CN105181678A - 基于激光诱导击穿光谱的水稻品种鉴别方法 - Google Patents

基于激光诱导击穿光谱的水稻品种鉴别方法 Download PDF

Info

Publication number
CN105181678A
CN105181678A CN201510566291.5A CN201510566291A CN105181678A CN 105181678 A CN105181678 A CN 105181678A CN 201510566291 A CN201510566291 A CN 201510566291A CN 105181678 A CN105181678 A CN 105181678A
Authority
CN
China
Prior art keywords
rice varieties
spectrum
measured
rice
laser
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
Application number
CN201510566291.5A
Other languages
English (en)
Other versions
CN105181678B (zh
Inventor
王阳恩
徐大海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze University
Original Assignee
Yangtze University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangtze University filed Critical Yangtze University
Priority to CN201510566291.5A priority Critical patent/CN105181678B/zh
Publication of CN105181678A publication Critical patent/CN105181678A/zh
Application granted granted Critical
Publication of CN105181678B publication Critical patent/CN105181678B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

一种基于激光诱导击穿光谱的水稻品种鉴别方法，包括：S1、测量出N种标准水稻品种一定范围内的光谱；S2、对N种标准水稻品种光谱进行数据处理；S3、对进行平均处理后的数据进行谱线识别，获取含量靠前的化学元素的波峰谱线；S4、选择S3中波峰谱线组合成特征光谱作为BP神经网络的输入值并训练，得到BP神经网络结构；S5、利用激光诱导击穿光谱仪测量出待测水稻品种在一定范围内的光谱；S6、对S5中光谱进行数据处理；S7、对待测水稻品种光谱进行谱线识别，得出与步骤S3中相同元素的谱线；S8、选择S7中谱线波峰组合成特征光谱作为输入值，利用S4中BP神经网络对待测水稻品种进行识别，得到识别结果；S9、判断识别结果是否为N中标准水稻品种之一。

Description

基于激光诱导击穿光谱的水稻品种鉴别方法
技术领域
本发明涉及水稻品种快速鉴别技术领域，特别涉及一种基于激光诱导击穿光谱的水稻品种鉴别方法。
背景技术
水稻是中国最重要的粮食作物之一，目前，我国水稻的播种面积约占粮食作物总面积的1/4，但其产量约占全国粮食总产量的1/2。
水稻品种鉴别是目前农业生产、作物育种和种子检验中的一个重要问题。由于制售假冒伪劣种子等现象的日益增多，每年造成的经济损失是巨大的。同时，由于品种鉴别比较困难，每年因品种搞错和纯度差也会造成巨大的经济损失。因此，水稻品种鉴别日益受到种子质检部门、水稻育种研究等单位的重视。
目前，国内外水稻品种鉴别的常用方法主要有形态学方法、化学鉴定法、电泳鉴定法、幼苗鉴定法、田间小区种植鉴定法和DNA分子标记法等。但是，上述的这些水稻品种鉴别的方法都存在一些不足之处，如：精度不高，操作过程繁琐，效率低，非专业人员难以胜任，不适宜对样品进行批量分析以及无损在线检测等。因此，建立一套简便、快捷、高效、经济、准确度高的水稻品种鉴别技术是很有必要的。
光谱技术因其快捷、覆盖面广等特点，在各种行业中得到了越来越广泛的应用，光谱技术的发展为水稻品种的鉴别提供了一种新的技术手段。利用光谱对水稻品种鉴别具有速度快、效率高、成本低、测试重现性好、测量方便等特点。目前，光谱技术用于水稻品种鉴别的方法主要有：可见/近红外光谱、光致发光光谱、漫反射光谱、高光谱图像技术等。但这些光谱分析技术也存在一些不足之处，如：识别率有待提高，或数据处理比较复杂，水稻颗粒表面有杂质时不好识别，如水稻颗粒表面长霉后，用这些光谱技术不能很好识别。
发明内容
有鉴于此，本发明提供一种能够兼顾数据处理效率以及识别结果准确性的可用于识别表面有杂质时的基于激光诱导击穿光谱的水稻品种鉴别方法。
一种基于激光诱导击穿光谱的水稻品种鉴别方法，其包括以下步骤：
S1、利用激光诱导击穿光谱仪测量出N种标准水稻品种在200-950nm范围内的光谱，其中一颗水稻的同一点上测量X1次；
S2、对N种标准水稻品种光谱进行数据处理：对于一颗水稻的同一点上测量得到的X1组数据，将前面的M组数据删除，对后面的X1-M组数据进行平均处理；
S3、对进行平均处理后的数据进行谱线识别，找出其中含量靠前的预设个数的化学元素的波峰谱线；
S4、选取水稻品种中所选化学元素的波峰谱线组合成特征光谱作为BP神经网络的输入值，对BP神经网络进行训练，得到BP神经网络结构；
S5、利用激光诱导击穿光谱仪测量出待测水稻品种在200-950nm范围内的光谱，其中一颗水稻的同一点上测量X2次；
S6、对待测水稻品种光谱进行数据处理：对于一颗水稻的同一点上测量得到的X2组数据，将前面的X3组数据删除，X3小于X2，对后面的X2-X3组数据进行平均处理；
S7、对待测水稻品种光谱进行谱线识别，得出与步骤S3中相同元素的谱线；
S8、选取待测水稻品种中所选化学元素的谱线波峰组合成特征光谱作为BP神经网络的输入值，利用已得到的BP神经网络对待测水稻品种进行识别，得到识别结果；
S9、判断识别结果是否为N中标准水稻品种之一，如是，直接给出当前得到的识别结果；如不是，则增大X3的数值，依次重复步骤S6、S7、S8，得到新的识别结果；如果得到的还不是N种标准水稻品种之一，则继续增大X3，但当X3＝(X2-1)时，则停止迭代并给出当前运算出的识别结果。
有益技术效果：本发明通过对于一颗水稻的同一点上测量得到的X2组数据，将前面的X3组数据删除，只对后面的(X2-X3)组数据进行平均处理，再对平均处理过的光谱进行谱线识别，将含量较高的元素的波峰谱线组合成特征光谱作为BP神经网络的输入值，利用构建好的BP神经网络对水稻品种进行识别，能很好地兼顾数据处理效率以及识别结果准确性，特别是将测量数据的前面X3组数据删除，能有效降低水稻颗粒表面杂质对识别率的影响。
附图说明
图1是本发明实施方式提供的基于激光诱导击穿光谱的水稻品种鉴别方法流程图。
具体实施方式
如图1所示，一种基于激光诱导击穿光谱的水稻品种鉴别方法，其包括以下步骤：
S1、利用激光诱导击穿光谱仪测量出N种标准水稻品种在200-950nm范围内的光谱，其中一颗水稻的同一点上测量X1次，X1不小于15。
可选地，可以根据每个地方所常用的水稻品种进行确定N种标准水稻品种。
S2、对N种标准水稻品种光谱进行数据处理：对于一颗水稻的同一点上测量得到的X1组数据，将前面的M组数据删除，后面的(X1-M)组数据进行平均处理。可选地，M等于10。
可选地，根据测量的要求及所使用仪器的技术参数，确定同一颗水稻的同一点上测量的数据组数X1，但X1最好不小于15，以便将前面的10组数据删除，降低水稻表面杂质对测量结果的影响。根据标准水稻品种表面的清洁程度，可对删去的数据组数进行变动。如可将删除的10组数据变为8组数据或12组数据等等。
S3、对处理后的光谱数据进行谱线识别，找出其中含量靠前的预设个数的化学元素的波峰谱线。
可选地，标准水稻品种中所选化学元素包括C、H、O、N、P、S、K、Ca、Mg。
S4、选取水稻品种中所选化学元素的波峰谱线组合成特征光谱作为BP神经网络的输入值，对BP神经网络进行训练，得到BP神经网络结构。
S5、利用激光诱导击穿光谱仪测量出待测水稻品种在200-950nm范围内的光谱，其中一颗水稻的同一点上测量X2次，X2不小于15。
可选地，根据测量的要求及所使用仪器的技术参数，确定同一颗水稻的同一点上测量的数据组数X2，但X2最好不小于15，以便将前面的X3组数据删除，降低水稻表面杂质对测量结果的影响。
S6、对待测水稻品种光谱进行数据处理：对于一颗水稻的同一点上测量得到的X2组数据，将前面的X3组数据删除，X3小于X2，后面的(X2-X3)组数据进行平均处理。
可选地，根据待测水稻品种表面杂质的情况，确定X3的大小，确定的依据是水稻表面杂质对测量结果不产生影响。
S7、对待测水稻品种光谱进行谱线识别，得出与步骤S3中相同化学元素的谱线。步骤S7中所选化学元素与步骤S3中相同。
S8、选取待测水稻品种中所选化学元素的谱线波峰组合成特征光谱作为BP神经网络的输入值，利用已得到的BP神经网络对待测水稻品种进行识别，得到识别结果；
S9、判断识别结果是否为N中标准水稻品种之一，如是，直接给出当前得到的识别结果；如不是，则增大X3的数值，依次重复步骤S6、S7、S8，得到新的识别结果；如果得到的还不是N种标准水稻品种之一，则继续增大X3，但当X3＝(X2-1)时，则停止迭代并给出当前运算出的识别结果。从而避免了无限制重复迭代。
本发明实施具有以下优点：
1、采用激光诱导击穿光谱对水稻品种进行快速鉴别，具有速度快、效率高、成本低、测试重现性好、可在线分析等特点。
2、将测量数据的前面X3组数据删除，能有效降低水稻颗粒表面杂质对识别率的影响。
3、根据部分主要元素的波峰进行特征提取都可以大大减少BP神经网络的输入变量以及缩短程序运行时间。
4、根据部分主要元素的波峰对全谱进行特征提取，可以减少全谱中的大量干扰信息，提高BP神经网络的识别率。对样品进行分类的识别率不低于98％。
综上，本发明能高效快速的实现待测水稻品种的快速鉴别。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (7)

1.一种基于激光诱导击穿光谱的水稻品种鉴别方法，其特征在于，其包括以下步骤：
S1、利用激光诱导击穿光谱仪测量出N种标准水稻品种在200-950nm范围内的光谱，其中一颗水稻的同一点上测量X1次；
S2、对N种标准水稻品种光谱进行数据处理：对于一颗水稻的同一点上测量得到的X1组数据，将前面的M组数据删除，对后面的X1-M组数据进行平均处理；
S3、对进行平均处理后的数据进行谱线识别，找出其中含量靠前的预设个数的化学元素的波峰谱线；
S4、选取水稻品种中所选化学元素的波峰谱线组合成特征光谱作为BP神经网络的输入值，对BP神经网络进行训练，得到BP神经网络结构；
S5、利用激光诱导击穿光谱仪测量出待测水稻品种在200-950nm范围内的光谱，其中一颗水稻的同一点上测量X2次；
S6、对待测水稻品种光谱进行数据处理：对于一颗水稻的同一点上测量得到的X2组数据，将前面的X3组数据删除，X3小于X2，对后面的X2-X3组数据进行平均处理；
S7、对待测水稻品种光谱进行谱线识别，得出与步骤S3中相同元素的谱线；
S8、选取待测水稻品种中所选化学元素的谱线波峰组合成特征光谱作为BP神经网络的输入值，利用已得到的BP神经网络对待测水稻品种进行识别，得到识别结果；
S9、判断识别结果是否为N中标准水稻品种之一，如是，直接给出当前得到的识别结果；如不是，则增大X3的数值，依次重复步骤S6、S7、S8，得到新的识别结果；如果得到的还不是N种标准水稻品种之一，则继续增大X3，但当X3＝(X2-1)时，则停止迭代并给出当前运算出的识别结果。
2.如权利要求1所述的基于激光诱导击穿光谱的水稻品种鉴别方法，其特征在于，所述步骤S1中X1大于或等于15。
3.如权利要求1所述的基于激光诱导击穿光谱的水稻品种鉴别方法，其特征在于，所述步骤S2中M等于10。
4.如权利要求1所述的基于激光诱导击穿光谱的水稻品种鉴别方法，其特征在于，所述步骤S3中所选化学元素为C、H、O、N、P、S、K、Ca、Mg。
5.如权利要求1所述的基于激光诱导击穿光谱的水稻品种鉴别方法，其特征在于，所述步骤S5中根据测量的要求及所使用仪器的技术参数，确定同一颗水稻的同一点上测量的数据组数X2。
6.如权利要求5所述的基于激光诱导击穿光谱的水稻品种鉴别方法，其特征在于，所述步骤S5中X2大于或等于15。
7.如权利要求1所述的基于激光诱导击穿光谱的水稻品种鉴别方法，其特征在于，所述步骤S6中根据待测水稻品种表面杂质的情况，确定X3的大小。
CN201510566291.5A 2015-09-07 2015-09-07 基于激光诱导击穿光谱的水稻品种鉴别方法 Expired - Fee Related CN105181678B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510566291.5A CN105181678B (zh) 2015-09-07 2015-09-07 基于激光诱导击穿光谱的水稻品种鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510566291.5A CN105181678B (zh) 2015-09-07 2015-09-07 基于激光诱导击穿光谱的水稻品种鉴别方法

Publications (2)

Publication Number Publication Date
CN105181678A true CN105181678A (zh) 2015-12-23
CN105181678B CN105181678B (zh) 2017-12-29

Family

ID=54903908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510566291.5A Expired - Fee Related CN105181678B (zh) 2015-09-07 2015-09-07 基于激光诱导击穿光谱的水稻品种鉴别方法

Country Status (1)

Country Link
CN (1) CN105181678B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106404748A (zh) * 2016-09-05 2017-02-15 华中科技大学 一种多谱线组合激光诱导击穿光谱谷类作物产地识别方法
CN106841170A (zh) * 2016-12-05 2017-06-13 西北大学 一种基于小波神经网络算法结合libs技术的煤灰种类识别方法
CN106990096A (zh) * 2017-03-27 2017-07-28 中国农业大学 基于激光诱导击穿光谱的肉骨粉种属检测方法及系统
CN107092891A (zh) * 2017-04-25 2017-08-25 无锡中科智能农业发展有限责任公司 一种基于机器视觉技术的水稻估产系统及方法
CN108444953A (zh) * 2018-03-13 2018-08-24 长江大学 基于激光诱导击穿光谱微分信号的水稻品种快速鉴别方法
CN109100334A (zh) * 2018-07-06 2018-12-28 南京理工大学 一种检测稻谷中重金属元素含量的装置
CN110308139A (zh) * 2019-06-27 2019-10-08 长江大学 基于激光诱导击穿光谱的水稻种子活力分级检测方法
CN110567941A (zh) * 2019-08-19 2019-12-13 长江大学 一种基于主要元素光谱强度的水稻种子水分含量分级检测方法
CN111414791A (zh) * 2019-12-30 2020-07-14 长江大学 基于激光诱导击穿光谱傅里叶逆变换的水稻种子类型识别方法及装置
CN112782151A (zh) * 2021-02-22 2021-05-11 湖北工程学院 一种提高激光诱导击穿光谱分类准确性的数据处理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104807787A (zh) * 2015-05-20 2015-07-29 重庆邮电大学 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104807787A (zh) * 2015-05-20 2015-07-29 重庆邮电大学 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PAUL SYLVESTER等: "《Laser Ablation-inductively coupled plasma-mass:an introduction》", 31 December 2008 *
何秀文等: "激光诱导击穿光谱对大米中镉元素的检测分析", 《应用激光》 *
柯梽全等: "于 7 种主要元素特征谱线的 LIBS 岩性识别", 《《中国科学: 物理学 力学 天文学》》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106404748B (zh) * 2016-09-05 2019-03-05 华中科技大学 一种多谱线组合激光诱导击穿光谱谷类作物产地识别方法
CN106404748A (zh) * 2016-09-05 2017-02-15 华中科技大学 一种多谱线组合激光诱导击穿光谱谷类作物产地识别方法
CN106841170A (zh) * 2016-12-05 2017-06-13 西北大学 一种基于小波神经网络算法结合libs技术的煤灰种类识别方法
CN106990096A (zh) * 2017-03-27 2017-07-28 中国农业大学 基于激光诱导击穿光谱的肉骨粉种属检测方法及系统
CN107092891A (zh) * 2017-04-25 2017-08-25 无锡中科智能农业发展有限责任公司 一种基于机器视觉技术的水稻估产系统及方法
CN108444953A (zh) * 2018-03-13 2018-08-24 长江大学 基于激光诱导击穿光谱微分信号的水稻品种快速鉴别方法
CN109100334A (zh) * 2018-07-06 2018-12-28 南京理工大学 一种检测稻谷中重金属元素含量的装置
CN110308139A (zh) * 2019-06-27 2019-10-08 长江大学 基于激光诱导击穿光谱的水稻种子活力分级检测方法
CN110308139B (zh) * 2019-06-27 2021-12-07 长江大学 基于激光诱导击穿光谱的水稻种子活力分级检测方法
CN110567941A (zh) * 2019-08-19 2019-12-13 长江大学 一种基于主要元素光谱强度的水稻种子水分含量分级检测方法
CN111414791A (zh) * 2019-12-30 2020-07-14 长江大学 基于激光诱导击穿光谱傅里叶逆变换的水稻种子类型识别方法及装置
CN112782151A (zh) * 2021-02-22 2021-05-11 湖北工程学院 一种提高激光诱导击穿光谱分类准确性的数据处理方法
CN112782151B (zh) * 2021-02-22 2023-01-13 湖北工程学院 一种提高激光诱导击穿光谱分类准确性的数据处理方法

Also Published As

Publication number Publication date
CN105181678B (zh) 2017-12-29

Similar Documents

Publication Publication Date Title
CN105181678B (zh) 基于激光诱导击穿光谱的水稻品种鉴别方法
CN105630743B (zh) 一种光谱波数的选择方法
CN104677875B (zh) 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法
CN101936895B (zh) 一种稻米贮藏时间近红外光谱分析快速检测方法
CN103134767B (zh) 一种红外光谱校正鉴定白酒品质的方法
CN108181263B (zh) 基于近红外光谱的烟叶部位特征提取及判别方法
CN104964950A (zh) 基于多元素波峰的激光诱导击穿光谱岩屑类型识别方法
CN106918567B (zh) 一种测量痕量金属离子浓度的方法和装置
Kwan et al. Classification of wines by applying pattern recognition to chemical composition data
CN102183500B (zh) 基于荧光特征参量欧氏距离的白酒鉴别方法
CN105954412B (zh) 用于山核桃新鲜度检测的传感器阵列优化方法
Kokkinofta et al. Isotopic and elemental authenticity markers: a case study on Cypriot wines
Kunz et al. Updating a synchronous fluorescence spectroscopic virgin olive oil adulteration calibration to a new geographical region
CN111965140B (zh) 基于特征峰的波长点重组方法
CN103822897A (zh) 一种基于红外光谱的白酒鉴定及溯源方法
CN107132190A (zh) 一种土壤有机质光谱反演模型校正样本集构建方法
CN108896527A (zh) 一种拉曼光谱-主成分分析快速鉴别白酒真伪的方法
CN110567941B (zh) 一种基于主要元素光谱强度的水稻种子水分含量分级检测方法
CN108444953A (zh) 基于激光诱导击穿光谱微分信号的水稻品种快速鉴别方法
CN104568824A (zh) 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置
CN106645098B (zh) 一种光谱归一化结合多元统计模型的玉石原产地鉴定方法
Shibata et al. Predicting the buckwheat flour ratio for commercial dried buckwheat noodles based on the fluorescence fingerprint
CN112540971B (zh) 一种基于烟叶特征的全信息在线采集系统及方法
CN108663334A (zh) 基于多分类器融合寻找土壤养分光谱特征波长的方法
CN112485238A (zh) 一种基于拉曼光谱技术鉴别姜黄精油产地的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20171229

Termination date: 20200907

CF01 Termination of patent right due to non-payment of annual fee