CN105021535A - 一种稻谷脂肪酸含量无损检测方法及系统 - Google Patents
一种稻谷脂肪酸含量无损检测方法及系统 Download PDFInfo
- Publication number
- CN105021535A CN105021535A CN201510481094.3A CN201510481094A CN105021535A CN 105021535 A CN105021535 A CN 105021535A CN 201510481094 A CN201510481094 A CN 201510481094A CN 105021535 A CN105021535 A CN 105021535A
- Authority
- CN
- China
- Prior art keywords
- paddy
- fatty acid
- model
- content
- sample
- 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
本发明公开了一种稻谷脂肪酸含量无损检测方法及系统,将无霉变、未发芽、千粒重为23.32g的籼稻谷放置于恒温恒湿箱中进行霉菌培养，制备不同霉变时期的稻谷样本；分别采集波长392、404、430、442、619、636、870、885和899nm光波所对应的稻谷样本的反射率；将各反射率分别代入稻谷脂肪酸含量预测模型。本发明基于特征光谱波段反射率构建的SPXY-SPA-MLR模型能快速无损检测稻谷中的脂肪酸含量，大大缩短了检测的时间，降低了检测成本。
Description
技术领域
本发明涉及稻谷品质检测领域,特别是一种稻谷脂肪酸含量无损检测方法及系统。
背景技术
稻谷是我国主要的粮食作物之一，其主产区和储备区大部分集中在长江以南。该区域气候具有终年高湿，冬季短，夏季长且酷暑等特点，为霉菌繁殖提供了适宜的生长条件。稻谷中富含淀粉、蛋白质、碳水化合物等成分，极易受霉菌污染造成霉烂变质，产生对人体有毒害的物质。研究结果表明稻谷霉变过程实质上就是微生物以稻谷为营养基质，进行消化、吸收和利用的物质代谢和能量代谢的生物化学反应，其中脂肪酸是一种比较稳定的代谢产物，容易在霉变的稻谷中积累，从而导致稻谷中脂肪酸值增高。因此，脂肪酸含量的变化可以较好地表征稻谷霉变的程度。因此，通过对稻谷中脂肪酸含量的检测，可反映稻谷的霉变情况，对实现稻谷安全储藏和提高稻米的食用安全具有重要意义。
现有的谷物脂肪酸值测定主要采取传统的化学分析方法，按照GB/T20569-1995《谷物制品脂肪酸值测定法》进行测定，该方法在分析稻谷脂肪酸含量时需要添加化学试剂对稻谷本身实施破坏性检测，处理反应周期较长，易造成对环境的污染，难以达到快速检测的要求。
霉菌侵染稻谷的劣变过程通常划分为3个阶段，分别是霉变初期、霉变中期、霉变后期。在霉变初期，谷粒出现轻度变色、发潮，肉眼很难观察；在霉变中期，谷粒胚部开始显现菌落，并出现较为明显的霉斑和霉味；在霉变后期，霉谷区出现严重的霉味、酸味和异常，谷粒成团结块。可见/近红外光谱为分子的振动光谱，每一条谱带的频率、强度与带形都与分子本身的化学结构密切相关。因此，可见/近红外光谱可有效反应物质内部的有机成分，特别是各类有机化合物官能团的特征，可作为一种可靠的分析技术。高光谱成像技术可以获取目标的图像信息和可见/近红外光谱信息，常用于分析目标中感兴趣区域的物质结构及化学组成。综合上述稻谷不同时期表征的感官特点，利用高光谱成像技术获取不同时期稻谷所对应的光谱反射值从而反演其脂肪酸含量变化，具有一定的潜在可行性。
高光谱图像中光谱曲线具有极高的光谱分辨率，数据维数较高，如果用全光谱波段作为输入变量建立稻谷脂肪酸含量预测模型，模型将由于输入变量的共线性问题，产生较多冗余数据，耗费大量的建模时间。同时，光谱建模样本的选取和确定直接影响模型的预测精度和校正速度。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种稻谷脂肪酸含量无损检测方法及系统。
为解决上述技术问题，本发明所采用的技术方案是：一种稻谷脂肪酸含量无损检测方法，包括以下步骤：
1)将无霉变、未发芽、千粒重为23.32g的籼稻谷放置于恒温恒湿箱中进行霉菌培养，制备不同霉变时期的稻谷样本；所述恒温恒湿箱的温度为30℃，湿度为90％；所述不同霉变时期为霉变初期、霉变中期和霉变后期；
2)在上述各个时期以及稻谷正常期内选择多个稻谷样本，分别采集波长392、404、430、442、619、636、870、885和899nm光波所对应的稻谷样本的反射率；
3)将各反射率分别代入稻谷脂肪酸含量预测模型：y＝1051.4λ1-333.3λ2+395.9λ3-3112.3λ4-208.8λ5-120.7λ6+1362.5λ7-402.1λ8+285.2λ9+177.7，或者y＝182.8707+1063.5033λ1-480.0859λ2+439.8862λ3-1473.8358λ4-223.9725λ5-198.9102λ6-19.7287λ7-515.6599λ8+554.5584λ9；计算得到稻谷脂肪酸含量；其中，y为稻谷脂肪酸含量，单位为KOH mg/100g干基；λ1～λ9分别为波长392、404、430、442、619、636、870、885和899nm波段所对应的稻谷样本反射率；
4)对于待测稻谷，分别采集该待测稻谷波长392、404、430、442、619、636、870、885和899nm光波所对应的稻谷样本的反射率，将所述反射率代入上述预测模型检测稻谷的脂肪酸含量。
所述步骤2)中，稻谷正常期、霉变初期、霉变中期、霉变后期对应的脂肪酸含量区间分别为19～24、27～81、84～127、101～125KOH mg/100g干基。
所述步骤3)中，稻谷脂肪酸含量预测模型的建立过程包括以下步骤：
1)从200个稻谷样本选取45个样本作为模型预测集，剩余的155个样本作为模型初始校正集；
2)采用SPXY算法对模型初始校正集样本进行筛选，指定样本数N范围选为35～155，步长为10，分别试建全光谱波段的PLSR模型，根据模型预测集的相关系数Rp和预测均方根误差RMSEP，完成模型初始校正集样本的优选和样本数量的的确定；
3)利用连续投影算法对SPXY算法优选的稻谷的校正模型进行光谱特征波段选取，指定波段数N范围为2～24，根据模型初始校正集的内部交叉验证均方根误差RMSECV值确定最佳的光谱特征波段个数，模型初始校正集样本的原始光谱经过SG数据平滑，从256个光谱波段中共优选出9个特征波段，分别是392、404、430、442、619、636、870、885和899nm；
4)经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为MLR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-MLR预测模型；或者经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为PLSR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-PLSR预测模型；或者经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为BP神经网络的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-BP神经网络预测模型。
所述SPXY-SPA-MLR预测模型对应的相关系数Rp为0.9159，预测均方根误差RMSEP为14.2610。
所述SPXY-SPA-PLSR预测模型对应的相关系数Rp为0.9221，预测均方根误差RMSEP为13.8893。
所述SPXY-SPA-BP神经网络预测模型对应的相关系数Rp为0.9516，预测均方根误差RMSEP为10.9324。
利用所述稻谷脂肪含量预测模型对校正集和预测集稻谷样本的脂肪酸含量进行预测，并对预测结果进行评价，评价指标中模型的预测值与实测值相关系数和斜率越接近于1，均方根误差绝对值小，说明稻谷脂肪含量预测模型的预测性能越好。
本发明还提供了一种稻谷脂肪酸含量无损检测系统，包括：
恒温恒湿箱A：用于储藏正常期稻谷样本，其温度为10℃，湿度为15％；
恒温恒湿箱B：用于培养不同霉变时期的稻谷样本，其温度为30℃，湿度为90％
光谱检测模块：用于采集波长392、404、430、442、619、636、870、885和899nm光波所对应的稻谷样本的反射率；
处理模块：用于将各反射率分别代入稻谷脂肪酸含量预测模型：y＝1051.4λ1-333.3λ2+395.9λ3-3112.3λ4-208.8λ5-120.7λ6+1362.5λ7-402.1λ8+285.2λ9+177.7，或者y＝182.8707+1063.5033λ1-480.0859λ2+439.8862λ3-1473.8358λ4-223.9725λ5-198.9102λ6-19.7287λ7-515.6599λ8+554.5584λ9；计算得到稻谷脂肪酸含量；其中，y为稻谷脂肪酸含量，单位为KOH mg/100g干基；λ1～λ9分别为波长392、404、430、442、619、636、870、885和899nm波段所对应的稻谷样本反射率；
预测模块：用于利用所述预测模型检测稻谷的脂肪酸含量。
所述处理模块包括：
模型预测集：包括200个稻谷样本集中的45个样本；
模型初始校正集：包括200个稻谷样本中剩余的155个样本；
优选和样本数量确定模块：用于采用SPXY算法对模型初始校正集样本进行筛选，指定样本数N范围选为35～155，步长为10，分别试建全光谱波段的PLSR模型，根据模型预测集的相关系数Rp和预测均方根误差RMSEP，完成模型初始校正集样本的优选和样本数量的确定；
特征波段选取模块：用于利用连续投影算法对SPXY算法优选的稻谷的校正模型进行光谱特征波段选取，指定波段数N范围为2～24，根据模型初始校正集的内部交叉验证均方根误差RMSECV值确定最佳的光谱特征波段个数，模型初始校正集样本的原始光谱经过SG数据平滑，从256个光谱波段中共优选出9个特征波段，分别是392、404、430、442、619、636、870、885和899nm；
预测模型确立模块：用于对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为MLR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-MLR预测模型；或者对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为PLSR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-PLSR预测模型；或者对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为BP神经网络的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-BP神经网络预测模型。
与现有技术相比，本发明所具有的有益效果为：本发明基于特征光谱波段反射率构建的SPXY-SPA-MLR模型、SPXY-SPA-PLSR预测模型、SPXY-SPA-BP神经网络预测模型能快速无损检测稻谷中的脂肪酸含量，大大缩短了检测的时间，降低了检测成本；经过Savitzky-Golay(SG)平滑对全波段光谱进行预处理后，采用SPXY算法确立的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为MLR模型的输入，以相应测量的脂肪酸含量作为输出变量，利用回归分析法建立的稻谷脂肪酸含量SPXY-SPA-MLR预测模型，以及本发明建立的SPXY-SPA-PLSR预测模型、SPXY-SPA-BP神经网络预测模型，预测稻谷脂肪酸含量达到0.91，验证了该检测方法具有较好的预测精度；本发明制备的稻谷样本放置于恒温恒湿箱中进行霉菌培养，设定恒温恒湿箱的温度30℃，湿度90％，按照稻谷储藏过程中理化特性与时间的变化关系，人工将培育阶段划分成3个周期，每个时间周期约为10d，确保能获得霉变初期、中期和后期的稻谷样本；本发明运用光谱技术建立可见/近红外光谱与稻谷脂肪酸含量之间的校正模型过程中，选取的样本涵盖了稻谷正常期、霉变初期、霉变中期和霉变后期4个变化时期，保证了样本的差异性和代表性；本发明对模型初始校正集和预测集样本的光谱数据进行SG平滑预处理，减弱了噪声；本发明采用SPXY算法从模型初始校正集样本中筛选出具有差异性及代表性的样本用于校正模型建立，能使校正集内样本最大程度地表征呈均匀分布特性，以提高模型稳定性；本发明采用连续投影算法从256个光谱波段中优选出9个特征波段，消除原始光谱矩阵中冗余的信息，极小化光谱变量之间的共线性影响，实现光谱数据压缩，减小了计算量，提高了计算速度。
附图说明
图1为本发明检测方法构造的实施过程；
图2为本发明不同时期稻谷光谱反射率分布；
图3为本发明校正集样本的选取过程中PLSR全光谱模型均方根误差和相关系数变化曲线；
图4为本发明连续投影算法优选的特征光谱波段；
图5为本发明预测集样本验证所建SPXY-SPA-MLR模型预测结果；
图6为本发明预测集样本验证所建SPA-BP神经网络模型预测结果；
图7为本发明预测集样本验证所建SPA-PLSR模型预测结果。
具体实施方式
选取无霉变、未发芽、千粒重为23.32g的籼稻谷置于200个样品皿中进行单独编号，每个样品皿中净装100g，其中50个样品皿按照粮食储藏要求(温度10℃，湿度15％)放入恒温恒湿箱A中存储；然后，将剩余的150个样品皿根据稻谷霉菌适宜滋生的条件(温度30℃，湿度90％)放置于恒温恒湿箱B中培育，上述霉变稻谷的制备过程按照稻谷储藏过程中理化特性与时间的变化关系，人工将培育阶段划分成3个周期，每个时间周期约为10d，分别得到不同霉变时期(初期、中期、后期)的稻谷各50份。
在室温下采用Hypersis农产品高光谱成像仪测定培养的不同时期稻谷样本在波长380～1100nm处的光谱反射率值。采样过程将制备的稻谷样本平铺固定于农产品高光谱成像仪内反射率接近于0的黑色底板上，黑色底板置于在载物台，在电机的驱动下，样本垂直于镜头纵向移动，移动平台运行速度14.6mm/s，扫描距离150mm，高光谱相机同时获得样本在各波长处的光谱信息和图像信息，每粒稻谷采集得到256个波段的图像；利用遥感图像处理平台(environment for visualizing images，ENVI)选取矩形载物台上的稻谷感兴趣区域(region of interest,ROI)作为提取对象，稻谷脂肪酸含量的实测值均与所选的ROI区域对应。通过计算ROI的各个像素点的光谱响应平均值来估算稻谷脂肪酸的相对反射率，作为观测稻谷的光谱反射值；制备的4个不同时期稻谷平均光谱曲线经过SG平滑处理的结果如图2所示，同时按照GB/T20569-1995《谷物制品脂肪酸值测定法》测定所有稻谷样本的脂肪酸含量，并将其作为建模的标准参考值。
人工从制备的200个样本总体中选取45个样本作为模型预测集，剩余的155个样本作为模型初始校正集。
采用SPXY算法对稻谷初始校正集样本进行筛选，指定样本数N范围选为35～155，步长为10，分别试建全光谱波段的PLSR模型，根据模型预测集的相关系数Rp和预测均方根误差(RMSEP)值，完成校正集样本的优选和样本数量的的确定，如图3所示。
利用连续投影算法(SPA)对SPXY算法优选的稻谷的校正模型进行光谱特征波段选取，指定波段数N范围为2～24，根据校正集的内部交叉验证均方根误差RMSECV值确定最佳的光谱特征波段个数，稻谷校正集样本的原始光谱经过SG数据平滑，从256个光谱波段中共优选出9个特征波段，分别是392、404、430、442、619、636、870、885和899nm，提取的稻谷样本各特征波长如图4所示。
经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的65份稻谷样本作为模型校正集，将SPA算法优选的特征波段对应的光谱反射率作为多元线性回归模型(MLR)的输入变量，以相应测量的脂肪酸含量作为模型输出变量，建立稻谷脂肪酸含量SPXY-SPA-MLR预测模型：y＝1051.4λ1-333.3λ2+395.9λ3-3112.3λ4-208.8λ5-120.7λ6+1362.5λ7-402.1λ8+285.2λ9+177.7。模型中y为稻谷脂肪酸含量，单位为KOH mg/100g干基；λ1～λ12分别为波长392、404、430、442、619、636、870、885和899nm波段所对应的稻谷样本反射率。
利用上述构建的SPXY-SPA-MLR稻谷脂肪含量预测模型对校正集和预测集稻谷样本的脂肪酸含量进行预测，并对预测结果进行评价。评价指标中模型的预测值与实测值相关系数和斜率越接近于1，均方根误差绝对值小，说明模型预测性能越好。预测性能评价结果如下表1所示。
利用上述样本集，经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为PLSR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-PLSR预测模型；或者经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为BP神经网络的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-BP神经网络预测模型。本发明SPXY-SPA-BP神经网络模型预测性能评价结果、SPXY-SPA-PLSR模型预测性能评价结果分别如表2、表3所示。
表1 SPXY-SPA-MLR模型预测性能评价结果
表2 SPXY-SPA-BP神经网络模型预测性能评价结果
表3 SPXY-SPA-PLSR模型预测性能评价结果
对稻谷校正集和预测集进行预测，稻谷脂肪酸含量的预测值与实测值之间的相关系数大于0.91，均方根误差小于14.26，构建的模型质量和稻谷脂肪酸含量预测效果均较好。本发明预测集样本验证所建的SPA-MLR模型预测结果如图5所示，预测集样本验证所建的SPA-BP神经网络模型预测结果如图6所示，预测集样本验证所建的SPA-PLSR模型预测结果如图7所示。图5、6、7中样本靠近分布于回归直线两侧，具有很好的线性预测效果。上述结果说明应用本发明提出的方法能够快速无损地实现稻谷脂肪酸含量的检测。
Claims (9)
1.一种稻谷脂肪酸含量无损检测方法，其特征在于，包括以下步骤：
1)将无霉变、未发芽、千粒重为23.32g的籼稻谷放置于恒温恒湿箱中进行霉菌培养，制备不同霉变时期的稻谷样本；所述恒温恒湿箱的温度为30℃，湿度为90％；所述不同霉变时期为霉变初期、霉变中期和霉变后期；
2)在上述各个时期以及稻谷正常期内选择多个稻谷样本，分别采集波长392、404、430、442、619、636、870、885和899nm光波所对应的稻谷样本的反射率；
3)将各反射率分别代入稻谷脂肪酸含量预测模型：y＝1051.4λ1-333.3λ2+395.9λ3-3112.3λ4-208.8λ5-120.7λ6+1362.5λ7-402.1λ8+285.2λ9+177.7，或者y＝182.8707+1063.5033λ1-480.0859λ2+439.8862λ3-1473.8358λ4-223.9725λ5-198.9102λ6-19.7287λ7-515.6599λ8+554.5584λ9；计算得到稻谷脂肪酸含量；其中，y为稻谷脂肪酸含量，单位为KOH mg/100g干基；λ1～λ9分别为波长392nm、404nm、430nm、442nm、619nm、636nm、870nm、885和899nm波段所对应的稻谷样本反射率；
4)对于待测稻谷，分别采集该待测稻谷波长392、404、430、442、619、636、870、885和899nm光波所对应的稻谷样本的反射率，将所述反射率代入上述预测模型检测稻谷的脂肪酸含量。
2.根据权利要求1所述的稻谷脂肪酸含量无损检测方法，其特征在于，所述步骤2)中，稻谷正常期、霉变初期、霉变中期、霉变后期对应的脂肪酸含量区间分别为19～24、27～81、84～127、101～125KOH mg/100g干基。
3.根据权利要求2所述的稻谷脂肪酸含量无损检测方法，其特征在于，所述步骤3)中，稻谷脂肪酸含量预测模型的建立过程包括以下步骤：
1)从200个稻谷样本选取45个样本作为模型预测集，剩余的155个样本作为模型初始校正集；
2)采用SPXY算法对模型初始校正集样本进行筛选，指定样本数N范围选为35～155，步长为10，分别试建全光谱波段的PLSR模型，根据模型预测集的相关系数Rp和预测均方根误差RMSEP，完成模型初始校正集样本的优选和样本数量的确定；
3)利用连续投影算法对SPXY算法优选的稻谷的校正模型进行光谱特征波段选取，指定波段数N范围为2～24，根据模型初始校正集的内部交叉验证均方根误差RMSECV值确定最佳的光谱特征波段个数，模型初始校正集样本的原始光谱经过SG数据平滑，从256个光谱波段中共优选出9个特征波段，分别是392、404、430、442、619、636、870、885和899nm；
4)经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为MLR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-MLR预测模型；或者经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为PLSR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-PLSR预测模型；或者经过对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为BP神经网络的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-BP神经网络预测模型。
4.根据权利要求3所述的稻谷脂肪酸含量无损检测方法，其特征在于，所述SPXY-SPA-MLR预测模型对应的相关系数Rp为0.9159，预测均方根误差RMSEP为14.2610。
5.根据权利要求3所述的稻谷脂肪酸含量无损检测方法，其特征在于，所述SPXY-SPA-PLSR预测模型对应的相关系数Rp为0.9221，预测均方根误差RMSEP为13.8893。
6.根据权利要求3所述的稻谷脂肪酸含量无损检测方法，其特征在于，所述SPXY-SPA-BP神经网络预测模型对应的相关系数Rp为0.9516，预测均方根误差RMSEP为10.9324。
7.根据权利要求3～6之一所述的稻谷脂肪酸含量无损检测方法，其特征在于，利用所述稻谷脂肪含量预测模型对校正集和预测集稻谷样本的脂肪酸含量进行预测，并对预测结果进行评价，评价指标中模型的预测值与实测值相关系数和斜率越接近于1，均方根误差绝对值小，稻谷脂肪含量预测模型的预测性能越好。
8.一种稻谷脂肪酸含量无损检测系统，其特征在于，包括：
恒温恒湿箱A：用于储藏正常期稻谷样本，其温度为10℃，湿度为15％；
恒温恒湿箱B：用于培养不同霉变时期的稻谷样本，其温度为30℃，湿度为90％
光谱检测模块：用于采集波长392、404、430、442、619、636、870、885和899nm光波所对应的稻谷样本的反射率；
处理模块：用于将各反射率分别代入稻谷脂肪酸含量预测模型：y＝1051.4λ1-333.3λ2+395.9λ3-3112.3λ4-208.8λ5-120.7λ6+1362.5λ7-402.1λ8+285.2λ9+177.7，或者y＝182.8707+1063.5033λ1-480.0859λ2+439.8862λ3-1473.8358λ4-223.9725λ5-198.9102λ6-19.7287λ7-515.6599λ8+554.5584λ9；计算得到稻谷脂肪酸含量；其中，y为稻谷脂肪酸含量，单位为KOH mg/100g干基；λ1～λ9分别为波长392、404、430、442、619、636、870、885和899nm波段所对应的稻谷样本反射率；
预测模块：用于利用所述预测模型检测稻谷的脂肪酸含量。
9.根据权利要求8所述的稻谷脂肪酸含量无损检测系统，其特征在于，所述处理模块包括：
模型预测集：包括200个稻谷样本集中的45个样本；
模型初始校正集：包括200个稻谷样本中剩余的155个样本；
优选和样本数量确定模块：用于采用SPXY算法对模型初始校正集样本进行筛选，指定样本数N范围选为35～155，步长为10，分别试建全光谱波段的PLSR模型，根据模型预测集的相关系数Rp和预测均方根误差RMSEP，完成模型初始校正集样本的优选和样本数量的确定；
特征波段选取模块：用于利用连续投影算法对SPXY算法优选的稻谷的校正模型进行光谱特征波段选取，指定波段数N范围为2～24，根据模型初始校正集的内部交叉验证均方根误差RMSECV值确定最佳的光谱特征波段个数，模型初始校正集样本的原始光谱经过SG数据平滑，从256个光谱波段中共优选出9个特征波段，分别是392、404、430、442、619、636、870、885和899nm；预测模型确立模块：用于对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为MLR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-MLR预测模型；或者对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为PLSR模型的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-PLSR预测模型；或者对全波段光谱数据进行SG平滑预处理后，采用SPXY算法优选的稻谷校正集样本，将SPA算法优选的特征波段对应的光谱反射率作为BP神经网络的输入变量，以相应测量的脂肪酸含量作为输出变量，建立稻谷脂肪酸含量SPXY-SPA-BP神经网络预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510481094.3A CN105021535B (zh) | 2015-08-07 | 2015-08-07 | 一种稻谷脂肪酸含量无损检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510481094.3A CN105021535B (zh) | 2015-08-07 | 2015-08-07 | 一种稻谷脂肪酸含量无损检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105021535A true CN105021535A (zh) | 2015-11-04 |
| CN105021535B CN105021535B (zh) | 2018-06-29 |
Family
ID=54411669
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510481094.3A Active CN105021535B (zh) | 2015-08-07 | 2015-08-07 | 一种稻谷脂肪酸含量无损检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105021535B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975966A (zh) * | 2016-04-21 | 2016-09-28 | 南京农业大学 | 一种稻谷霉变无损检测的方法 |
| CN108362659A (zh) * | 2018-02-07 | 2018-08-03 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
| CN108398400A (zh) * | 2018-01-18 | 2018-08-14 | 河南工业大学 | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 |
| CN109073546A (zh) * | 2016-02-24 | 2018-12-21 | 陶朗分拣股份有限公司 | 用于检测谷物中霉菌毒素的存在的方法和设备 |
| CN110865046A (zh) * | 2019-11-28 | 2020-03-06 | 浙江农林大学 | 一种食用油反式脂肪酸异构体含量的快速检测方法 |
| CN111103245A (zh) * | 2020-02-13 | 2020-05-05 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
| CN111398238A (zh) * | 2020-05-13 | 2020-07-10 | 安徽理工大学 | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101655454A (zh) * | 2009-09-15 | 2010-02-24 | 北京市农林科学院 | 一种粮食储存品质判定的快速测定方法 |
-
2015
- 2015-08-07 CN CN201510481094.3A patent/CN105021535B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101655454A (zh) * | 2009-09-15 | 2010-02-24 | 北京市农林科学院 | 一种粮食储存品质判定的快速测定方法 |
Non-Patent Citations (4)
| Title |
|---|
| 孙君明等: "傅里叶近红外反射光谱法快速测定大豆脂肪酸含量", 《光谱学与光谱分析》 * |
| 廖敦军等: "油菜籽脂肪酸成分含量与高光谱反射率的相关性", 《湖南农业大学学报（自然科学版）》 * |
| 杨晓蓉等: "不同储藏条件下稻谷脂肪酸值变化和霉变相关性研究", 《粮食储藏》 * |
| 罗霞等: "高光谱技术在无损检测火龙果可溶性固形物中的应用", 《激光与光电子学进展》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109073546A (zh) * | 2016-02-24 | 2018-12-21 | 陶朗分拣股份有限公司 | 用于检测谷物中霉菌毒素的存在的方法和设备 |
| CN105975966A (zh) * | 2016-04-21 | 2016-09-28 | 南京农业大学 | 一种稻谷霉变无损检测的方法 |
| CN108398400A (zh) * | 2018-01-18 | 2018-08-14 | 河南工业大学 | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 |
| CN108398400B (zh) * | 2018-01-18 | 2020-12-22 | 河南工业大学 | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 |
| CN108362659A (zh) * | 2018-02-07 | 2018-08-03 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
| CN108362659B (zh) * | 2018-02-07 | 2021-03-30 | 武汉轻工大学 | 基于多源光谱并联融合的食用油种类快速鉴别方法 |
| CN110865046A (zh) * | 2019-11-28 | 2020-03-06 | 浙江农林大学 | 一种食用油反式脂肪酸异构体含量的快速检测方法 |
| CN110865046B (zh) * | 2019-11-28 | 2022-01-07 | 浙江农林大学 | 一种食用油反式脂肪酸异构体含量的快速检测方法 |
| CN111103245A (zh) * | 2020-02-13 | 2020-05-05 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
| CN111103245B (zh) * | 2020-02-13 | 2023-09-19 | 北华航天工业学院 | 一种基于光谱技术玉米霉变的快速检测方法 |
| CN111398238A (zh) * | 2020-05-13 | 2020-07-10 | 安徽理工大学 | 一种食用油掺杂蓖麻油的激光诱导荧光光谱识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105021535B (zh) | 2018-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105021535A (zh) | 一种稻谷脂肪酸含量无损检测方法及系统 | |
| Su et al. | Evaluation of spectral imaging for inspection of adulterants in terms of common wheat flour, cassava flour and corn flour in organic Avatar wheat (Triticum spp.) flour | |
| Lee et al. | Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis | |
| Sendin et al. | Near infrared hyperspectral imaging in quality and safety evaluation of cereals | |
| Mishra et al. | Rapid assessment of quality change and insect infestation in stored wheat grain using FT-NIR spectroscopy and chemometrics | |
| CN101718683A (zh) | 快速检测叶片叶绿素含量的装置、建模方法及检测方法 | |
| CN105203464B (zh) | 基于高光谱成像技术检测花生中油酸含量分布的方法 | |
| Choi et al. | Portable, non-destructive tester integrating VIS/NIR reflectance spectroscopy for the detection of sugar content in Asian pears | |
| 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 | |
| Arazuri et al. | Rheological parameters determination using Near Infrared technology in whole wheat grain | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
| Xu et al. | Factors influencing near infrared spectroscopy analysis of agro-products: a review | |
| Lancelot et al. | Near-infrared hyperspectral imaging for following imbibition of single wheat kernel sections | |
| CN105092489A (zh) | 基于藻类高光谱信号的水体残留农药检测方法 | |
| Nakaji et al. | Estimation of six leaf traits of East Asian forest tree species by leaf spectroscopy and partial least square regression | |
| Lin et al. | Prediction of protein content in rice using a near-infrared imaging system as diagnostic technique | |
| CN102706908B (zh) | 水果内部品质快速检测模型的建模方法 | |
| Cheng et al. | Hyperspectral and imagery integrated analysis for vegetable seed vigor detection | |
| Varela et al. | A novel high-throughput hyperspectral scanner and analytical methods for predicting maize kernel composition and physical traits | |
| Noypitak et al. | Detection of cracked shell in intact aromatic young coconut using near infrared spectroscopy and acoustic response methods | |
| Xin et al. | Construction of spectral detection models to evaluate soluble solids content and acidity in Dangshan pear using two different sensors | |
| Wang Xue et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size. | |
| CN116310788A (zh) | 基于图谱融合的植株叶片氮含量高光谱建模方法 | |
| 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 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |