CN104255118A - 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 - Google Patents
基于近红外光谱技术的水稻种子发芽率快速无损测试方法 Download PDFInfo
- Publication number
- CN104255118A CN104255118A CN201410027792.1A CN201410027792A CN104255118A CN 104255118 A CN104255118 A CN 104255118A CN 201410027792 A CN201410027792 A CN 201410027792A CN 104255118 A CN104255118 A CN 104255118A
- Authority
- CN
- China
- Prior art keywords
- rice
- germination
- infrared spectrum
- test
- near infrared
- 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.)
- Granted
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于近红外光谱技术的水稻种子发芽率快速无损测试方法,该方法包括:S1.水稻种子样品的收集与水稻种子的老化处理;S2.水稻种子近红外光谱数据的采集;S3.水稻种子发芽试验;S4.水稻种子近红外光谱数据的波段选择和预处理;S5.基于近红外光谱技术的水稻种子发芽率模型的建立与检验。本发明的方法能够通过采集具有不同老化时间段水稻种子的近红外光谱数据,经对近红外光谱数据进行波段选择和预处理,采用偏最小二乘法建立基于近红外光谱的水稻种子发芽率模型,经检验模型准确可靠,具有实际应用性。该发明方法能够达到快速、无损和准确测试水稻种子发芽率。
Description
技术领域
本发明涉及水稻种子发芽率快速无损测试方法,具体是一种利用近红外光谱技术快速无损检测水稻种子发芽率的方法。
背景技术
中国是世界上最大的稻谷生产国,水稻种植面积已达4.5亿亩,其中杂交水稻的种植面积达2.2亿亩,稳定的产量已成为人民基本生活的保障。而水稻种子发芽率是决定水稻产量的前提,是种子质量检验中最常规的检验指标之一。目前水稻种子的发芽率测试方法都是采用发芽试验法,这种试验方法不仅需要进行预处理,而且需要按照农作物种子发芽技术规定条件进行发芽试验,试验条件要求苛刻,且存在试验周期长、成本高、对种子具有破坏性缺点。因此,探索一种快速、准确、无损鉴定水稻发芽率的方法具有现实意义。
由于近红外光谱分析具有速度快、效率高、成本低、测试重现性好、测量方便等特点,已经被越来越多地应用于食品、石油化工、制药等领域。近红外光谱技术已应用于稻米直链淀粉含量和蛋白质、脂肪与氨基酸含量的分析及水稻储藏时间与品种的检测等方面。在种子质量检测方面,利用近红外光谱技术对不同活力水平的燕麦种子进行了定性分析。利用傅里叶变换近红外光谱法检测玉米、水稻种子生活力,建立玉米、水稻种子生活力的近红外光谱分析模型。
目前鲜有文献报道利用近红外光谱技术检测水稻种子发芽率的相关研究。本发明方法采用近红外光谱技术对收集的2个品种水稻种子进行光谱数据采集、发芽试验、光谱数据预处理以及建立模型和验证,旨在为水稻种子发芽率的快速、无损检测提供新的方法。
发明内容
本发明的目的是提供一种能够快速、无损和准确地测试水稻种子发芽率的方法,这种方法是建立在基于近红外光谱技术的快速无损检测方法。
本发明采用的技术方案如下:
基于近红外光谱技术的水稻种子发芽率快速无损测试方法,其具体步骤为:
水稻种子样品材料的收集
水稻种子样品采用实际用于种植的种子作为原材料,且选用2个品种种子。种子原种经过选种加工等工序,种子清洁,无杂质,颗粒大小均匀。
水稻种子老化方法
为得到具有不同老化程度的水稻种子,并且使不同老化程度的水稻种子具有不同发芽率,对水稻种子在温度45℃,湿度100%的条件下老化不同时间段,对老化后的水稻种子在室温下放置48h以上,以便使不同老化阶段种子水分含量均匀一致。经老化处理后得到具有不同发芽性能的杂交水稻种子。
近红外光谱数据采集
近红外光谱仪经预热正常工作后,每个品种每个老化阶段的试验样品数为20个,采集光谱数据所用样品质量一般为10g左右,每个样品光谱仪自动采集10次光谱数据,输出光谱数据为其平均值所得光谱数据,其中12个样品光谱数据用于校正集建模,其余8个样品光谱数据用于验证集模型检验。
发芽方法
样品光谱数据采集完成后,对不同老化时间段的水稻种子进行发芽试验,测试种子发芽率。发芽试验按照GB/T3543.4-1995标准进行,同一老化时间段种子发芽试验不同重复之间的最大容许差距应符合标准规定要求。
近红外光谱波段的选择和光谱数据的预处理
利用校正集相关系数(RC)、校正标准误差(SEC)、验证集相关系数(RP)和验证预测标准误差(SEP)这4个参数值作为检验标准确定近红外光谱波段和预处理方法;根据光谱数据图的特性把光谱分割成不同波段,对每一个波段进行检验得到最佳或较优波段,在光谱波段已确定的基础上,为消除光谱数据测量偏移和减少系统误差,选用各种光谱数据的预处理方法对光谱数据进行预处理,得到最佳或较优的光谱数据预处理方法。
基于近红外光谱技术的水稻种子发芽率模型的建立与检验
通过化学计量学分析软件利用偏最小二乘法(PLS)建立水稻种子近红外光谱的发芽率测试校正模型,并且利用验证集光谱数据对校正模型进行检验,通过验证集相对误差分析,确定校正模型的精确度。
本发明建立基于近红外光谱技术的水稻种子发芽率测试方法,具有快速和无损的特点,其基本工作原理是利用近红外光谱能够对水稻种子内部组成成分进行检测,具有不同发芽性能的种子其内部组成成分由于老化而发生一定的变化,也就是说不同发芽性能的种子其内部组成成分存在差异。
本发明利用近红外光谱技术所建立的水稻种子发芽率测试方法具有快速和无损的特点,并且预测模型精度高,模型预测精度在国家标准GB/T3543.4-1995规定同一发芽试验不同重复间的最大容许差距范围之内,具有实际应用性。
本发明对水稻种子发芽率的快速和无损检测,不需要对水稻种子样品进行预处理——去除稻壳,简便高效,按照国家标准进行的发芽势测试发芽率需要14天,而本发明仅需几秒到几分钟,真正能够达到快速准确的要求。
附图说明
图1为不同老化阶段杂交水稻原始近红外光谱曲线。
图2为用标准化+正交信号校正预处理后的杂交水稻种子的近红外光谱曲线。
图3为杂交水稻种子发芽率近红外光谱预测模型。
具体实施方式
具体事例说明,利用SupNIR-1000型便携式近红外光谱仪对杂交水稻种子发芽率进行测试。
实验材料:实验用杂交水稻种子品种2个丰优22和天丰优084。
水稻种子老化方法:为了得到具有不同发芽率的水稻种子,通过人工加速老化方法使种子产生不同程度的劣变。随机选取每个品种均匀的水稻种子324g为一个测定样本,共7组进行人工加速老化实验。将每组样本放入500ml的烧杯,并将其置于装有适量水的2000ml的大烧杯中,用塑料薄膜把大烧杯封口后置入电热鼓风干燥箱箱中,在温度45℃、湿度100%的条件下依次老化0h、24h、48h、72h、96h、120h、144h,老化过程中按时对水稻种子进行均匀搅拌,按时取出人工老化后的水稻种子,并在实验室室温下放置2天使其恢复原始重量后进行光谱数据采集和发芽率测试。
光谱采集方法:本实验采用SupNIR-1000型便携式近红外光谱仪,波长范围:600~1100nm;分辨率:1nm。采集光谱时,将水稻种子平放在白纸上,并保持光源探头距离样本的高度为10cm;同时,在采集过程中要每隔0.5h,进行参比,以保证光谱数据的可靠性。每个老化时间段取试验样品20个,每个样品光谱仪自动采集10次光谱数据,输出光谱数据为其平均值所得光谱数据;每个老化时间段共采集20条光谱数据,其中12条光谱数据用于校正集数据建模,8条光谱数据用于验证集模型检验,因此2个品种水稻种子不同老化时间段共采集280条光谱数据。当完成稻种的光谱采集后,对其进行发芽试验。
发芽试验:将每个老化时间段样品分成5份,每份随机取样品100粒,样品经水浸泡12h后取出,将水稻种子均匀地放置在透明发芽盒内湿润的发芽纸床上,粒与粒之间应保持一定的距离,然后将其置于冷光源气候箱中,按GBT3543.4-1995中表1发芽技术规定条件进行培养。在5天后计算每份水稻种子样本的发芽势,14天后计算发芽率。根据GBT3543.4-1995中表3可知,发芽率测试数据应符合同一发芽试验4次重复间的最大容许差距要求。
数据处理方法:采用化学计量学分析软件确定近红外光谱波段和预处理方法,建立水稻种子光谱数据与发芽率之间的偏最小二乘法(PLS)回归模型,并利用此模型对水稻种子发芽率进行检验和预测。
水稻种子样品的发芽率测试结果:
由表1可以看出,随着老化时间的延长,2个品种的水稻种子的发芽率都逐渐降低,说明老化作用使水稻种子内部物质成分产生了变化,从而影响了种子的发芽率。
表1不同老化时间段的水稻种子发芽率
水稻种子不同老化时间段的光谱数据图见图1。
原始光谱波段的选择:根据原始光谱数据特性,对5个光谱波段600~700nm、700~1000nm、1000~1099nm、700~1099nm和全波段600~1099nm采用同一光谱预处理方法,对其校正集相关系数(RC)、校正标准误差(SEC)、验证集相关系数(RP)和验证预测标准误差(SEP)这4个参数值进行比较分析,得出光谱全波段建模分析结果较好。
原始光谱预处理结果:为了消除测量偏移和减少系统误差,对光谱数据进行预处理,依据SEC(样本标准偏差)尽量小和光谱范围尽量宽的原则,选择相应的处理方法,用净分析信号(NAS)、正交信号校正(OSC)、标准化、标准正态变量变换(SNV)、去趋势校正(DT)和基线校正等方法以及相结合进行光谱预处理,根据RC、SEC、RP和SEP这4个参数值最优选择在光谱波段在600~1099nm进行建模。精度高的模型应该具较高的RC、RP,较低且相接近的SEC值和SEP值,即相关系数越接近1越好,标准偏差越低越好,综合这4个指标,用标准化+正交信号校正(OSC)组合的预处理方法,明显优于其他预处理方法,经预处理后的光谱数据曲线见图2。
水稻种子发芽率测试的近红外光谱校正集预测模型:利用偏最小二乘法对校正集的168个样品光谱数据建立杂交水稻种子发芽率的近红外光谱校正集预测模型。经用标准化+正交信号校正(OSC)组合的预处理方法,建立杂交水稻种子发芽率模型预测值与测量值的关系曲线如图3所示,从图可以看出水稻发芽率的近红外模型的预测值和真实值之间存在良好的线性关系,校正集模型相关系数RC=0.965,校正集预测标准误差SEC值为1.929,相关性达到显著水平。
水稻种子发芽率测试的近红外光谱预测模型的检验结果见表2:
表2水稻种子发芽率近红外光谱模型验证相对误差
利用水稻种子近红外光谱发芽率校正集预测模型对验证集112个样品光谱进行检验,结果表明验证集光谱相关系数RP为0.931,验证预测标准误差SEP值为2.899,其验证集相关系数较大,标准误差较小,说明验证集预测结果可信。对验证集预测值和真实值数据进行分析得到其预测平均发芽率和相对误差值如表2所示,不同老化时间段的14组数据的相对误差处于1.6-4.2%之间,验证集预测值相对误差最大值4.2%,为天丰优084老化48h水稻种子,且此值仍然小于国标规定种子发芽率试验测试重复间的最大容许差距,其他预测相对误差都较小,说明水稻种子发芽率近红外光谱模型预测结果较优。
根据本发明所建立的近红外光谱技术对水稻种子的发芽率的无损检测方法,其预测模型相对误差在国家标准规定种子发芽率试验测试不同重复间的最大容许差距范围之内,表明所建立的模型具有较高的预测准确性,能够对水稻种的发芽率进行无损、快速和准确检测。同样利用此方法对其它自然老化、非自然老化或受损水稻种子发芽率进行测试。
Claims (7)
1.基于近红外光谱技术的水稻种子发芽率快速无损测试方法,该方法包括步骤:
S1.收集水稻种子样品,并对水稻种子进行老化处理;
S2.采集具有不同老化时间段水稻种子的近红外光谱数据;
S3.对具有不同老化时间段的水稻种子按照国家标准进行发芽试验,测试发芽率数值;
S4.利用校正集相关系数(RC)、校正标准误差(SEC)、验证集相关系数(RP)和验证预测标准误差(SEP)这4个参数值作为检验标准选取近红外光谱波段和确定预处理方法;
S5.通过化学计量学分析软件利用偏最小二乘法建立水稻种子近红外光谱的发芽率测试校正集预测模型,并且对校正集预测模型进行检验,确定校正集预测模型的精确度。
2.如权利1所述的基于近红外光谱技术的水稻种子发芽率快速无损测试方法,其特征在于,步骤S1中所述的收集水稻种子样品,并对水稻种子进行老化处理包括步骤:
S1.1收集水稻种子样品,对收集的水稻种子进行初步的清选,去除种子中的杂物以及受损、受到虫害和不饱满等种子籽粒;
S1.2对经清选的水稻种子进行老化处理,处理温度为45℃,湿度100%的条件下老化不同时间段,对老化后的水稻种子在室温下放置48h,以便使不同老化阶段种子水分含量均匀一致。
3.如权利1所述的基于近红外光谱技术的水稻种子发芽率快速无损测试方法,其特征在于,步骤S2中所述的采集具有不同老化时间段水稻种子的近红外光谱数据包括步骤:
S2.1近红外光谱仪经预热正常工作后,每个品种每个老化阶段的试验样品数为20个,每个样品光谱仪自动采集10次光谱数据,输出光谱数据为其平均值所得光谱数据,其中12个样品光谱数据用于校正集建模,其余8个样品光谱数据用于验证集模型检验。
4.如权利1所述的基于近红外光谱技术的水稻种子发芽率快速无损测试方法,其特征在于,步骤S3中所述的对具有不同老化时间段的水稻种子按照标准进行发芽试验,测试发芽率数值包括步骤:
S3.1样品光谱数据采集完成后,对不同老化时间段的水稻种子进行发芽试验,测试种子发芽率。发芽试验按照GB/T3543.4-1995标准进行,同一老化时间段种子发芽试验不同重复之间的最大容许差距应符合标准规定要求。
5.如权利1所述的基于近红外光谱技术的水稻种子发芽率快速无损测试方法,其特征在于,步骤S4中所述的利用校正集相关系数(RC)、校正标准误差(SEC)、验证集相关系数(RP)和验证预测标准误差(SEP)这4个参数值作为检验标准确定近红外光谱波段和预处理方法包括步骤:
S4.1确定近红外光谱波段方法:根据原始光谱数据特性,对5个光谱波段600~700nm、700~1000nm、1000~1099nm、700~1099nm和全波段600~1099nm采用同一光谱预处理方法,对其校正集相关系数(RC)、校正标准误差(SEC)、验证集相关系数(RP)和验证预测标准误差(SEP)这4个参数值进行比较分析,得出光谱全波段建模分析结果较好;
S4.2确定近红外光谱预处理方法:用净分析信号(NAS)、正交信号校正(OSC)、标准化、标准正态变量变换(SNV)、去趋势校正(DT)和基线校正等方法以及相结合进行光谱预处理,根据RC、SEC、RP和SEP这4个参数值最优选择在光谱波段在600~1099nm进行建模。综合这4个指标,用标准化+正交信号校正(OSC)组合的预处理方法,明显优于其他预处理方法。
6.如权利1所述的基于近红外光谱技术的水稻种子发芽率快速无损测试方法,其特征在于,步骤S5中所述的通过化学计量学分析软件利用偏最小二乘法建立水稻种子近红外光谱的发芽率校正集预测模型,并且对校正集预测模型进行检验,确定校正集预测模型的精确度包括步骤:
S5.1通过化学计量学分析软件利用偏最小二乘法建立水稻种子近红外光谱的发芽率测试校正集预测模型:利用偏最小二乘法对校正集的168个样品光谱数据建立杂交水稻种子发芽率的近红外光谱校正集预测模型,水稻发芽率的近红外模型的预测值和真实值之间存在良好的线性关系,校正集模型相关系数RC=0.965,校正集预测标准误差SEC值为1.929,相关性达到显著水平;
S5.2水稻种子发芽率测试的近红外光谱校正集预测模型的检验:利用水稻种子发芽率校正集预测模型对预测集112个样品光谱进行预测,结果表明验证集光谱相关系数RP为0.931,验证预测标准误差SEP值为2.899,其验证集相关系数较大,标准误差较小,说明验证集预测结果可信。验证集预测值相对误差最大值4.2%,且此值仍然小于国标规定种子发芽率试验测试重复间的最大容许差距,说明水稻种子发芽率近红外光谱模型预测结果较优。
7.如权利1所述的基于近红外光谱技术的水稻种子发芽率快速无损测试方法,其特征在于利用该方法同样能够对其它自然老化、非自然老化或受损水稻种子进行发芽率测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410027792.1A CN104255118B (zh) | 2014-01-22 | 2014-01-22 | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410027792.1A CN104255118B (zh) | 2014-01-22 | 2014-01-22 | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104255118A true CN104255118A (zh) | 2015-01-07 |
CN104255118B CN104255118B (zh) | 2017-01-18 |
Family
ID=52146807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410027792.1A Active CN104255118B (zh) | 2014-01-22 | 2014-01-22 | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104255118B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104823555A (zh) * | 2015-05-12 | 2015-08-12 | 镇江鑫源达园艺科技有限公司 | 一种剔除甘蓝类蔬菜不发芽死种子的方法 |
CN107258149A (zh) * | 2017-05-31 | 2017-10-20 | 中国农业科学院棉花研究所 | 一种基于近红外光谱的棉花种子发芽率测定方法及系统 |
CN108126917A (zh) * | 2018-02-07 | 2018-06-08 | 袁隆平农业高科技股份有限公司 | 一种用于分选劣变水稻种子的光学分选装置及设备 |
CN112986156A (zh) * | 2021-02-08 | 2021-06-18 | 浙江大学 | 一种谷物种子冻伤表征及识别方法 |
CN113295641A (zh) * | 2021-05-26 | 2021-08-24 | 河北金沙河面业集团有限责任公司 | 一种小麦发芽率快速测定方法 |
WO2023123329A1 (zh) * | 2021-12-29 | 2023-07-06 | 安徽大学 | 近红外光谱的净信号提取方法及其系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102960096A (zh) * | 2012-11-13 | 2013-03-13 | 中国科学院合肥物质科学研究院 | 基于近红外光谱的水稻单籽粒活力无损检测筛选方法 |
-
2014
- 2014-01-22 CN CN201410027792.1A patent/CN104255118B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102960096A (zh) * | 2012-11-13 | 2013-03-13 | 中国科学院合肥物质科学研究院 | 基于近红外光谱的水稻单籽粒活力无损检测筛选方法 |
Non-Patent Citations (2)
Title |
---|
任晶晶: "提高南方主要造林树种种子品质分选技术研究", 《中国优秀硕士学位论文全文数据库(农业科技辑)》 * |
戴子云等: "近红外光谱技术的结缕草种子发芽率研究", 《光谱学与光谱分析》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104823555A (zh) * | 2015-05-12 | 2015-08-12 | 镇江鑫源达园艺科技有限公司 | 一种剔除甘蓝类蔬菜不发芽死种子的方法 |
CN104823555B (zh) * | 2015-05-12 | 2016-08-24 | 镇江鑫源达园艺科技有限公司 | 一种剔除甘蓝类蔬菜不发芽死种子的方法 |
CN107258149A (zh) * | 2017-05-31 | 2017-10-20 | 中国农业科学院棉花研究所 | 一种基于近红外光谱的棉花种子发芽率测定方法及系统 |
CN108126917A (zh) * | 2018-02-07 | 2018-06-08 | 袁隆平农业高科技股份有限公司 | 一种用于分选劣变水稻种子的光学分选装置及设备 |
CN112986156A (zh) * | 2021-02-08 | 2021-06-18 | 浙江大学 | 一种谷物种子冻伤表征及识别方法 |
CN112986156B (zh) * | 2021-02-08 | 2022-03-11 | 浙江大学 | 一种谷物种子冻伤表征及识别方法 |
CN113295641A (zh) * | 2021-05-26 | 2021-08-24 | 河北金沙河面业集团有限责任公司 | 一种小麦发芽率快速测定方法 |
WO2023123329A1 (zh) * | 2021-12-29 | 2023-07-06 | 安徽大学 | 近红外光谱的净信号提取方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104255118B (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104255118B (zh) | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 | |
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
CN102179375B (zh) | 一种基于近红外作物单籽粒成分无损检测筛选方法 | |
CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
Fan et al. | Individual wheat kernels vigor assessment based on NIR spectroscopy coupled with machine learning methodologies | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
CN102279168A (zh) | 基于近红外光谱技术快速无损分析整粒棉籽营养品质的方法 | |
CN111157511B (zh) | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
CN111855590A (zh) | 水稻叶片淀粉积累量遥感反演模型和方法 | |
CN107677638A (zh) | 一种基于近红外光谱技术的初烤把烟含梗率快速检测方法 | |
CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
Suchat et al. | Rapid moisture determination for cup lump natural rubber by near infrared spectroscopy | |
CN108613943B (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
CN116385784A (zh) | 一种镉胁迫下水稻叶绿素含量测算方法及系统 | |
Yang | Nondestructive prediction of optimal harvest time of cherry tomatoes using VIS-NIR spectroscopy and PLSR calibration | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
CN103822899A (zh) | 基于太赫兹时域光谱检测小麦粉中害虫碎片的方法 | |
Noypitak et al. | Detection of cracked shell in intact aromatic young coconut using near infrared spectroscopy and acoustic response methods | |
CN114527082A (zh) | 甜玉米种子萌发预测方法及装置 | |
CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 |
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 |