CN108444953A - 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 - Google Patents

Abstract

本发明公开一种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，其通过对标准水稻光谱以及待测水稻光谱进行平均处理和微分处理，将水稻的激光诱导击穿光谱微分信号作为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，特别是将对标准水稻光谱以及待测水稻光谱的波长进行微分处理，分别得到标准水稻光谱以及待测水稻光谱的微分信号，进而能将光谱中对类型识别的有用信息提练出来，并减少大量干扰信息，从而提高水稻品种类型识别的效果，且使得水稻品种鉴别工作更加高效快捷。

Description

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

技术领域

本发明涉及水稻品种快速鉴别技术领域，特别是涉及一种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。

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

本发明针对现有技术存在的问题，提出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激光诱导击穿光谱水稻品种快速鉴别方法。

为解决上述技术问题，本发明提供一种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，其包括以下步骤；

S1、利用激光诱导击穿光谱仪测量出多种标准水稻品种的光谱，并对多种标准水稻光谱进行平均处理和微分处理，得到多种标准水稻光谱的微分信号；

S2、将多种标准水稻光谱的微分信号作为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；

S3、利用激光诱导击穿光谱仪测量出待测水稻品种的光谱，并对待测光谱进行平均处理和微分处理，得到待测光谱的微分信号；

S4、选取待测水稻光谱的微分信号作为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。

优选的，利用激光诱导击穿光谱仪对同一颗标准或待测水稻的同一点上的测量次数不小于15次。

优选的，在步骤S1和S3中，分别利用激光诱导击穿光谱仪测量出标准水稻品种、待测水稻品种在200-950nm范围内的光谱。

优选的，在步骤S1和S3中，分别利用激光诱导击穿光谱仪测量出标准水稻品种、待测水稻品种在250-800nm范围内的光谱。

优选的，所述平均处理具体为：将同一颗水稻的同一点上测量得到的多组数据中前几组数据删除，并对剩下的数据进行平均处理。

优选的，根据待测水稻品种表面杂质的情况，确定数据平均处理中删除的数据数量。

优选的，所述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还包括步骤S5：

S5、在识别结果中，如果得到的不是预设标准水稻品种之一，则增大数据平均处理中删除的数据数量，再重复步骤S3、S4，直至得到新的识别结果为预设标准水稻品种之一。

优选的，所述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还包括步骤S6：

S6、当数据平均处理中删除的数据数量仅比同一颗待测水稻的同一点上测量得到的数据总量少一组数据时，则输出已运算出的最佳结果。

本发明所述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，其通过对标准水稻光谱以及待测水稻光谱进行平均处理和微分处理，将水稻的激光诱导击穿光谱微分信号作为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，特别是将对标准水稻光谱以及待测水稻光谱的波长进行微分处理，分别得到标准水稻光谱以及待测水稻光谱的微分信号，进而能将光谱中对类型识别的有用信息提练出来，并减少大量干扰信息，从而提高水稻品种类型识别的效果，且使得水稻品种鉴别工作更加高效快捷。

附图说明

图1是本发明所述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的流程框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种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，如图1所示，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，其中同一颗水稻的同一点上测量X1次，X1不小于15。

根据每个地方所常用的水稻品种确定N种标准水稻品种，N应不小于5。N越大，能识别的水稻类型越多，识别的效果越好。同时，根据所用测试仪器的性能参数及实际需要，可选择不同的激光诱导击穿光谱波长范围，如可选择：250-800nm波长范围。

S2、对N种标准水稻品种光谱进行数据平均处理，即对于同一颗水稻的同一点上测量得到的X1组数据，将前面的10组数据删除，后面的(X1-10)组数据进行平均处理。

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N种标准水稻光谱的波长进行微分处理，得到N种标准水稻光谱的微分信号。

S4、选取N种标准水稻光谱的微分信号作为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。

除采用BP神经网络方法对样品进行类型识别外，也可采用其它的算法，如偏最小二乘法、支持向量机、主成分分析、相关分析法等，但其关键的是其输入信号是采用激光诱导击穿光谱微分信号数据。

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，其中同一颗水稻的同一点上测量X2次，X2不小于15。

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。

根据所用测试仪器的性能参数及实际需要，可选择不同的激光诱导击穿光谱波长范围，如可选择：250-800nm波长范围。但该步骤中所测试的待识别水稻激光诱导击穿光谱波长范围应与S1中的标准水稻激光诱导击穿光谱波长范围相同。

S6、对待测水稻品种光谱进行数据平均处理：对于同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。

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、对处理后的待测水稻光谱的波长进行微分处理，得到待测水稻光谱的微分信号。

S8、选取待测水稻光谱的微分信号作为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。

除采用BP神经网络方法对样品进行类型识别外，也可采用其它的算法，如偏最小二乘法、支持向量机、主成分分析、相关分析法等类型识别算法，但其关键的是其输入信号是采用激光诱导击穿光谱微分信号数据。其次，该步骤所采用的算法应与S4中的算法相同。

S9、如果得到的不是N种标准水稻品种之一，则增大X3的数值，重复步骤S6、S7、S8，得到新的识别结果。

S10、如果得到的还不是N种标准水稻品种之一，则继续增大X3，直至当X3等于(X2-1)时，则程序停止运行，给出已运算出的最佳结果。

本发明所述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，其通过对标准水稻光谱以及待测水稻光谱进行平均处理和微分处理，将水稻的激光诱导击穿光谱微分信号作为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，特别是将对标准水稻光谱以及待测水稻光谱的波长进行微分处理，分别得到标准水稻光谱以及待测水稻光谱的微分信号，进而能将光谱中对类型识别的有用信息提练出来，并减少大量干扰信息，从而提高水稻品种类型识别的效果，且使得水稻品种鉴别工作更加高效快捷。

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 (8)

1.一种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，其特征在于，包括以下步骤；

S1、利用激光诱导击穿光谱仪测量出多种标准水稻品种的光谱，并对多种标准水稻光谱进行平均处理和微分处理，得到多种标准水稻光谱的微分信号；

S2、将多种标准水稻光谱的微分信号作为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；

S3、利用激光诱导击穿光谱仪测量出待测水稻品种的光谱，并对待测光谱进行平均处理和微分处理，得到待测光谱的微分信号；

S4、选取待测水稻光谱的微分信号作为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。

2.根据权利要求1所述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，其特征在于，利用激光诱导击穿光谱仪对同一颗标准或待测水稻的同一点上的测量次数不小于15次。

3.根据权利要求1所述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，其特征在于，在步骤S1和S3中，分别利用激光诱导击穿光谱仪测量出标准水稻品种、待测水稻品种在200-950nm范围内的光谱。

4.根据权利要求3所述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，其特征在于，在步骤S1和S3中，分别利用激光诱导击穿光谱仪测量出标准水稻品种、待测水稻品种在250-800nm范围内的光谱。

5.根据权利要求1所述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，其特征在于，所述平均处理具体为：将同一颗水稻的同一点上测量得到的多组数据中前几组数据删除，并对剩下的数据进行平均处理。

6.根据权利要求5所述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，其特征在于，根据待测水稻品种表面杂质的情况，确定数据平均处理中删除的数据数量。

7.根据权利要求5所述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，其特征在于，所述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还包括步骤S5：

S5、当得到的识别结果不是预设标准水稻品种之一时，则增大数据平均处理中删除的数据数量，再重复步骤S3、S4，直至得到新的识别结果为预设标准水稻品种之一。

8.根据权利要求7所述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，其特征在于，所述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还包括步骤S6：

S6、当数据平均处理中删除的数据数量仅比同一颗待测水稻的同一点上测量得到的数据总量少一组数据时，则输出已运算出的最佳结果。