所述M为不小于2的偶数；
步骤S003具体包括：
对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱采用固定尺寸移动窗口因子分析法FSMWEFA进行分析，以获得所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱在各波段的相关系数；
若属于同一品种的带种衣剂样本的近红外光谱与无种衣剂样本的近红外光谱在特征波段处的相关系数小于预设阈值，则将带种衣剂样本的该近红外光谱剔除，将无种衣剂样本的近红外光谱和未被剔除的带种衣剂样本的近红外光谱作为待建模近红外光谱，所述特征波段为种衣剂成分所影响的波段。
为便于去除所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱中的噪声，优选地，步骤S002与S003之间，还包括：
对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱进行预处理，所述预处理包括：移动窗口平均法、一阶导数法和矢量归一化中的至少一种；通过所述移动窗口平均法对带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱进行平滑处理，以消除光谱噪声；通过所述一阶导数法消除光谱的基线漂移并放大光谱之间的差别；通过所述矢量归一化用户去除近红外光谱采集仪器状态和检测对象变化带来的随机噪声。
为保证用于建模所用到的近红外光谱的特征为具有代表性的近红外光谱的特征，优选地，步骤S003和步骤S004之间，还包括：
对所述待建模近红外光谱进行特征提取后，通过均匀分布算法进行分析，以获得有代表性的待建模近红外光谱的特征；所述特征提取方法包括：主成分分析、偏最小二乘分析、线性判别分析和小波分析中的至少一种。
为保证建模的准确率，优选地，步骤S004中，对所述待建模近红外光谱的特征通过支持向量机SVM、软独立模式识别SIMCA或仿生模式识别BPR进行建模。
针对待鉴定种子为玉米的特殊情况，为获取所述待鉴定种子的更多胚部信息，以提高鉴定的准确率，优选地，在对样本或待鉴定种子进行切分时，沿胚面凹陷方向进行等分切开。
实施例
下面以玉米为例来说明本发明，但不限定本发明的保护范围，本发明还可对大豆、花生等种子进行处理。本实施例中，玉米种子的近红外光谱均在德国布鲁克公司的MPA型傅里叶变换近红外光谱仪上采集。光谱波段范围12000cm-1～4000cm-1(分辨率16cm-1，共1037个数据点)。使用仪器配套的OPUS6.5软件对近红外光谱进行存储和转换，近红外光谱的分析和建模在Matlab7.10(The Mathworks，USA)上进行。
本实施例的方法包括以下步骤：
A1：获取4个玉米品种(浚单20(下面简称XD20)，农华101(下面简称NH101)，京玉16(下面简称JY16)和郑单958(下面简称ZD958))的样本，XD20的样本来源于4个产地(临泽(下面简称LZ)，武威(下面简称WW)，新疆(下面简称XJ)，银川(下面简称YC))，每个产地的样本均为4个类型(无种衣剂(下面简称No)，先正达种衣剂(下面简称XZD)，中州种衣剂(下面简称ZZ)，北农种衣剂(下面简称BN))，将每个带种衣剂样本均等分切开为两半，将得到的每一半作为一个带种衣剂样本单元，将每个无种衣剂样本均等分切开为两半，将得到的每一半作为一个无种衣剂样本单元，所述样本在2009年和2010年收获并保存于阴凉干燥环境中；
A2：采集4个同一品种的带种衣剂样本单元的切面所对应的带种衣剂样本的近红外光谱，直至所有带种衣剂样本单元均经过采集；采集4个同一品种无种衣剂样本单元的切面所对应的无种衣剂样本的近红外光谱，直至所有无种衣剂样本单元均经过采集；
本步骤中，为便于实现对近红外光谱进行采集，采用一个光谱采集配件来进行采集，参照图2，所述配件为一个由不吸收近红外光材料制成的圆形板，所述圆形板设有4个椭圆形通孔，但该通孔还可设置为2个、6个、8个等，所述椭圆的长轴半径为6mm，短轴半径为4mm，在进行近红外光谱采集时，将4个样本单元的切面置于所述通孔处，再将镀金小盖遮住所述样本单元，以避免外部光线的干扰。
A3：对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱进行预处理，所述预处理包括：移动窗口平均法(本实施例中，窗口宽度为9个数据点)、一阶导数法(本实施例中，步长为9个数据点)和矢量归一化；
A4：对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱采用固定尺寸移动窗口因子分析法(Fix-sized moving windowevolving factor analysis，FSMWEFA)进行分析，以获得所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱在各波段的相关系数；若属于同一品种的带种衣剂样本的近红外光谱与无种衣剂样本的近红外光谱在特征波段处的相关系数小于预设阈值，则将带种衣剂种子的该近红外光谱剔除，将无种衣剂样本的近红外光谱和未被剔除的带种衣剂样本的近红外光谱作为待建模近红外光谱，所述特征波段为种衣剂成分所影响的波段，本实施例中，所述特征波段包括：1502nm(由N-H影响)、1677nm(由C-H和S-H影响)、2032nm(由N-H影响)和2327nm(由C-H影响)；
玉米品种为ZD958的待建模近红外光谱共120条，玉米品种为JY16待建模近红外光谱共120条，玉米品种为NH101待建模近红外光谱共110条，其中，玉米品种为XD20的待建模近红外光谱共200条，其具体数量如下表：
| 临泽 | 武威 | 新疆 | 银川 | |
| XZD | 10 | 15 | 15 | 15 |
| ZZ | 15 | 15 | 10 | 10 |
| BN | 15 | 10 | 15 | 15 |
| No | 10 | 10 | 10 | 10 |
本步骤中，若采用常规的近红外光谱测量方法(以下简称method1)进行近红外光谱采集，如图3a和3b所示(图中“No”为无种衣剂种子，“coated”为带种衣剂种子)，会发现同一品种的带种衣剂样本的近红外光谱与无种衣剂样本的近红外光谱会在1502nm、1677nm、2032nm和2327nm处的相关系数有明显差异；而采用A1～A2的方式(以下简称method 2)则没有明显差异，也可证明采用method2的方式成本克服了种衣剂对近红外光谱的影响。
A5：通过主成分分析法(PCA)对所述待建模近红外光谱进行特征提取，以获得所述待建模近红外光谱的特征；
A6：通过均匀分布算法对所述待建模近红外光谱的特征通过均匀分布算法进行分析，以获得具有代表性的新的待建模近红外光谱的特征；以XD20(Xundan20)使用均匀分布算法选择4个产地具有代表性的新的待建模近红外光谱的特征为例，参照图4，图中，“Xundan20-linze”为临泽XD20的近红外光谱的特征，“Xundan20-Wuwei”为武威XD20的近红外光谱的特征，“Xundan20-Xinjiang”为新疆XD20的近红外光谱的特征，“Xundan20-Yinchuan”为银川XD20的近红外光谱的特征，“Xundan20-Selected samples”为具有代表性的新的待建模近红外光谱的特征；
A7：对步骤A6获得的待建模近红外光谱的特征通过支持向量机(Support Vector Machine,SVM)、软独立模式识别(Soft IndependentModeling of Class Analogy,SIMCA)或仿生模式识别(Biomimeticpattern recognition,BPR)进行建模，以获得预设特征模型；
本步骤中，使用Matlab OSU SVM工具箱建立SVM模型，采用高斯径向基函数(RBF)作为非线性映射函数。预处理后的光谱经过PCA特征提取，建立品种模型，4个品种类别分别用1，2，3，4表示。SIMCA方法对每一类独立进行主成分分析，主成分数目也各不相同，根据方差贡献率确定主成分数目(方差累积贡献率达到99％)。每一类均确定了一个样本到该类别的最大残差，测试新样本时，如果样本到该类的残差远大于最大残差，说明样本不属于该类。BPR方法根据各类样本点的分布建立一个封闭子空间，独立对各个类别的样本分布空间进行描述。统计鉴定模型的正确识别率对模型的性能进行评价。
模型的稳健性与建模样本的代表性和复杂程度有很大关系。本实施例利用样本的离散程度来度量建模样本的复杂性(对于一个样本集，分别计算每个样本到样本集中心点的距离，然后计算这些距离的标准差，标准差越大，样本的离散程度越大)，使用正确识别程度(CD)度量鉴定模型的稳健性(CD值越大，模型稳健性越好)。
建立JY16，NH101，ZD958和XD20四个品种的鉴定模型。不同品种训练集和测试集的分配如下：JY16(训练集(60)，测试集(60))，NH101(训练集(55)，测试集(55))，ZD958(训练集(60)，测试集(60))。每次实验中，ZD958，JY16，NH101的建模和测试样本都无变化，测试结果很稳定，正确识别率均为100％。
从XD20的四个产地的样本中各选择15条光谱作为测试集(60条光谱)，用以检验不同方法建立的模型的性能。建立XD20模型时，依次选择一个产地，两个产地，三个产地，四个产地的种子的光谱数据作为训练集建立模型，对建模样本的离散程度和模型的正确识别程度进行统计。建模样本来源产地数目1，2，3，4，对应的离散度值分别为为0.03，0.042，0.045，0.046，CD值为0.51，0.65，0.71，0.74，模型识别正确率为60％，80％，93％，100％。随着产地数目的增加，建模样本离散度和模型CD值逐渐增大，鉴定结果正确率也逐渐升高，模型对不同产地样本的稳健性增强。结果说明要增强模型对不同产地种子鉴定的准确性，需要在模型训练集中包含不同产地种子的信息，对模型进行充分的训练。
利用SVM，SIMCA和BPR三种模式识别方法建立真实性鉴定模型，对四个品种(JY16，NH101，ZD958，XD20)的种子进行真实性鉴定。SVM，SIMCA和BPR三种方法对四个品种均能取得较好的识别效果，其中BPR模型的性能最好，SVM模型的鉴定准确率最低(93％)，如下表所示：
三种模型均能完全正确地识别NH101和ZD958的所有测试样本，而JY16和XD20的样本则会发生不同程度的误判。SVM模型将11个JY16样本错误识别为XD20，10个XD20样本误判为属于JY16。SIMCA模型的错误判别情况稍好，JY16和XD20的错误判别样本个数分别为7和5。BPR模型中，JY16的60个样本均被正确识别，XD20有8个样本被判别为未知样本。相比而言，BPR模型的判别正确率更高，更适于建立品种鉴定模型。
本实施例将种子沿着胚面的凹陷方向切开后，使用漫反射方式和专用配件测量种子切面的光谱，采集种子内部的信息以消除种衣剂对光谱的影响。使用SVM，SIMCA和BPR三种模式识别方法建立四个带种衣剂种子品种的鉴定模型，正确识别率均超过90％，说明利用近红外光谱鉴定带种衣剂玉米种子品种真实性是可行的。讨论了种子的产地对鉴定模型稳健性的影响，发现增加模型训练集样本的复杂性，可以提高模型的稳健性。模型对来自四个产地的同一品种的种子均能够正确识别，可以进一步为实用设备的研制提供基础。
A8：获取若干个待鉴定种子，将每个待鉴定种子均等分切开为两半，并将得到的每一半作为一个待鉴定单元，所述待鉴定种子为带种衣剂种子；
A9：每次采集4个待鉴定单元的切面所对应的近红外光谱，直至所有待鉴定单元均经过采集，并将采集到的近红外光谱作为所述待鉴定种子的近红外光谱；
本步骤中，采集方式可与步骤A2的采集方式相同。
A10：若待鉴定种子的某个近红外光谱与标准光谱之间的马氏距离超过了预设距离，则将该近红外光谱剔除，所述标准光谱可从模型库中直接取出，还可由若干无种衣剂样本单元所对应的近红外光谱进行平均获得；
A11：对所述待鉴定种子的近红外光谱进行预处理，所述预处理包括：移动窗口平均法(本实施例中，窗口宽度为9个数据点)、一阶导数法(本实施例中，步长为9个数据点)和矢量归一化；
A12：通过主成分分析法(PCA)对对所述待鉴定种子的近红外光谱进行特征提取，以获得待鉴定种子的近红外光谱的特征；
A13：将所述待鉴定种子的近红外光谱的特征与预设特征模型进行对比，并根据对比结果确定所述待鉴定种子的真实性，本实施例中，采用a/b与阈值进行比较来判断所述待鉴定种子的真实性，若a/b大于预设比例(如50％或60％等)，则所述待鉴定种子被判断为真实的，否则所述待鉴定种子判断为存在问题，其中，a为步骤A13中待鉴定种子的近红外光谱被判断为真实的数量，b为步骤A13中待鉴定种子的近红外光谱的数量。
本发明还公开了一种带种衣剂种子真实性快速鉴定系统，参照图5，所述系统包括：
获取切开单元，用于获取若干个待鉴定种子，将每个待鉴定种子均等分切开为两半，并将得到的每一半作为一个待鉴定单元，所述待鉴定种子为带种衣剂种子；
光谱采集单元，用于每次采集M个待鉴定单元的切面所对应的近红外光谱，直至所有待鉴定单元均经过采集，并将采集到的近红外光谱作为所述待鉴定种子的近红外光谱，所述M为不小于2的偶数；
真实性鉴定单元，用于对所述待鉴定种子的近红外光谱进行特征提取，将提取出的特征与预设特征模型进行对比，并根据对比结果确定所述待鉴定种子的真实性。
所述系统用于实现上述方法，还包括与上述方法中各步骤向对应的模块、子模块、单元、子单元等部件，但为避免冗余，在此不再赘述。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (8)
1.一种带种衣剂种子真实性快速鉴定方法，其特征在于，所述方法包括以下步骤：
S1：获取若干个待鉴定种子，将每个待鉴定种子均等分切开为两半，并将得到的每一半作为一个待鉴定单元，所述待鉴定种子为带种衣剂种子；
S2：每次采集M个待鉴定单元的切面所对应的近红外光谱，直至所有待鉴定单元均经过采集，并将采集到的近红外光谱作为所述待鉴定种子的近红外光谱，所述M为不小于2的偶数；
S3：对所述待鉴定种子的近红外光谱进行特征提取，将提取出的特征与预设特征模型进行对比，并根据对比结果确定所述待鉴定种子的真实性；
其中，步骤S1之前，还包括：
S001：获取带种衣剂样本，将每个带种衣剂样本均等分切开为两半，将得到的每一半作为一个带种衣剂样本单元，所述带种衣剂样本为不同品种的带种衣剂种子，每个品种的带种衣剂种子均具有不同产地和不同年份的种子；
S002：每次采集M个同一品种的带种衣剂样本单元的切面所对应的近红外光谱，直至所有带种衣剂样本单元均经过采集，并将采集到的近红外光谱作为所述带种衣剂样本的近红外光谱，所述M为不小于2的偶数；
S003：将所述带种衣剂样本的近红外光谱加入待建模近红外光谱；
S004：对所述待建模近红外光谱进行特征提取，以获得所述待建模近红外光谱的特征；
S005：对所述待建模近红外光谱的特征进行建模，以获得所述预设特征模型；
其中，步骤S001中，还包括：
获取无种衣剂样本，将每个无种衣剂样本均等分切开为两半，将得到的每一半作为一个无种衣剂样本单元，所述无种衣剂样本为不同品种的无种衣剂种子，每个品种的无种衣剂种子均具有不同产地和不同年份的种子；
步骤S002中还包括：
每次采集M个同一品种的无种衣剂样本单元的切面所对应的近红外光谱，直至所有无种衣剂样本单元均经过采集，并将采集到的近红外光谱作为所述无种衣剂样本的近红外光谱，所述M为不小于2的偶数；
步骤S003具体包括：
对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱采用固定尺寸移动窗口因子分析法FSMWEFA进行分析，以获得所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱在各波段的相关系数；若属于同一品种的带种衣剂样本的近红外光谱与无种衣剂样本的近红外光谱在特征波段处的相关系数小于预设阈值，则将带种衣剂样本的该近红外光谱剔除，将无种衣剂样本的近红外光谱和未被剔除的带种衣剂样本的近红外光谱作为待建模近红外光谱，所述特征波段为种衣剂成分所影响的波段。
2.如权利要求1所述的方法，其特征在于，步骤S2和步骤S3之间，还包括：
若所述待鉴定种子的某个近红外光谱与标准光谱之间的马氏距离超过了预设距离，则将该近红外光谱剔除；
其中，所述标准光谱从模型库中直接取出，或由若干无种衣剂样本单元所对应的近红外光谱进行平均获得。
3.如权利要求1所述的方法，其特征在于，步骤S2和步骤S3之间，还包括：
对所述待鉴定种子的近红外光谱进行预处理，所述预处理包括：移动窗口平均法、一阶导数法和矢量归一化中的至少一种。
4.如权利要求1所述的方法，其特征在于，步骤S002与S003之间，还包括：
对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱进行预处理，所述预处理包括：移动窗口平均法、一阶导数法和矢量归一化中的至少一种。
5.如权利要求1所述的方法，其特征在于，步骤S004和步骤S005之间，还包括：
对所述待建模近红外光谱进行特征提取后，通过均匀分布算法进行分析，以获得有代表性的待建模近红外光谱的特征；所述特征提取方法包括：主成分分析、偏最小二乘分析、线性判别分析和小波分析中的至少一种。
6.如权利要求1所述的方法，其特征在于，步骤S005中，对所述待建模近红外光谱的特征通过支持向量机SVM、软独立模式识别SIMCA或仿生模式识别BPR进行建模。
7.如权利要求1～6中任一项所述的方法，其特征在于，所述待鉴定种子为玉米时，沿胚面凹陷方向进行等分切开。
8.一种带种衣剂种子真实性快速鉴定系统，其特征在于，所述系统包括：
获取切开单元，用于获取若干个待鉴定种子，将每个待鉴定种子均等分切开为两半，并将得到的每一半作为一个待鉴定单元，所述待鉴定种子为带种衣剂种子；
光谱采集单元，用于每次采集M个待鉴定单元的切面所对应的近红外光谱，直至所有待鉴定单元均经过采集，并将采集到的近红外光谱作为所述待鉴定种子的近红外光谱，所述M为不小于2的偶数；
真实性鉴定单元，用于对所述待鉴定种子的近红外光谱进行特征提取，将提取出的特征与预设特征模型进行对比，并根据对比结果确定所述待鉴定种子的真实性；
其中，所述系统还包括：
样本获取单元，用于获取带种衣剂样本，将每个带种衣剂样本均等分切开为两半，将得到的每一半作为一个带种衣剂样本单元，所述带种衣剂样本为不同品种的带种衣剂种子，每个品种的带种衣剂种子均具有不同产地和不同年份的种子；
样本光谱采集单元，用于每次采集M个同一品种的带种衣剂样本单元的切面所对应的近红外光谱，直至所有带种衣剂样本单元均经过采集，并将采集到的近红外光谱作为所述带种衣剂样本的近红外光谱，所述M为不小于2的偶数；
光谱加入单元，用于将所述带种衣剂样本的近红外光谱加入待建模近红外光谱；
特征提取单元，用于对所述待建模近红外光谱进行特征提取，以获得所述待建模近红外光谱的特征；
特征建模单元，用于对所述待建模近红外光谱的特征进行建模，以获得所述预设特征模型；
其中，所述样本获取单元，还用于获取无种衣剂样本，将每个无种衣剂样本均等分切开为两半，将得到的每一半作为一个无种衣剂样本单元，所述无种衣剂样本为不同品种的无种衣剂种子，每个品种的无种衣剂种子均具有不同产地和不同年份的种子；
所述样本光谱采集单元，还用于每次采集M个同一品种的无种衣剂样本单元的切面所对应的近红外光谱，直至所有无种衣剂样本单元均经过采集，并将采集到的近红外光谱作为所述无种衣剂样本的近红外光谱，所述M为不小于2的偶数；
所述光谱加入单元，具体用于对所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱采用固定尺寸移动窗口因子分析法FSMWEFA进行分析，以获得所述带种衣剂样本的近红外光谱和无种衣剂样本的近红外光谱在各波段的相关系数；若属于同一品种的带种衣剂样本的近红外光谱与无种衣剂样本的近红外光谱在特征波段处的相关系数小于预设阈值，则将带种衣剂样本的该近红外光谱剔除，将无种衣剂样本的近红外光谱和未被剔除的带种衣剂样本的近红外光谱作为待建模近红外光谱，所述特征波段为种衣剂成分所影响的波段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410414913.8A CN104198428B (zh) | 2014-08-21 | 2014-08-21 | 带种衣剂种子真实性快速鉴定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410414913.8A CN104198428B (zh) | 2014-08-21 | 2014-08-21 | 带种衣剂种子真实性快速鉴定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104198428A CN104198428A (zh) | 2014-12-10 |
| CN104198428B true CN104198428B (zh) | 2016-08-24 |
Family
ID=52083753
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410414913.8A Expired - Fee Related CN104198428B (zh) | 2014-08-21 | 2014-08-21 | 带种衣剂种子真实性快速鉴定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104198428B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107314987A (zh) * | 2017-06-12 | 2017-11-03 | 华中农业大学 | 一种利用近红外光谱检测油菜单株产量的方法 |
| CN113390824B (zh) * | 2021-07-09 | 2022-09-27 | 河北建筑工程学院 | 基于近红外光谱的物质类别识别方法及终端设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1391713A2 (en) * | 2002-08-05 | 2004-02-25 | National Food Research Institute | Apparatus and process for settling, analyzing and sorting materials, and sorted products |
| CN1831515A (zh) * | 2006-04-03 | 2006-09-13 | 浙江大学 | 用可见光和近红外光谱技术无损鉴别作物种子品种的方法 |
| EP2120187A1 (en) * | 2008-05-14 | 2009-11-18 | ADP International B.V. | Multi-level markers |
| CN101692043A (zh) * | 2009-10-13 | 2010-04-07 | 赵景辉 | 一种近红外光谱快速、无损伤鉴别人参种子的方法 |
| CN101738373A (zh) * | 2008-11-24 | 2010-06-16 | 中国农业大学 | 一种鉴别作物种子品种的方法 |
| CN101819141A (zh) * | 2010-04-28 | 2010-09-01 | 中国科学院半导体研究所 | 基于近红外光谱与信息处理的玉米品种鉴别方法 |
| CN102564993A (zh) * | 2011-12-31 | 2012-07-11 | 江南大学 | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 |
| CN102841072A (zh) * | 2012-08-13 | 2012-12-26 | 中国计量学院 | 基于近红外光谱鉴别转基因水稻和非转基因水稻的方法 |
| CN103344602A (zh) * | 2013-07-04 | 2013-10-09 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱的水稻种质真伪无损检测方法 |
| CN103959292A (zh) * | 2011-09-23 | 2014-07-30 | 陶氏益农公司 | 用于近红外光谱分析的化学计量 |
-
2014
- 2014-08-21 CN CN201410414913.8A patent/CN104198428B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1391713A2 (en) * | 2002-08-05 | 2004-02-25 | National Food Research Institute | Apparatus and process for settling, analyzing and sorting materials, and sorted products |
| CN1831515A (zh) * | 2006-04-03 | 2006-09-13 | 浙江大学 | 用可见光和近红外光谱技术无损鉴别作物种子品种的方法 |
| EP2120187A1 (en) * | 2008-05-14 | 2009-11-18 | ADP International B.V. | Multi-level markers |
| CN101738373A (zh) * | 2008-11-24 | 2010-06-16 | 中国农业大学 | 一种鉴别作物种子品种的方法 |
| CN101692043A (zh) * | 2009-10-13 | 2010-04-07 | 赵景辉 | 一种近红外光谱快速、无损伤鉴别人参种子的方法 |
| CN101819141A (zh) * | 2010-04-28 | 2010-09-01 | 中国科学院半导体研究所 | 基于近红外光谱与信息处理的玉米品种鉴别方法 |
| CN103959292A (zh) * | 2011-09-23 | 2014-07-30 | 陶氏益农公司 | 用于近红外光谱分析的化学计量 |
| CN102564993A (zh) * | 2011-12-31 | 2012-07-11 | 江南大学 | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 |
| CN102841072A (zh) * | 2012-08-13 | 2012-12-26 | 中国计量学院 | 基于近红外光谱鉴别转基因水稻和非转基因水稻的方法 |
| CN103344602A (zh) * | 2013-07-04 | 2013-10-09 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱的水稻种质真伪无损检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| A rapid and non-invasive method for authenticating the origin of pistachio samples by NIR spectroscopy and chemometrics;R. Vitale et al.;《Chemometrics and Intelligent Laboratory Systems》;20121207;第121卷;第90-99页，尤其是第91-92页第2-3节 * |
| 基于近红外光谱和仿生模式识别玉米品种快速鉴别方法;苏谦等;《光谱学与光谱分析》;20090930;第29卷(第09期);第2413-2416页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104198428A (zh) | 2014-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI776010B (zh) | 用於減少光譜分類的誤報識別之設備和方法以及相關的非暫時性電腦可讀取媒體 | |
| CN104374738B (zh) | 一种基于近红外提高鉴别结果的定性分析方法 | |
| Larese et al. | Multiscale recognition of legume varieties based on leaf venation images | |
| Jia et al. | Variety identification method of coated maize seeds based on near-infrared spectroscopy and chemometrics | |
| WO2016150130A1 (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
| CN104062262A (zh) | 一种基于近红外光谱的作物种子品种真实性鉴别方法 | |
| CN117132778B (zh) | 一种光谱测量校正计算方法及系统 | |
| CN104198428B (zh) | 带种衣剂种子真实性快速鉴定方法及系统 | |
| Cui et al. | Identification of maize seed varieties based on near infrared reflectance spectroscopy and chemometrics | |
| CN106560695A (zh) | 联合三种检测方法的武夷岩茶产地鉴别方法 | |
| CN111812058A (zh) | 基于太赫兹成像技术的香椿中农残的定性检测方法 | |
| CN110363119A (zh) | 基于小波变换-随机森林算法的烟叶霉变快速识别方法 | |
| CN109685099B (zh) | 一种光谱波段优选模糊聚类的苹果品种辨别方法 | |
| CN116994675B (zh) | 基于近红外数据的锦灯笼宿萼表皮检测方法 | |
| CN104990891B (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 | |
| CN113063754B (zh) | 一种基于加权环境变量聚类的叶片磷含量检测方法 | |
| Selvanarayanan et al. | Using Hierarchical Agglomerative Clustering in E-Nose for Coffee Aroma Profiling: Identification, Quantification, and Disease Detection. | |
| US11879778B2 (en) | Method for classifying spectra of objects having complex information content | |
| Karimi et al. | Detection of damaged seeds in laboratory evaluation of precision planter using impact acoustics and artificial neural networks. | |
| CN105486659A (zh) | 玉米种子品种真实性鉴别模型的构建方法及其应用 | |
| CN105699318B (zh) | 种子单籽粒无损检测方法及系统 | |
| CN110647915A (zh) | 一种用于高维数据一致性分析的动态模式判断方法 | |
| FI117987B (fi) | Yleinen menetelmä kasvialkioiden luokittelemiseen yleistettyä Lorenz-Bayes-luokittelijaa käyttäen | |
| CN110188735A (zh) | 一种基于高光谱的入侵植物识别方法 | |
| Zheng et al. | Rapid determination of lambda-cyhalothrin residues on Chinese cabbage based on MIR spectroscopy and a Gustafson–Kessel noise clustering algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20200821 |