CN109696426A - 一种作物种子的光谱快速鉴别方法及系统 - Google Patents
一种作物种子的光谱快速鉴别方法及系统 Download PDFInfo
- Publication number
- CN109696426A CN109696426A CN201910073501.5A CN201910073501A CN109696426A CN 109696426 A CN109696426 A CN 109696426A CN 201910073501 A CN201910073501 A CN 201910073501A CN 109696426 A CN109696426 A CN 109696426A
- Authority
- CN
- China
- Prior art keywords
- crop seed
- measured
- laser induced
- induced breakdown
- breakdown spectroscopy
- 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
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (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, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供一种作物种子的光谱快速鉴别方法及系统,通过对标准作物种子和待测作物种子的激光诱导击穿光谱进行平均处理和积分处理,将其处理后的激光诱导击穿光谱作为BP神经网络的输入值,利用构建好的BP神经网络对待测作物种子进行识别,很好地兼顾数据处理效率以及识别结果准确性,特别是对标准作物种子和待测作物种子的激光诱导击穿光谱的波长进行积分处理,分别得到标准作物种子和待测作物种子激光诱导击穿光谱的积分信号,进而能将激光诱导击穿光谱中对类型识别有用信息提炼出来,并减少大量干扰信息,从而提高作物种子类型识别的效果,使得作物种子鉴别工作更加高效快捷。
Description
技术领域
本发明涉及作物种子快速鉴别技术领域,特别涉及一种作物种子的光谱鉴别方法及系统。
背景技术
作物种子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,作物种子鉴别日益受到种子质检部门、作物种子育种研究等单位的重视。
目前,国内外作物种子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,上述的这些作物种子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、准确度高的作物种子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,光谱技术的发展为作物种子的鉴别提供了一种新的技术手段。利用光谱对作物种子鉴别具有速度快、效率高、成本低、测试重现性好、测量方便等特点。目前,光谱技术用于作物种子鉴别的方法主要有: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,作物种子颗粒表面有杂质时不好识别,如作物种子颗粒表面长霉后,用这些光谱技术不能很好识别。
发明内容
针对现有技术的不足,本发明提供一种作物种子的光谱鉴别方法及系统,用于识别表面有杂质时的激光诱导击穿光谱作物种子,且能够兼顾数据处理效率和识别结果准确性。
为实现上述目的,本发明公开一种作物种子的光谱鉴别方法,所述方法包括以下步骤:
S1、运用激光诱导击穿光谱仪对N种标准作物种子进行测量,得到N种标准作物种子的激光诱导击穿光谱,并对所述N种标准作物种子的激光诱导击穿光谱进行平均处理和积分处理,得到N种标准作物种子的激光诱导击穿光谱的积分信号,其中N不小于5;
S2、将N种标准作物种子激光诱导击穿光谱的积分信号作为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、运用激光诱导击穿光谱仪对待测作物种子进行测量,得到待测作物种子的激光诱导击穿光谱,并对所述待测作物种子激光诱导击穿光谱进行平均处理和积分处理,得到待测作物种子激光诱导击穿光谱的积分信号;
S4、选取步骤S3中待测作物种子激光诱导击穿光谱的积分信号作为BP神经网络的输入值,运用步骤S2中得到的BP神经网络对待测作物种子进行识别,得到识别结果。
在上述技术方案中,所述步骤S1和步骤S3中,运用激光诱导击穿光谱仪对任一颗标准作物种子的同一点上的测量的激光诱导击穿光谱数据的次数设为X1,对待测作物种子在同一点上的测量的激光诱导击穿光谱数据的次数设为X2,所述测量次数X1和X2均不小于15次。
在上述技术方案中,所述步骤S1和步骤S3中,所述N种标准作物种子和待测作物种子测量出的激光诱导击穿光谱范围均为200-950nm。
在上述技术方案中,所述步骤S1包括以下步骤:
S11、对任一颗标准作物种子的同一点上进行测量得到X1组数据,并对X1组数据进行判断;
S12、若测量的数据从Y1组数据开始,根据测量数据得到的光谱波形不再发生大的变化,则删除前Y1组数据,其中Y1大于1,Y1小于X1;
S13、得到剩下不变的Z1组数据进行平均处理,其中Z1=X1-Y1。
在上述技术方案中,所述步骤S3中,所述平均处理包括以下步骤:
S31、对待测作物种子的同一点上进行测量得到X2组数据,并对X2组数据进行判断;
S32、若测量的数据从Y2组数据开始,根据测量数据得到的光谱波形不再发生大的变化,则删除前Y2组数据,其中Y2大于1,Y2小于X2;
S33、得到剩下的不变的Z2组数据进行平均处理,其中Z2=X2-Y2。
本发明还公开一种作物种子的光谱快速鉴别系统,所述系统包括:
测量模块,用于运用激光诱导击穿光谱仪对N种标准作物种子进行测量,得到N种标准作物种子的激光诱导击穿光谱,并对所述N种标准作物种子的激光诱导击穿光谱进行平均处理和积分处理,得到N种标准作物种子的激光诱导击穿光谱的积分信号,其中N大于等于5;
训练模块,用于将N种标准作物种子激光诱导击穿光谱的积分信号作为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;
待测模块,用于运用激光诱导击穿光谱仪对待测作物种子进行测量,得到待测作物种子的激光诱导击穿光谱,并对所述待测作物种子激光诱导击穿光谱进行平均处理和积分处理,得到待测作物种子激光诱导击穿光谱的积分信号;
识别模块,用于选取待测模块中待测作物种子激光诱导击穿光谱的积分信号作为BP神经网络的输入值,运用训练模块中得到的BP神经网络对待测作物种子进行识别,得到识别结果。
本发明一种作物种子的光谱鉴别方法及系统,具有以下有益效果:通过对标准作物种子和待测作物种子的激光诱导击穿光谱进行积分处理,从而将其处理后的光谱作为BP神经网络的输入值,利用构建好的BP神经网络对作物种子进行识别,能很好地兼顾数据处理效率以及识别结果准确性,特别是将对标准作物种子和待测作物种子激光诱导击穿光谱的波长进行积分处理,分别得到标准作物种子和待测作物种子激光诱导击穿光谱的积分信号,进而能将激光诱导击穿光谱中对类型识别的有用信息提炼出来,并减少大量干扰信息,从而提高作物种子类型识别的效果,且使得作物种子鉴别工作更加高效快捷。
附图说明
图1为本发明一种作物种子的光谱鉴别方法流程图;
图2为本发明一种作物种子的光谱鉴别系统模块图;
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。
下面结合附图对本发明作进一步详细描述,本发明提供一种作物种子的光谱鉴别方法,所述方法包括以下步骤,如图1所示:
S1、运用激光诱导击穿光谱仪对N种标准作物种子进行测量,得到N种标准作物种子的激光诱导击穿光谱,并对所述N种标准作物种子的激光诱导击穿光谱进行平均处理和积分处理,得到N种标准作物种子的激光诱导击穿光谱的积分信号,其中N不小于5;
其中,N越大,能识别的作物种子类型越多,识别的效果越好,作为优选,N不大于1000。
S2、将N种标准作物种子激光诱导击穿光谱的积分信号作为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;
其中,除采用BP神经网络方法对标准作物种子进行类型识别外,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积分信号数据。
S3、运用激光诱导击穿光谱仪对待测作物种子进行测量,得到待测作物种子的激光诱导击穿光谱,并对所述待测作物种子激光诱导击穿光谱进行平均处理和积分处理,得到待测作物种子激光诱导击穿光谱的积分信号;
S4、选取步骤S3中待测作物种子激光诱导击穿光谱的积分信号作为BP神经网络的输入值,运用步骤S2中得到的BP神经网络对待测作物种子进行识别,得到识别结果。
其中,所述步骤S1和步骤S3中,运用激光诱导击穿光谱仪对任一颗标准作物种子的同一点上的测量的激光诱导击穿光谱数据的次数设为X1,对待测作物种子在同一点上的测量的激光诱导击穿光谱数据的次数设为X2,所述测量次数X1和X2均不小于15次。作为优选,所述测量次数X1和X2均不大于30次。
其中,所述步骤S1和步骤S3中,所述N种标准作物种子和待测作物种子测量出的激光诱导击穿光谱范围均为200-950nm。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,如选择250-800nm波长范围。
其中,所述步骤S1包括以下步骤:
S11、对标准作物种子的同一颗作物种子的同一点上进行测量得到X1组数据,并对X1组数据进行判断;
S12、若测量的数据从Y1组数据开始,根据测量数据得到的光谱波形不再发生大的变化,则删除前Y1组数据,其中Y1大于1,Y1小于X1;
S13、得到剩下的不变Z1组数据进行平均处理,其中Z1=X1-Y1。
可选的,根据测量的要求及所使用仪器的技术参数,确定同一颗作物种子的同一点上测量的数据组数,根据标准作物种子测量的数据组数进行判断,删除组数据根据标准作物种子表面杂质情况进行变化,从而降低作物种子表面杂质对测量结果的影响,前Y1组数据一般设为10组数据删除。
其中,所述步骤S3中,所述平均处理包括以下步骤:
S31、对待测作物种子的同一点上进行测量得到X2组数据,并对X2组数据进行判断;
S32、若测量的数据从Y2组数据开始,根据测量数据得到的光谱波形不再发生大的变化,则删除前Y2组数据,其中Y2大于1,Y2小于X2;
S33、得到剩下的不变的Z2组数据进行平均处理,其中Z2=X2-Y2。
其中,若作物种子表面有杂质,杂质的光谱与作物种子的光谱是不相同的。由此通过以下方法判断测量得到的光谱是杂质的还是种子的:首先通过在作物种子的同一点上进行多次测量,当测量出来的光谱不随测量次数变化时,便认为测量出的光谱是作物种子的光谱,其原因是:每一次激光照射到作物种子表面时,会将作物种子表面的一部分物质形成等离子体,宏观上看到的就是在此表面会产生一个小洞。如果表面有杂质,激光照射到杂质上,多次照射后,激光会穿透杂质,然后照射到作物种子表面。但是,杂质的厚度是不确定的,所以,激光照射杂质多少次才能穿透杂质也是不确定的。但是根据实验总结,一般删除10组数据,即作物种子表面杂质对测量结果不产生影响。
本发明还公开一种作物种子的光谱快速鉴别系统,所述系统包括测量模块、训练模块、待测模块及识别模块:
测量模块,用于运用激光诱导击穿光谱仪对N种标准作物种子进行测量,得到N种标准作物种子的激光诱导击穿光谱,并对所述N种标准作物种子的激光诱导击穿光谱进行平均处理和积分处理,得到N种标准作物种子的激光诱导击穿光谱的积分信号,其中N不小于5;
训练模块,用于将N种标准作物种子激光诱导击穿光谱的积分信号作为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;
待测模块,用于运用激光诱导击穿光谱仪对待测作物种子进行测量,得到待测作物种子的激光诱导击穿光谱,并对所述待测作物种子激光诱导击穿光谱进行平均处理和积分处理,得到待测作物种子激光诱导击穿光谱的积分信号;
识别模块,用于选取待测模块中待测作物种子激光诱导击穿光谱的积分信号作为BP神经网络的输入值,运用训练模块中得到的BP神经网络对待测作物种子进行识别,得到识别结果。
说明书中未阐述的部分均为现有技术或公知常识。本实施方式仅用于说明该发明,而不用于限制本发明的范围,本领域技术人员对于本发明所做的等价置换等修改均认为是落入该发明权利要求书所保护范围内。
Claims (6)
1.一种作物种子的光谱快速鉴别方法,其特征在于,所述方法包括以下步骤:
S1、运用激光诱导击穿光谱仪对N种标准作物种子进行测量,得到N种标准作物种子的激光诱导击穿光谱,并对所述N种标准作物种子的激光诱导击穿光谱进行平均处理和积分处理,得到N种标准作物种子的激光诱导击穿光谱的积分信号,其中N不小于5;
S2、将N种标准作物种子激光诱导击穿光谱的积分信号作为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、运用激光诱导击穿光谱仪对待测作物种子进行测量,得到待测作物种子的激光诱导击穿光谱,并对所述待测作物种子激光诱导击穿光谱进行平均处理和积分处理,得到待测作物种子激光诱导击穿光谱的积分信号;
S4、选取步骤S3中待测作物种子激光诱导击穿光谱的积分信号作为BP神经网络的输入值,运用步骤S2中得到的BP神经网络对待测作物种子进行识别,得到识别结果。
2.根据权利要求1所述一种作物种子的光谱快速鉴别方法,其特征在于,所述步骤S1和步骤S3中,运用激光诱导击穿光谱仪对任一颗标准作物种子的同一点上的测量的激光诱导击穿光谱数据的次数设为X1,对待测作物种子在同一点上的测量的激光诱导击穿光谱数据的次数设为X2,所述测量次数X1和X2均不小于15次。
3.根据权利要求1所述一种作物种子的光谱快速鉴别方法,其特征在于,所述步骤S1和步骤S3中,所述N种标准作物种子和待测作物种子测量出的激光诱导击穿光谱范围均为200-950nm。
4.根据权利要求2所述一种作物种子的光谱快速鉴别方法,其特征在于,所述步骤S1包括以下步骤:
S11、对任一颗标准作物种子的同一点上进行测量得到X1组数据,并对X1组数据进行判断;
S12、若测量的数据从Y1组数据开始,根据测量数据得到的光谱波形不再发生大的变化,则删除前Y1组数据,其中Y1大于1,Y1小于X1;
S13、得到剩下不变的Z1组数据进行平均处理,其中Z1=X1-Y1。
5.根据权利要求2所述一种作物种子的光谱快速鉴别方法,其特征在于,所述步骤S3中,所述平均处理包括以下步骤:
S31、对待测作物种子的同一点上进行测量得到X2组数据,并对X2组数据进行判断;
S32、若测量的数据从Y2组数据开始,根据测量数据得到的光谱波形不再发生大的变化,则删除前Y2组数据,其中Y2大于1,Y2小于X2;
S33、得到剩下的不变的Z2组数据进行平均处理,其中Z2=X2-Y2。
6.一种作物种子的光谱快速鉴别系统,其特征在于,所述系统包括测量模块、训练模块、待测模块及识别模块:
测量模块,用于运用激光诱导击穿光谱仪对N种标准作物种子进行测量,得到N种标准作物种子的激光诱导击穿光谱,并对所述N种标准作物种子的激光诱导击穿光谱进行平均处理和积分处理,得到N种标准作物种子的激光诱导击穿光谱的积分信号,其中N大于等于5;
训练模块,用于将N种标准作物种子激光诱导击穿光谱的积分信号作为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;
待测模块,用于运用激光诱导击穿光谱仪对待测作物种子进行测量,得到待测作物种子的激光诱导击穿光谱,并对所述待测作物种子激光诱导击穿光谱进行平均处理和积分处理,得到待测作物种子激光诱导击穿光谱的积分信号;
识别模块,用于选取待测模块中待测作物种子激光诱导击穿光谱的积分信号作为BP神经网络的输入值,运用训练模块中得到的BP神经网络对待测作物种子进行识别,得到识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073501.5A CN109696426A (zh) | 2019-01-25 | 2019-01-25 | 一种作物种子的光谱快速鉴别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073501.5A CN109696426A (zh) | 2019-01-25 | 2019-01-25 | 一种作物种子的光谱快速鉴别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109696426A true CN109696426A (zh) | 2019-04-30 |
Family
ID=66234363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910073501.5A Pending CN109696426A (zh) | 2019-01-25 | 2019-01-25 | 一种作物种子的光谱快速鉴别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109696426A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5866838A (ja) * | 1981-10-19 | 1983-04-21 | Hitachi Ltd | プラズマモニタ装置 |
CN105352918A (zh) * | 2015-11-13 | 2016-02-24 | 湖南大学 | 基于svr的激光直接金属沉积过程元素浓度实时监控方法及装置 |
CN107003246A (zh) * | 2014-11-25 | 2017-08-01 | 因格瑞恩股份有限公司 | 多孔材料激光诱导击穿光谱的流体特性 |
CN107636432A (zh) * | 2015-01-06 | 2018-01-26 | 玛斯特股份有限公司 | 用于检测磨损金属的mems实现方式 |
CN108051410A (zh) * | 2017-10-31 | 2018-05-18 | 浙江农林大学 | 一种基于激光诱导击穿光谱技术的烟草根部镉含量快速检测方法 |
CN108444953A (zh) * | 2018-03-13 | 2018-08-24 | 长江大学 | 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 |
-
2019
- 2019-01-25 CN CN201910073501.5A patent/CN109696426A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5866838A (ja) * | 1981-10-19 | 1983-04-21 | Hitachi Ltd | プラズマモニタ装置 |
CN107003246A (zh) * | 2014-11-25 | 2017-08-01 | 因格瑞恩股份有限公司 | 多孔材料激光诱导击穿光谱的流体特性 |
CN107636432A (zh) * | 2015-01-06 | 2018-01-26 | 玛斯特股份有限公司 | 用于检测磨损金属的mems实现方式 |
CN105352918A (zh) * | 2015-11-13 | 2016-02-24 | 湖南大学 | 基于svr的激光直接金属沉积过程元素浓度实时监控方法及装置 |
CN108051410A (zh) * | 2017-10-31 | 2018-05-18 | 浙江农林大学 | 一种基于激光诱导击穿光谱技术的烟草根部镉含量快速检测方法 |
CN108444953A (zh) * | 2018-03-13 | 2018-08-24 | 长江大学 | 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 |
Non-Patent Citations (2)
Title |
---|
李辉等: "分段激光诱导击穿光谱的水稻种子识别", 《激光杂质》 * |
柯梽全等: "基于激光诱导击穿光谱的水稻品种鉴别研究", 《激光杂志》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6253162B1 (en) | Method of identifying features in indexed data | |
CN109142317B (zh) | 一种基于随机森林模型的拉曼光谱物质识别方法 | |
Fortier et al. | Identification of cotton and cotton trash components by Fourier transform near-infrared spectroscopy | |
CN105866056A (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
JP6091493B2 (ja) | 試料に存在する成分を決定するための分光装置と分光法 | |
CN105181678B (zh) | 基于激光诱导击穿光谱的水稻品种鉴别方法 | |
CN108072626B (zh) | 一种沥青品牌识别方法 | |
CN1831515A (zh) | 用可见光和近红外光谱技术无损鉴别作物种子品种的方法 | |
CN105890764B (zh) | 基于计算机图像处理的分辨植物花色深浅的方法 | |
US20220229040A1 (en) | Method for authentication of animal species origin of leather products | |
CN111062251A (zh) | 基于无人机成像的农田棉蚜为害等级模型的监测方法 | |
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 | |
CN113984736B (zh) | 一种基于空间偏移拉曼光谱的带包装食品信号分离方法 | |
CN107132266A (zh) | 一种基于随机森林的水质分类方法及系统 | |
CN109034189B (zh) | 基于高分遥感影像的森林类型识别方法 | |
CN112578039A (zh) | 一种燕窝中掺假物的分析鉴定方法 | |
CN111812058A (zh) | 基于太赫兹成像技术的香椿中农残的定性检测方法 | |
CN109839370A (zh) | 一种基于原位拉曼光谱技术的茶鲜叶质量评判方法及应用 | |
CN112098361A (zh) | 一种基于近红外光谱的玉米种子鉴别方法 | |
CN109187443A (zh) | 基于多波长透射光谱的水体细菌微生物准确识别方法 | |
CN111523587A (zh) | 一种基于机器学习的木本植物物种光谱识别方法 | |
CN108444953A (zh) | 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 | |
CN105223140A (zh) | 同源物质的快速识别方法 | |
CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
CN109696426A (zh) | 一种作物种子的光谱快速鉴别方法及系统 |
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: 20190430 |
|
RJ01 | Rejection of invention patent application after publication |