CN105424647A - 水稻种子品种真实性鉴别模型的构建方法及其应用 - Google Patents
水稻种子品种真实性鉴别模型的构建方法及其应用 Download PDFInfo
- Publication number
- CN105424647A CN105424647A CN201510821184.2A CN201510821184A CN105424647A CN 105424647 A CN105424647 A CN 105424647A CN 201510821184 A CN201510821184 A CN 201510821184A CN 105424647 A CN105424647 A CN 105424647A
- Authority
- CN
- China
- Prior art keywords
- sample
- rice
- model
- data
- samples
- 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.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 58
- 235000009566 rice Nutrition 0.000 title claims abstract description 58
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000000411 transmission spectrum Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012850 discrimination method Methods 0.000 claims description 6
- 238000002329 infrared spectrum Methods 0.000 claims description 5
- 230000003592 biomimetic effect Effects 0.000 claims description 4
- 238000012567 pattern recognition method Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 31
- 244000287680 Garcinia dulcis Species 0.000 description 26
- 238000012360 testing method Methods 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 13
- 239000000463 material Substances 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 235000013339 cereals Nutrition 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- PNEYBMLMFCGWSK-UHFFFAOYSA-N Alumina Chemical compound [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004611 spectroscopical analysis Methods 0.000 description 3
- 241001474033 Acar Species 0.000 description 2
- 235000021329 brown rice Nutrition 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 235000019750 Crude protein Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000009400 out breeding Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及水稻种子鉴别，具体公开了水稻种子品种真实性鉴别模型的构建方法及其应用，构建方法具体为采集样品的漫反射和漫透射光谱，选择有效波长，依次进行移动窗口平均、标准化，并利用PCA+LDA降维，BPR建模，对待测样品进行同样处理后比对，判断品种真实性。针对不同品种的样品采用最佳方法降维处理，提高正确识别率。
Description
技术领域
本发明涉及水稻种子鉴别，具体地说，涉及水稻种子品种真实性鉴别模型的构建方法及其应用。
背景技术
农为邦本，在农业生产过程当中种子是极其重要的生产资料，种子质量的优劣会直接影响粮食的产量、品质及其效益等。在我国这个市场经济快速发展，地域辽阔，人口众多的国家，种子市场的监管力度还不够，相关法律法规和监管机制还不完善，给了一些不法分子以可乘之机，市场上的假冒伪劣等违法现象频有发生，不法分子利用非本品牌的种子来以假乱真，冒充其他知名品种或用本品牌种子同父异母或同母异父的种子替代本品牌种子，严重侵害农民利益，扰乱市场秩序，影响我国的粮食生产安全，给相关检验机构和执法部门带来很大的困扰。水稻种子真实性及纯度已成为育种部门、制种单位、种业集团以及质检行政部门共同关注的问题。
传统的水稻真实性鉴别方法例如：叶色标记法，该方法是指一种通过肉眼就就可识别的外部标记特征，将该标记应用于不育系，便可根据叶色所表现出的差异筛选出不育系杂交种子。(李小林等，2007；胡景涛等，2009)。叶色标记法虽具有准确性高及直观的优点，但受限于筛选相应的不育系需要耗费很长的周期，而且对于那些无叶色标记的品种，该纯度鉴定方法也不适用；李雪等(2014)利用SSR和SNP两种技术分析鉴定玉米品种真实性，基于SNP芯片平台检测获得了3072个SNP位点。Kenneth等(2009)对20个水稻品种进行SNP分析，测序的100Mb的基因组中共检测到了160,000个非冗余SNP，可以反映出20个品种间的遗传历史关系以及一些与农艺性状有关的基因渐渗区域。对于以上所介绍的品种鉴定方法都可作为水稻品种的鉴别方法，但都存在一定的局限性，不能成为一种兼具成本低、无损、检测快速、操作简便、环境友好型的检测方法，也不能做到对鉴定的样本的筛选。
近红外光谱技术在种子方面研究目前相对较少，如李君霞等(2006)以191份具有代表性的糙米样品材料为实验对象，利用偏最小二乘法(MPLS)建立模型，并借助训练集和测试集两个载荷向量的二维得分空间投影图对建立的糙米粗蛋白含量模型进行评价及优化，使得外部检验的目标函数值为0.687，校正模型的目标函数值为0.701，验证了目标函数是评价及优化模型的一个有效指标。但其发明为对种子进行定量分析，不能针对种子做定性分析，进行种子真实性鉴别。
再如W.Kong等(2013)利用近红外高光谱成像技术结合多元数据分析方法对4个水稻品种进行鉴别，对比最优光谱区段与全波段的鉴别结果，全波段光谱建立的模型效果好于最优波段选择建立的模型，其中PLS-DA和KNN模型正确鉴别率在80％以上，但由于其对于降维方式的和维度的选取未达到最优效果导致模型的正确识别率未能达到更为理想的程度。
发明内容
为了解决现有技术中存在的问题，本发明的目的是提供一种水稻种子品种真实性的鉴别方法。
为了实现本发明目的，本发明技术方案如下：
本发明首先提供了水稻种子品种真实性鉴别模型的构建方法，包括如下步骤：
S1.采集样品漫反射或漫透射光谱；
S2.光谱预处理：选择有效波长，增大信噪比，消除干扰；
S3.光谱特征提取：利用PCA+LDA对数据降维；
S4.采用仿生模式识别方法建立模型。
进一步地，采集样品漫反射或漫透射光谱后，剔除异常光谱，获得样品的原始光谱。两种方式只有光谱采集的过程不同，后期处理完全一样，包括建模都一样，光谱采集后就得到的是原始光谱数据，漫反射和漫透射只影响采集过程，之后的工作并不涉及。
采集漫反射或漫透射光谱采用MircroNIR-1700微型近红外光谱仪(JDSUniphase[JDSU]Corporation,Milpitas，编号S1-00239)，产自美国JDSU公司。仪器的分辨率：12.5nm，扫描谱区范围：900～1650nm。数据分析软件为Matlab2011b。
作为优选，所述样品为同一时间种植，收获时处于不同成熟度、但进行光谱采集前对种子进行统一处理，保证含水量处于同一水平。当样品满足上述条件时，能提高模型精度。采集样品图谱时设50次重复，以平均光谱近似作为该样品光谱。
进一步地，所述S1为采集300个样本以上的样品，进行至少50次的重复。能够更好的使构建的鉴别模型具有更高的容变性,稳定性，适用于更广泛的样品以及更复杂的样品真实性鉴别。
进一步地，所述有效波长为900nm～1650nm。在多次测试和研究中发现，该波段对于水稻真实性分析中，噪声信息已减少到最佳范围，所剔除的一些波段的噪声信息已经大于有用信息。本方法所选取的有效波长是后期模型达到最优预测能力和高稳定性的必要前提。
进一步地，选择有效波长后，依次进行移动窗口平均(平滑)、标准归一化。用移动窗口平均处理降低噪声及随机误差，有效的获取有用信息，增大信噪比，标准归一化对于不同厚度的样品有很好的处理效果，还可以消除样品浓度的变化以及光程的变化等对光谱的影响。
经过多次测试和研究，在该处理方式和处理顺序下，对于所需要的水稻样品的弱信息提取效果最明显，在复杂以及变动的背景信息中，本方法按照移动窗口平均(平滑)、标准归一化光谱数据，可以消除仪器因素、光谱扫描背景、进样或是样品性质(温度等)、消除样品浓度的变化以及光程的变化、测量的误差、光的散射等因素的影响，对于后期增强建模效果，该预处理流程是必要前提。
作为优选，移动窗口平均处理中，平滑窗口设为9，在该设定下，平滑能使噪声的单独数据点降低，信号数据点也发生变化，邻数据点低于Bit的会被提升，平滑可获得更多的数据信息，能使分析变的更灵活，因此会获得更加平滑的信号。本方法平滑的选用窗口移动最小二乘平滑，此方法可有效的提取有用的信息，去除噪声干扰，平滑时，经多次测试和研究，窗口的大小设定为9时，平滑效果最好，并且有用信息损失最小，同时能有效的剔除噪音。
常规稻即可以留种且后代不分离的水稻品种。常规稻不是杂交稻，通过杂交或变异而来，是通过选育、提纯、保持本品种的特征特性不变。
进一步地，所述样品为常规稻时，S3具体为利用PCA将数据降到28维，在此基础上利用LDA将数据降到5维。
对所建定性模型的评价指标有以下几种：正确识别率(CorrectAcceptanceRate,CAR)，正确拒识率(CorrectRejectionRate，CRR)，平均正确识别率(AverageCorrectAcceptanceRate，ACAR),平均正确拒识率(AverageCorrectRejectionRate，ACRR)来表示。
详细算法如下面公式所示：
正确识别率＝正确识别的样本个数/应当被识别的样本个数；
正确拒识率＝正确拒识的样本个数/应当被拒识的样本个数；
平均正确识别率为所有材料正确识别率的平均值；
平均正确拒识率为所有材料正确拒识率的平均值。
当平均正确识别率和平均正确拒识率高于95％时，所述模型可以达到真实性鉴别,并且可以满足市场水稻种子真实性鉴别标准。
本发明还进一步提供了一种水稻种子品种真实性的鉴别方法，包括如下步骤：
步骤1、利用前述方法对特定样品建立鉴别模型；
步骤2、将疑似特定样品在同样条件下获得的近红外光谱数据,并对该数据进行预处理、特征提取，最后利用所建立的定性分析模型进行快速鉴别，判断真实性。即是否为特定样品。
进一步解释如下，当疑似特定样品为某常规水稻品种时，利用前述方法构建该自交系品种的鉴别模型，构建模型时选择适宜的常规水稻品种的降维方法。之后对疑似特定样品进行相同处理，进行样品光谱数据采集,获得原始光谱数据，并进行预处理和特征提取，以上操作与建立鉴别模型所使用的方法相同。之后将处理后的光谱数据录入鉴别模型进行鉴别分析。当平均正确识别率和平均正确拒识率高于所设定的检测指标时，判断为真实，否则判断为掺假。
本发明的有益效果在于：
本发明提供了一种水稻种子品种真实性的鉴别方法。
本发明运用近红外光谱技术对不同成熟度的水稻品种的真实性进行鉴定：通过PLS、LDA降维，BPR建模，结果表明，对于不同熟成度的不同水稻品种的真实性鉴别，漫反射和漫透射两种测量方式都表现出较高的正确识别率和正确拒识率，漫透射的测量方式采集的光谱信息使得模型更具稳定性和高鉴别力，正确识别率最低也在90.00％，正确拒识率最小值为92.00％，最高值都能达到100.00％，抽穗后40天和50天对不同水稻品种的漫透射检测结果正确识别率均达到100.00％，平均正确拒识率分别达到97.67％和99.67％；不同成熟度鉴别结果整体的平均结果来看，除了抽穗后50天的正确识别率平均结果为85.83，其他成熟时期的平均结果都在90.00％以上，总体正确识别率平均值为91.90％，漫透射测量方式的平均正确识别率达到了98.45％，两种测量方式的平均正确拒识率分别达到了98.74％和98.45％。由以上结果可以说明，在不同的成熟时期，水稻籽粒内部的特异物质已经形成，通过近红外光谱分析技术采集不同成熟时期不同水稻品种的籽粒信息可以实现对不同品种的鉴别。
附图说明
图1为本发明中JDSU仪器示意图；
图2为本发明中JDSU仪器实物图；
图3为本发明中漫反射光谱采集装置示意图；
图4为本发明中漫透射光谱采集装置示意图。
具体实施方式
下面将结合实施例对本发明的优选实施方式进行详细说明。需要理解的是以下实施例的给出仅是为了起到说明的目的，并不是用于对本发明的范围进行限制。本领域的技术人员在不背离本发明的宗旨和精神的情况下，可以对本发明进行各种修改和替换。
下述实施例中所使用的实验方法如无特殊说明，均为常规方法。
下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例近红外光谱技术对不同成熟度水稻种子真实性鉴定
(一)、材料
对于本实验室2013年收获的常规水稻品种，根据记录筛选出生育期比较一致的品种于2014年5月份在中国农业大学上庄试验站进行播种。
表1不同成熟度水稻品种材料
(二)、方法
1.仪器参数设置
主要参数见下表2，仪器示意图及实物图见图1和图2。
数据分析软件为Matlab2011b。
表2JDSU微型近红外光谱仪主要参数
漫反射测量方式的软件参数设置：样品单次积分时间10000us，单次积分次数400次，每次样品光谱扫描时间为4s。
漫透射测量方式的软件参数设置：样品单次积分时间10000us，单次积分次数100次，每次样品光谱扫描时间为1s。
2.光谱数据采集
2.1样品的处理
在接近水稻抽穗期的七月中旬到田间进行观察，当水稻开始抽穗时，记录下当天的日期和抽穗的水稻品种，等到水稻抽穗20天后，开始对这批水稻品种每一品种的同一株穗顶部进行取样，每一品种收集籽粒60-100粒，剪取黄熟情况比较一致的籽粒，尽量剪取同一穗上的籽粒以保证该一品种的纯度。然后在接下来的时间里每隔5天取一次样品，一直延续到抽穗后的第50天，所有的水稻品种都已黄熟可以收获。该实验在田间前期发现4个生育期一致的水稻品种和后期发现的2个生育期一致的水稻品种，共6个水稻品种见下表1，所有的实验材料收集回来自然风干保存，实验进行前，供检材料放于40℃恒温箱内48h以使所有的材料水分含量处于同一水平。
2.2仪器的预热
本实验所用仪器在固定的实验室，环境影响因素较小，为了使每次测量都在相同的条件下，在采集光谱前，都会对仪器预热半小时。
2.3光谱采集
本方法是采用漫反射和漫透射两种测量方式对水稻品种单子粒的真实性及其纯度进行研究，所以对JDSU微型光谱仪添加了相应的附件以配合不同测量方式的应用漫反射测量方式通过外置的氧化铝材质遮光盖扣在仪器上方，防止外界光的干扰(见图3)；
3.光谱数据处理
选择900nm～1650nm的有效波长。
3.1移动窗口平均(MovingWindowAverage,MWA)
本实验首先用移动窗口进行平滑，以降低噪声及随机误差，有效的获取有用信息，增大信噪比，平滑的窗口设为9。
3.2标准归一化(StandardNormalVariate，SNV)
标准归一化对于不同厚度的样品有很好的处理效果，还可以消除样品浓度的变化以及光程的变化等对光谱的影响。
4.光谱特征提取方法
利用PCA和LDA分别对数据进行降维至28维和5维，总体处理流程为平滑(9)→标准化→PCA(28)→LDA(5)。
5.采用仿生模式识别方法建立模型
用仿生模式识别方法建立模型并进行测试，二权值神经元作为基本的覆盖单元，最小生成树将单元连接。使用JDSU近红外微型光谱仪扫描不同成熟时期的每一水稻品种的50个样品，各得到50条光谱，其中30条光谱用于建立模型，另外20条光谱进行预测。
6.水稻置样方式
针对JDSU微型近红外光谱仪检测窗口的特点，在漫反射测量方式的情况下，本方法特选择了籽粒长轴方向与仪器两个灯源之间连线方向垂直的水稻籽粒摆放位置
漫透射测量方式通过对仪器添加玻璃片及锡箔纸的包裹后留取一个与检测窗口大小位置一致的区域进行样品摆放，光谱采集时外置的光源覆盖在仪器上方，是水稻籽粒处于灯罩内部，防止外界光的干扰(见图4)。
(三)、结果与分析
对所建定性模型的评价指标有以下几种：正确识别率(CorrectAcceptanceRate,CAR)，正确拒识率(CorrectRejectionRate，CRR)，平均正确识别率(AverageCorrectAcceptanceRate，ACAR),平均正确拒识率(AverageCorrectRejectionRate，ACRR)来表示。
详细算法如下面公式所示
正确识别率＝正确识别的样本个数/应当被识别的样本个数
正确拒识率＝正确拒识的样本个数/应当被拒识的样本个数
平均正确识别率为所有材料正确识别率的平均值
平均正确拒识率为所有材料正确拒识率的平均值
本实验采用漫反射和漫透射测量方式分别对不同成熟时期的6个水稻品种进行真实性检测，检测结果见表2，不同成熟时期鉴别结果的平均值统计见表10。
表3抽穗后20天不同品种检测结果
表4抽穗后25天不同品种检测结果
表5抽穗后30天不同品种检测结果
表6抽穗后35天不同品种检测结果
表7抽穗后40天不同品种检测结果
表8抽穗后45天不同品种检测结果
表9抽穗后50天不同品种检测结果
表10不同成熟时期不同水稻品种真实性鉴别平均结果统计
从表3,4,5,6,7,8和9中可以看出，对于不同熟成度的不同水稻品种的真实性鉴别，漫反射和漫透射两种测量方式都表现出较高的正确识别率和正确拒识率，漫透射的测量方式采集的光谱信息使得模型更具稳定性和高鉴别力，正确识别率最低也在90.00％，正确拒识率最小值为92.00％，最高值都能达到100.00％，像抽穗后40天和50天对不同水稻品种的漫透射检测结果正确识别率均达到100.00％，平均正确拒识率分别达到97.67％和99.67％；而漫反射测量方式得到的光谱信息所建立的模型可能表面信息居多，籽粒内部的信息不够丰富导致对不同成熟度不同水稻品种的鉴别能力不稳定，例如7个不同成熟时期对5号水稻品种的正确识别率分别是80.00％，100.00％，100.00％，90.00％，75.00％，60.00％和75.00％，但由表10中不同成熟度鉴别结果整体的平均结果来看，除了抽穗后50天的正确识别率平均结果为85.83，其他成熟时期的平均结果都在90.00％以上，总体正确识别率平均值为91.90％，漫透射测量方式的平均正确识别率达到了98.45％，两种测量方式的平均正确拒识率分别达到了98.74％和98.45％。由以上结果可以说明，在不同的成熟时期，水稻籽粒内部的特异物质已经形成，通过近红外光谱分析技术采集不同成熟时期不同水稻品种的籽粒信息可以实现对不同品种的鉴别。
Claims (8)
1.水稻种子品种真实性鉴别模型的构建方法，其特征在于，包括如下步骤：
S1.采集样品漫反射或漫透射光谱；
S2.光谱预处理：选择有效波长，增大信噪比，消除干扰；
S3.光谱特征提取：利用PCA+LDA对数据降维；
S4.采用仿生模式识别方法建立模型。
2.根据权利要求1所述的方法，其特征在于，所述有效波长为900nm～1650nm。
3.根据权利要求1或2所述的方法，其特征在于，选择有效波长后，依次进行移动窗口平均、标准归一化处理。
4.根据权利要求3所述的方法，其特征在于，移动窗口平均处理中，平滑窗口设为9。
5.根据权利要求1或2所述的方法，其特征在于，所述样品为常规稻时，S3具体为利用PCA将数据降到28维，在此基础上利用LDA将数据降到5维。
6.根据权利要求5所述的方法，其特征在于，所述S1为对采集300个样本以上的样品，进行至少50次的重复。
7.根据权利要求6所述的方法，其特征在于，所述样品为含水量相同但处于不同成熟度的水稻种子。
8.一种水稻种子品种真实性的鉴别方法，其特征在于，包括如下步骤：
步骤1、利用权利要求1～7任一项所述的方法对特定样品建立鉴别模型；
步骤2、将疑似特定样品在同样条件下获得的近红外光谱数据，并对该数据进行同样的预处理和特征提取，最后利用所建立的鉴别模型判断真实性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510821184.2A CN105424647A (zh) | 2015-11-23 | 2015-11-23 | 水稻种子品种真实性鉴别模型的构建方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510821184.2A CN105424647A (zh) | 2015-11-23 | 2015-11-23 | 水稻种子品种真实性鉴别模型的构建方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105424647A true CN105424647A (zh) | 2016-03-23 |
Family
ID=55502998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510821184.2A Pending CN105424647A (zh) | 2015-11-23 | 2015-11-23 | 水稻种子品种真实性鉴别模型的构建方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105424647A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107044960A (zh) * | 2016-12-16 | 2017-08-15 | 中国医学科学院生物医学工程研究所 | 一种基于多模态光谱血液识别的进样装置 |
| CN114813631A (zh) * | 2022-06-23 | 2022-07-29 | 中化现代农业有限公司 | 小麦品种纯度检测方法、装置和电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005114143A1 (en) * | 2004-05-12 | 2005-12-01 | Pioneer Hi-Bred International, Inc. | Non-destructive single seed or several seeds nir analyzer and method |
| JP2009042207A (ja) * | 2007-07-19 | 2009-02-26 | Iwate Prefectural Univ | 種子の検査方法および検査装置 |
| CN103293141A (zh) * | 2013-03-25 | 2013-09-11 | 江苏省质量安全工程研究院 | 基于离子迁移谱/质谱/拉曼光谱融合技术的白酒年份识别方法 |
| CN104062262A (zh) * | 2014-07-09 | 2014-09-24 | 中国科学院半导体研究所 | 一种基于近红外光谱的作物种子品种真实性鉴别方法 |
| CN104215591A (zh) * | 2014-09-25 | 2014-12-17 | 暨南大学 | 一种可见-近红外光谱无损判别的方法 |
| CN105069462A (zh) * | 2015-07-15 | 2015-11-18 | 天津大学 | 基于光谱特征细分和分类器级联的有机化学品定性判定方法 |
-
2015
- 2015-11-23 CN CN201510821184.2A patent/CN105424647A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005114143A1 (en) * | 2004-05-12 | 2005-12-01 | Pioneer Hi-Bred International, Inc. | Non-destructive single seed or several seeds nir analyzer and method |
| JP2009042207A (ja) * | 2007-07-19 | 2009-02-26 | Iwate Prefectural Univ | 種子の検査方法および検査装置 |
| CN103293141A (zh) * | 2013-03-25 | 2013-09-11 | 江苏省质量安全工程研究院 | 基于离子迁移谱/质谱/拉曼光谱融合技术的白酒年份识别方法 |
| CN104062262A (zh) * | 2014-07-09 | 2014-09-24 | 中国科学院半导体研究所 | 一种基于近红外光谱的作物种子品种真实性鉴别方法 |
| CN104215591A (zh) * | 2014-09-25 | 2014-12-17 | 暨南大学 | 一种可见-近红外光谱无损判别的方法 |
| CN105069462A (zh) * | 2015-07-15 | 2015-11-18 | 天津大学 | 基于光谱特征细分和分类器级联的有机化学品定性判定方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107044960A (zh) * | 2016-12-16 | 2017-08-15 | 中国医学科学院生物医学工程研究所 | 一种基于多模态光谱血液识别的进样装置 |
| CN107044960B (zh) * | 2016-12-16 | 2020-05-01 | 中国医学科学院生物医学工程研究所 | 一种基于多模态光谱血液识别的进样装置 |
| CN114813631A (zh) * | 2022-06-23 | 2022-07-29 | 中化现代农业有限公司 | 小麦品种纯度检测方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Near infrared reflectance spectroscopy for determination of the geographical origin of wheat | |
| CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
| Castro‐Esau et al. | Variability in leaf optical properties of Mesoamerican trees and the potential for species classification | |
| Pilling et al. | High-throughput quantum cascade laser (QCL) spectral histopathology: a practical approach towards clinical translation | |
| CN103344602B (zh) | 一种基于近红外光谱的水稻种质真伪无损检测方法 | |
| Canizo et al. | Intra-regional classification of grape seeds produced in Mendoza province (Argentina) by multi-elemental analysis and chemometrics tools | |
| CN102179375A (zh) | 一种基于近红外作物单籽粒成分无损检测筛选方法 | |
| CN105866056A (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
| Beghi et al. | Rapid evaluation of grape phytosanitary status directly at the check point station entering the winery by using visible/near infrared spectroscopy | |
| CN102706813B (zh) | 基于高光谱图像的草地早熟禾品种识别方法 | |
| 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 | |
| CN107392920B (zh) | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 | |
| CN107515203A (zh) | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 | |
| CN104374739A (zh) | 一种基于近红外定性分析的种子品种真实性鉴别方法 | |
| Cui et al. | Identification of maize seed varieties based on near infrared reflectance spectroscopy and chemometrics | |
| CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
| CN105717066A (zh) | 一种基于加权相关系数的近红外光谱识别模型 | |
| Peijin et al. | Rapid identification of the variety and geographical origin of Wuyou No. 4 rice by fourier transform near-infrared spectroscopy coupled with chemometrics | |
| Innamorato et al. | Tracing the geographical origin of lentils (Lens culinaris Medik.) by infrared spectroscopy and chemometrics | |
| CN109444186A (zh) | 一种珍珠粉x射线衍射鉴别法 | |
| CN106770607B (zh) | 一种利用hs‐imr‐ms鉴别卷烟真伪的方法 | |
| Biancolillo et al. | ATR-FTIR-based rapid solution for the discrimination of lentils from different origins, with a special focus on PGI and Slow Food typical varieties | |
| Longobardi et al. | Characterization of the geographical and varietal origin of wheat and bread by means of nuclear magnetic resonance (NMR), isotope ratio mass spectrometry (IRMS) methods and chemometrics: a review | |
| CN105424647A (zh) | 水稻种子品种真实性鉴别模型的构建方法及其应用 | |
| van Wyngaard et al. | Infrared spectroscopy investigation of fresh grapevine (Vitis vinifera) shoots, leaves, and berries using novel chemometric applications for viticultural data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160323 |