CN108872143A - 一种基于近红外光谱的小麦感染赤霉病等级检测方法 - Google Patents
一种基于近红外光谱的小麦感染赤霉病等级检测方法 Download PDFInfo
- Publication number
- CN108872143A CN108872143A CN201810664254.1A CN201810664254A CN108872143A CN 108872143 A CN108872143 A CN 108872143A CN 201810664254 A CN201810664254 A CN 201810664254A CN 108872143 A CN108872143 A CN 108872143A
- Authority
- CN
- China
- Prior art keywords
- sample
- wheat
- flour
- spectrometer
- optical fiber
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 87
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 87
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 27
- 208000015181 infectious disease Diseases 0.000 title claims description 8
- 235000013312 flour Nutrition 0.000 claims abstract description 87
- 230000003595 spectral effect Effects 0.000 claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000002310 reflectometry Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000003550 marker Substances 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 243
- 239000013307 optical fiber Substances 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 34
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 239000000835 fiber Substances 0.000 claims description 10
- 238000000227 grinding Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 240000008042 Zea mays Species 0.000 claims description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 5
- 235000005822 corn Nutrition 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 4
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 3
- 229910052721 tungsten Inorganic materials 0.000 claims description 3
- 239000010937 tungsten Substances 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims 1
- 239000003053 toxin Substances 0.000 abstract description 16
- 231100000765 toxin Toxicity 0.000 abstract description 16
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 3
- 239000012535 impurity Substances 0.000 abstract description 2
- 235000013339 cereals Nutrition 0.000 description 16
- 238000004611 spectroscopical analysis Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 15
- 230000000052 comparative effect Effects 0.000 description 12
- 239000002636 mycotoxin Substances 0.000 description 5
- 231100000678 Mycotoxin Toxicity 0.000 description 4
- 206010039509 Scab Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 239000002585 base Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- LINOMUASTDIRTM-QGRHZQQGSA-N deoxynivalenol Chemical compound C([C@@]12[C@@]3(C[C@@H](O)[C@H]1O[C@@H]1C=C(C([C@@H](O)[C@@]13CO)=O)C)C)O2 LINOMUASTDIRTM-QGRHZQQGSA-N 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 231100000614 poison Toxicity 0.000 description 2
- 239000002574 poison Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 102000004169 proteins and genes Human genes 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- LINOMUASTDIRTM-UHFFFAOYSA-N vomitoxin hydrate Natural products OCC12C(O)C(=O)C(C)=CC1OC1C(O)CC2(C)C11CO1 LINOMUASTDIRTM-UHFFFAOYSA-N 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 241000223218 Fusarium Species 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 208000031320 Teratogenesis Diseases 0.000 description 1
- 241000082085 Verticillium <Phyllachorales> Species 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000003513 alkali Substances 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
- 208000022531 anorexia Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 229930002954 deoxynivalenol Natural products 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002703 mutagenesis Methods 0.000 description 1
- 231100000350 mutagenesis Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
- 235000011844 whole wheat flour Nutrition 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
-
- 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
- G01N2021/3572—Preparation of samples, e.g. salt matrices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Abstract
本发明公开了一种基于近红外光谱的小麦感染赤霉病等级检测方法，步骤如下：从待检测小麦中选取样品并放置在密封袋中标记编号；去除杂物并使得小麦籽粒的含水量处于12%‑13%之间，每份样品取等质量的小麦籽粒进行研磨，获得的麦粉样品放入培养皿中等待光谱采集；采用Nirquest512便携式光谱仪对麦粉样品进行扫描，获得近红外光谱曲线；d、剔除反射率大于100%的异常样本和波长为900nm‑1700nm之外的数据，确定建模样本和预测样本并选择进行特征波段提取；e、采用特征波段‑支持向量机模型和/或全波段‑偏最小二乘法确定样本的DON浓度并分级。本发明能够快速检测麦粉样本中的DON毒素等级且不使用化学试剂。
Description
技术领域
本发明涉及粮食品质检测、仪器控制以及无线网络通信技术领域，具体地说是一种基于近红外光谱的小麦感染赤霉病等级检测方法。
背景技术
小麦是世界上最重要的谷物资源之一，产量仅次于稻谷居第二位，既是人类主要的食物资源，又是重要的工业原料（王晓曦；世界小麦产量及加工业发展概况）。赤霉病是小麦的主要病发症之一，而脱氧雪腐镰刀菌稀醇(DON)是引发小麦赤霉病的主要真菌毒素，其性质稳定，耐热、耐压、耐弱酸、耐储藏，一般的食品加工不能破坏其结构，加碱或高压处理可破坏部分毒素。DON毒素又称呕吐毒素，不仅对小麦细胞组织有毒害作用，降低麦粒出粉率，造成产量严重损失，更为严重的是感染小麦作为食品或饲料时对人和牲畜具有致厌食、致呕吐、致畸、致突变、致癌等作用，引起食品安全问题。我国规定谷物中DON的含量不得超过1.0mg/kg。为了避免DON毒素对人畜造成潜在的健康风险，含DON毒素超标的小麦必须在加工之前被识别和处理掉。
目前，国内外用于小麦粉赤霉病毒检测的方法主要有化学生物检测方法，如薄层色谱法(TLC)、高效液相色谱法(HPLC)、气相色谱法(GC)和酶联免疫检测法（ELISA）等，可以精确地对小麦中的DON 毒素进行定量分析。虽然化学生物检测方法很有用，但是这些方法不同程度存在耗时、程序复杂、检测成本高等问题，不便推广应用，也不适合大批量样品的在线检测。
经调研，面粉厂会在每年小麦收获季节去小麦主产区进行原粮收购，清理收购回来的这些原粮并进行抽样检测，按抽检结果的DON含量不同将原粮收入相应的中转仓中，这一步也叫原粮入库。原粮抽样后，由于检测时间太长，为了避免对运粮船和运粮车的过度占用影响原粮收购进度，要先让原粮入库，再检测抽样样品，故检测结果存在一定的滞后性。他们希望有一种装置，能够快速稳定且较为准确的分辨原粮中DON含量等级，先对原粮进行大规模半定量筛查，然后再对疑似DON超标的原粮采用定量手段进行精确检测。
近红外光谱技术适用于检测大分子有机物，对真菌毒素的直接检测能力有限，主要是通过检测受真菌毒素侵染后谷物中蛋白质、淀粉等大分子有机物的变化来间接检测真菌毒素的含量等级。近红外光谱是介于可见光(Vis)和中红外(MIR)之间的电磁辐射波，与有机分子中含氢基团(O-H、N-H、C-H)振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息。近红外光谱仪可以对含量在百分之一水平上的有机物进行定量检测，而小麦中DON毒素的含量非常低，通常在ppm（mg/kg）甚至ppb（ug/kg）的水平，故难以通过近红外光谱技术直接检测到麦粉中的DON毒素。但真菌毒素会破坏谷物的组织、细胞甚至分子，受DON毒素侵染的小麦，其内部有机物如蛋白质、碳水化合物、脂质的含量或性质会发生变化，这种变化能够反映在光谱特征上（Cécile Levasseur-Garcia；Updated Overview of Infrared Spectroscopy Methods forDetecting Mycotoxins on Cereals (Corn, Wheat, and Barley)），因此使用近红外光谱技术检测麦粉中的DON是可行的。通过扫描近红外光谱，可以得到受赤霉病菌侵染的麦粉特征信息的光谱数据。通过标准方法测定样品中的DON含量。将样品的近红外光谱数据和DON浓度等级信息进行关联，通过化学计量学算法，建立数学模型，可以实现对麦粉中DON含量等级的预测。
由于麦粒颗粒较大，赤霉病菌或由赤霉病菌导致的损伤在病粒中的分布是不均衡的，近红外光谱技术的光斑较小，故直接用近红外光谱仪扫描麦粒得到的光谱难以全面反映一个样品成分的平均水平。而将麦粒磨粉后混匀得到麦粉样品，任取一点处的光谱则可以近似代表样品成分的平均水平。
发明内容
本发明的目的是针对现有技术存在的问题，提供一种基于近红外光谱的小麦感染赤霉病等级检测方法；该检测方法通过布置在全国的子站点能够在线进行麦粉DON等级的检测，还能将子站点检测的结果汇总到信息集中平台，实现对全国各地子站点的小麦赤霉病病情分析。
本发明的目的是通过以下技术方案解决的：
一种基于近红外光谱的小麦感染赤霉病等级检测方法，其特征在于：该检测方法步骤如下：
a、样品获取：从待检测小麦中选取样品，并将样品放置在密封袋中标记编号；
b、样品制备：去除样品小麦籽粒中的杂物并使得小麦籽粒的含水量处于12%-13%之间，之后每个样品取等质量的小麦籽粒进行研磨，将研磨获得的麦粉样品放入培养皿中等待光谱采集；
c、光谱采集：采用海洋光学Nirquest512便携式光谱仪对麦粉样品进行扫描，获得麦粉样品的近红外光谱曲线；
d、数据处理：剔除反射率大于100%的异常样本和波长为900nm-1700nm之外的数据，之后根据样本数据挑选一部分作为建模样本、剩余的部分作为预测样本，对建模样本和预测样本进行建模预测、或者先对建模样本和预测样本采用连续投影法进行特征波段提取后再进行建模预测；
e、建模预测：采用特征波段-支持向量机模型和/或全波段-偏最小二乘法确定样本的DON浓度并分级。
所述步骤（a）中的样品指的是来自同一年份、同一地区、同一品种的小麦籽粒。
所述步骤（b）中的样品制备过程采用PM8188A谷物水分测定仪检测每个密封袋中的小麦含水量，并采用自然晾晒的方式使得小麦籽粒的含水量处于12%-13%之间；并将等质量的小麦籽粒放入磨粉机中研磨，研磨获得的麦粉样品能够全部通过20目筛。
所述步骤（b）中的麦粉样品放入培养皿后盖上称量纸起隔离作用，再用塑料平板将培养皿中的麦粉样品压平使得麦粉样品的表面高度与培养皿的上沿边缘齐平。
所述步骤（c）中的光谱仪采集麦粉样品光谱数据之前先采集黑帧，打开光源预热后采集白帧，采集麦粉样品光谱数据时要保证探头距白板表面的距离与探头距麦粉表面的距离相等；且光谱仪扫描麦粉样品时的参数设置如下：积分时间为350mm、扫描次数为5次、采用3点平滑并进行非线性校正。
所述步骤（d）中的建模样本和预测样本确定后，对建模样本和预测样本的原始光谱数据采用标准正态变量变换法进行数据预处理，以减少光谱仪中的噪声干扰导致麦粉表面散射而引起的光谱误差。
所述步骤（e）中的全波段-偏最小二乘法模型采用十折交叉的方法确定最佳主成分个数；所述步骤（e）中的特征波段-支持向量机模型选择径向基（RBF）函数作为模型核函数、使用十折交叉验证的方法确定最佳惩罚参数c和最佳核函数参数g。
一种基于近红外光谱的小麦感染赤霉病等级检测方法采用的在线检测系统，其特征在于：所述的系统包括样品台，样品台的正上方设有Y型光纤且Y型光纤的探头正对样品台设置，探头通过Y型光纤的照明光纤与近红外光源相连且通过Y型光纤的探测光纤与光谱仪相连，近红外光源和光谱仪分别通过线路与主控模块相连接，且主控模块通过线路分别与触摸显示屏和信息传输模块相连，且主控模块能够通过信息传输模块与信息集中平台相连。
所述的Y型光纤和样品台设置在样品采集室中，样品采集室位于箱体的右下角；所述Y型光纤的探头固定在支架上且使得探头的下端距离样品台上的样品间距为定值。
所述样品采集室的上方设有光源室，光源室中的近红外光源与样品采集室中的Y型光纤的照明光纤相连；所述样品采集室的后侧设有位于光源室下方的光谱仪室，光谱仪室中的光谱仪与样品采集室中的Y型光纤的探测光纤相连；所述的光谱仪室和光源室之间采用隔热挡板相隔开且光谱仪室和光源室的箱体上皆设有散热孔。
所述的触摸显示屏设置在样品采集室的左侧，在触摸显示屏的后侧底部设有用于存放光纤且最小弯曲度为45°的光纤收纳盘，光纤收纳盘的上方设有主控模块，在主控模块旁侧的箱体上设有信息传输模块。
所述的近红外光源采用能够发出360-2400nm谱线的钨灯；且所述的光谱仪能够获取有效范围为900-1700nm的近红外光谱。
所示的主控模块作为子站点的客户端通过信息传输模块与信息集中平台采用TCP/IP协议建立socket连接；所述的主控模块通过USB接口与光谱仪相连、通过HDML接口与触摸显示屏相连、通过USB接口与信息传输模块相连。
本发明相比现有技术有如下优点：
本发明的检测方法能够检测麦粉样本中的DON毒素等级，不需要使用化学试剂，不污染环境，省时省力；且能在更短的时间内实现光谱的快速采集，光谱进行预处理后，进行特征波段提取，去除大量与赤霉病等级无关的重复冗余的波段，仅使用特征波段进行建模和预测，节省建模和预测的时间，提高在线检测速度，也减小环境变化对预测精度造成的影响；同时通过相应的检测系统集成了对样本光谱信息的采集、病情等级的预测、历史预测结果的查询以及信息上传的功能，降低使用门槛，即使没有相关专业背景的用户也可以操作使用。
本发明的检测方法通过子站点和信息集中平台的互联扩大检测范围，通过往校正集增加新的样本参与建模获得覆盖DON毒素浓度范围更广、包含更多年份和更多小麦品种的稳健的预测模型；信息集中平台实现不同地区小麦的麦粉赤霉病信息的集中管理，分析各地区不同年份、不同品种小麦粉的赤霉病等级信息，对于小麦赤霉病的预防具有指导意义，给种植管理部门提供选种和施药的决策依据；且信息集中平台能够同时连接多个在线检测子站点且共享一个模型，降低总体的建模成本。
附图说明
附图1为本发明的检测方法与对比试验相结合的流程图；
附图2为本发明的对比实施例所获得的原始光谱数据剔除异常后的样本光谱图；
附图3为本发明的对比实施例所获得的原始光谱数据采用标准正态变量变换预处理后的样本光谱图；
附图4为本发明的检测方法所采用的在线检测系统的结构示意图之一；
附图5为本发明的检测方法所采用的在线检测系统的结构示意图之二；
附图6是本发明的检测方法所采用的在线检测系统的原理框图；
附图7是本发明的检测方法所采用的在线检测系统通过触摸显示屏来控制主控模块的原理框图；
附图8是本发明的检测方法所采用的在线检测系统的主控模块通过信息传输模块将信息发送到信息集中平台的流程图。
其中：1—箱体；2—把手；3—光谱仪室；4—光源室；5—光纤收纳盘；6—样品采集室；7—主控模块；8—触摸显示屏；9—近红外光源；10—光谱仪；11—Y型光纤；12—支架；13—样品台；14—信息传输模块。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
一种基于近红外光谱的小麦感染赤霉病等级检测方法，该检测方法步骤如下：a、样品获取：从待检测小麦中选取样品，其中样品指的是来自同一年份、同一地区、同一品种的小麦籽粒，并将样品放置在密封袋中标记编号；b、样品制备：去除样品小麦籽粒中的杂物，采用PM8188A谷物水分测定仪检测每个密封袋中的小麦含水量，并采用自然晾晒的方式使得小麦籽粒的含水量处于12%-13%之间，之后每个样品取等质量的小麦籽粒放入磨粉机中研磨，研磨获得的麦粉样品能够全部通过20目筛，将研磨获得的麦粉样品放入培养皿中等待光谱采集，麦粉样品放入培养皿后盖上称量纸起隔离作用，再用塑料平板将培养皿中的麦粉样品压平使得麦粉样品的表面高度与培养皿的上沿边缘齐平；c、光谱采集：采用海洋光学Nirquest512便携式光谱仪对麦粉样品进行扫描，光谱仪采集麦粉样品光谱数据之前先采集黑帧，打开光源预热25分钟后采集白帧，采集麦粉样品光谱数据时要保证探头距白板表面的距离与探头距麦粉表面的距离相等，光谱仪扫描麦粉样品时的参数设置如下：积分时间为350mm、扫描次数为5次、采用3点平滑并进行非线性校正，获得麦粉样品的近红外光谱曲线；d、数据处理：剔除反射率大于100%的异常样本和波长为900nm-1700nm之外的数据，之后根据样本数据挑选一部分作为建模样本、剩余的部分作为预测样本，对建模样本和预测样本进行建模预测、或者先对建模样本和预测样本采用连续投影法进行特征波段提取后再进行建模预测；或者在建模样本和预测样本确定后，对建模样本和预测样本的原始光谱数据采用标准正态变量变换法进行数据预处理，以减少光谱仪中的噪声干扰导致麦粉表面散射而引起的光谱误差；e、建模预测：采用特征波段-支持向量机模型和/或全波段-偏最小二乘法确定样本的DON浓度并分级，其中全波段-偏最小二乘法模型采用十折交叉的方法确定最佳主成分个数；特征波段-支持向量机模型选择径向基（RBF）函数作为模型核函数、使用十折交叉验证的方法确定最佳惩罚参数c和最佳核函数参数g。
另外，如图1所示的本发明的检测方法与对比试验相结合的流程图包含两大块三部分的内容，一是建模、二是预测，同时在建模部分包含了对比试验来验证本发明的方法的有效性和将建立的模型导入主控模块以显示，包含了本方法的建立、验证和应用几方面。同时需要说明的是：步骤（d）中的样本数据选取时的规则为：建模样本的DON浓度值范围大于预测样本的DON浓度值范围，如建模样本的DON浓度值范围为0-4012.0ppb、预测样本的DON浓度值范围为0-2630.6ppb。另外还有一点需要说明的是，SPXY法（光谱-理化值共生矩阵法）挑选样本的时候，参考值是样本的DON浓度具体数值，而不是浓度等级；建模的时候用的参考值是样本的DON浓度等级。另外需要说明的是，图1中的信息融合分类器就是在模型建立之前，把作为建模样本的光谱信息和参考值一一对应起来，根据参考值来划分一级和二级；然后根据麦粉DON等级校正模型来确定针对具有特异性的小麦籽粒所采用的检测模型。
如图4-5所示，本发明所提供的检测方法所采用的检测系统结构如下：该检测系统包括样品台13，样品台13的正上方设有Y型光纤11且Y型光纤11的探头正对样品台13设置，Y型光纤11的探头固定在支架12上且使得探头的下端距离样品台13上的样品间距为定值，探头通过Y型光纤11的照明光纤与近红外光源9相连且通过Y型光纤11的探测光纤与光谱仪10相连，近红外光源9采用能够发出360-2400nm谱线的钨灯且光谱仪10能够获取有效范围为900-1700nm的近红外光谱，近红外光源9和光谱仪10分别通过线路与主控模块7相连接，且主控模块7通过线路分别与触摸显示屏8和信息传输模块14相连，且主控模块7能够通过信息传输模块14与信息集中平台相连，具体是：主控模块7作为子站点的客户端通过信息传输模块14与信息集中平台采用TCP/IP协议建立socket连接，该主控模块7通过USB接口与光谱仪10相连、通过HDML接口与触摸显示屏8相连、通过USB接口与信息传输模块14相连。另外图6中显示，信息传输模块14通过4G网络与信息集中平台相连接，但亦可采用5G、及线路等连接方式。
在上述检测系统中，Y型光纤11和样品台13设置在样品采集室6中，样品采集室6位于箱体1的右下角且箱体1的两侧设有把手2；在样品采集室6的上方设有光源室4，光源室4中的近红外光源9与样品采集室6中的Y型光纤11的照明光纤相连，样品采集室6的后侧设有位于光源室4下方的光谱仪室3，光谱仪室3中的光谱仪10与样品采集室6中的Y型光纤11的探测光纤相连，光谱仪室3和光源室4之间采用隔热挡板相隔开以避免近红外光源9工作发热影响光谱仪10的工作性能，且光谱仪室3和光源室4的箱体1上皆设有散热孔以便于散热；触摸显示屏8设置在样品采集室6的左侧，在触摸显示屏8的后侧底部设有用于存放光纤的光纤收纳盘5，最小弯曲度为45°的光纤收纳盘5的上方设有主控模块7，在主控模块7旁侧的箱体1上设有信息传输模块14。为保证光纤传输性能，其弯折角度不能小于45°，故光纤收纳盘5的最小弯曲度设计为45°，以符合光纤放置要求。该检测系统只留出样品采集室6和触摸显示屏8以及部分接口给用户，用户不需要了解箱体1的内部构造即可方便使用该系统，同时增加了系统的稳定性；整个装置便于携带，为实现便携式在线检测提供了很好的基础。
在上述检测系统中，光谱仪10采用Nirquest512光谱仪，其参数为：线阵InGaAs探测器；探测器的波段范围为900-1700nm、动态像素512、像元尺寸为25um×500um、光学分辨率为3.1nm、计算机接口为USB 2.0；Y型光纤11的探头直径为400um、光纤长度为2m、根数为7芯且接头为SMA905；型号为STAGE支架12采用阳极氧化铝材料制成，支架12用来固定Y型光纤11的探头，在支架11底盘上的探头正下方放置样品进行光谱扫描；参考片型号是WS-1、反射率>98%（250-1500nm）；信息传输模块14采用USR-G401t 4G通信模块，TD-LTE模式下：下行速率高达150Mbps、上行速率高达50Mbps；主控模块7的核心部件采用Samsung/S3C2440AL。
该检测系统测量时，将探头固定在支架12上，探头端部距离样品表面10mm，近红外光源9发出的光通过照明光纤穿过麦粉表面射入麦粉内部，光在麦粉内部发生漫反射，漫反射光穿过麦粉表面由探测光纤传导至光谱仪10，主控模块7控制光谱仪10获得光谱数据；主控模块7将获取的数据处理后得到该麦粉样品的DON等级并显示在触摸显示屏8上。数据处理过程中需要用到在计算机中建立后并导入到主控模块7中的麦粉DON等级预测模型，该模型使用支持向量机算法建模。
在该检测系统中，主控模块7主要完成以下几部分功能：样品光谱数据的采集和保存、预测和分级、预测结果的查询以及信息的上传，通过触摸显示屏8来控制主控模块7的原理框图如图7所示。
样品光谱数据的采集和保存：这部分功能主要在主控模块7的采集界面中完成。进入采集界面，系统自动读取仪器连接状态，若检测到光谱仪10的连接，系统自动获取光谱仪10的序列号，光谱仪10连接状态和序列号均会显示在采集界面中。系统提前设置采样积分时间为350ms、平均次数为5、平滑度为3以及进行非线性校正，当接收到光谱采集命令时，光谱仪10按照预设的参数进行数据采集。完成样本光谱数据采集后，系统会自动将光谱数据绘制成曲线图显示在触摸显示屏8上的采集界面中，以便用户实时了解当前采集到的光谱的情况，决定要不要对该帧数据进行保存。进行数据保存时，用户通过文件路径选择，可将数据保存到指定的文件夹；数据默认保存为文本文件。
样品光谱数据预测和分级：这部分功能主要在主控模块7的预测界面中完成。用户选择用于预测的样本、样本所属的品种以及一组用于分析的算法组合，读取相应的模型文件用于分析。实时将扫描得到的光谱文件根据模型中的参数进行计算，得出麦粉DON等级指标的结果。用户选中用于预测的样本光谱数据后，系统会自动将光谱数据绘制成曲线图显示在预测界面，给用户提供谱线与预测结果之间的关联参考信息。另外，用户通过文件路径选择，可将预测结果保存到指定的文件夹。数据默认保存为文本文件。
样品光谱数据预测结果查询：这部分功能主要在主控模块7的查询界面中完成。用户根据扫描时间和样品名称查询到光谱预测结果。查询结果除了包括样品预测结果，还包括：采集参数信息、小麦品种、采样时间、所用预测算法、光谱图，使用户全方位掌握样品信息。
信息的上传：这部分功能主要在主控模块7的上传界面中完成。在主控模块7连网条件下，将麦粉样品的产地、品种、检测时间、检测人员、检测地点、检测设备的参数以及检测数据和结果等相关信息融合成一条数据，上传到信息集中平台，主控模块7通过信息传输模块14将信息发送到信息集中平台的流程图如图8所示。
光谱仪10接收到主控模块7的采集命令，进行光谱数据的采集，并将光谱数据转换成数字信号并通过USB接口将采集的光谱信息传递给主控模块7，主控模块7对光谱数据进行与建模数据相同的预处理、特征波段提取，将处理后的数据输入离线模型进行在线分析预测，得到预测结果，并将预测结果显示在触摸显示屏8上，另外还提供数据保存功能，便于操作者使用。当光谱仪10未连接到主控模块7上时，主控模块7无法控制光谱仪10进行数据采集，仅能使用预测、查询和上传功能，即预测已采集的光谱数据、查询历史预测结果或将信息上传到信息集中平台。
小麦感染赤霉病等级在线检测系统的信息集中平台，简称信息集中平台。各个子站点的主控模块7作为客户端与信息集中平台采用TCP/IP协议建立socket连接，然后等待接收光谱仪传来的数据；当接收到数据后，进行数据融合和处理，麦粉样品的产地、品种、检测时间、检测人员、检测地点、检测设备的参数以及检测数据和结果等相关信息融合成一条数据，上传到信息集中平台的数据库中；信息集中平台通过socket通信技术接收子站点发来的数据后实现各个子站点的小麦感染赤霉病信息的集中管理，采用B/S架构将数据以网页的形式对外发布，将每个子站点不同年份、不同品种小麦粉的赤霉病等级信息以表格和曲线形式展现在网站上，且每个子站点的地理位置以地图的形式在界面中呈现，方便用户查看。具体来说，当主控模块7开始工作时，首先作为客户端与信息集中平台采用TCP/IP协议建立socket连接，然后处于接收光谱仪10数据的状态；当接收到数据后，进行数据融合和处理，将采集的光谱数据和样品信息上传到信息集中平台的数据库中。信息集中平台实现各个子站点的小麦赤霉病信息的集中管理，将每个子站点不同年份、不同品种小麦粉的赤霉病等级信息以表格和曲线形式展现在网站上，方便用户查看。在子站点，用户可以在该检测系统的触摸显示屏8的查询界面输入查询日期范围或者样本名称来进行历史预测结果查询，也可以查询预测该样本所用模型，进行模型查询。主控模块7通过4G模块作为信息传输模块14将采集的光谱数据和样品信息发给信息集中平台，信息集中平台通过socket通信技术接收子站点发来的数据后，提供对数据的简单处理、存储等功能；同时信息集中平台还提供对数据的网络发布功能，采用B/S架构将数据以网页的形式对外发布，用户可以在Internet中的任何一台计算机上访问该平台查看数据。
下面通过对比实施例来说明本发明所提供的检测方法，该对比实施例的检测方法在本发明的方法基础上增加了对比试验步骤（如图1所示），具体如下：
a、样品获取：实验中用来磨粉的小麦籽粒来自江苏省农业科学院食品检测研究所，实验小麦是于2017年江苏地区收获的冬小麦，品种为烟农19。收获后的小麦籽粒装入密封袋中保存并以1000ppb为界限，将麦粉样品分为两个等级：低于1000ppb为一级、高于1000ppb为二级。
b、样品制备：将小麦籽粒中混有的秸秆、石子、草籽等其他杂物除去，将获取的小麦样本除杂后，用PM8188A谷物水分测定仪检测每个密封袋中的小麦含水量，通过自然晾晒等方法，每十分钟使用水分测定仪检测小麦籽粒的含水量，直到样品含水量处在12%-13%之间，将样品装入自封袋密封，减小样品含水量差异对采集的近红外光谱的影响，进一步保证建模数据的可靠性；选取120个样品并编号，每个样品约25g小麦籽粒放入XA-1磨粉机中研磨1分钟，保证磨好的麦粉粒径够小，能全部通过20目筛；取出研磨后的全部小麦粉混匀，从研磨好的小麦粉中取约7.5g置于直径35mm、高10mm的培养皿中，将称量纸附在培养皿中的麦粉表面起隔离作用，再用塑料平板将培养皿中的小麦粉压平，尽量使麦粉表面高度与培养皿边缘持平，便于样品光谱采集。
c、光谱采集：采用海洋光学Nirquest512便携式光谱仪对麦粉样品进行扫描，采集麦粉样品光谱数据之前先采集黑帧，打开光源，预热25分钟后采集白帧；采集样品麦粉光谱数据时要保证探头距白板表面的距离与探头距麦粉表面的距离相等，均为10mm；点击采集界面中的采集按钮进行样品麦粉光谱数据采集，近红外光谱仪扫描麦粉样品时的光谱仪的参数设置如下：积分时间为350mm、扫描次数为5次、采用3点平滑并进行非线性校正，获得麦粉样品的近红外光谱曲线。
d、对照试验：从进行过光谱采集的麦粉样品中选择5g麦粉交由江苏省农科院进行DON定量检测，农科院采用SN/T3137-2012标准中规定的液相色谱-质谱法定量检测样品中的DON含量；将测得的120个样品的DON含量作为Y值，将近红外光谱仪采集到的样品的光谱数据作为X值进行数据融合，建立麦粉DON毒素浓度数据库。
e、数据处理：数据处理在MATLAB2014a中进行，样品经Nirquest512光谱仪扫描得到的光谱数据是在897-1716nm波段内512个波长的光谱反射率，由于900nm之前和1700nm之后的波段表现为噪声，因此在后续的处理中去掉这两部分波段的数据，仅保留波长为900nm-1700nm共499个波长的光谱反射率，同时手动剔除两个反射率大于100%的异常样本，剩余118个样本（剔除异常后的样本光谱图如2所示）；毒素浓度大于1000ppb的样本个数为67个，小于1000ppb的样本个数为51个，使用SPXY算法从大于1000ppb的67个样本中挑选50个样本用于建模、17个样本用于预测，使用SPXY算法从小于1000ppb的51个样本中挑选38个样本用于建模、13个样本用于预测，使得用于建模的样本共88个、用于预测的样本共30个；此时，按照浓度值1000ppb为界限将麦粉样品分为两个等级：低于1000ppb为一级，高于1000ppb为二级，将样本的浓度等级作为Y值，样本特征波长下的光谱数据作为X值，构建麦粉DON毒素浓度等级数据库，并依靠此数据库建立模型和检验模型效果；在建模预测前，可分别对建模样本和预测样本的原始光谱数据采用标准正态变量变换（SNV）进行数据预处理（SNV预处理后的样本光谱图如3所示），以减少原始光谱中的噪声干扰麦粉表面散射引起的光谱误差，另外使用连续投影算法（SPA）进行特征波段提取，以提高基于光谱信息的麦粉赤霉病识别模型的高效性，提取出的5个特征波段为：1125nm、1487nm、1502nm、1649nm、1670nm。
f、建模预测：
模型一：特征波段-SVM模型
使用5个特征波段建立特征波段-支持向量机（SVM）模型，选择径向基（RBF）函数作为模型核函数，使用十折交叉验证的方法确定最佳惩罚参数c为64，最佳核函数参数g为0.25；获得相应的建模样本和预测样本的DON浓度并和对比试验中测得的样品DON浓度进行比较，得出建模集准确率为93.1818%(82/88)、预测集准确率为93.3333%(28/30)，用时2.04秒。
模型二：全波段-SVM模型
使用全波段光谱数据建立全波段-支持向量机（SVM）模型，选择径向基（RBF）函数作为模型核函数，使用十折交叉验证的方法确定最佳惩罚参数c为337.794，最佳核函数参数g为0.0029604；获得相应的建模样本和预测样本的DON浓度并和对比试验中测得的样品DON浓度进行比较，建模集准确率为98.8636%(87/88)、预测集准确率为93.3333%(28/30)，用时28.57秒；预测集准确率较高，但使用全部499个波段数据参与计算，运算量大且用时过长。
模型三：特征波段-PLSDA
使用5个特征波段建立特征波段-偏最小二乘判别（PLSDA）模型，使用十折交叉的方法确定最佳主成分个数为5个，交叉验证正确率为88.9747%；获得相应的建模样本和预测样本的DON浓度并和对比试验中测得的样品DON浓度进行比较，建模集正确率为87.5%(77/88)、预测集正确率为90%(27/30)，用时1.58秒。
模型四：全波段-PLSDA
使用全波段光谱数据建立全波段-偏最小二乘判别（PLSDA）模型，使用十折交叉的方法确定最佳主成分个数为19个，交叉验证正确率为94.5085%；获得相应的建模样本和预测样本的DON浓度并和对比试验中测得的样品DON浓度进行比较，建模集正确率为100%(88/88)、预测集正确率为93.3333%(28/30)，用时60.89秒。
综上，总体上看，基于全部499个波段的全波段-偏最小二乘判别模型（PLSDA）的效果最优，建模集正确率为100%(88/88)、预测集正确率为93.3333%(28/30)；基于5个特征波段建立的特征波段-支持向量机（SVM）模型预测效果与其相当，但参与建模的特征波段数量是全波段的1.002%，大大减少了模型的计算量，从而提高计算速度，为在线检测提供依据。故优先选用特征波段-支持向量机模型、次选全波段-偏最小二乘判别模型。
本发明的检测方法能够检测麦粉样本中的DON毒素等级，不需要使用化学试剂，不污染环境，省时省力；且能在更短的时间内实现光谱的快速采集，光谱进行预处理后，进行特征波段提取，去除大量与赤霉病等级无关的重复冗余的波段，仅使用特征波段进行建模和预测，节省建模和预测的时间，提高在线检测速度，也减小环境变化对预测精度造成的影响；同时通过相应的检测系统集成了对样本光谱信息的采集、病情等级的预测、历史预测结果的查询以及信息上传的功能，降低使用门槛，即使没有相关专业背景的用户也可以操作使用。
本发明的检测方法通过通过子站点和信息集中平台的互联扩大检测范围，通过往校正集增加新的样本参与建模获得覆盖DON毒素浓度范围更广、包含更多年份和更多小麦品种的稳健的预测模型；信息集中平台实现不同地区小麦的麦粉赤霉病信息的集中管理，分析各地区不同年份、不同品种小麦粉的赤霉病等级信息，对于小麦赤霉病的预防具有指导意义，给种植管理部门提供选种和施药的决策依据；且信息集中平台能够同时连接多个在线检测子站点且共享一个模型，降低总体的建模成本。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本发明未涉及的技术均可通过现有技术加以实现。
Claims (13)
1.一种基于近红外光谱的小麦感染赤霉病等级检测方法，其特征在于：该检测方法步骤如下：
a、样品获取：从待检测小麦中选取样品，并将样品放置在密封袋中标记编号；
b、样品制备：去除样品小麦籽粒中的杂物并使得小麦籽粒的含水量处于12%-13%之间，之后每个样品取等质量的小麦籽粒进行研磨，将研磨获得的麦粉样品放入培养皿中等待光谱采集；
c、光谱采集：采用海洋光学Nirquest512便携式光谱仪对麦粉样品进行扫描，获得麦粉样品的近红外光谱曲线；
d、数据处理：剔除反射率大于100%的异常样本和波长为900nm-1700nm之外的数据，之后根据样本数据挑选一部分作为建模样本、剩余的部分作为预测样本，对建模样本和预测样本进行建模预测、或者先对建模样本和预测样本采用连续投影法进行特征波段提取后再进行建模预测；
e、建模预测：采用特征波段-支持向量机模型和/或全波段-偏最小二乘法确定样本的DON浓度并分级。
2.根据权利要求1所述的基于近红外光谱的小麦感染赤霉病等级检测方法，其特征在于：所述步骤（a）中的样品指的是来自同一年份、同一地区、同一品种的小麦籽粒。
3.根据权利要求1所述的基于近红外光谱的小麦感染赤霉病等级检测方法，其特征在于：所述步骤（b）中的样品制备过程采用PM8188A谷物水分测定仪检测每个密封袋中的小麦含水量，并采用自然晾晒的方式使得小麦籽粒的含水量处于12%-13%之间；并将等质量的小麦籽粒放入磨粉机中研磨，研磨获得的麦粉样品能够全部通过20目筛。
4.根据权利要求1或3所述的基于近红外光谱的小麦感染赤霉病等级检测方法，其特征在于：所述步骤（b）中的麦粉样品放入培养皿后盖上称量纸起隔离作用，再用塑料平板将培养皿中的麦粉样品压平使得麦粉样品的表面高度与培养皿的上沿边缘齐平。
5.根据权利要求1所述的基于近红外光谱的小麦感染赤霉病等级检测方法，其特征在于：所述步骤（c）中的光谱仪采集麦粉样品光谱数据之前先采集黑帧，打开光源预热后采集白帧，采集麦粉样品光谱数据时要保证探头距白板表面的距离与探头距麦粉表面的距离相等；且光谱仪扫描麦粉样品时的参数设置如下：积分时间为350mm、扫描次数为5次、采用3点平滑并进行非线性校正。
6.根据权利要求1所述的基于近红外光谱的小麦感染赤霉病等级检测方法，其特征在于：所述步骤（d）中的建模样本和预测样本确定后，对建模样本和预测样本的原始光谱数据采用标准正态变量变换法进行数据预处理，以减少光谱仪中的噪声干扰导致麦粉表面散射而引起的光谱误差。
7.根据权利要求1所述的基于近红外光谱的小麦感染赤霉病等级检测方法，其特征在于：所述步骤（e）中的全波段-偏最小二乘法模型采用十折交叉的方法确定最佳主成分个数；所述步骤（e）中的特征波段-支持向量机模型选择径向基（RBF）函数作为模型核函数、使用十折交叉验证的方法确定最佳惩罚参数c和最佳核函数参数g。
8.一种如权利要求1-7所述的基于近红外光谱的小麦感染赤霉病等级检测方法采用的在线检测系统，其特征在于：所述的系统包括样品台（13），样品台（13）的正上方设有Y型光纤（11）且Y型光纤（11）的探头正对样品台（13）设置，探头通过Y型光纤（11）的照明光纤与近红外光源（9）相连且通过Y型光纤（11）的探测光纤与光谱仪（10）相连，近红外光源（9）和光谱仪（10）分别通过线路与主控模块（7）相连接，且主控模块（7）通过线路分别与触摸显示屏（8）和信息传输模块（14）相连，且主控模块（7）能够通过信息传输模块（14）与信息集中平台相连。
9.根据权利要求8所述的在线检测系统，其特征在于：所述的Y型光纤（11）和样品台（13）设置在样品采集室（6）中，样品采集室（6）位于箱体（1）的右下角；所述Y型光纤（11）的探头固定在支架（12）上且使得探头的下端距离样品台（13）上的样品间距为定值。
10.根据权利要求9所述的在线检测系统，其特征在于：所述样品采集室（6）的上方设有光源室（4），光源室（4）中的近红外光源（9）与样品采集室（6）中的Y型光纤（11）的照明光纤相连；所述样品采集室（6）的后侧设有位于光源室（4）下方的光谱仪室（3），光谱仪室（3）中的光谱仪（10）与样品采集室（6）中的Y型光纤（11）的探测光纤相连；所述的光谱仪室（3）和光源室（4）之间采用隔热挡板相隔开且光谱仪室（3）和光源室（4）的箱体（1）上皆设有散热孔。
11.根据权利要求9所述的在线检测系统，其特征在于：所述的触摸显示屏（8）设置在样品采集室（6）的左侧，在触摸显示屏（8）的后侧底部设有用于存放光纤且最小弯曲度为45°的光纤收纳盘（5），光纤收纳盘（5）的上方设有主控模块（7），在主控模块（7）旁侧的箱体（1）上设有信息传输模块（14）。
12.根据权利要求8所述的在线检测系统，其特征在于：所述的近红外光源（9）采用能够发出360-2400nm谱线的钨灯；且所述的光谱仪（10）能够获取有效范围为900-1700nm的近红外光谱。
13.根据权利要求8所述的在线检测系统，其特征在于：所示的主控模块（7）作为子站点的客户端通过信息传输模块（14）与信息集中平台采用TCP/IP协议建立socket连接；所述的主控模块（7）通过USB接口与光谱仪（10）相连、通过HDML接口与触摸显示屏（8）相连、通过USB接口与信息传输模块（14）相连。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820764953 | 2018-05-22 | ||
| CN2018207649539 | 2018-05-22 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108872143A true CN108872143A (zh) | 2018-11-23 |
Family
ID=64295693
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201820982553.5U Active CN208420696U (zh) | 2018-05-22 | 2018-06-25 | 基于近红外光谱技术的小麦感染赤霉病等级在线检测系统 |
| CN201810664254.1A Pending CN108872143A (zh) | 2018-05-22 | 2018-06-25 | 一种基于近红外光谱的小麦感染赤霉病等级检测方法 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201820982553.5U Active CN208420696U (zh) | 2018-05-22 | 2018-06-25 | 基于近红外光谱技术的小麦感染赤霉病等级在线检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN208420696U (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110057777A (zh) * | 2019-05-24 | 2019-07-26 | 南京农业大学 | 一种面粉中呕吐毒素的定量检测方法 |
| CN110132856A (zh) * | 2019-05-18 | 2019-08-16 | 安徽大学 | 小麦赤霉病染病籽粒识别的光谱病害指数构建及应用 |
| CN112098362A (zh) * | 2020-09-15 | 2020-12-18 | 南京工程学院 | 基于近红外频谱特征的松质骨离体时间评估方法及系统 |
| CN112304896A (zh) * | 2020-10-29 | 2021-02-02 | 南京林业大学 | 一种基于近红外的便携式面粉多品质检测仪及检测方法 |
| CN113267464A (zh) * | 2021-06-17 | 2021-08-17 | 江苏大学 | 基于近红外结合比色传感器阵列来检测食用油中多组分重金属的方法及装置 |
| CN113295641A (zh) * | 2021-05-26 | 2021-08-24 | 河北金沙河面业集团有限责任公司 | 一种小麦发芽率快速测定方法 |
| CN113484269A (zh) * | 2020-07-18 | 2021-10-08 | 北京立鼎智行科技有限公司 | 一种基于红外光谱仪的改性沥青sbs含量检测系统 |
| CN113505919A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
| CN116297297A (zh) * | 2023-05-22 | 2023-06-23 | 成都博瑞科传科技有限公司 | 基于阵列光谱和离子选择法的水中总氮检测方法及传感器 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN208420696U (zh) * | 2018-05-22 | 2019-01-22 | 南京农业大学 | 基于近红外光谱技术的小麦感染赤霉病等级在线检测系统 |
| MX2022008811A (es) | 2020-01-22 | 2022-08-11 | Evonik Operations Gmbh | Metodo para evaluar espectros de sustancias biologicas de origen animal, origen vegetal o una mezcla de estos. |
| CN112940921B (zh) * | 2021-02-06 | 2022-08-02 | 西南交通大学 | 一种皮肤消毒效果快速采样检测机器人 |
| CN113109200B (zh) * | 2021-04-22 | 2021-11-16 | 安徽省农业科学院作物研究所 | 一种估算小麦籽粒中don含量的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102117447A (zh) * | 2011-02-24 | 2011-07-06 | 北京农业信息技术研究中心 | 作物品质区域预测系统及方法 |
| CN102334587A (zh) * | 2011-08-23 | 2012-02-01 | 中国农业科学院农产品加工研究所 | 一种高效去除小麦籽粒中脱氧雪腐镰刀菌烯醇的加工方法 |
| CN103091284A (zh) * | 2013-02-28 | 2013-05-08 | 河南工业大学 | 基于近红外光谱技术的赤霉病麦粒快速鉴别方法 |
| CN103353445A (zh) * | 2013-07-22 | 2013-10-16 | 洛阳农林科学院 | 一种利用近红外光谱仪快速鉴定小麦抗旱性的技术方法 |
| CN105044022A (zh) * | 2015-08-06 | 2015-11-11 | 黑龙江大学 | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 |
| WO2015179985A1 (en) * | 2014-05-29 | 2015-12-03 | Canadian Light Source Inc. | Screening method for selection of disease-resistant plant cultivars |
| CN107356555A (zh) * | 2017-06-29 | 2017-11-17 | 深圳市赛亿科技开发有限公司 | 一种基于近红外光谱检测面粉品质的装置 |
| CN206725435U (zh) * | 2017-05-05 | 2017-12-08 | 中交三公局（北京）工程试验检测有限公司 | 沥青识别系统 |
| CN107643264A (zh) * | 2016-07-21 | 2018-01-30 | 由国峰 | 一种小麦品质近红外检测系统 |
| CN207036684U (zh) * | 2017-06-01 | 2018-02-23 | 嘉兴市食品药品检验检测院 | 一种红葡萄酒酒精度无损快速检测装置 |
| CN208420696U (zh) * | 2018-05-22 | 2019-01-22 | 南京农业大学 | 基于近红外光谱技术的小麦感染赤霉病等级在线检测系统 |
-
2018
- 2018-06-25 CN CN201820982553.5U patent/CN208420696U/zh active Active
- 2018-06-25 CN CN201810664254.1A patent/CN108872143A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102117447A (zh) * | 2011-02-24 | 2011-07-06 | 北京农业信息技术研究中心 | 作物品质区域预测系统及方法 |
| CN102334587A (zh) * | 2011-08-23 | 2012-02-01 | 中国农业科学院农产品加工研究所 | 一种高效去除小麦籽粒中脱氧雪腐镰刀菌烯醇的加工方法 |
| CN103091284A (zh) * | 2013-02-28 | 2013-05-08 | 河南工业大学 | 基于近红外光谱技术的赤霉病麦粒快速鉴别方法 |
| CN103353445A (zh) * | 2013-07-22 | 2013-10-16 | 洛阳农林科学院 | 一种利用近红外光谱仪快速鉴定小麦抗旱性的技术方法 |
| WO2015179985A1 (en) * | 2014-05-29 | 2015-12-03 | Canadian Light Source Inc. | Screening method for selection of disease-resistant plant cultivars |
| CN105044022A (zh) * | 2015-08-06 | 2015-11-11 | 黑龙江大学 | 一种基于近红外光谱技术快速无损检测小麦硬度的方法及应用 |
| CN107643264A (zh) * | 2016-07-21 | 2018-01-30 | 由国峰 | 一种小麦品质近红外检测系统 |
| CN206725435U (zh) * | 2017-05-05 | 2017-12-08 | 中交三公局（北京）工程试验检测有限公司 | 沥青识别系统 |
| CN207036684U (zh) * | 2017-06-01 | 2018-02-23 | 嘉兴市食品药品检验检测院 | 一种红葡萄酒酒精度无损快速检测装置 |
| CN107356555A (zh) * | 2017-06-29 | 2017-11-17 | 深圳市赛亿科技开发有限公司 | 一种基于近红外光谱检测面粉品质的装置 |
| CN208420696U (zh) * | 2018-05-22 | 2019-01-22 | 南京农业大学 | 基于近红外光谱技术的小麦感染赤霉病等级在线检测系统 |
Non-Patent Citations (5)
| Title |
|---|
| ANNALISA DE GIROLAMO 等: "Rapid Analysis of Deoxynivalenol in Durum Wheat by FT-NIR Spectroscopy FT-NIR Spectroscopy", 《TOXINS》 * |
| K. H. S. PEIRIS 等: "Near-Infrared Spectroscopic Method for Identification of Fusarium Head Blight Damage and Prediction of Deoxynivalenol in Single Wheat Kernels", 《CEREAL CHEMISTRY》 * |
| K. LIANG, ET AL.: "Comparison of Vis-NIR and SWIR hyperspectral imaging for the nondestructive detection of DON levels in Fusarium head blight wheat kernels and wheat flour", 《INFRARED PHYSICS AND TECHNOLOGY》 * |
| 吕程序 等: "基于变量选择的小麦粗蛋白含量近红外光谱检测", 《农业机械学报》 * |
| 梁琨 等: "基于高光谱成像技术的小麦籽粒赤霉病识别", 《农业机械学报》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110132856A (zh) * | 2019-05-18 | 2019-08-16 | 安徽大学 | 小麦赤霉病染病籽粒识别的光谱病害指数构建及应用 |
| CN110132856B (zh) * | 2019-05-18 | 2021-06-25 | 安徽大学 | 小麦赤霉病染病籽粒识别的光谱病害指数构建及应用 |
| CN110057777A (zh) * | 2019-05-24 | 2019-07-26 | 南京农业大学 | 一种面粉中呕吐毒素的定量检测方法 |
| CN113484269A (zh) * | 2020-07-18 | 2021-10-08 | 北京立鼎智行科技有限公司 | 一种基于红外光谱仪的改性沥青sbs含量检测系统 |
| CN112098362A (zh) * | 2020-09-15 | 2020-12-18 | 南京工程学院 | 基于近红外频谱特征的松质骨离体时间评估方法及系统 |
| CN112098362B (zh) * | 2020-09-15 | 2024-02-27 | 南京工程学院 | 一种基于近红外频谱特征的松质骨离体时间评估方法及系统 |
| CN112304896B (zh) * | 2020-10-29 | 2022-10-18 | 南京林业大学 | 一种基于近红外的便携式面粉多品质检测仪及检测方法 |
| CN112304896A (zh) * | 2020-10-29 | 2021-02-02 | 南京林业大学 | 一种基于近红外的便携式面粉多品质检测仪及检测方法 |
| CN113295641A (zh) * | 2021-05-26 | 2021-08-24 | 河北金沙河面业集团有限责任公司 | 一种小麦发芽率快速测定方法 |
| CN113267464A (zh) * | 2021-06-17 | 2021-08-17 | 江苏大学 | 基于近红外结合比色传感器阵列来检测食用油中多组分重金属的方法及装置 |
| CN113505919A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种基于关键因素预测收获小麦呕吐毒素的方法及系统 |
| CN116297297A (zh) * | 2023-05-22 | 2023-06-23 | 成都博瑞科传科技有限公司 | 基于阵列光谱和离子选择法的水中总氮检测方法及传感器 |
| CN116297297B (zh) * | 2023-05-22 | 2023-08-15 | 成都博瑞科传科技有限公司 | 基于阵列光谱和离子选择法的水中总氮检测方法及传感器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN208420696U (zh) | 2019-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108872143A (zh) | 一种基于近红外光谱的小麦感染赤霉病等级检测方法 | |
| Zhao et al. | Near infrared reflectance spectroscopy for determination of the geographical origin of wheat | |
| Liu et al. | Estimating winter wheat plant water content using red edge parameters | |
| CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN101907564B (zh) | 基于近红外光谱技术的油菜籽品质无损检测方法和装置 | |
| Zeng et al. | Quantitative visualization of photosynthetic pigments in tea leaves based on Raman spectroscopy and calibration model transfer | |
| CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
| CN107044959A (zh) | 显微多模态融合光谱检测系统 | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| CN102590129A (zh) | 近红外检测花生中氨基酸含量的方法 | |
| CN106124445A (zh) | 一种快速、无损鉴别转基因大豆方法 | |
| CN104778349B (zh) | 一种用于水稻表土氮肥施用等级评定方法 | |
| 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 | |
| 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 | |
| He et al. | Study on the identification of resistance of rice blast based on near infrared spectroscopy | |
| Wei et al. | Identification of soybean origin by terahertz spectroscopy and chemometrics | |
| CN102507491B (zh) | 一种水飞蓟籽品质的检测装置和检测方法 | |
| Champeil et al. | Effects of grain sampling procedures on Fusarium mycotoxin assays in wheat grains | |
| Ning et al. | Study on apple damage detecting method based on relaxation single-wavelength laser and convolutional neural network | |
| Yang et al. | Characterization of Paris polyphylla var. yunnanensis by infrared and ultraviolet spectroscopies with chemometric data fusion | |
| Song et al. | Detection of Aflatoxin B1 in Peanut Oil Using Attenuated Total Reflection Fourier Transform Infrared Spectroscopy Combined with Partial Least Squares Discriminant Analysis and Support Vector Machine Models | |
| CN105158178B (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 | |
| CN201724900U (zh) | 基于近红外光谱技术的油菜籽品质无损检测装置 | |
| Sun et al. | Nondestructive identification of barley seeds varieties using hyperspectral data from two sides of barley seeds | |
| CN105928900A (zh) | 一种近红外谷物分析方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
| RJ01 | Rejection of invention patent application after publication |