CN110715918A - 单籽粒玉米淀粉含量拉曼高光谱分级方法 - Google Patents
单籽粒玉米淀粉含量拉曼高光谱分级方法 Download PDFInfo
- Publication number
- CN110715918A CN110715918A CN201910973739.3A CN201910973739A CN110715918A CN 110715918 A CN110715918 A CN 110715918A CN 201910973739 A CN201910973739 A CN 201910973739A CN 110715918 A CN110715918 A CN 110715918A
- Authority
- CN
- China
- Prior art keywords
- embryo
- region
- raman
- starch content
- embryonic
- 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
Images
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
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/10—Starch-containing substances, e.g. dough
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及谷物种子分级筛选技术领域,公开了一种单籽粒玉米淀粉含量拉曼高光谱分级方法,包括:基于单籽粒玉米样本的胚面拉曼高光谱图像和非胚面拉曼高光谱图像,建立单籽粒玉米样本双表面标准拉曼光谱曲线;基于旋光法获取单籽粒玉米样本淀粉含量理化值;基于单籽粒玉米样本双表面标准拉曼光谱曲线和单籽粒玉米样本淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型;基于单籽粒玉米淀粉含量分级模型,实现单籽粒玉米种子淀粉含量无损分级。本发明实施例提供的分级方法,通过单籽粒玉米样本双表面标准拉曼光谱曲线结合淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型,提高分级模型准确性,实现单籽粒玉米种子淀粉含量的快速无损分级。
Description
技术领域
本发明涉及谷物种子分级筛选技术领域,特别是涉及一种单籽粒玉米淀粉含量拉曼高光谱分级方法。
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。拉曼光谱是一种散射光谱,拉曼信号由极化率发生变化的分子振动产生,常见的烷烃、烯烃、炔烃、芳烃、含氧化合物及含氮化合物均有较强的拉曼谱带。通过两种技术结合,拉曼高光谱技术能够对样本进行快速、无损检测,特别适用于具有拉曼活性物质的分析,是农产品安全检测领域重要的检测手段之一。近年来,拉曼光谱已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、损伤、霉变、种子活力等。
玉米作物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,快速筛选出淀粉含量高的玉米种子在食品加工、原料分级筛选等过程中具有重要地位。
现有的玉米种子多采用漫反射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,提高玉米种子在线分选的效率。但是,玉米籽粒的结构特征明显,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。现有的漫反射扫描方式往往只采集玉米种子单面的高光谱图像,获取的图像信息无法完全反映出整粒玉米种子的真实情况,导致单籽粒玉米种子淀粉含量分级效果不理想。
发明内容
本发明提供一种单籽粒玉米淀粉含量拉曼高光谱分级方法,用以解决现有的漫反射扫描方式往往只采集玉米种子单面的高光谱图像,获取的图像信息无法完全反映出整粒玉米种子的真实情况,导致单籽粒玉米种子淀粉含量分级效果不理想的问题。
本发明实施例提供一种单籽粒玉米淀粉含量拉曼高光谱分级方法,包括
基于单籽粒玉米样本的胚面拉曼高光谱图像和非胚面拉曼高光谱图像,建立单籽粒玉米样本双表面标准拉曼光谱曲线;
基于旋光法获取单籽粒玉米样本淀粉含量理化值;
基于所述单籽粒玉米样本双表面标准拉曼光谱曲线和所述单籽粒玉米样本淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型;
基于所述单籽粒玉米淀粉含量分级模型,实现单籽粒玉米种子淀粉含量无损分级。
本发明实施例提供的单籽粒玉米淀粉含量拉曼高光谱分级方法,不但能够充分利用拉曼高光谱技术无损检测的特点,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;而且有效利用拉曼高光谱图像包含目标空间信息的特点,开展单籽粒玉米样品胚面和非胚面双表面图像采集,获取代表单籽粒玉米种子淀粉含量的单籽粒玉米样本双表面标准拉曼光谱曲线,结合单籽粒玉米样本淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型,克服玉米种子单一表面光谱与淀粉含量相关性差这一难题,有效提高分级模型准确性,实现单籽粒玉米种子淀粉含量的快速无损分级。
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为本发明提供的单籽粒玉米淀粉含量拉曼高光谱分级方法实施例流程图。
具体实施方式
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详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的描述中,需要说明的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以视具体情况理解上述术语在本发明中的具体含义。
此外,在本发明的描述中,除非另有说明,“多个”、“多根”、“多组”的含义是两个或两个以上。
如图1所示,本发明实施例提供了一种单籽粒玉米淀粉含量拉曼高光谱分级方法,包括:
步骤110:基于单籽粒玉米样本的胚面拉曼高光谱图像和非胚面拉曼高光谱图像,建立单籽粒玉米样本双表面标准拉曼光谱曲线。
可以通过线扫描式拉曼高光谱成像系统获取单籽粒玉米样本的拉曼高光谱图像;利用拉曼高光谱图像包含目标空间信息的特点,通过图像处理获取单籽粒玉米样本的胚面拉曼高光谱图像和非胚面拉曼高光谱图像,进而建立单籽粒玉米样本双表面标准拉曼光谱曲线。
步骤120:基于旋光法获取单籽粒玉米样本淀粉含量理化值。
可以参考《食品安全国家标准食品中淀粉的测定》(GB5009.9-2016)以及美国玉米加工协会推荐的淀粉含量测定方法(旋光法),依次对完成胚面拉曼高光谱图像和非胚面拉曼高光谱图像采集的单籽粒玉米种子进行理化实验分析,获取单籽粒玉米样本淀粉含量理化值。
步骤130:基于单籽粒玉米样本双表面标准拉曼光谱曲线和单籽粒玉米样本淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型。
步骤140:基于单籽粒玉米淀粉含量分级模型,实现单籽粒玉米种子淀粉含量无损分级。
本发明实施例提供的单籽粒玉米淀粉含量拉曼高光谱分级方法,不但能够充分利用拉曼高光谱技术无损检测的特点,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;而且有效利用拉曼高光谱图像包含目标空间信息的特点,开展单籽粒玉米样品胚面和非胚面双表面图像采集,获取代表单籽粒玉米种子淀粉含量的单籽粒玉米样本双表面标准拉曼光谱曲线,结合单籽粒玉米样本淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型,克服玉米种子单一表面光谱与淀粉含量相关性差这一难题,有效提高分级模型准确性,实现单籽粒玉米种子淀粉含量的快速无损分级。
基于上述实施例,该方法中,步骤120具体包括:测量获取单籽粒玉米样本的重量,测量获取单籽粒玉米样本的含水率,测量获取单籽粒玉米样本的旋光度,基于单籽粒玉米样本的重量、含水率、旋光度,以及旋光法测量实验中旋光管长度、定容容量瓶容量和玉米种子比旋度,计算获取单籽粒玉米样本淀粉含量理化值,单籽粒玉米样本淀粉含量理化值记为Starch(%)。
基于上述任一实施例,该方法中,步骤110具体包括:
步骤1110:采集胚面拉曼高光谱图像和非胚面拉曼高光谱图像。
步骤1120:基于胚面拉曼高光谱图像,获取胚面胚乳区域光谱信息和胚面胚区域光谱信息。
步骤1130:基于非胚面拉曼高光谱图像,获取非胚面胚乳区域光谱信息和非胚面胚区域光谱信息。
步骤1140:基于胚面胚乳区域光谱信息、胚面胚区域光谱信息、非胚面胚乳区域光谱信息和非胚面胚区域光谱信息,获取单籽粒玉米样本双表面标准拉曼光谱曲线。
基于上述实施例,该方法中,步骤1120具体包括:利用边缘检测、阈值分割、分水岭分割等图像处理方法,对胚面拉曼高光谱图像进行图像处理,获取整粒单籽粒样本轮廓范围内的胚面胚乳区域图像和胚面胚区域图像,统计胚面胚乳区域图像轮廓范围内的胚面胚乳区域像素点个数和胚面胚区域图像轮廓范围内胚面胚区域像素点个数,计算获取胚面胚乳区域平均光谱和胚面胚区域平均光谱。胚面胚乳区域光谱信息包括胚面胚乳区域像素点个数和胚面胚乳区域平均光谱;胚面胚区域光谱信息包括胚面胚区域像素点个数和胚面胚区域平均光谱。
胚面胚乳区域像素点个数记为Nup1,胚面胚区域像素点个数记为Nup2,胚面胚乳区域平均光谱记为Sup1,胚面胚区域平均光谱记为Sup2。
基于上述实施例,该方法中,步骤1130具体包括:利用边缘检测、阈值分割、分水岭分割等图像处理方法,对非胚面拉曼高光谱图像进行图像处理,获取整粒单籽粒样本轮廓范围内的非胚面胚乳区域图像和非胚面胚区域图像,统计非胚面胚乳区域图像轮廓范围内的非胚面胚乳区域像素点个数和非胚面胚区域图像轮廓范围内的非胚面胚区域像素点个数,计算获取非胚面胚乳区域平均光谱和非胚面胚区域平均光谱。非胚面胚乳区域光谱信息包括非胚面胚乳区域像素点个数和非胚面胚乳区域平均光谱;非胚面胚区域光谱信息包括非胚面胚区域像素点个数和非胚面胚区域平均光谱。
非胚面胚乳区域像素点个数记为Ndown1,非胚面胚区域像素点个数记为Ndown2,非胚面胚乳区域平均光谱记为Sdown1,非胚面胚区域平均光谱记为Sdown2。
基于上述实施例,该方法中,步骤1140具体包括:
基于胚面胚乳区域像素点个数、胚面胚区域像素点个数、非胚面胚乳区域像素点个数和非胚面胚区域像素点个数,计算获取胚面胚乳区域权重、胚面胚区域权重、非胚面胚乳区域权重和非胚面胚区域权重。胚面胚乳区域权重记为a1、胚面胚区域权重记为a2、非胚面胚乳区域权重记为a3和非胚面胚区域权重记为a4。
该方法中,a1、a2、a3和a4可以分别通过以下公式获得:
a1=Nup1/(Nup1+Nup2+Ndown1+Ndown2);
a2=Nup2/(Nup1+Nup2+Ndown1+Ndown2);
a3=Ndown1/(Nup1+Nup2+Ndown1+Ndown2);
a4=Ndown2/(Nup1+Nup2+Ndown1+Ndown2);
基于胚面胚乳区域平均光谱、胚面胚乳区域权重、胚面胚区域平均光谱、胚面胚区域权重、非胚面胚乳区域平均光谱、非胚面胚乳区域权重、非胚面胚区域平均光谱和非胚面胚区域权重,获取单籽粒玉米样本双表面标准拉曼光谱曲线。
本实施例方法通过结合胚面和非胚面双表面拉曼高光谱数据,按淀粉分布情况分配胚乳区域和胚区域权重系数,获取的光谱信息更准确,大大提高分级准确性。
单籽粒玉米样本双表面标准拉曼光谱曲线记为Scorn,该方法中,单籽粒玉米样本双表面标准拉曼光谱曲线可以通过以下公式获得:
Scorn=Sup1*a1+Sup2*a2+Sdown1*a3+Sdown2*a4
基于上述任一实施例,该方法中,步骤1110具体包括:
将各类玉米种子样本放置在恒温恒湿无菌环境中进行水分平衡,以使各类玉米种子样本的含水率小于等于15%;
从各类玉米种子样本中挑选完整无缺陷的同品种单籽粒玉米种子若干作为单籽粒玉米样本;
利用线扫描式拉曼高光谱成像系统,在相同采集参数下依次对单籽粒玉米样本进行多次扫描,获取单籽粒玉米样本的拉曼高光谱图像;
利用边缘检测、阈值分割、腐蚀、膨胀等多种图像处理方式,对单籽粒玉米样本的拉曼高光谱图像进行图像处理,获取单籽粒玉米样本轮廓范围内的胚面拉曼高光谱图像和非胚面拉曼高光谱图像。
本实施例方法利用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;且检测方法适用性广,可适用于多品种的单籽粒玉米种子样本淀粉含量分级。
基于上述任一实施例,该方法中,步骤1140之后还包括:
采用高斯平滑法和/或基线校正法对单籽粒玉米样本双表面标准拉曼光谱曲线进行预处理;对单籽粒玉米样本双表面标准拉曼光谱曲线进行预处理,可以采取包括平滑去噪、基线校正、小波变换、去趋势等多种算法,目的是在保留有效光谱信息的同时最大化去除噪声和背景信号。
基于上述任一实施例,该方法中,步骤1140之后还包括:
根据玉米淀粉标准品的拉曼峰所在峰位,对单籽粒玉米样本双表面标准拉曼光谱曲线进行特征区域选取;可以利用包括距离判别、贝叶斯判别、K近邻判别、支持向量机等多种方法对挑选出的特征区域进行判别分析,目的是挑选出与淀粉含量相关性高的光谱区域进行分析,提高模型的分级效果和可靠性。
基于上述任一实施例,该方法中,步骤130具体包括:
将单籽粒玉米样本划分为训练集样本和测试集样本;
基于训练集样本的双表面标准拉曼光谱曲线和淀粉含量理化值,建立训练集样本的淀粉含量分级模型;
基于训练集样本的淀粉含量分级模型对测试集样本进行无损分级处理,获取分级准确率、回代误判率和交叉误判率指标;
基于分级准确率、回代误判率和交叉误判率指标,评价、修正训练集样本的淀粉含量分级模型,最终优选出最佳的单籽粒玉米淀粉含量分级模型。
本发明实施例还提供了一种具体的单籽粒玉米淀粉含量拉曼高光谱分级方法,具体步骤包括:
S1、收集2018年度的郑单958品种玉米种子若干,放置于恒温恒湿环境下一周时间以平衡水分,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%。
S2、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拉曼高光谱图像和非胚面拉曼高光谱图像。本实施例中激发波长为785nm,采集的光谱范围从732nm至1007nm,波段数为1024个,图像像素点的分辨率为0.125mm/pix。
S3、依据美国玉米种子协会推荐的淀粉含量测定方法STARC.01(旋光法),对S2中单籽粒玉米种子依次进行淀粉含量测定。本实施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;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。最终将各数值代入下列计算求得单籽粒玉米样本淀粉含量理化值Starch(%):
S4、对S2中获取的胚面拉曼高光谱图像和非胚面拉曼高光谱图像,挑选474.86cm-1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。再根据胚乳区域和胚区域光谱差异较大的309.20cm-1单波段图像,利用阈值法、腐蚀、膨胀等方法分别获取胚乳区域和胚区域的范围。
S5、根据S4中的结果,从胚面拉曼高光谱图像中获取胚面胚乳区域图像和胚面胚区域图像,各自统计区域内胚面胚乳区域像素点个数Nup1和胚面胚区域像素点个数Nup2,计算获取胚面胚乳区域平均光谱Sup1和胚面胚区域平均光谱Sup2。类似的,从非胚面拉曼高光谱图像中求取非胚面胚乳区域图像和非胚面胚区域图像,各自统计区域内非胚面胚乳区域像素点个数Ndown1和非胚面胚区域像素点个数Ndown2,计算获取非胚面胚乳区域平均光谱Sdown1和非胚面胚区域平均光谱Sdown2。
S6、将获取的数据信息,代入下列公式,以获取单籽粒玉米样本双表面标准拉曼光谱曲线Scorn:
Scorn=Sup1*a1+Sup2*a2+Sdown1*a3+Sdown2*a4
其中,a1=Nup1/(Nup1+Nup2+Ndown1+Ndown2);
a2=Nup2/(Nup1+Nup2+Ndown1+Ndown2);
a3=Ndown1/(Nup1+Nup2+Ndown1+Ndown2);
a4=Ndown2/(Nup1+Nup2+Ndown1+Ndown2)。
S7、对S6获取的单籽粒玉米样本双表面标准拉曼光谱曲线Scorn进行光谱预处理。本实施例中,采取的预处理方法为高斯平滑法和AirPLS基线校正法,从预处理后的光谱曲线中挑选范围554.29cm-1至1684.90cm-1作为特征区域进行下一步分析。
S8、利用挑选出的特征区域光谱进行分级判别分析,本实施例中采用的方法为支持向量机。分级过程根据50粒单籽粒玉米种子的平均淀粉含量为66.27%,将高于平均值水平的样本归为X类,将低于平均值水平的样本归为Y类。判别时选取1-40号样本作为训练集样本,将41-50号样本作为测试集样本,判别过程在Matlab软件中进行。最终结果显示,支持向量机的分级结果与单籽粒样本淀粉含量归类相一致,表明该方法能够实现单籽粒玉米种子淀粉含量的分析筛选,体现出无损、快速、可靠的特点,由此可见本发明实施例的显著技术效果。
由以上实施例可以看出,本发明提供的单籽粒玉米淀粉含量拉曼高光谱分级方法,不但能够充分利用拉曼高光谱技术无损检测的特点,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;而且有效利用拉曼高光谱图像包含目标空间信息的特点,开展单籽粒玉米样品胚面和非胚面双表面图像采集,获取代表单籽粒玉米种子淀粉含量的单籽粒玉米样本双表面标准拉曼光谱曲线,结合单籽粒玉米样本淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型,克服玉米种子单一表面光谱与淀粉含量相关性差这一难题,有效提高分级模型准确性,实现单籽粒玉米种子淀粉含量的快速无损分级。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (10)
1.一种单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,包括:
基于单籽粒玉米样本的胚面拉曼高光谱图像和非胚面拉曼高光谱图像,建立单籽粒玉米样本双表面标准拉曼光谱曲线;
基于旋光法获取单籽粒玉米样本淀粉含量理化值;
基于所述单籽粒玉米样本双表面标准拉曼光谱曲线和所述单籽粒玉米样本淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型;
基于所述单籽粒玉米淀粉含量分级模型,实现单籽粒玉米种子淀粉含量无损分级。
2.根据权利要求1所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述基于单籽粒玉米样本的胚面拉曼高光谱图像和非胚面拉曼高光谱图像,建立单籽粒玉米样本双表面标准拉曼光谱曲线,具体包括:
采集所述胚面拉曼高光谱图像和所述非胚面拉曼高光谱图像;
基于所述胚面拉曼高光谱图像,获取胚面胚乳区域光谱信息和胚面胚区域光谱信息;
基于所述非胚面拉曼高光谱图像,获取非胚面胚乳区域光谱信息和非胚面胚区域光谱信息;
基于所述胚面胚乳区域光谱信息、所述胚面胚区域光谱信息、所述非胚面胚乳区域光谱信息和所述非胚面胚区域光谱信息,获取所述单籽粒玉米样本双表面标准拉曼光谱曲线。
3.根据权利要求1所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述基于旋光法获取单籽粒玉米样本淀粉含量理化值,具体包括:
测量获取所述单籽粒玉米样本的重量,
测量获取所述单籽粒玉米样本的含水率,
测量获取所述单籽粒玉米样本的旋光度,
基于所述单籽粒玉米样本的重量、含水率、旋光度,以及旋光法测量实验中旋光管长度、定容容量瓶容量和玉米种子比旋度,获取所述单籽粒玉米样本淀粉含量理化值。
4.根据权利要求2所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述基于所述胚面拉曼高光谱图像,获取胚面胚乳区域光谱信息和胚面胚区域光谱信息,具体包括:
对所述胚面拉曼高光谱图像进行图像处理,获取胚面胚乳区域图像和胚面胚区域图像,统计胚面胚乳区域像素点个数和胚面胚区域像素点个数,获取胚面胚乳区域平均光谱和胚面胚区域平均光谱;
所述胚面胚乳区域光谱信息包括所述胚面胚乳区域像素点个数和所述胚面胚乳区域平均光谱;
所述胚面胚区域光谱信息包括所述胚面胚区域像素点个数和所述胚面胚区域平均光谱。
5.根据权利要求4所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述基于所述非胚面拉曼高光谱图像,获取非胚面胚乳区域光谱信息和非胚面胚区域光谱信息,具体包括:
对所述非胚面拉曼高光谱图像进行图像处理,获取非胚面胚乳区域图像和非胚面胚区域图像,统计非胚面胚乳区域像素点个数和非胚面胚区域像素点个数,获取非胚面胚乳区域平均光谱和非胚面胚区域平均光谱;
所述非胚面胚乳区域光谱信息包括所述非胚面胚乳区域像素点个数和所述非胚面胚乳区域平均光谱;
所述非胚面胚区域光谱信息包括所述非胚面胚区域像素点个数和所述非胚面胚区域平均光谱。
6.根据权利要求5所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述基于所述胚面胚乳区域光谱信息、所述胚面胚区域光谱信息、所述非胚面胚乳区域光谱信息和所述非胚面胚区域光谱信息,获取所述单籽粒玉米样本双表面标准拉曼光谱曲线,具体包括:
基于所述胚面胚乳区域像素点个数、所述胚面胚区域像素点个数、所述非胚面胚乳区域像素点个数和所述非胚面胚区域像素点个数,获取胚面胚乳区域权重、胚面胚区域权重、非胚面胚乳区域权重和非胚面胚区域权重;
基于所述胚面胚乳区域平均光谱、所述胚面胚乳区域权重、所述胚面胚区域平均光谱、所述胚面胚区域权重、所述非胚面胚乳区域平均光谱、所述非胚面胚乳区域权重、所述非胚面胚区域平均光谱和所述非胚面胚区域权重,获取所述单籽粒玉米样本双表面标准拉曼光谱曲线。
7.根据权利要求2所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述采集所述胚面拉曼高光谱图像和所述非胚面拉曼高光谱图像,具体包括:
将各类玉米种子样本放置在恒温恒湿无菌环境中进行水分平衡,以使所述各类玉米种子样本的含水率小于等于15%;
从所述各类玉米种子样本中挑选完整无缺陷的同品种单籽粒玉米种子若干作为所述单籽粒玉米样本;
基于线扫描式拉曼高光谱成像系统,在相同采集参数下依次对所述单籽粒玉米样本进行多次扫描,获取所述单籽粒玉米样本的拉曼高光谱图像;
对所述单籽粒玉米样本的拉曼高光谱图像进行图像处理,获取所述胚面拉曼高光谱图像和所述非胚面拉曼高光谱图像。
8.根据权利要求2所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述基于所述胚面胚乳区域光谱信息、所述胚面胚区域光谱信息、所述非胚面胚乳区域光谱信息和所述非胚面胚区域光谱信息,获取所述单籽粒玉米样本双表面标准拉曼光谱曲线,之后还包括:
采用高斯平滑法和/或基线校正法对所述单籽粒玉米样本双表面标准拉曼光谱曲线进行预处理。
9.根据权利要求2所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述基于所述胚面胚乳区域光谱信息、所述胚面胚区域光谱信息、所述非胚面胚乳区域光谱信息和所述非胚面胚区域光谱信息,获取所述单籽粒玉米样本双表面标准拉曼光谱曲线,之后还包括:
根据玉米淀粉标准品的拉曼峰所在峰位,对所述单籽粒玉米样本双表面标准拉曼光谱曲线进行特征区域选取。
10.根据权利要求1所述的单籽粒玉米淀粉含量拉曼高光谱分级方法,其特征在于,所述基于所述单籽粒玉米样本双表面标准拉曼光谱曲线和所述单籽粒玉米样本淀粉含量理化值,建立单籽粒玉米淀粉含量分级模型,具体包括:
将所述单籽粒玉米样本划分为训练集样本和测试集样本;
基于所述训练集样本的双表面标准拉曼光谱曲线和淀粉含量理化值,建立所述训练集样本的淀粉含量分级模型;
基于所述训练集样本的淀粉含量分级模型对所述测试集样本进行无损分级处理,获取分级准确率、回代误判率和交叉误判率指标;
基于所述分级准确率、回代误判率和交叉误判率指标,评价、修正所述训练集样本的淀粉含量分级模型,获取所述单籽粒玉米淀粉含量分级模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973739.3A CN110715918B (zh) | 2019-10-14 | 2019-10-14 | 单籽粒玉米淀粉含量拉曼高光谱分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910973739.3A CN110715918B (zh) | 2019-10-14 | 2019-10-14 | 单籽粒玉米淀粉含量拉曼高光谱分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110715918A true CN110715918A (zh) | 2020-01-21 |
CN110715918B CN110715918B (zh) | 2022-04-08 |
Family
ID=69211529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910973739.3A Active CN110715918B (zh) | 2019-10-14 | 2019-10-14 | 单籽粒玉米淀粉含量拉曼高光谱分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110715918B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855593A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片淀粉含量遥感反演模型和方法 |
CN111855590A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片淀粉积累量遥感反演模型和方法 |
CN113916827A (zh) * | 2021-10-26 | 2022-01-11 | 北京工商大学 | 一种基于太赫兹光谱相关系数分析的玉米种子成分检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100284917A1 (en) * | 2007-09-24 | 2010-11-11 | Julius-Maximilians- Universitat | Compounds and markers for surface-enhanced raman scattering |
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 |
CN106706553A (zh) * | 2016-03-17 | 2017-05-24 | 西北农林科技大学 | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 |
CN110702616A (zh) * | 2019-09-26 | 2020-01-17 | 北京农业智能装备技术研究中心 | 玉米籽粒双表面高光谱检测装置 |
-
2019
- 2019-10-14 CN CN201910973739.3A patent/CN110715918B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100284917A1 (en) * | 2007-09-24 | 2010-11-11 | Julius-Maximilians- Universitat | Compounds and markers for surface-enhanced raman scattering |
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 |
CN106706553A (zh) * | 2016-03-17 | 2017-05-24 | 西北农林科技大学 | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 |
CN110702616A (zh) * | 2019-09-26 | 2020-01-17 | 北京农业智能装备技术研究中心 | 玉米籽粒双表面高光谱检测装置 |
Non-Patent Citations (1)
Title |
---|
魏良明等: "近红外反射光谱测定玉米完整籽粒蛋白质和淀粉含量的研究", 《中国农业科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111855593A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片淀粉含量遥感反演模型和方法 |
CN111855590A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片淀粉积累量遥感反演模型和方法 |
CN113916827A (zh) * | 2021-10-26 | 2022-01-11 | 北京工商大学 | 一种基于太赫兹光谱相关系数分析的玉米种子成分检测方法 |
CN113916827B (zh) * | 2021-10-26 | 2023-08-29 | 北京工商大学 | 一种基于太赫兹光谱相关系数分析的玉米种子成分检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110715918B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110715918B (zh) | 单籽粒玉米淀粉含量拉曼高光谱分级方法 | |
Mahajan et al. | Image acquisition techniques for assessment of legume quality | |
Cogdill et al. | Single-kernel maize analysis by near-infrared hyperspectral imaging | |
Agelet et al. | Limitations and current applications of Near Infrared Spectroscopy for single seed analysis | |
Williams et al. | Maize kernel hardness classification by near infrared (NIR) hyperspectral imaging and multivariate data analysis | |
CN105044021B (zh) | 一种中秋酥脆枣糖度无损检测方法 | |
ElMasry et al. | Utilization of computer vision and multispectral imaging techniques for classification of cowpea (Vigna unguiculata) seeds | |
CN113049530B (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 | |
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 | |
CN109470648B (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
US20060160065A1 (en) | Method for classifying plant embryos using Raman spectroscopy | |
CN111157511B (zh) | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 | |
CN109932333B (zh) | 声学振动和近红外光谱融合的水果坚实度测量系统和方法 | |
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 | |
CN107515203A (zh) | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 | |
Delwiche et al. | Limitations of single kernel near-infrared hyperspectral imaging of soft wheat for milling quality | |
EP3488234A1 (en) | Method for predicting the germination ability of maize seed using nuclear magnetic resonance | |
CN111272668A (zh) | 小麦品种鉴别模型的构建方法 | |
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 | |
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 | |
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 | |
Varela et al. | A novel high-throughput hyperspectral scanner and analytical methods for predicting maize kernel composition and physical traits | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
CN102175620A (zh) | 近红外光谱测定玉米中赖氨酸的方法 | |
CN113484270A (zh) | 一种单粒水稻脂肪含量定量分析模型的构建及检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |