CN107314985A - 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 - Google Patents
一种利用近红外光谱检测油菜茎秆纤维素含量的方法 Download PDFInfo
- Publication number
- CN107314985A CN107314985A CN201710438483.7A CN201710438483A CN107314985A CN 107314985 A CN107314985 A CN 107314985A CN 201710438483 A CN201710438483 A CN 201710438483A CN 107314985 A CN107314985 A CN 107314985A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- rape stem
- rape
- cellulose
- 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.)
- Withdrawn
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 53
- 239000001913 cellulose Substances 0.000 title claims abstract description 48
- 229920002678 cellulose Polymers 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 239000000126 substance Substances 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 43
- 239000000835 fiber Substances 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000002790 cross-validation Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 240000002791 Brassica napus Species 0.000 description 6
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 210000003608 fece Anatomy 0.000 description 3
- 239000010871 livestock manure Substances 0.000 description 3
- 239000000618 nitrogen fertilizer Substances 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- OBMBUODDCOAJQP-UHFFFAOYSA-N 2-chloro-4-phenylquinoline Chemical compound C=12C=CC=CC2=NC(Cl)=CC=1C1=CC=CC=C1 OBMBUODDCOAJQP-UHFFFAOYSA-N 0.000 description 2
- 235000011293 Brassica napus Nutrition 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001290610 Abildgaardia Species 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910021538 borax Inorganic materials 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 238000013340 harvest operation Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 210000001724 microfibril Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 229940072033 potash Drugs 0.000 description 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 1
- 235000015320 potassium carbonate Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000004328 sodium tetraborate Substances 0.000 description 1
- 235000010339 sodium tetraborate Nutrition 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 238000012795 verification Methods 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
- G01N21/3563—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
-
- 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
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
本发明涉及一种利用近红外光谱检测油菜茎秆纤维素含量的方法,包括以下步骤:建立油菜茎秆纤维素含量与油菜茎秆切面的近红外光谱的对应关系;测量待检测的油菜茎秆切面的近红外光谱;根据所述待检测的油菜茎秆切面上的近红外光谱以及油菜茎秆纤维素含量与菜茎秆切面的近红外光谱的对应关系,计算待检测的油菜茎秆中的纤维素含量。通过本发明的方法,可利用近红外光谱仪检测油菜茎秆切面上的近红外光谱,并根据油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系,计算待检测的油菜茎秆中的纤维素含量,与传统使用化学分析法不同,在建立了对应关系后,该方法无需进行再进行复杂的化学实验操作,可高通量的检测。
Description
技术领域
本发明涉及油菜田间管理领域,更特别地,涉及一种利用近红外光谱检测油菜茎秆纤维素含量的方法。
背景技术
油菜在我国油料作物生产中占据主导地位。近年来,我国油菜品质得到明显改善,生产模式也由原始的人工种植模式逐渐向机械化生产模式转化,大大提高了油菜生产效益。然而,在实际生产中,倒伏成为制约机械化生产模式推行的主要因素。倒伏不仅导致油菜减产,极大地影响油菜品质,还使机械化收割作业难以进行,导致油菜生产效益受到严重影响。因此,选育优良种质资源、探究轻简化栽培管理措施及油菜机械化栽培对于油菜高产和稳产起着至关重要的作用。
油菜倒伏受茎秆组成成分影响显著。纤维素是茎秆重要的结构成分,以微纤丝形态构建了植物细胞壁基本骨架,同时促进细胞纵向拉长,其纤丝网状结构增强了茎秆的机械强度,茎秆中纤维素含量的高低与茎秆机械组织的发达程度密切相关。大豆茎秆中纤维素合成及代谢过程试验表明,增加茎秆中纤维素含量可显著增强茎秆的抗倒性,茎秆中纤维素含量减少,大豆茎秆抗折力减弱,倒伏易发生;在对小麦、水稻、玉米等作物的研究中也发现茎秆中纤维素含量越高的作物其抗倒性越强;对大麦茎秆抗倒性研究发现,其茎秆抗折力与茎秆纤维素含量的相关性高达0.93;对抗倒性差异较大的9个品种油菜的茎秆特性做关联分析表明,茎秆中纤维素含量与其抗倒性呈正相关。因此,为研究其高产、高效、抗倒栽培机理,往往需要测定油菜茎秆中纤维素含量指标。传统纤维素含量指标测定是通过化学分析方法得到。但这种方法费时、费力、费钱,且操作步骤多,误差控制比较困难。
薛俊杰(2016)将玉米秸秆粉碎后再采集近红外光谱,用一阶导数法处理可溶性糖光谱,用多元散射校正法和一阶导数法组合预处理酸性洗涤纤维的光谱,分别得到可溶性糖和酸性洗涤纤维与近红外光谱的对应关系。然而,这种方法需要对秸秆进行粉碎等处理步骤,而不同的样品粉碎效果存在差异,由此会影响到光谱与物质含量的对应关系的构建。
因此,需要一种更简单更精确的方法来测定油菜茎秆纤维素含量指标。
发明内容
为解决以上问题,本发明提供了一种利用近红外光谱检测油菜茎秆纤维素含量的方法,其特征在于,包括以下步骤:
S1:建立油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系;
S2:测量待检测的油菜茎秆切面上的近红外光谱;
S3:根据S2得到的所述待检测的油菜茎秆切面上的近红外光谱以及S1得到的油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系,计算待检测的油菜茎秆中的纤维素含量。
通过本发明的方法,可利用近红外光谱仪检测油菜茎秆切面上的近红外光谱,并根据油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系,计算待检测油菜茎秆中纤维素含量,与传统使用化学分析法不同,在建立了对应关系后,该方法无需再进行复杂的化学实验操作,可实现高通量检测。
在一个具体实施方案中,S1包括以下步骤:
S11:采集多个与待测油菜同品种的油菜茎秆样品;
S12:测量所述多个油菜茎秆样品的近红外光谱;
S13:测量所述油菜茎秆样品中的纤维素含量;
S14:根据S12和S13的结果建立所述油菜茎秆的纤维素含量与近红外光谱的对应关系。使用相同的品种的油菜茎秆样品来建立对应关系可使预测结果更准确。
在一个优选实施方案中,S12中对每个油菜茎秆样品采集7个切面的近红外光谱,所述油菜茎秆样品的近红外光谱由所述7个切面的近红外光谱平均得到,所述7个切面分别为所述油菜茎秆样品的两端横切面,从所述油菜茎秆样品上不同部位横切两次得到的两个新鲜横切面,以及从所述油菜茎秆样品的三个区段取的三个纵切面。
在一个优选实施方案中,用于建立所述对应关系的近红外光谱的波段为7101.7cm-1-5449.8cm-1和4601.3cm-1-4246.5cm-1。
在一个实施方案中,用于建立所述对应关系的近红外光谱不进行预处理,或者进行了以下预处理方法中的任一种或几种组合的预处理:一阶导数法、矢量归一化法、减去一条直线法、多元散射校正法、消除常数偏移量法、最小-最大归一化法、MSC法、二阶导数法。
在一个优选实施方案中,用于建立所述对应关系的近红外光谱不进行预处理。切面近红外光谱与纤维素含量对应关系模型的构建中,不对光谱预处理得到的模型比使用常用的预处理方法得到的模型更佳,采取最原始的光谱有利于模型建立。在本发明中,获得光谱信息的油菜茎秆是完整的。在进行扫描时,由于样品池的大小是恒定的,而油菜茎秆直径粗细各不相同,在样品池上方加盖镀金积分球,防止自然光进入样品池中干扰结果。
在一个具体实施方案中,S14中油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系为通过偏最小二乘法建立的预测模型。
在一个优选实施方案中,在建立所述预测模型过程中,主成分数为6、7、8、9或10。
在一个优选实施方案中,所述多个油菜茎秆样品被分成校正集和验证集,并且校正集与验证集的数量比为2.5-4:1。
在一个优选实施方案中,S2中对待测油菜茎秆7个切面的采集近红外光谱,所述油菜茎秆样品的近红外光谱由所述7个切面的近红外光谱平均得到,所述7个切面分别为所述油菜茎秆样品的两端横切面,从所述油菜茎秆样品上不同部位横切两次得到的两个新横切面,以及从所述油菜茎秆样品的三个区段取的三个纵切面。
附图说明
图1为油菜茎秆样品纤维素含量正态分布图;
图2为150个样品预测值与实测值的相关性;
图3为150个样品预测残差与实测值的关系;
图4为剔除30个异常样品后的120个样品预测值与实测值的相关性;
图5为剔除30个异常样品后的120个样品预测残差与实测值的关系;
图6为主成分对相关系数的影响;
图7为主成分对RMSECV的影响。
具体实施方式
以下结合实例对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
构建油菜近红外光谱及茎秆纤维素含量关系所用试验材料通过如下试验获得。
1.试验地点及供试材料
试验在华中农业大学试验基地进行。供试品种为甘蓝型油菜杂交种华油杂62、沣油520,甘蓝型油菜常规品种华航901、华双5号,及由150个株系构成的DH群体,由华中农业大学提供。
2.试验设计
2.1不同油菜品种不同肥料用量试验获得不同特征的油菜茎秆
采用四因素裂区试验设计,3次重复,以4个油菜品种(沣油520,华航901,华双5号)为主区;以施肥种类(氮、磷、钾)为主裂区;以氮(纯氮为0kg/hm2、180kg/hm2、360kg/hm2)、磷(P2O5用量为0kg/hm2、120kg/hm2、240kg/hm2)和钾(K2O用量为0kg/hm2、150kg/hm2、300kg/hm2)为副裂区,108个氮磷钾处理,田间管理方式按照常规。
2.2利用氮肥及密度裂区试验获得不同特征的油菜茎秆
以华油杂62位试验材料,采用裂区设计,以120kg/hm2、240kg/hm2、360kg/hm2三个氮肥为主区,以15×104株hm-2,30×104株hm-2,45×104株hm-2三个密度为副区,3次重复。分别于2013年9月21日、2014年9月25日播种。以含氮量为46.7%的尿素为氮源,氮肥按基肥∶苗肥∶薹肥为6∶2∶2施用。磷肥(P2O5)和钾肥(K2O)用量均为150kg/hm2。其他管理同常规。
2.3利用油菜DH群体株系获得不同特征的油菜茎秆
两亲本和DH群体株系于2014年9月28日播种,次年五月份收获。采取完全随机排列,3次重复。基肥施用(15-15-15)复合肥750kg/hm2,苗期时追施尿素75kg/hm2,硼砂用量7.5kg/hm2,田间管理方式按照常规。
3.试验样品的采集与收藏
于成熟期进行取样,于105℃杀青,80℃烘至恒重,干燥保存。
4.油菜茎秆的近红外光谱采集
近红外光谱仪为德国布鲁克仪器公司生产的BRUKERFT-NIR(VECTOR33N型)傅里叶近红外光谱仪,配有有PbS检测器、石英旋转样品杯、镀金积分球、OPUS分析软件、波数为12000cm-1—4000cm-1。根据仪器性能及扫描油菜产品常用参数(吕丽娜等2004;丁小霞等2004)设定近红外光谱的扫描参数:分辨率:8cm-1;样品扫描次数:64Scans;背景扫描次数:64Scans;数据保存范围:12000cm-1—4000cm-1,光谱类型:Aborbance;光源:Tungsten(NIR);分束器:石英(Quartz);狭缝:1.4mm;检测通道:External3;检测器:PbS;-3350;0.9;扫描速度:6:10.0KHz;光谱数据点数:1960。每次扫描前将近红外光谱预热20min以上,再在室温下进行扫描,每次样品杯放在同一检测位置,将油菜茎秆的高度剪为刚好放在样品杯里,上方用镀金积分球覆盖,防漏光,每个油菜茎杆扫描7个切面得到7条光谱,确保扫描信息完整,所述7个切面分别为所述油菜茎秆样品的两端横切面,从所述油菜茎秆样品上不同部位横切两次得到的两个新横切面,以及从所述油菜茎秆样品的三个区段取的三个纵切面。
5.油菜茎杆纤维素含量测定
纤维素含量的直接测定方法按照Pei Y等2006年的提供的方法,根据Wu Z等2013年改进得到。
6.油菜茎秆纤维素含量的近红外光谱定量分析
6.1化学法实测纤维素含量的结果
采用化学分析方法测定200个样品纤维素含量,进行初步统计,结果如表1,200个样品纤维素含量范围为9.693%-38.267%。同时从图1中可以看出,纤维素含量分布符合正态分布,数据具有代表性。
表1 200个样品纤维素含量的实测结果统计
6.2异常样品的剔除
将200个光谱信息分为两个部分,分别为验证集和校正集,为避免分为校正集和验证集的偏差,将样品含量从小到大依次排列,每四个为一组,在四个样品中随机选取一个数值作为验证集、剩余三个作为校正验,保证样本划分的合理性。本例中,校正集样品为150个,验证集样品为50个,比例约为3:1。数据见表2。
表2 200个样品的校正集与验证集的划分
样品剔除前,如图2和3所示,当主成分数为5时,相关系数R为0.917,内部交叉验证均方差RMSECV为2.310%,模型预测精度较好,预测残差约为6.000%。
为了避免异常样品存在对于实验结果影响,采用基于预测浓度残差的方法来剔除样品,每剔除一次数据,进行一次留一法交叉验证,若相关系数增大,内部交叉验证均方差减小,则剔除样品(夏俊芳,2007)。基于上述原则,剔除出30个样本数据后,剩余120个样品采用偏最小二乘法建立模型。结果如图4和5所示,主成分数为5时,相关系数提高到0.945,内部交叉验证均方差减少到1.880%,预测模型精度提高,预测残差减小到5.000%。
6.3光谱预处理的评估
分别采用消除常数偏移量、减去一条直线等10种方法对剔除异常样本后的光谱进行预处理。结果见表3。
表3预处理方法对预测模型的影响
据表3,不进行预处理得到的模型相关系数最大,为0.945,内部验证均方差最小,为1.880%。在建立纤维素含量模型时,最好不对光谱进行预处理。
6.4光谱波段的优化
建立模型时,将光谱波段优化,可减少运算量,提取更准确光谱信息。利用无预处理和偏最小二乘法建立模型,把光谱分为45个波段,确定适宜波段。结果如表4。
表4不同光谱波段对RMSECV的影响
分为45个不同波段后,不同波段有不同的RMSECV值,最佳波段为7101.7cm-1-5449.8cm-1,4601.3cm-1-4246.5cm-1,它所对应的RMSECV值最小,为1.880%。
6.5主成分的优化
用无光谱预处理的方法和光谱波段为7101.7cm-1-5449.8cm-1,4601.3cm-1-4246.5cm-1范围,以相关系数R最大和内部交叉验证均方差RMSECV最小的标准来确定最佳主成分,连续选取1到10十个数,偏最小二乘法建立模型,模型预测结果如图6和7所示,在主成分数取6时相关系数最大为0.945,内部交叉验证均方差最小为1.880%,效果最佳。
综上,油菜茎秆纤维素含量近红外光谱建立,最佳光谱处理方法是无光谱预处理,光谱波段在7101.7cm-1-5449.8cm-1和4601.3cm-1-4246.5cm-1,主成分数是6时,建立模型相关系数R最大为0.945,内部交叉验证均方差RMSECV最小为1.880%。
6.6校正模型的验证
将验证集中50个样品光谱图导入所建立的模型中,结果见表5。
表5模型验证结果
由表中可以看出,残差有正有负,经过计算,验证集相关系数R为0.863,RMSEP为2.660%,总体而言,效果一般,但基本能满足预测要求。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种利用近红外光谱检测油菜茎秆纤维素含量的方法,其特征在于,包括以下步骤:
S1:建立油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系;
S2:测量待检测的油菜茎秆切面上的近红外光谱;
S3:根据S2得到的所述待检测的油菜茎秆切面上的近红外光谱以及S1得到的油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系,计算待检测的油菜茎秆中的纤维素含量。
2.根据权利要求1所述的方法,其特征在于,S1包括以下步骤:
S11:采集多个与待测油菜同品种的油菜茎秆样品;
S12:测量所述多个油菜茎秆样品的近红外光谱;
S13:测量所述油菜茎秆样品中的纤维素含量;
S14:根据S12和S13的结果建立所述油菜茎秆的纤维素含量与近红外光谱的对应关系。
3.根据权利要求2所述的方法,其特征在于,S12中对每个油菜茎秆样品采集7个切面的近红外光谱,所述油菜茎秆样品的近红外光谱由所述7个切面的近红外光谱平均得到,所述7个切面分别为所述油菜茎秆样品的两端横切面,从所述油菜茎秆样品上不同部位横切两次得到的两个新横切面,以及从所述油菜茎秆样品的三个区段取的三个纵切面。
4.根据权利要求2所述的方法,其特征在于,用于建立所述对应关系的近红外光谱的波段为7101.7cm-1-5449.8cm-1和4601.3cm-1-4246.5cm-1。
5.根据权利要求2所述的方法,其特征在于,用于建立所述对应关系的近红外光谱进行了以下预处理方法中的任一种或几种组合的预处理:一阶导数法、矢量归一化法、减去一条直线法、多元散射校正法、消除常数偏移量法、最小-最大归一化法、MSC法、二阶导数法。
6.根据权利要求2所述的方法,其特征在于,用于建立所述对应关系的近红外光谱未进行预处理。
7.根据权利要求2-6中任一项所述的方法,其特征在于,S14中油菜茎秆纤维素含量与菜茎秆切面上的近红外光谱的对应关系为通过偏最小二乘法建立的预测模型。
8.根据权利要求7所述的方法,其特征在于,在建立所述预测模型过程中,主成分数为6、7、8、9或10。
9.根据权利要求2所述的方法,其特征在于,所述多个油菜茎秆样品被分成校正集和验证集,并且校正集与验证集的样品数量比为2.5-4:1。
10.根据权利要求1所述的方法,其特征在于,S2中对待测油菜茎秆7个切面的采集近红外光谱,所述油菜茎秆样品的近红外光谱由所述7个切面的近红外光谱平均得到,所述7个切面分别为所述油菜茎秆样品的两端横切面,从所述油菜茎秆样品上不同部位横切两次得到的两个新横切面,以及从所述油菜茎秆样品的三个区段取的三个纵切面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710438483.7A CN107314985A (zh) | 2017-06-12 | 2017-06-12 | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710438483.7A CN107314985A (zh) | 2017-06-12 | 2017-06-12 | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107314985A true CN107314985A (zh) | 2017-11-03 |
Family
ID=60182231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710438483.7A Withdrawn CN107314985A (zh) | 2017-06-12 | 2017-06-12 | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107314985A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181262A (zh) * | 2017-12-18 | 2018-06-19 | 浙江工业大学 | 一种利用近红外光谱技术快速测定铜藻纤维素含量的方法 |
CN108801936A (zh) * | 2018-04-20 | 2018-11-13 | 中国农业大学 | 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 |
CN108981994A (zh) * | 2018-06-25 | 2018-12-11 | 江苏大学 | 一种确定茶树茎秆剪切力的方法 |
WO2019113997A1 (zh) * | 2017-12-14 | 2019-06-20 | 江苏大学 | 基于Micro-CT的蔷薇科作物同化产物流速的测定方法 |
-
2017
- 2017-06-12 CN CN201710438483.7A patent/CN107314985A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019113997A1 (zh) * | 2017-12-14 | 2019-06-20 | 江苏大学 | 基于Micro-CT的蔷薇科作物同化产物流速的测定方法 |
CN108181262A (zh) * | 2017-12-18 | 2018-06-19 | 浙江工业大学 | 一种利用近红外光谱技术快速测定铜藻纤维素含量的方法 |
CN108801936A (zh) * | 2018-04-20 | 2018-11-13 | 中国农业大学 | 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 |
CN108801936B (zh) * | 2018-04-20 | 2021-04-06 | 中国农业大学 | 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 |
CN108981994A (zh) * | 2018-06-25 | 2018-12-11 | 江苏大学 | 一种确定茶树茎秆剪切力的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Rapid determination of leaf water content using VIS/NIR spectroscopy analysis with wavelength selection | |
CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
CN107314985A (zh) | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 | |
DUAN et al. | Estimating total leaf nitrogen concentration in winter wheat by canopy hyperspectral data and nitrogen vertical distribution | |
Marcos-Filho et al. | Assessment of melon seed vigour by an automated computer imaging system compared to traditional procedures | |
Wang et al. | Quantitative analysis of fat content in rice by near‐infrared spectroscopy technique | |
CN107314986A (zh) | 一种利用近红外光谱检测油菜茎秆可溶性糖含量的方法 | |
CN106908408A (zh) | 一种多花黑麦草粗蛋白含量的测定方法 | |
Guo et al. | A robust method to estimate foliar phosphorus of rubber trees with hyperspectral reflectance | |
Bei et al. | Leaf chlorophyll content retrieval of wheat by simulated RapidEye, Sentinel-2 and EnMAP data | |
Brambilla et al. | Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level | |
Wang et al. | Discriminant analysis and comparison of corn seed vigor based on multiband spectrum | |
CN109540837A (zh) | 近红外快速检测苎麻叶片木质纤维素含量的方法 | |
Liu et al. | Non-destructive measurements of Toona sinensis chlorophyll and nitrogen content under drought stress using near infrared spectroscopy | |
CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
CN105699304B (zh) | 一种获得光谱信息所代表的物质信息的方法 | |
CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
Yang et al. | Retrieving potassium levels in wheat blades using normalised spectra | |
KR20030010025A (ko) | 근적외선 흡수스펙트럼을 이용한 곡물 1립 비파괴 분석방법 | |
He et al. | Remote estimation of leaf water concentration in winter wheat under different nitrogen treatments and plant growth stages | |
CN107314987A (zh) | 一种利用近红外光谱检测油菜单株产量的方法 | |
Wu et al. | Determining farming methods and geographical origin of Chinese rice using NIR combined with chemometrics methods | |
Phanomsophon et al. | Primary assessment of macronutrients in durian (CV Monthong) leaves using near infrared spectroscopy with wavelength selection | |
CN107153047A (zh) | 一种利用近红外光谱检测油菜茎秆倒伏指数的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171103 |