CN107515203A - 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 - Google Patents
近红外技术定量分析水稻单籽粒直链淀粉含量的研究 Download PDFInfo
- Publication number
- CN107515203A CN107515203A CN201710591874.2A CN201710591874A CN107515203A CN 107515203 A CN107515203 A CN 107515203A CN 201710591874 A CN201710591874 A CN 201710591874A CN 107515203 A CN107515203 A CN 107515203A
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- amylose
- single grain
- seed
- 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
- 235000013339 cereals Nutrition 0.000 title claims abstract description 44
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 42
- 235000009566 rice Nutrition 0.000 title claims abstract description 42
- 229920000856 Amylose Polymers 0.000 title claims abstract description 40
- 240000007594 Oryza sativa Species 0.000 title claims abstract 4
- 238000004445 quantitative analysis Methods 0.000 title abstract description 8
- 238000005516 engineering process Methods 0.000 title description 11
- 238000011160 research Methods 0.000 title description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 3
- 239000000126 substance Substances 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 240000008042 Zea mays Species 0.000 claims description 6
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 6
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 6
- 235000005822 corn Nutrition 0.000 claims description 6
- 244000062793 Sorghum vulgare Species 0.000 claims description 5
- 229920002472 Starch Polymers 0.000 claims description 5
- 238000003306 harvesting Methods 0.000 claims description 5
- 235000019713 millet Nutrition 0.000 claims description 5
- 235000019698 starch Nutrition 0.000 claims description 5
- 239000008107 starch Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 239000000843 powder Substances 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 abstract description 2
- 241000209094 Oryza Species 0.000 description 38
- 230000000694 effects Effects 0.000 description 11
- 235000016709 nutrition Nutrition 0.000 description 11
- 239000000203 mixture Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 239000004615 ingredient Substances 0.000 description 7
- 235000015097 nutrients Nutrition 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004611 spectroscopical analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 101150061025 rseP gene Proteins 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000010561 standard procedure Methods 0.000 description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000201976 Polycarpon Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 210000001161 mammalian embryo Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013049 sediment 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
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
本发明涉及作物单粒种子的直链淀粉含量检测，具体公开了水稻单粒种子直链淀粉检测模型的构建方法及其应用。所述构建方法具体为采集样品的漫反射光谱，选择有效波长，依次进行平滑(9点窗)→一阶差分→标准化处理，并利用偏最小二乘法(PLS)降维，PLSR、支持向量机法(SVR)将光谱矩阵的信息与参比值矩阵的信息通过化学计量学方法回归关联起来，建立作物单籽粒种子直链淀粉检测模型。检测时，由未知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，最后利用所建立的定量分析模型检测该样品的直链淀粉含量。
Description
技术领域
本发明涉及作物单籽粒种子鉴别，具体地说，涉及水稻单粒种子 直链淀粉含量检测模型的构建方法。
背景技术
水稻是世界三大主要粮食作物之一。世界近一半人口以稻米为 食，尤其是在亚洲国家。稻米的营养品质，即其中的直链淀粉质和淀 粉等主要营养物质的含量引起消费者特别关注。因此培育高营养品质 稻米的水稻品种，特别是直链淀粉质含量高和淀粉比例适中的水稻品 种，一直是水稻生产和育种工作中追求的目标。目前，水稻籽粒直链 淀粉质和淀粉含量的检测采用化学分析法，需要损毁样品，因而无法 运用“一粒传”的遗传方法跟踪分析上述营养物质在亲子代间的遗传 变异规律，影响了水稻品质选育的效率和进程。同时，化学法样品处 理过程繁杂，费时、费力且成本高，对环境有污染。因此，急需研究 快速、方便和无损检测技术用于水稻单籽粒直链淀粉、淀粉等营养成 分含量的测定，以便加快水稻营养品质育种的进程。近红外光谱分析 技术快速、简便、环保、无损分析的特点使其在育种材料检测具有独 特的优点。虽然近红外光谱分析技术经在农产品的营养成分检测应用 方面已经非常成熟，但目前国内外对利用近红外技术建立检测水稻单 籽粒营养成分含量的模型的研究还很少。国内现已有的检测水稻营养 成分的近红外模型，其光谱是由多个籽粒混合在一起采集得到的，而 它的参考化学值，也是由许多籽粒混合磨成粉末，然后利用化学方法 得到的。由于即使是同一品种，不同大小的种子其营养成分含量也会 有所不同，故由混合群体种子所建立的近红外定量分析模型，只适合 用来检测群体种子的营养成分，而不能有效的检测水稻单籽粒的营养 成分含量。水稻种子本身就小，要检测的物质含量也就很少，所以要 用现有的化学方法准确测出一颗种子的参考化学值就很困难，近红外 检测单籽粒营养成分并建立模型就是现在最大的难题。Agelet(2014) 在单籽粒近红外光谱分析的局限性和应用性一文中指出，近红外检测 仪、光谱测量方式、籽粒形状及大小、建模方法、标准参考方法是影 响单籽粒营养成分的近红外模型发展的主要因素。单籽粒种子准确参 考化学值的获取，对于建立准确的、包容性强的近红外校正模型是至 关重要的，在模型预测的误差中会加入参考化学值的误差，若参考化 学值的误差较大，就会使模型的预测效果较差；近红外光谱能检测到 的化合物的最低限为0.1％的质量分数(Dowell，2002)；牧草种子的 含油量小于5mg时就不能用近红外模型准确预测(Patrick)。种子的大 小差异、所要检测样品的物质特性等等都会使得近红外检测的最低限 会高于0.1％(Agelet，2014)。当前的近红外光谱技术还很难准确检 测到籽粒较小的样品尤其是单籽粒种子的营养成分含量。国内外对近 红外方面的研究，所用的研究材料也主要是玉米、大豆等粒形较大的 单籽粒种子。目前在国内的研究中，利用近红外技术来建立检测单籽 粒样本营养成分含量的模型研究是几乎没有开展的，现已有的检测籽 粒营养成分的近红外模型光谱都是由多个籽粒混合在一起得到的。运 用BP神经网络建模和主成分分析法，测定大米的直链淀粉含量，模 型预测值与所测的化学值相比R2＝0.90，预测标准差小于1％，平均相 对误差为2％(刘建学等2001)。目前国内外对利用近红外技术建立 检测水稻单籽粒营养成分含量的研究还很少，本研究致力于探索如何 建立适用于检测水稻单籽粒营养成分的近红外定量分析技术。
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 单籽粒种子直链淀粉含量检测的方法。
为了实现本发明目的，本发明技术方案如下：
第一方面，本发明提供了水稻单籽粒种子直链淀粉检测模型的构 建方法，包括如下步骤：
S1.采集单籽粒的漫反射光谱；
S2.采用《水稻、玉米、谷子籽粒直链淀粉测定法》(GB 7648-87) 获得样品单籽粒的直链淀粉含量参比值，建立参比值矩阵，并依据该 国标法获取实验员的实验标准差；
S3.光谱预处理：选择有效波长，增大信噪比，消除干扰；
S4.光谱特征提取：利用PLS对数据降维，建立光谱矩阵；
S5.采用PLSR方法和SVR法将光谱矩阵的信息与参比值矩阵的 信息通过化学计量学方法进行回归关联分析，建立作物单籽粒种子直 链淀粉检测模型。进一步地，采集样品漫反射光谱后，剔除异常光谱， 获得样品的原始光谱。
采集漫反射光谱时仪器为美国生产的MircroNIR-1700微型近红 外光谱仪JDSUniphase[JDSU]Corporation,Milpitas，编号S1-00239)。 仪器的分辨率：12.5nm，扫描谱区范围：900nm～1650nm。数据分 析软件为Matlab 2011b。
为了扩大样本的代表性，所述样品为不同时间收获、不同遗传物 质、含水量在8.8～13.8％的成熟种子。当样本满足上述条件时，能提 高模型的包容性。采集样本图谱时，1粒种子为1个样本，每粒种子 重复扫描光谱3次，以平均光谱近似作为该样本光谱。
进一步地，所述S1为采集3000～3500个样品的光谱。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直链淀粉含量检测。
进一步地，所述有效波长为900nm～1650nm。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)、 一阶差分导数、标准化处理。用平滑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，用一阶差分导数处理以消除基线的平 移和其他干扰，用标准化处理以消除光谱的绝对吸收值，突出样品间 的差异。该处理方式和处理顺序下，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)、测量的误差、光的散射等因素的 影响，可以有效提取水稻种子的有效信息，能增强后期建模效果，作 为优选，移动窗口平均处理中，平滑窗口设为9；一阶差分导数处理 中，差分宽度设为1。进一步地，利用PLS将数据降到12维，
采用《水稻、玉米、谷子籽粒直链淀粉测定法》(GB 7648-87) 获得单籽粒的直链淀粉含量参比值。进一步地，实验员需要依据该国 标法，对同一样品进行平行实验至少8次，以获取实验标准差。
第二方面，本发明提供了一种作物单籽粒种子直链淀粉含量的检 测方法，包括如下步骤：
步骤1、利用前述方法对特定样品建立作物单籽粒种子直链淀粉 检测模型(定量分析模型)；
步骤2、由未知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，最后利用所建立的作物单籽粒 种子直链淀粉检测模型(定量分析模型)检测该样品的直链淀粉含量。
选择线性相关的PLSR法和非线性相关的SVR法分别建立模型， 用建立好的模型预测未知样本，以评价模型的预测效果。
对所建定量模型的评价指标主要有以下几种：决定系数 (Coefficient ofDetermination,R2)，校正标准误差(Standard Error of Calibration,SEC)，预测标准误差(Standard Error of Prediction,SEP), 相对预测标准误差(Relative StandardError of Prediction,RSEP)，范 围误差(Relative Performance Determinant,RPD)，SEP/SEC。
详细算法如下面公式所示：
(1)决定系数R2(Coefficient of Determination)
式中，yi,actual：第i样品的参比值；
yi,predicted：第i样品的近红外模型预测值；
yactual：所有样品参比值的平均值；
n：样品数；
R2被用来评价由建模集建立的模型拟合效果。在浓度范围相同的 前提下，R2越接近1，表示预测值越接近参比值，即准确性越高；若 R2等于1，则表示完全拟合；若R2为负值，则表示模型拟合效果极 差。另外，R2的大小与待测量的分布范围关系极大，对于分布范围很 广的待测量，有可能出现R2接近1，但其准确性较差的情况。
(2)校正标准误差(Standard Error of Calibration,SEC)
式中，yi,actual：校正集中第i样品的参比值；
yi,predicted：校正集中第i样品的模型预测值；
n：校正集的样品数；
R：维数
SEC越小，表明模型对建模集的样本预测效果越好。
(3)预测标准误差(Standard Error of Prediction,SEP)
式中，yi,actual：预测集中第i样品的参比值；
yi,predicted：预测集中第i样品的模型预测值；
m：预测集的样品数；
SEP值越小，表明所建模型的预测能力越强、预测结果越准确。
(5)范围误差比RPD(Relative Performance Determinant)
RPD＝SD/SEP
式中，SD：建模数据分布标准差
RPD表示近红外分析模型对SD范围内的样品加以分级的数目， 它代表了模型的分辨能力。RPD越大表明分级数越多、模型的分辨 能力越大。一般RPD≥2.5时，模型即可应用于品种育种的筛选。
(6)SEP/SEC
SEP/SEC用来评价模型的稳健性。模型的稳健性是模型应对待测 样品光谱变动的性质，它表示模型容许光谱变动的范围。SEP/SEC值 越小，表明模型的稳健性越好，应对样品光谱变动的能力越强。ICC 在近红外分析标准中规定在正常的容变性范围内，SEP/SEC应小于 1.2。
本发明的有益效果在于：
本发明提供了作物单籽粒种子直链淀粉近红外定量分析模型的 构建方法，目的是提供一种检测作物单籽粒种子营养成分含量的方 法。
本发明运用近红外光谱技术对不同直链淀粉含量、不同遗传亲缘 关系的水稻单籽粒建立近红外定量分析模型。利用PLSR和SVR所建 模型效果基本相同，两个模型的R2分别为0.5817、0.5831，SEC分别 为1.57％、1.56％，SEP分别为1.80％、1.66％，RSEP分别为9.72％、8.93％， RPD分别为1.34、1.46，SEP/SEC分别为1.15、1.06。
附图说明
图1为本发明实施例1中微型近红外光谱仪JDSU实物图。
图2为本发明实施例1中水稻光谱采集方式示意图。
图3为本发明实施例1中漫反射光谱采集装置示意图。
图4为本发明实施例1中原始光谱。
图5为本发明实施例1中预处理后的光谱。
图6为本发明实施例1中累积贡献率随主成分数增加的变化趋势。
图7为本发明实施例1中平均标准误差随主成分数增加的变化趋 势。
图8为本发明实施例1中PLSR模型的预测集的预测值与参比值散 点图。
图9为本发明实施例1中SVR模型的预测集的预测值与参比值散 点图。
具体实施方式
下面将结合实施例对本发明进行详细说明。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1近红外光谱分析技术检测水稻单籽粒直链淀粉含量的研究
(一)、材料
实验材料为213个品种，每个品种挑选出15粒，共3195粒，不 同时间、不同地点收获水稻种子。实验材料包含籼稻和粳稻，晚熟品 种和早熟品种，2013、2014、2015不同年限收获的、海南、中国农 大上庄实验站等不同地点收获的种子。例如意大利品种：MARENY、SILLA、NANO等。所有的实验种子都为自然干燥。所有水稻种子均 为自然干燥，水分含量介于8.8％和13.8％之间。
仪器设备：实验采用的近红外光谱仪为美国生产的 MircroNIR-1700微型近红外光谱仪(JDS Uniphase[JDSU] Corporation,Milpitas，编号S1-00239)，见图1。
(二)、方法
1.光谱采集
1.1光谱仪器参数设置
近红外仪器JDSU设置参数为：积分时间10000μs/次，积分次数 400次，故扫描一粒种子得到一条光谱需用4s。
1.2仪器设备的预热
仪器与计算机通过数据线进行连接，在仪器进行光谱采集前，仪 器需要预热使其内部达到稳定的温度，以致仪器不会在实验过程当中 温度的变化造成系统偏差，影响光谱采集的质量及数据分析结果。
1.3光谱采集方式
光谱采集方式为漫反射，水稻摆放方式为种胚朝上，见图2。用 JDSU扫描3195粒代表不同时间收获、不同种植地点、不同品种的种 子。在这里一粒种子为一个样本，每粒种子进行3次重复实验，扫描 3次获得一条光谱，共获取9585份光谱。
在进行光谱采集时，对JDSU微型光谱仪添加了外置的氧化铝材 质遮光盖扣在仪器上方，防止外界光的干扰，见图3。每扫15粒种 子，进行一次白板校正。
2.直链淀粉参比值测定
直链淀粉测定原理按方法《水稻、玉米、谷子籽粒直链淀粉测定 法》(GB 7648-87)，单粒种子用德国IKA-A11分析研磨机(小型) 轻度粉碎。之后获得对应9585份样品的参比值数据，每一分样品对 于一条光谱数据和一份参比值数据，此时参比值矩阵建立完成。
3.光谱数据处理与模型的建立
本实验分别采用偏最小二乘法(PLSR)和支持向量机法(SVR) 分别建立模型。模型建立步骤为：
光谱数据采集完成后，获得每个样品原始光谱，之后依据建模集 与测试集的比例2：1进行样本随机分配，将6390份原始光谱列为建 模集，剩余3195分原始光谱列为测试集。
首先选择900nm～1650nm的有效波长，对建模集中的6390份原 始光谱依次采用如下预处理：
首先利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。之后利用一阶差分导 数消除基线的平移和其他干扰，放大品种间的差别，将重叠的谱峰分 辨出来，差分宽度为1。然后用标准化可有效使同一个品种的多次测 量间产生的差异得到降低。原始光谱及预处理后的光谱分别见图4和 图5。
之后利用主成分分析(PCA)的方法将建模集光谱数据的维数降 到20维；偏最小二乘法(PLS)将数据的维数降到12维，此时已完 成光谱矩阵建立，之后将建模集光谱数据与来自于与参比值矩阵的已 获得的对应6390份光谱的唯一参比值进行回归分析。
利用光谱矩阵与参比值矩阵构建回归方程，该方法也采取了成分 提取的工作方式。此时自变量矩阵X为参比值矩阵，自变量y矩阵 为光谱矩阵。当从自变量矩阵X中提取第一个成分F1时，及参比值 数据，它期望F1一方面能最好的概括X中的信息，同时又能对自变量y的解释能力达到最大。依据此规则，将两个矩阵建立回归关系， 完成建模。
所获得模型效果以及具体累积贡献率和平均标准误差随主成分 数增加的变化趋势分别见图6和图7。
(三)结果与分析
1.模型预测效果
由建模集建立模型后，再用该模型分析预测集中样本(单籽粒) 的直链淀粉含量，以检验模型的预测效果，预测效果见表4。
表4.直链淀粉近红外模型对未知样本的预测结果(％)
PLSR模型的校正集的预测值与参比值散点图、预测集的预测值 与参比值散点图见图8。SVR模型的校正集的预测值与参比值散点 图、预测集的预测值与参比值散点图见图9。具体模型评价参数见表 5。
表5.直链淀粉模型评价参数一览表
2.结果分析
单籽粒水稻直链淀粉近红外模型，最佳主成分数为12，校正集的 最大值为24.36％，最小值为13.92％，极差为10.44％，标准差为2.43％， 用PLSR和SVR两种算法建立模型的决定系数值分别为0.5817、 0.5831，校正集的标准误分别为：1.5700％和1.5600％，预测集的标准 误分别为：1.8083％和1.6616％，RPD值为1.3424、1.4609，SEP/SEC 值为1.1518、1.0601。SVR法建模效果比PLSR法好一些。两个模型的 RSEP、RPD、R2等模型评价参数还不太理想，需要改善。
模型的拟合效果还存在偏差，后续实验还有待提高，分析其原因， 可能如下：
(1)化学参比值测定不准确。因为实验的样本量大，实验方法 耗时长，所要用到的仪器是分光光度仪，仪器本身对温度极其敏感。
(2)每个品种的平均光谱难以和50粒左右的水稻直链淀粉含量 平均值相对应，从而导致光谱矩阵与参比值矩阵的相关性较差。
(3)水稻种子本身很小，JDSU-1700的入射孔径为0.5*2mm，水 稻种子没法完全覆盖，使得光谱信息的采集就不够完整。
(4)参比值的测定是参考的国标法，它对于籽粒磨成的粉末颗 粒大小要求很高，为了达到这样的标准，实验的参比值测定是用得群 体的参比值，所以水稻单籽粒模型的建立最少的实验值要50粒左右。
Claims (9)
1.作物单籽粒种子直链淀粉检测模型的构建方法，其特征在于，包括如下步骤：
S1.采集样品单籽粒的漫反射光谱；
S2.采用《水稻、玉米、谷子籽粒直链淀粉测定法》(GB 7648-87)获得样品单籽粒的直链淀粉含量参比值，建立参比值矩阵；
S3.光谱预处理：选择有效波长，增大信噪比，消除干扰；
S4.光谱特征提取：利用PLS对数据降维，建立光谱矩阵；
S5.采用PLSR方法和SVR法将光谱矩阵的信息与参比值矩阵的信息通过化学计量学方法进行回归关联分析，建立作物单籽粒种子直链淀粉检测模型。
2.根据权利要求1所述的方法，其特征在于，所述样品为不同时间收获、不同遗传物质、含水量在8.8～13.8％的成熟种子。
3.根据权利要求1所述的方法，其特征在于，所述S1为采集3000～3500个样本的光谱，每个样本进行至少3次的重复，取平均光谱。
4.根据权利要求1所述的方法，其特征在于，所述S2为将作物单籽粒经磨样机磨碎后，依据《水稻、玉米、谷子籽粒直链淀粉测定法》(GB 7648-87)进行直链淀粉测定。
5.根据权利要求1所述的方法，其特征在于，S3中所述有效波长为900nm～1650nm。
6.根据权利要求5所述的方法，其特征在于，选择有效波长后，依次进行平滑、一阶差分、标准化处理，增大信噪比，消除干扰。
7.根据权利要求6所述的方法，其特征在于，光谱平滑处理中，平滑窗口设为9；一阶差分导数处理中，差分宽度设为1。
8.根据权利要求5～7任一项所述的方法，其特征在于，所述S4具体为利用PLS将数据降到12维。
9.一种作物单籽粒种子直链淀粉含量的检测方法，其特征在于，包括如下步骤：
步骤1、利用权利要求1～8任一项所述的方法对特定样品建立作物单籽粒种子直链淀粉检测模型；
步骤2、由未知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，最后利用所建立的模型检测该样品的直链淀粉含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710591874.2A CN107515203A (zh) | 2017-07-19 | 2017-07-19 | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710591874.2A CN107515203A (zh) | 2017-07-19 | 2017-07-19 | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107515203A true CN107515203A (zh) | 2017-12-26 |
Family
ID=60721864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710591874.2A Pending CN107515203A (zh) | 2017-07-19 | 2017-07-19 | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107515203A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108613943A (zh) * | 2018-05-09 | 2018-10-02 | 中国科学院合肥物质科学研究院 | 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 |
| CN108680515A (zh) * | 2018-08-27 | 2018-10-19 | 中国科学院合肥物质科学研究院 | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 |
| CN110221032A (zh) * | 2019-07-09 | 2019-09-10 | 浙江五芳斋实业股份有限公司 | 一种基于近红外光谱的大米品质检测方法 |
| CN110530843A (zh) * | 2019-08-22 | 2019-12-03 | 北京农业智能装备技术研究中心 | 一种玉米籽粒中淀粉含量的检测方法及系统 |
| CN110596038A (zh) * | 2019-09-27 | 2019-12-20 | 南京晶薯生物科技有限公司 | 一种红薯淀粉含量快速测定的方法 |
| CN110632024A (zh) * | 2019-10-29 | 2019-12-31 | 五邑大学 | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 |
| CN112179871A (zh) * | 2020-10-22 | 2021-01-05 | 南京农业大学 | 一种酱类食品中己内酰胺含量无损检测的方法 |
| CN112683840A (zh) * | 2020-10-29 | 2021-04-20 | 河南工业大学 | 一种利用近红外光谱技术快速无损测定小麦单籽粒直链淀粉含量的方法 |
| CN113484270A (zh) * | 2021-06-04 | 2021-10-08 | 中国科学院合肥物质科学研究院 | 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11304698A (ja) * | 1998-04-16 | 1999-11-05 | Natl Food Res Inst | 米のアミロース含量測定方法、及び米のアミロース含量測定装置 |
| CN106124640A (zh) * | 2016-04-14 | 2016-11-16 | 中国水稻研究所 | 一种用半粒测定水稻直链淀粉和支链淀粉含量的方法 |
| CN106706553A (zh) * | 2016-03-17 | 2017-05-24 | 西北农林科技大学 | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 |
-
2017
- 2017-07-19 CN CN201710591874.2A patent/CN107515203A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11304698A (ja) * | 1998-04-16 | 1999-11-05 | Natl Food Res Inst | 米のアミロース含量測定方法、及び米のアミロース含量測定装置 |
| CN106706553A (zh) * | 2016-03-17 | 2017-05-24 | 西北农林科技大学 | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 |
| CN106124640A (zh) * | 2016-04-14 | 2016-11-16 | 中国水稻研究所 | 一种用半粒测定水稻直链淀粉和支链淀粉含量的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 余鼎 等: "基于近红外光谱技术的水稻种子成分分析模型的建立", 《光散射学报》 * |
| 肖昕 等: "单粒活体稻谷种子直链淀粉含量的近红外透射光谱分析", 《中国水稻科学》 * |
| 谭晶晶 等: "近红外单籽粒大米无损检测仪的研制", 《微计算机信息》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108613943A (zh) * | 2018-05-09 | 2018-10-02 | 中国科学院合肥物质科学研究院 | 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 |
| CN108613943B (zh) * | 2018-05-09 | 2020-07-14 | 中国科学院合肥物质科学研究院 | 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 |
| CN108680515A (zh) * | 2018-08-27 | 2018-10-19 | 中国科学院合肥物质科学研究院 | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 |
| CN110221032A (zh) * | 2019-07-09 | 2019-09-10 | 浙江五芳斋实业股份有限公司 | 一种基于近红外光谱的大米品质检测方法 |
| CN110530843A (zh) * | 2019-08-22 | 2019-12-03 | 北京农业智能装备技术研究中心 | 一种玉米籽粒中淀粉含量的检测方法及系统 |
| CN110596038A (zh) * | 2019-09-27 | 2019-12-20 | 南京晶薯生物科技有限公司 | 一种红薯淀粉含量快速测定的方法 |
| CN110632024A (zh) * | 2019-10-29 | 2019-12-31 | 五邑大学 | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 |
| CN112179871A (zh) * | 2020-10-22 | 2021-01-05 | 南京农业大学 | 一种酱类食品中己内酰胺含量无损检测的方法 |
| CN112683840A (zh) * | 2020-10-29 | 2021-04-20 | 河南工业大学 | 一种利用近红外光谱技术快速无损测定小麦单籽粒直链淀粉含量的方法 |
| CN113484270A (zh) * | 2021-06-04 | 2021-10-08 | 中国科学院合肥物质科学研究院 | 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Agelet et al. | Limitations and current applications of Near Infrared Spectroscopy for single seed analysis | |
| CN101881726B (zh) | 植物幼苗综合性状活体无损检测方法 | |
| Williams et al. | Maize kernel hardness classification by near infrared (NIR) hyperspectral imaging and multivariate data analysis | |
| Pojić et al. | Near infrared spectroscopy—advanced analytical tool in wheat breeding, trade, and processing | |
| Cozzolino | Use of infrared spectroscopy for in-field measurement and phenotyping of plant properties: instrumentation, data analysis, and examples | |
| CN103344602B (zh) | 一种基于近红外光谱的水稻种质真伪无损检测方法 | |
| CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
| Nadimi et al. | Examination of wheat kernels for the presence of Fusarium damage and mycotoxins using near-infrared hyperspectral imaging | |
| Arazuri et al. | Rheological parameters determination using Near Infrared technology in whole wheat grain | |
| 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 | |
| CN108680515A (zh) | 一种单粒水稻直链淀粉定量分析模型构建及其检测方法 | |
| CN107655851A (zh) | 一种基于近红外光谱技术快速检测赖氨酸含量的方法 | |
| Vermeulen et al. | Authentication and traceability of agricultural and food products using vibrational spectroscopy | |
| CN107389596A (zh) | 一种快速预测大麦秸秆营养组成的方法 | |
| CN106018321A (zh) | 玉米单粒种子蛋白质检测模型的构建方法及其应用 | |
| Liu et al. | Determination of total protein and wet gluten in wheat flour by Fourier transform infrared photoacoustic spectroscopy with multivariate analysis | |
| 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 | |
| CN106226267B (zh) | 一种辣椒干色价的近红外测定方法 | |
| Rukundo et al. | Comparing the use of handheld and benchtop NIR spectrometers in predicting nutritional value of forage | |
| Cozzolino | Advantages and limitations of using near infrared spectroscopy in plant phenomics applications | |
| CN109406447A (zh) | 一种高粱中单宁的近红外检测方法 | |
| CN106706554A (zh) | 一种快速无损测定玉米单穗籽粒直链淀粉含量的方法 | |
| CN111398199A (zh) | 一种基于高光谱成像的小麦面粉微量元素快速检测方法 | |
| CN106770016A (zh) | 单粒稻谷种子的蛋白质定量分析nir透射光谱测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20171226 |