CN110163459A - 一种构建多指标评价模型对小麦品质分级的方法 - Google Patents
一种构建多指标评价模型对小麦品质分级的方法 Download PDFInfo
- Publication number
- CN110163459A CN110163459A CN201810243265.2A CN201810243265A CN110163459A CN 110163459 A CN110163459 A CN 110163459A CN 201810243265 A CN201810243265 A CN 201810243265A CN 110163459 A CN110163459 A CN 110163459A
- Authority
- CN
- China
- Prior art keywords
- wheat
- index
- data
- value
- mid
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明涉及一种构建多指标评价模型对小麦品质分级的方法,本发明根据小麦品质间的数量关系,建立分级和分类标准,根据小麦各个指标优、良、中、差的分布情况,建立小麦的分级,建立的分级模型是基于小麦食用角度来建立的,评价为差的指标有较大的危害性,出现一个差的评价,即说明该小麦已不属于优质的一级小麦;若出现多个差的评价,则说明这些指标的劣变对人体的健康会造成很大的影响,所以直接定义为四级小麦,本发明采用模型中数据自身的数量关系,通过对小麦测试数据的计算,获得各指标对品质影响效果,可以完成了这批小麦相对分级,建立起灵活有效并适合小麦品质分级的系统,为小麦安全储藏和评价提供一定的技术支撑。
Description
技术领域
本发明属于农产品指标综合分析的技术领域,尤其涉及一种构建多指标评价模型对小麦品质分级的方法。
背景技术
小麦作为我国主要粮食作物,它的安全储藏有利于保障社会健康有序地发展和维护国家的安全稳定,在国民经济发展方面起着举足轻重的作用。开展小麦储藏品质变化规律研究,建立适合评价储藏小麦品质的多指标分级标准,对指导小麦科学储藏和合理分类有着重大意义。
小麦在储藏过程中会出现组织结构松驰、呼吸减弱、发芽率降低、粉质变差等物理、化学及生物学劣变现象,国内学者在这方面也进行了具体的研究,如王若兰等人对小麦呼吸速率进行的研究[王若兰,严佳,李燕羽等.不同条件下小麦呼吸速率变化的研究[J],河南工业大学学报(自然科学报), 2009,39(4):12-15],唐芳等人在小麦发芽率方面进行的实验[唐芳,程树峰,欧阳毅.储藏水分、温度和真菌生长对小麦发芽率的影响[J],粮食储藏,2014(4):44-47], 孙辉等人对小麦的多项生理指标进行了研究[孙辉,姜薇莉,田晓红等.小麦粉储藏品质变化规律研究[J],中国粮油学报,2005,20(3):77-81],以及刘伟龙等人对小麦内部生物活性上进行的研究[刘伟龙,李翠香,王玉利等.小麦储藏过程中温度对劣变起始位点及生理酶活性的影响[J],食品与机械,2015,31(2):183-186], 这些研究工作为小麦品质的分析奠定了基础,但是大都集中于单一的生理或生化指标和小麦品质劣变之间的关系,未建立综合的多指标评判体系,在分析小麦的综合品质性状上就不够精确。
以往小麦生产的大量工作都是依靠人工视觉进行主观判断和辨别的,该方法主观性强,缺乏科学性、稳定性。随着计算机的迅速发展,出现了基于图像处理技术]的小麦品质检测与分级技术,如贾佳等人应用计算机图像识别技术在小麦选种方面的应用[贾佳,王建华,谢宗铭等.计算机图像识别技术在小麦种子精选中的应用[J],中国农业大学学报,2014.19(5):180-186],王志军等人通过计算机图形学对小麦外观进行了评价[王志军,丛培盛,周佳璐等.基于图像处理与人工神经网络的小麦颗批外观品质评价方法[J],农业工程学报, 2007,23(1):158-161]。虽然采用图像处理技术一定程度上解决了由人工判断带来的误差,但是这种方法侧重于分析小麦的轮廓、颜色、纹理、体态特征等物理性状,没有对小麦内部生物性状的进行探索研究。
为了探究小麦内部的变化,董高、毛晓东等人采用近红外高光谱对小麦进行品种分类研究[董高,郭建,王成,等.基于近红外高光谱成像及信息融合的小麦品种分类研究[J],光谱学与光谱分析,2015,35(12):3369-3373],[毛晓东,孙来军,戴常军,等.基于近红外光谱的小麦品质分类研究[J],中国农学通报, 2013,29(36):386-390]。尽管这种方法在获取样品外部图像信息的同时还能采集到小麦内部的化学信息,但是利用光谱成像识别准确度欠佳,图像分辨率较低,所分析的因素有限,所以在对小麦整体品质分级上,仍存在着不可避免的误差。
目前国际上制定了相应的商品小麦和小麦品种标准,国内也制定了相关的国家标准,如[柏九菊.优质小麦国家质量标准简介[J],粮食加工,2004(5):12-13], 选取容重、蛋白质含量、湿面筋、稳定时间等作为评价参数,把小麦按加工品质和用途分为强筋、中筋、弱筋三类,但对评价参数分析时费用昂贵,耗时长,评判标准具有一定的片面性。因此需要我们针对目前小麦品质评价和分级的实际情况提出适用的方法及模型。
发明内容
本发明目的在于克服现有技术中存在的不足而提供一种构建多指标评价模型对小麦品质分级的方法。
本发明的目的是这样实现的:
一种构建多指标评价模型对小麦品质分级的方法,其特征在于:包括以下步骤:
步骤1)、构建小麦指标评价集,选取七个测量指标肪酸值、降落值、沉降值、还原糖、发芽率、过氧化物酶、电导率分别定义a、b、c、d、e、f、g,对于每批小麦Qi对应有相应的指标集合:
Qi=[ai,bi,ci,di,ei,fi,gi] (1)
测试的小麦有i批,得到如下小麦数据集:
步骤2)、对小麦各指标品质分级
对小麦各指标的品质进行纵向比较,提取小麦的同一指标,组成集合进行单独分析,用集合A=[a1,a2,…ai]进行统计脂肪酸值的数据,并对A进行横向计算,将i个数据分成从小到大的四个区间,分别代表优、良、中、差四种分布情况,再将不同的数据归在不同的区间内,从而得到小麦中脂肪酸的分级情况;同理降落值、降落值、沉降值、还原糖、发芽率、过氧化物酶、电导率指标以同样的方法进行分析;
步骤3)、对于脂肪酸值、降落值、电导率指标,取小麦中的最小值amin代表这i批小麦中脂肪酸值作为优的数据,取其中的最大值amax作为差的数据,定义区间长度为:
将i个数据以α为区间长度,分成四个区间:(amin~amin+α)、(amin+α~amin+2α)、(amin+2α~amin+3α)、(amin+3α~amax),从小到大分别对应优、良、中、差四种品质情况;
对于沉降值、发芽率、过氧化物酶指标,取小麦中的最小值amin代表这i 批小麦中脂肪酸值作为优的数据,取其中的最大值amax作为差的数据,定义区间长度为:
将i个数据以α为区间长度,分成四个区间:(amin+3α~amax)、(amin+2α~amin+3α)、(amin+α~amin+2α)、(amin~amin+α),从大到小分别对应优、良、中、差四种品质情况;
对于还原糖指标,,取数据位于中间的值作为最优值,定义为amid,同时取得最大值amax和最小值amin,定义两个区间长度β和γ为:
从而得到分级区间:优为(amid-β~amid+γ)、良为(amid-2β~amid~β)∪(amid+γ~amid +2γ)、中为(amid-3β~amid~2β)∪(amid+2γ~amid+3γ)、差为(amin~amid-3β)∪(amid+γ~ amax);
步骤4)、统计由步骤3)得到的各区间内数据分布情况,对数据进行修正;
a)、优的区间内数据量过少同时差的数据量过多时,取次小的值作为优的标准,将除最小值以外的i~1个数据分成四个区间,统计各区间内数据的分布情况,进行修正;
b)、优的区间内数据量过多同时差的数据量过少时,取次大的值作为差的标准,优的区间内数据量过多而同时差的数据量过少,则取次大的值作为差的标准,将除最大值以外的i~1个数据分成四个区间,统计各区间内数据的分布情况,进行修正;
对修正后的数据单独计算;
经过分析和误差修正以后,得到准确的指标分级区间和评价情况,将公式(2) 中各指标数据用优、良、中、差四种评价来代替,从而组成新的矩阵,进一步的统计分析;
步骤5)、构建分级模型
由步骤4)得出小麦综合品质状况,根据小麦品质间的数量关系,建立分级和分类标准,根据小麦各个指标优、良、中、差的分布情况,建立小麦的分级,具体分级如表1所示:
表1小麦分级标准
一级小麦:包含优的指标3个或3个以上,不含差的指标;
二级小麦:包含良或良以上的指标3个或3个以上,至多1个差指标;
三级小麦:包含中或中以上的指标3个或3个以上,至多2个差指标;
四级小麦:有3个级三个以上差的指标。
本发明建立的分级模型是基于小麦食用角度来建立的,评价为差的指标有较大的危害性,出现一个差的评价,即说明该小麦已不属于优质的一级小麦;若出现多个差的评价,则说明这些指标的劣变对人体的健康会造成很大的影响,所以直接定义为四级小麦。本发明采用模型中数据自身的数量关系,通过对小麦测试数据的计算,获得各指标对品质影响效果,可以完成了这批小麦相对分级。建立起灵活有效并适合小麦品质分级的系统,为小麦安全储藏和评价提供一定的技术支撑。
附图说明
图1为小麦还原糖分布图。
图2为小麦过氧化物酶分布。
图3小麦各指标变异系数和变化幅值的关系。
具体实施方式
实施例1:一种构建多指标评价模型对小麦品质分级的方法,其特征在于:包括以下步骤:
步骤1)、构建小麦指标评价集,选取七个测量指标肪酸值、降落值、沉降值、还原糖、发芽率、过氧化物酶、电导率分别定义a、b、c、d、e、f、g,对于每批小麦Qi对应有相应的指标集合:
Qi=[ai,bi,ci,di,ei,fi,gi] (1)
测试的小麦有i批,得到如下小麦数据集:
步骤2)、对小麦各指标品质分级
对小麦各指标的品质进行纵向比较,提取小麦的同一指标,组成集合进行单独分析,用集合A=[a1,a2,…ai]进行统计脂肪酸值的数据,并对A进行横向计算,将i个数据分成从小到大的四个区间,分别代表优、良、中、差四种分布情况,再将不同的数据归在不同的区间内,从而得到小麦中脂肪酸的分级情况;同理降落值、降落值、沉降值、还原糖、发芽率、过氧化物酶、电导率指标以同样的方法进行分析;
步骤3)、对于脂肪酸值、降落值、电导率指标,取小麦中的最小值amin代表这i批小麦中脂肪酸值作为优的数据,取其中的最大值amax作为差的数据,定义区间长度为:
将i个数据以α为区间长度,分成四个区间:(amin~amin+α)、(amin+α~amin+2α)、(amin+2α~amin+3α)、(amin+3α~amax),从小到大分别对应优、良、中、差四种品质情况;
对于沉降值、发芽率、过氧化物酶指标,取小麦中的最小值amin代表这i 批小麦中脂肪酸值作为优的数据,取其中的最大值amax作为差的数据,定义区间长度为:
将i个数据以α为区间长度,分成四个区间:(amin+3α~amax)、(amin+2α~amin+3α)、(amin+α~amin+2α)、(amin~amin+α),从大到小分别对应优、良、中、差四种品质情况;
对于还原糖指标,,取数据位于中间的值作为最优值,定义为amid,同时取得最大值amax和最小值amin,定义两个区间长度β和γ为:
从而得到分级区间:优为(amid-β~amid+γ)、良为(amid-2β~amid~β)∪(amid+γ~amid +2γ)、中为(amid-3β~amid~2β)∪(amid+2γ~amid+3γ)、差为(amin~amid-3β)∪(amid+γ~ amax);
步骤4)、统计由步骤3)得到的各区间内数据分布情况,对数据进行修正;
经步骤3)将区间建立之后,统计各区间内数据分布情况,由于选取的小麦具有随机性,其指标数量在各区间内的分布应当较为均匀;但是考虑到不同数据会具有特殊的分布情况及数据极值的获取会具有一定的误差或偶然性,区间分布可能会出现较大偏差的情况,如:
1)、在优的区间内或差的区间内,数据量低于10%。
2)、在优的区间内或差的区间内,数据量高于30%。
这说明所选最小值或最大值存在不合理性,导致了区间数据的极端分布,所以需要对数据进行修正;
a)、优的区间内数据量过少同时差的数据量过多时,取次小的值作为优的标准,将除最小值以外的i~1个数据分成四个区间,统计各区间内数据的分布情况,若仍不符合1)、2)情况,再次循环进行修正;
b)、优的区间内数据量过多同时差的数据量过少时,取次大的值作为差的标准,优的区间内数据量过多而同时差的数据量过少,则取次大的值作为差的标准,将除最大值以外的i~1个数据分成四个区间,统计各区间内数据的分布情况,若仍不符合上文1)、2)情况,再次循环进行修正;
若循环次数过多,或者经一次循环后,其区间分布没有发生变化,此时应结合该指标的具体分布图(分布图可由小麦的实测数据得到,如图1、2)来分析,如计算所得区间与图中指标分布范围相符合,以实际的分布情况为准。若仍与图中分布指标范围不符,根据分布图剔除某些极大值或极小值,对剩下的数据单独计算;
经过多次的分析和误差修正以后,得到准确的指标分级区间和评价情况,将公式(2)中各指标数据用优、良、中、差四种评价来代替,从而组成新的矩阵,进一步的统计分析;
步骤5)、构建分级模型
由步骤4)得出小麦综合品质状况,由于各指标具有一定的相对独立性,每个指标都能在一定程度上反映小麦对应方面的品质优劣情况,需综合分析多个指标才能获得较为准确的分级。根据小麦品质间的数量关系,建立分级和分类标准,根据小麦各个指标优、良、中、差的分布情况,建立小麦的分级,具体分级如表1所示:
表1小麦分级标准
一级小麦:包含优的指标3个或3个以上,不含差的指标;
二级小麦:包含良或良以上的指标3个或3个以上,至多1个差指标;
三级小麦:包含中或中以上的指标3个或3个以上,至多2个差指标;
四级小麦:有3个级三个以上差的指标;
实施例2:
采用中筋小麦,周麦22(2016年收获,产地河南)16批,每批20粒和周麦22(2014年收获,产地河南)16批,每批20粒,进行试验测试得到数据。
小麦脂肪酸值根据GB/T 15684-2015测定;小麦降落值根据GB/T 10361-2008测定;小麦沉降值根据GB/T 21119-2007测定;小麦还原糖根据GB 5009.7-2016测定;小麦发芽率根据GB/T5520-2011测定;小麦过氧化物酶根据 DD ISO/TS 17193-2011测定;小麦电导率根据SL 78-1994测定。
取每批小麦的测量值的平均值作为测量的结果,本实验共采取32批小麦,得到如下表2所示数据。
表2小麦生理生化指标
对表2中的数据按照步骤1~3计算后,可以得到小麦品质分析的初步结果,其品质性状分布情况见表3,各指标品质数量分布见表4。
表3小麦品质性状分布
注:
表4小麦各指标品质数量分布
本文共取32批小麦作为实验总体,按照步骤2的分级算法模型,计算出优、良、中、差区间内对应的数值(见表4);但由表4分析可知,还原糖、发芽率、过氧化物酶在品质分布上,出现了步骤3所列出的问题,需要按步骤4进行修正,修正过程如下所示。
对于还原糖,其优的区间较大,初步分析可能是其两端极值数据相差较大造成,以其次大和次小值作为参数带入计算后,其优的分布仍然比较密集,多次计算后的结果仍与预期分布不符合,需要结合还原糖实际分布情况,如图1 所示,对计算结果进行分析。
对图1分析可知,本次试验所研究的还原糖在小麦分布中表现出较大数据比较分散、较小数据分布比较密集的特点,而还原糖在小麦储藏中的实际变化是一条较为平缓的抛物线[15],且最终值高于初始值,所以图1还是比较准确的反映还原糖的分布情况。在计算方面,还原糖采用中间优型,以最小值、中间值和最大值来对区间进行分级,势必会造成各区间数量分布不均匀、各指标分布统计数量和定义的范围有较大出入的情况,但是符合还原糖实际分布,应该以计算结果作为分级标准。
对于发芽率,发现其在差的区间内数量较少,根据之前定义,取次小值作为差的标准进行计算,经多次计算后,取到89作为差的标准,将89之前的9 个数作为差的区间,将90~98分成三个区间,这样得到新的分布情况:
计算得到区间长度β=2.6,四个区间为(80~89)、(90~92.89)、(92.8~95.49)、(95.4~98)。统计优、良、中、差区间对应的数量分别为9、7、7、9。
对于过氧化物酶,其在优的区间数少,而在良的区间过多,其造成的主要原因可能是代表优的极大值分布突出,与整体数据的分布差距比较大,取次大值作为优的数据进行计算,经计算,其在优的区间内数据量反而变得较大,再取次小值作为差的数据进行计算,得到新的结果为:
计算出区间长度β=332.5,四个区间为(1450~2012.5)、(2012.5~2345)、 (2345~2677.5)、(2677.5~3550)。由此得到优、良、中、差区间的数量为19、3、 6、4。其分布结果仍与预期相差较大,需要结合过氧化物酶实际分布情况如图2 所示,对计算结果进行分析。
由图2可知,过氧化物酶在小麦的分布中表现出两端极值突出,较大值区域比较密集的特点。由于过氧化物酶是越大越优型,也表示其分布在优区间所占比例较大,差区间比例较小,与计算的区间分布相符合,所以按照修改后的计算结果为分级标准。
经上文的计算和误差分析,得到了修正后的小麦各指标情况如表5和表6 所示:
表5小麦各指标品质数量分布
表6小麦各指标分级标准
根据表1所建立的分类标准,对每批小麦依次分类,可以得到各一级、二级、三级、四级小麦的数量分别为:12、7、5、8。
经分析,该批小麦中,一级小麦含量为37.5%,而四级小麦含量为25%,可以认为该批小麦的品质出现了两级分化的情况。尽管有相当大比例的小麦品质极好,符合食用的标准,但是其中四级小麦的数量较多,这说明有相当一部分小麦包含较多品质为差的指标,这些劣变的指标可能会对人的健康造成很大的影响,该批小麦建议不作为食用小麦。
模型计算分析:
综合分析各指标的变异系数和变化幅值时可以发现,其数值在变化趋势上有着一定的互补关系,具体如图3所示,图3中为了将多指标的变化幅值以同一数量级在图中表示出,图中的变化幅值是以脂肪酸值的幅值为基准,根据其平均值间的比例系数进行缩放得到。
小麦的变异系数反映的是数据离散程度,而变化幅值反映的是各指标的极值差距,变异系数和变化幅值的关联在本质上是其数据的分布区域和极值点之间的关系。分析图1、2和3可知,小麦还原糖和发芽率的变异系数较高,其在计算过程中与预想的分布情况出入较大,与实际情况(见表2、图1)结合分析后发现:这两个指标在数据分布情况上有着各自的特点。还原糖一端极为密集,而另一端极为分散;发芽率的极小值也与中心值跨度较大,其较大值之间分布较为紧密。过氧化物酶的变异系数较低,其在实际分布中(见图2)呈两端分散,中间密集的特点,这也导致了第一次计算取最大值和最小值造成的误差,后来在分析计算后,剔除了由过于分散的数据点造成的误差,得到了合理的分布情况。而其他四个指标的变异系数则在10的附近,其分布与预想的情况相符合,分级较为明显,各级数量比较合适。
综上可以得出结论,对于小麦的指标数据,其变异系数值和变化幅值在一定程度上呈此消彼长相互限制的关系;若其变异系数为10或者与10相差不大,则数据的分布较为均匀,分级比较分明;若变异系数较大或较小,则这组数据可能存在极值数据较为分散或者其某区域数据分布较为集中特点,分布不均匀,分级不明显。
上述实例仅为本发明的优选实例而已,并不用以限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化,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 (1)
1.一种构建多指标评价模型对小麦品质分级的方法,其特征在于:包括以下步骤:
步骤1)、构建小麦指标评价集,选取七个测量指标肪酸值、降落值、沉降值、还原糖、发芽率、过氧化物酶、电导率分别定义a、b、c、d、e、f、g,对于每批小麦Qi对应有相应的指标集合:
Qi=[ai,bi,ci,di,ei,fi,gi] (1)
测试的小麦有i批,得到如下小麦数据集:
步骤2)、对小麦各指标品质分级
对小麦各指标的品质进行纵向比较,提取小麦的同一指标,组成集合进行单独分析,用集合A=[a1,a2,…ai]进行统计脂肪酸值的数据,并对A进行横向计算,将i个数据分成从小到大的四个区间,分别代表优、良、中、差四种分布情况,再将不同的数据归在不同的区间内,从而得到小麦中脂肪酸的分级情况;同理降落值、降落值、沉降值、还原糖、发芽率、过氧化物酶、电导率指标以同样的方法进行分析;
步骤3)、对于脂肪酸值、降落值、电导率指标,取小麦中的最小值amin代表这i批小麦中脂肪酸值作为优的数据,取其中的最大值amax作为差的数据,定义区间长度为:
将i个数据以α为区间长度,分成四个区间:(amin~amin+α)、(amin+α~amin+2α)、(amin+2α~amin+3α)、(amin+3α~amax),从小到大分别对应优、良、中、差四种品质情况;
对于沉降值、发芽率、过氧化物酶指标,取小麦中的最小值amin代表这i批小麦中脂肪酸值作为优的数据,取其中的最大值amax作为差的数据,定义区间长度为:
将i个数据以α为区间长度,分成四个区间:(amin+3α~amax)、(amin+2α~amin+3α)、(amin+α~amin+2α)、(amin~amin+α),从大到小分别对应优、良、中、差四种品质情况;
对于还原糖指标,,取数据位于中间的值作为最优值,定义为amid,同时取得最大值amax和最小值amin,定义两个区间长度β和γ为:
从而得到分级区间:优为(amid-β~amid+γ)、良为(amid-2β~amid~β)∪(amid+γ~amid+2γ)、中为(amid-3β~amid~2β)∪(amid+2γ~amid+3γ)、差为(amin~amid-3β)∪(amid+γ~amax);
步骤4)、统计由步骤3)得到的各区间内数据分布情况,对数据进行修正;
a)、优的区间内数据量过少同时差的数据量过多时,取次小的值作为优的标准,将除最小值以外的i~1个数据分成四个区间,统计各区间内数据的分布情况,进行修正;
b)、优的区间内数据量过多同时差的数据量过少时,取次大的值作为差的标准,优的区间内数据量过多而同时差的数据量过少,则取次大的值作为差的标准,将除最大值以外的i~1个数据分成四个区间,统计各区间内数据的分布情况,进行修正;
对修正后的数据单独计算;
经过分析和误差修正以后,得到准确的指标分级区间和评价情况,将公式(2)中各指标数据用优、良、中、差四种评价来代替,从而组成新的矩阵,进一步的统计分析;
步骤5)、构建分级模型
由步骤4)得出小麦综合品质状况,根据小麦品质间的数量关系,建立分级和分类标准,根据小麦各个指标优、良、中、差的分布情况,建立小麦的分级,具体分级如表1所示:
表1小麦分级标准
一级小麦:包含优的指标3个或3个以上,不含差的指标;
二级小麦:包含良或良以上的指标3个或3个以上,至多1个差指标;
三级小麦:包含中或中以上的指标3个或3个以上,至多2个差指标;
四级小麦:有3个级三个以上差的指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810243265.2A CN110163459B (zh) | 2018-03-23 | 2018-03-23 | 一种构建小麦品质分级的多指标评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810243265.2A CN110163459B (zh) | 2018-03-23 | 2018-03-23 | 一种构建小麦品质分级的多指标评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163459A true CN110163459A (zh) | 2019-08-23 |
CN110163459B CN110163459B (zh) | 2023-04-21 |
Family
ID=67636271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810243265.2A Active CN110163459B (zh) | 2018-03-23 | 2018-03-23 | 一种构建小麦品质分级的多指标评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163459B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782086A (zh) * | 2021-08-20 | 2021-12-10 | 苏州浪潮智能科技有限公司 | 一种对pmem内存进行分等级评价的方法及装置 |
CN113866227A (zh) * | 2021-09-17 | 2021-12-31 | 江南大学 | 一种坛装黄酒的快速分级方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009139110A (ja) * | 2007-12-03 | 2009-06-25 | Satake Corp | 米飯品質予測方法及びその装置 |
CN102423039A (zh) * | 2011-12-01 | 2012-04-25 | 新疆农垦科学院 | 一种实验室新疆拉面的制作方法及其品尝评价方法 |
CN102519815A (zh) * | 2011-12-14 | 2012-06-27 | 河南工业大学 | 小麦硬度检测仪及使用该仪器检测小麦硬度的方法 |
CN105139260A (zh) * | 2015-07-15 | 2015-12-09 | 中国农业大学 | 一种种子成果价值评估方法 |
CN106846159A (zh) * | 2017-01-22 | 2017-06-13 | 河南省农业科学院小麦研究所 | 一种鉴定或评价小麦抗寒性的方法 |
CN107145718A (zh) * | 2017-04-19 | 2017-09-08 | 山西省农业科学院作物科学研究所 | 一种鉴定和评价小麦赤霉病侵染抗性的方法 |
CN107392503A (zh) * | 2017-08-18 | 2017-11-24 | 中国农业大学 | 一种玉米高温热害风险的评估方法 |
-
2018
- 2018-03-23 CN CN201810243265.2A patent/CN110163459B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009139110A (ja) * | 2007-12-03 | 2009-06-25 | Satake Corp | 米飯品質予測方法及びその装置 |
CN102423039A (zh) * | 2011-12-01 | 2012-04-25 | 新疆农垦科学院 | 一种实验室新疆拉面的制作方法及其品尝评价方法 |
CN102519815A (zh) * | 2011-12-14 | 2012-06-27 | 河南工业大学 | 小麦硬度检测仪及使用该仪器检测小麦硬度的方法 |
CN105139260A (zh) * | 2015-07-15 | 2015-12-09 | 中国农业大学 | 一种种子成果价值评估方法 |
CN106846159A (zh) * | 2017-01-22 | 2017-06-13 | 河南省农业科学院小麦研究所 | 一种鉴定或评价小麦抗寒性的方法 |
CN107145718A (zh) * | 2017-04-19 | 2017-09-08 | 山西省农业科学院作物科学研究所 | 一种鉴定和评价小麦赤霉病侵染抗性的方法 |
CN107392503A (zh) * | 2017-08-18 | 2017-11-24 | 中国农业大学 | 一种玉米高温热害风险的评估方法 |
Non-Patent Citations (2)
Title |
---|
XIAOYU SONG: "Use of airborne hyperspectral image data to assess winter wheat yield" * |
王志军;丛培盛;周佳璐;朱仲良;: "基于图像处理与人工神经网络的小麦颗粒外观品质评价方法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782086A (zh) * | 2021-08-20 | 2021-12-10 | 苏州浪潮智能科技有限公司 | 一种对pmem内存进行分等级评价的方法及装置 |
CN113782086B (zh) * | 2021-08-20 | 2023-08-08 | 苏州浪潮智能科技有限公司 | 一种对pmem内存进行分等级评价的方法及装置 |
CN113866227A (zh) * | 2021-09-17 | 2021-12-31 | 江南大学 | 一种坛装黄酒的快速分级方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110163459B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
CN106164646A (zh) | 利用近红外分光法同时分析不同原料及形态的多种食品中营养成分含量的方法 | |
CN108830249B (zh) | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 | |
CN108680515B (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 | |
CN102854291B (zh) | 一种适宜花生油加工的花生品质测定方法 | |
Koszela et al. | Computer image analysis in the quality in procedure for selected carrot varieties | |
CN110082310A (zh) | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 | |
CN103954734A (zh) | 一种适宜果汁加工的荔枝品质的测定和评价方法 | |
CN103969409B (zh) | 一种适宜罐头加工的荔枝品质的测定和评价方法 | |
CN110163459A (zh) | 一种构建多指标评价模型对小麦品质分级的方法 | |
CN114549881B (zh) | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 | |
Mongiano et al. | Evolutionary trends and phylogenetic association of key morphological traits in the Italian rice varietal landscape | |
Konstankiewicz et al. | Cell structural parameter of potato tuber tissue | |
CN113780845A (zh) | 一种基于多准则决策的甘薯种质资源评价方法 | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
CN108369192A (zh) | 用于测量花序、种子和/或种子产量表型的方法和设备 | |
CN107169161A (zh) | 分段直接矫正及斜率和截距修正的土壤养分模型转移方法 | |
Wang et al. | Predicting main fatty acids, oil and protein content in intact single seeds of groundnut by near infrared reflectance spectroscopy | |
CN110609011A (zh) | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 | |
CN109657999A (zh) | 一种基于SU-DEA与Malmquist指数的混合动态农机合作社效率评价方法 | |
CN116011881A (zh) | 一种基于像元尺度的黑土农田生产力评价方法及系统 | |
CN104396593B (zh) | 一种优质蓝莓品种的筛选方法 | |
CN113112147A (zh) | 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 | |
CN106442397A (zh) | 一种基于光谱比例扣除的稻谷近红外光谱模型优化方法 | |
Long et al. | A review of artificial intelligence methods for seed quality inspection based on spectral imaging and analysis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |