CN110609011A - 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 - Google Patents
单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 Download PDFInfo
- Publication number
- CN110609011A CN110609011A CN201910882829.1A CN201910882829A CN110609011A CN 110609011 A CN110609011 A CN 110609011A CN 201910882829 A CN201910882829 A CN 201910882829A CN 110609011 A CN110609011 A CN 110609011A
- Authority
- CN
- China
- Prior art keywords
- corn seed
- embryo
- face image
- starch content
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 251
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 251
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 250
- 235000005822 corn Nutrition 0.000 title claims abstract description 250
- 229920002472 Starch Polymers 0.000 title claims abstract description 117
- 235000019698 starch Nutrition 0.000 title claims abstract description 117
- 239000008107 starch Substances 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 210000001161 mammalian embryo Anatomy 0.000 claims abstract description 184
- 230000003595 spectral effect Effects 0.000 claims abstract description 67
- 238000001228 spectrum Methods 0.000 claims description 60
- 238000000701 chemical imaging Methods 0.000 claims description 13
- 235000013339 cereals Nutrition 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims 1
- 235000009973 maize Nutrition 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 26
- 238000009659 non-destructive testing Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 229920002261 Corn starch Polymers 0.000 description 4
- 239000008120 corn starch Substances 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 244000068988 Glycine max Species 0.000 description 3
- 235000010469 Glycine max Nutrition 0.000 description 3
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000019589 hardness Nutrition 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 235000020985 whole grains Nutrition 0.000 description 2
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000009746 freeze damage Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000020238 sunflower seed Nutrition 0.000 description 1
- 230000009466 transformation Effects 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
- G01N21/3563—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
- G01N21/359—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
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- 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
- G01N2201/1296—Using chemometrical methods using neural networks
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
本发明实施例提供一种单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统，所述方法包括：获取待检测单籽粒玉米种子的双表面光谱曲线；将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值。通过结合胚面和非胚面的高光谱信息，在单籽粒水平上实现玉米种子淀粉含量的快速无损检测，为单籽粒玉米种子品质快速分级筛选提供新的技术手段。
Description
技术领域
本发明涉及种子无损检测技术领域，尤其涉及一种单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统。
背景技术
高光谱图像是一个三维数据立方体，数据融合了成像技术和光谱技术的优点，将图像信息和光谱信息合二为一，在分析时既可以对某一区域进行光谱分析，又可以获取某一特征波段下的图像信息。近红外光谱利用分子中C-H、N-H、O-H等化学键的泛频振动或转动对近红外光的吸收特性，能够在不破坏样品，不使用化学试剂的情况下，实现样本内有机分子含氢基团的特征信息获取。通过两种技术结合，近红外高光谱技术能够对样本进行无损检测，具有快速、高效、成本低廉的特点，特别适用于批量样本的在线扫描式检测，是农产品安全检测领域重要的检测手段之一。
近年来，近红外高光谱技术被广泛应用于各类谷物种子的品质安全检测中，检测对象包括化学成分、含水率、纯度、净度、生活力、种子活力等。Zhang等(2019)利用近红外高光谱对玉米种子三种不同程度的冻害进行了分类，最优方法中分类准确度能达到90％以上。Paul等(2016)运用近红外高光谱实现了玉米种子硬、中、软三种硬度的分类，通过预先设定阈值的方式，硬、中、软三种硬度最佳识别模型的准确率分别达到了96％、89％及94％。Caporaso等(2018)对单籽粒小麦种子蛋白质含量检测进行了研究，实验结果中验证集的决定系数为0.79，均方根误差为0.94％，同时利用高光谱成像技术特点获得了单籽粒小麦种子的蛋白质含量分布。Insuck等(2019)运用近红外高光谱对大豆种子活力进行在线鉴别，优选出7个特征波段进行建模分类，具备种子活力的大豆种子识别率在95％以上。Kate等(2017)对白玉米种子的健康程度和净度进行检测，通过近红外高光谱扫描成功地识别出了具有热损伤、结构破损、二倍体病害等不健康的白玉米种子，并且能够对外来的小麦、大豆、葵花籽种子等进行辨别，各类异常样本的识别率在83％到100％之间。
玉米作物是我国三大粮食作物之一，其产量影响着我国农业的发展和社会的稳定，而玉米种子质量对实现玉米增产目标至关重要。玉米种子中淀粉的含量一般比其他谷物高，在淀粉生产中占有重要位置，世界上大部分淀粉是用玉米进行生产。因此，玉米种子内淀粉含量的测定在新品种的育种选择、食品加工原料分级筛选等过程中具有重要地位。为了提高对单籽粒的在线分选效率，现有技术一般对玉米种子采用漫反射技术扫描方式获取高光谱信息，这样可以大大缩短样本采集时间，检测对象包括化学成分、含水率、纯度、净度、生活力、种子活力等，预测模型的相关性都比较高。同时，在单籽粒玉米种子化学成分的检测中，漫反射技术扫描方式在蛋白质、油类、脂肪的定量检测中也表现优异。
然而，该漫反射扫描方法在针对单籽粒玉米种子淀粉的含量检测时，效果则不甚理想。原因是玉米种子的结构特征明显，胚面和非胚面中胚乳部分的占比差异显著，而玉米淀粉在胚和胚乳中的含量差距巨大，胚乳中淀粉含量一般在85％以上，而胚中淀粉含量只有10％左右，现有漫反射扫描技术在分析单籽粒样本时，往往只采集玉米种子单面的高光谱图像，获取的光谱信息不足以反映整粒玉米种子，因此模型对淀粉含量的预测效果不理想。
发明内容
针对现有技术中的问题，本发明实施例提供一种单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统，通过结合胚面和非胚面的高光谱信息，在单籽粒水平上实现玉米种子淀粉含量的快速无损检测，为单籽粒玉米种子品质快速分级筛选提供了新的技术手段。
本发明实施例提供一种单籽粒玉米种子淀粉含量近红外高光谱检测方法，包括：
获取待检测单籽粒玉米种子的双表面光谱曲线；
将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立。
进一步，所述获取待检测单籽粒玉米种子的双表面光谱曲线的步骤，具体包括：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对待检测单籽粒玉米种子进行多次扫描，采集所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像，获取待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算待检测单籽粒玉米种子的双表面光谱曲线。
进一步，所述单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立包括以下步骤：
获取各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量；
基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立单籽粒玉米种子淀粉含量预测模型。
进一步，具体包括以下步骤：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对样本单籽粒玉米种子进行多次扫描，采集所述样本单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述样本单籽粒玉米种子的胚面及非胚面高光谱图像，获取样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算样本单籽粒玉米种子的双表面光谱曲线。
本发明实施例提供一种单籽粒玉米种子淀粉含量近红外高光谱检测系统，包括：
获取模块，用于获取待检测单籽粒玉米种子的双表面光谱曲线；
检测模块，用于将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立。
进一步，所述获取模块，具体用于：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对待检测单籽粒玉米种子进行多次扫描，采集所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像，获取待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算待检测单籽粒玉米种子的双表面光谱曲线。
进一步，所述系统还包括训练模块，用于：
获取各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量；
基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立单籽粒玉米种子淀粉含量预测模型。
进一步，训练模块，具体用于：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对样本单籽粒玉米种子进行多次扫描，采集所述样本单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述样本单籽粒玉米种子的胚面及非胚面高光谱图像，获取样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算样本单籽粒玉米种子的双表面光谱曲线。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述单籽粒玉米种子淀粉含量近红外高光谱检测方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述单籽粒玉米种子淀粉含量近红外高光谱检测方法的步骤。
本发明实施例提供的玉米种子淀粉含量检测方法及系统，通过结合胚面和非胚面的高光谱信息，通过预先训练得到的预测模型，在单籽粒水平上实现玉米种子淀粉含量的快速无损检测，为单籽粒玉米种子品质快速分级筛选提供新的技术手段。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例单籽粒玉米种子淀粉含量近红外高光谱检测方法实施例流程图。
图2是本发明实施例单籽粒玉米种子淀粉含量近红外高光谱检测方法实施例中玉米种子胚面和非胚面高光谱图像整粒区域获取结果示意图；
图3是本发明实施例单籽粒玉米种子淀粉含量近红外高光谱检测方法实施例中玉米种子胚面、非胚面、双表面平均光谱曲线对比示意图；
图4是本发明实施例单籽粒玉米种子淀粉含量近红外高光谱检测方法实施例中单籽粒玉米种子利用校正模型计算求得淀粉含量预测值和采用标准方法测定的理化值之间的散点图；
图5是本发明实施例单籽粒玉米种子淀粉含量检测系统的示意图；
图6是本发明电子设备实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对现有检测分析技术的不足，本发明提供了一种单籽粒玉米种子淀粉含量近红外高光谱检测方法，通过结合胚面和非胚面的高光谱信息，在单籽粒水平上实现玉米种子淀粉含量的快速无损检测，为单籽粒玉米种子品质快速分级筛选提供新的技术手段。下面结合附图和实施例，对本发明的具体实施方式作进一步的解释说明，以下实施例子用于说明本发明，但不用来限制本发明的范围。
为了实现前述发明目的，如图1所示，本发明实施例1提供了一种单籽粒玉米种子淀粉含量近红外高光谱检测方法，包括：
S1.获取待检测单籽粒玉米种子的双表面光谱曲线；
在S1之前，首先对各类玉米种子样本进行水分平衡，将样本放置在恒温恒湿无菌环境下至少1周，保证每类玉米种子样本的含水率控制在15％以内，进而挑选完整无缺陷的同品种单籽粒玉米种子样本若干，得到待检测的单籽粒玉米种子样本。
然后利用近红外高光谱成像系统，在相同采集参数下依次对单籽粒样本进行多次扫描，采集单籽粒胚面及非胚面高光谱图像。
此时，获得的单籽粒胚面及非胚面高光谱图像是一个三维数据立方体，三维数据立方体数据融合了成像技术和光谱技术的优点，将图像信息和光谱信息合二为一，在数据分析时既可以对某一区域进行光谱分析，又可以获取某一特征波段下的图像信息。近红外光谱扫描利用分子中C-H、N-H、O-H等化学键的泛频振动或转动对近红外光的吸收特性，能够在不破坏样品，不使用化学试剂的情况下，实现样本内有机分子含氢基团的特征信息获取，从而能够对样本进行无损检测，具有快速、高效、成本低廉的特点，特别适用于批量样本的在线扫描式检测。
S2.将待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立。
现有技术中由于通过漫反射对单粒子玉米种子的淀粉含量检测尚未取得比较满意的结果，究其原因是玉米种子的结构特征明显，胚面和非胚面中胚乳部分的占比差异显著，而玉米淀粉在胚和胚乳中的含量差距巨大，胚乳中淀粉含量一般在85％以上，而胚中淀粉含量只有10％左右。而本发明实施例通过采集并分析胚面和非胚面的高光谱信息，在单籽粒水平上实现玉米种子淀粉含量的快速无损检测，并通过将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立，从而实现较为准确的玉米淀粉含量检测。
在本发明实施例2中，基于本发明实施例1，其中，所述获取待检测单籽粒玉米种子的双表面光谱曲线的步骤，具体包括：
S101、基于线扫描式近红外高光谱成像系统，在预设采集参数下对待检测单籽粒玉米种子进行多次扫描，采集待检测单籽粒玉米种子的胚面及非胚面高光谱图像；
S102、基于待检测单籽粒玉米种子的胚面及非胚面高光谱图像，获取待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计胚面图像和非胚面图像在轮廓范围内的像素点个数，计算胚面图像平均光谱和所述非胚面图像平均光谱；
对S101中采集的胚面和非胚面高光谱图像进行预处理，利用边缘检测、阈值分割、腐蚀、膨胀等多种图像处理方式，获取整粒单籽粒样本轮廓范围内的胚面图像Iup和非胚面图像Idown，各自统计轮廓范围内的像素点个数记为Nup和Ndown，计算获取样本胚面平均光谱Sup和非胚面平均光谱Sdown。
S103、基于待检测单籽粒玉米种子轮廓范围内的胚面图像Iup和非胚面图像Idown、胚面图像Iup和非胚面图像Idown在轮廓范围内的分别的像素点个数Nup和Ndown、胚面图像平均光谱Sup和非胚面图像平均光谱Sdown，计算待检测单籽粒玉米种子的双表面光谱曲线；
对于S102中获取的各类数据信息，按公式(1)进行平均运算，以最终获取的双表面光谱曲线Scorn作为单籽粒整粒玉米种子的标准谱线。
本发明实施例3中，对单籽粒玉米种子淀粉含量预测模型的建立进行以下说明，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立，包括以下步骤：
首先获取各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量；然后基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立单籽粒玉米种子淀粉含量预测模型。
结合各样本单籽粒玉米种子双表面标准曲线Scorn和各样本淀粉含量理化值Starch(％)建立预测模型，具体步骤包括：
S201、对标准光谱曲线Scorn进行预处理，采取算法包括平滑去噪、标准化、导数、小波变换、SNV、MSC、去趋势算法等，使得在保留有效光谱信息的同时，最大化去除噪声和背景信号。
S202、对预处理后的标准光谱进行特征波长选取，采取算法包括主成分分析、偏最小二乘法、遗传算法、偏差权重法、CARS、连续投影算法等，使得在挑选出与淀粉含量相关性高的光谱特征，然后进行定量分析，从而提高模型的预测效果和可靠性。
S203、对挑选出的特征波长建立回归模型，模型分为线性回归方式和非线性回归方式两类。其中，线性归回方式采取算法包括多元线性回归、主成分回归、偏最小二乘回归等，非线性回归方式采取算法包括人工神经网络、支持向量回归、核偏最小二乘法等。
建立模型时将单籽粒玉米种子样本分为校正集和验证集，其比例按3:1划分，以决定系数R2和均方根误差RMSE作为评价模型预测效果的依据，最终优选出最佳预测模型。
本发明上述实施例与现有技术相比具有的有益效果是：
利用近红外高光谱技术无损检测的特点，在对单籽粒玉米种子样本的检测过程中，无需对样本进行预处理，不使用任何化学试剂，不影响样本的后续播种且检测成本低；高光谱曲线结合胚面和非胚面高光谱数据，使得单籽粒双表面光谱信息更完整，大大提高预测精度；同时，利用近红外高光谱线扫描式的检测方式能够对多批次单籽粒样本进行分析，有利于实现单籽粒玉米种子的在线实时检测以及后续分选操作；检测方法适用性广，可适用于多品种的单籽粒玉米种子样本淀粉含量检测。
下面本发明实施例4，对本发明实施例的某一具体实施方式作进一步的解释说明，以下具体的某一实施方式用于说明本发明，但不用来限制本发明的范围。
本发明实施例4的具体步骤如下：
S001、收集某一年度的郑单958品种玉米种子样本若干，放置于恒温恒湿环境下一周时间平衡水分，实验前利用谷物水分测量仪测定该批次样本的含水率为11％。
S002、挑选籽粒饱满无破损的单籽粒玉米种子样本50粒，在相同采集参数下依次采集每一粒玉米种子的胚面和非胚面近红外高光谱图像Iup和Idown。本实施例中采集的光谱范围从931nm至2548nm，波段数为256个，图像像素点的分辨率为3.62mm/pix。
S003、对S002中单籽粒玉米种子依次进行淀粉含量测定，采用方法为旋光法，参考依据为美国玉米种子协会推荐的淀粉含量测定方法STARC.01。本例中利用电子天平测量单籽粒样本的重量记为W，其分辨率为0.0001g，并根据含水率11％求得干物质占比为89％。旋光度采集利用仪器IP-digi300/1数字平台旋光仪，其分辨率可达0.001°，每个单籽粒样本的旋光度取5次采集的平均值记为A。为了提高理化测量的精度，实验过程中定容容量瓶采用50ml，旋光管长度采用2dm，玉米淀粉的比旋度取203。最终将各数值代入公式(2)中计算求得单粒子样本的淀粉含量值Starch(％)。
S004、对S002中获取的胚面图像Iup和非胚面图像Idown，挑选波段为1111nm的单波段图像，利用阈值法获取整粒单籽粒玉米种子的高光谱图像范围，结果如图2所示。各自统计每一籽粒轮廓范围内的像素点个数记为Nup和Ndown，计算获取样本胚面平均光谱Sup和非胚面平均光谱Sdown，代入公式(1)中计算获取单籽粒样本双表面标准谱线Scorn，单籽粒胚面、非胚面和双表面标准曲线对比如图3所示。
S005、对S004中获取的双表面标准曲线进行预处理，本例中采用方法为高斯平滑法和1阶SG导数法。
S006、对预处理后的标准光谱进行特征波长选取，本例中采取的算法为CARS法，最终从256个波段中挑选出24个具有代表性的特征波段。
S007、利用挑选出的特征波段建立回归模型，本例中利用人工神经网络算法建立非线性回归模型，最终模型的预测值和采用标准方法测定的理化值之间的散点图如图4所示。预测模型中总体样本的决定系数R2为0.8238，均方根误差RMSE为1.38，说明该模型能够实现单籽粒玉米种子淀粉含量的检测，体现无损、快速、可靠的特点，由此可见本发明的显著技术效果。
图5实例了本发明实施例5单籽粒玉米种子淀粉含量近红外高光谱检测系统的实施例，该检测系统包括：
获取模块601，用于获取待检测单籽粒玉米种子的双表面光谱曲线；检测模块602，用于将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立。
进一步，所述获取模块，具体用于：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对待检测单籽粒玉米种子进行多次扫描，采集所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像，获取待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算待检测单籽粒玉米种子的双表面光谱曲线。
进一步，所述系统还包括训练模块，用于：
获取各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量；
基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立单籽粒玉米种子淀粉含量预测模型。
进一步，训练模块，具体用于：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对样本单籽粒玉米种子进行多次扫描，采集所述样本单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述样本单籽粒玉米种子的胚面及非胚面高光谱图像，获取样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算样本单籽粒玉米种子的双表面光谱曲线。
本系统实施例具体可以用于执行上述方法实施例，具体功能详见上述方法实施例，此处不再赘述。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行如下方法：获取待检测单籽粒玉米种子的双表面光谱曲线；将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待检测单籽粒玉米种子的双表面光谱曲线；将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种单籽粒玉米种子淀粉含量近红外高光谱检测方法，其特征在于，包括：
获取待检测单籽粒玉米种子的双表面光谱曲线；
将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立。
2.根据权利要求1所述的单籽粒玉米种子淀粉含量近红外高光谱检测方法，其特征在于，所述获取待检测单籽粒玉米种子的双表面光谱曲线的步骤，具体包括：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对待检测单籽粒玉米种子进行多次扫描，采集所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像，获取待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算待检测单籽粒玉米种子的双表面光谱曲线。
3.根据权利要求1所述的单籽粒玉米种子淀粉含量近红外高光谱检测方法，其特征在于，所述单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立包括以下步骤：
获取各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量；
基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立单籽粒玉米种子淀粉含量预测模型。
4.根据权利要求3所述的单籽粒玉米种子淀粉含量近红外高光谱检测方法，其特征在于，所述获取各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量的步骤，具体包括以下步骤：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对样本单籽粒玉米种子进行多次扫描，采集所述样本单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述样本单籽粒玉米种子的胚面及非胚面高光谱图像，获取样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算样本单籽粒玉米种子的双表面光谱曲线。
5.一种单籽粒玉米种子淀粉含量近红外高光谱检测系统，其特征在于，包括：
获取模块，用于获取待检测单籽粒玉米种子的双表面光谱曲线；
检测模块，用于将所述待检测单籽粒玉米种子的双表面光谱曲线输入预先构建的单籽粒玉米种子淀粉含量预测模型，获得待检测单籽粒玉米种子的淀粉含量理化值；其中，单籽粒玉米种子淀粉含量预测模型基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立。
6.根据权利要求5所述的单籽粒玉米种子淀粉含量近红外高光谱检测系统，其特征在于，所述获取模块，具体用于：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对待检测单籽粒玉米种子进行多次扫描，采集所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述待检测单籽粒玉米种子的胚面及非胚面高光谱图像，获取待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述待检测单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算待检测单籽粒玉米种子的双表面光谱曲线。
7.根据权利要求5所述的单籽粒玉米种子淀粉含量近红外高光谱检测系统，其特征在于，所述系统还包括训练模块，用于：
获取各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量；
基于各样本单籽粒玉米种子的双表面光谱曲线和各样本单籽粒玉米种子对应的淀粉含量建立单籽粒玉米种子淀粉含量预测模型。
8.根据权利要求7所述的单籽粒玉米种子淀粉含量近红外高光谱检测系统，其特征在于，训练模块，具体用于：
基于线扫描式近红外高光谱成像系统，在预设采集参数下对样本单籽粒玉米种子进行多次扫描，采集所述样本单籽粒玉米种子的胚面及非胚面高光谱图像；
基于所述样本单籽粒玉米种子的胚面及非胚面高光谱图像，获取样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像，分别统计所述胚面图像和非胚面图像在轮廓范围内的像素点个数，计算所述胚面图像平均光谱和所述非胚面图像平均光谱；
基于所述样本单籽粒玉米种子轮廓范围内的胚面图像和非胚面图像、所述胚面图像和非胚面图像在轮廓范围内的像素点个数、所述胚面图像平均光谱和所述非胚面图像平均光谱，计算样本单籽粒玉米种子的双表面光谱曲线。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述单籽粒玉米种子淀粉含量近红外高光谱检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述单籽粒玉米种子淀粉含量近红外高光谱检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910882829.1A CN110609011A (zh) | 2019-09-18 | 2019-09-18 | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910882829.1A CN110609011A (zh) | 2019-09-18 | 2019-09-18 | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110609011A true CN110609011A (zh) | 2019-12-24 |
Family
ID=68892942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910882829.1A Pending CN110609011A (zh) | 2019-09-18 | 2019-09-18 | 单籽粒玉米种子淀粉含量近红外高光谱检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110609011A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738287A (zh) * | 2020-04-03 | 2020-10-02 | 南京林业大学 | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 |
| CN113176226A (zh) * | 2021-03-19 | 2021-07-27 | 北京农业智能装备技术研究中心 | 一种便携式种子质量光谱检测系统及方法 |
| CN114965351A (zh) * | 2020-12-17 | 2022-08-30 | 江苏省农业科学院 | 一种基于近红外图像的谷物单籽粒中镰刀菌毒素高通量快速无损定量分析方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110125477A1 (en) * | 2009-05-14 | 2011-05-26 | Lightner Jonathan E | Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets |
| CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
| CN102960096A (zh) * | 2012-11-13 | 2013-03-13 | 中国科学院合肥物质科学研究院 | 基于近红外光谱的水稻单籽粒活力无损检测筛选方法 |
| CN106018321A (zh) * | 2016-05-11 | 2016-10-12 | 中国农业大学 | 玉米单粒种子蛋白质检测模型的构建方法及其应用 |
| CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
-
2019
- 2019-09-18 CN CN201910882829.1A patent/CN110609011A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110125477A1 (en) * | 2009-05-14 | 2011-05-26 | Lightner Jonathan E | Inverse Modeling for Characteristic Prediction from Multi-Spectral and Hyper-Spectral Remote Sensed Datasets |
| CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
| CN102960096A (zh) * | 2012-11-13 | 2013-03-13 | 中国科学院合肥物质科学研究院 | 基于近红外光谱的水稻单籽粒活力无损检测筛选方法 |
| CN106018321A (zh) * | 2016-05-11 | 2016-10-12 | 中国农业大学 | 玉米单粒种子蛋白质检测模型的构建方法及其应用 |
| CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张保华等: ""高光谱成像技术在果蔬品质与安全无损检测中的原理及应用"", 《光谱学与光谱分析》 * |
| 王超鹏: ""基于机器视觉与光谱成像技术的玉米种子品质检测与分选"", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738287A (zh) * | 2020-04-03 | 2020-10-02 | 南京林业大学 | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 |
| CN111738287B (zh) * | 2020-04-03 | 2021-03-26 | 南京林业大学 | 一种多模态信息融合的马尾松种子活性检测系统及其检测方法 |
| CN114965351A (zh) * | 2020-12-17 | 2022-08-30 | 江苏省农业科学院 | 一种基于近红外图像的谷物单籽粒中镰刀菌毒素高通量快速无损定量分析方法 |
| CN113176226A (zh) * | 2021-03-19 | 2021-07-27 | 北京农业智能装备技术研究中心 | 一种便携式种子质量光谱检测系统及方法 |
| CN113176226B (zh) * | 2021-03-19 | 2023-05-12 | 北京农业智能装备技术研究中心 | 一种便携式种子质量光谱检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm | |
| Caporaso et al. | Near-Infrared spectroscopy and hyperspectral imaging for non-destructive quality assessment of cereal grains | |
| Wang et al. | Application of long-wave near infrared hyperspectral imaging for determination of moisture content of single maize seed | |
| Ye et al. | Detecting and classifying minor bruised potato based on hyperspectral imaging | |
| WO2019174572A1 (zh) | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 | |
| Zareiforoush et al. | Potential applications of computer vision in quality inspection of rice: a review | |
| CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
| Nawi et al. | Prediction and classification of sugar content of sugarcane based on skin scanning using visible and shortwave near infrared | |
| Arngren et al. | Analysis of pregerminated barley using hyperspectral image analysis | |
| Zhang et al. | Identification of corn seeds with different freezing damage degree based on hyperspectral reflectance imaging and deep learning method | |
| 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 | |
| CN113049530A (zh) | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
| Mahajan et al. | Machine vision based alternative testing approach for physical purity, viability and vigour testing of soybean seeds (Glycine max) | |
| Arazuri et al. | Rheological parameters determination using Near Infrared technology in whole wheat grain | |
| CN110715918B (zh) | 单籽粒玉米淀粉含量拉曼高光谱分级方法 | |
| CN110398473A (zh) | 一种农产品产地检测方法及系统 | |
| 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 | |
| Xing et al. | Fresh bruise detection by predicting softening index of apple tissue using VIS/NIR spectroscopy | |
| CN116385784A (zh) | 一种镉胁迫下水稻叶绿素含量测算方法及系统 | |
| CN116297236A (zh) | 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 | |
| Tian et al. | Research on apple origin classification based on variable iterative space shrinkage approach with stepwise regression–support vector machine algorithm and visible‐near infrared hyperspectral imaging | |
| CN115201148A (zh) | 一种基于近红外光谱快速检测稻谷脂肪酸含量的方法 | |
| Lin et al. | Prediction of protein content in rice using a near-infrared imaging system as diagnostic technique |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191224 |