CN113049526A - 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 - Google Patents
一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 Download PDFInfo
- Publication number
- CN113049526A CN113049526A CN202110286273.7A CN202110286273A CN113049526A CN 113049526 A CN113049526 A CN 113049526A CN 202110286273 A CN202110286273 A CN 202110286273A CN 113049526 A CN113049526 A CN 113049526A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- model
- data
- moisture content
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 240000008042 Zea mays Species 0.000 title claims abstract description 58
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 58
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 58
- 235000005822 corn Nutrition 0.000 title claims abstract description 58
- 238000005102 attenuated total reflection Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 64
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000002203 pretreatment Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000009499 grossing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000002835 absorbance Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010238 partial least squares regression Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000000411 transmission spectrum Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000001035 drying Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G01N21/17—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
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Toxicology (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于太赫兹衰减全反射的玉米种子水分含量测定方法,步骤为:1)采集m个玉米种子样本的水分及衰减全反射光谱,2)提取衰减全反射光谱的吸光度谱yi,采用多种预处理方法对吸光度谱yi进行去噪;3)将预处理后的每个数据集分别划分训练组与测试组;4)分别利用每个数据集的训练组数据及PLSR法、SVR法构建模型,选取最优的预处理方法;5)采用多种方法分别筛选最优预处理数据的特征谱区,6)将每个特征谱区分别划分训练组与测试组;7)分别利用每个特征谱区训练组数据及PLSR法、SVR法分别建立水分含量预测模型;8)选取最优模型对预测集样本进行预测;本发明通过建立快速准确测定玉米种子水分含量的模型对玉米种子水分含量进行测定。
Description
技术领域
本发明涉及玉米种子水分含量测定领域,特别是一种基于太赫兹衰减全反射的玉米种子水分含量测定方法。
背景技术
玉米是我国第一大粮食作物,是种植面积最大、总产量最多的作物,对于保障我国粮食安全具有重要战略地位。随着社会的发展和人民生活水平的提高,对玉米的产量和品质也提出了更高的要求。如何提高播种质量,培育优质壮苗来促进种子高产稳产、保证品质是现代农业发展中亟待解决的问题。
种子水分含量是影响种子安全贮藏的重要因素,是种子质量评定的重要指标之一,《农作物种子质量标准》(GB4404.1-2008)规定玉米种子安全水分含量小于13%。已有研究表明,水分含量过高时种子内部各种酶类新陈代谢加快,呼吸能力加强,易引起种子发霉变质丧失发芽能力,进而对种子产量产生影响。
传统种子水分测定方法包括高温烘干法、低恒温烘干法和高水分种子预先烘干法等,上述方法测定精度高但存在破坏性、耗时长且消耗化学试剂污染环境等问题,难以满足现代农业检测的新需求。探索和研究适应现代种子产业高速发展的活力测定新方法和新技术逐渐成为种子质量检测的热点。
近年来,分子光谱检测技术以其快速、无损、绿色等特点迅速得到国内外专家学者的关注。其中,太赫兹光谱检测技术作为重要交叉前沿领域逐渐成为无损检测农产品及食品品质的关键技术,太赫兹波段包含大多数生物大分子的转动和部分振动能级,分析物质在太赫兹频段的特征光谱就能够研究物质的内部组成。因此太赫兹技术有望成为近红外、X射线、拉曼等光谱技术的有力补充。近年来应用太赫兹技术检测农产品品质得到了较快的发展和应用,但直接采用太赫兹光谱技术对种子内部成分尤其是水分含量的检测尚未检索到相关研究报道。
发明内容
本发明的目的就是提供一种基于太赫兹衰减全反射的玉米种子水分含量测定方法,它可以用于对玉米种子水分含量的测定。
本发明的目的是通过这样的技术方案实现的,具体步骤如下:
1)数据采集:同批次采集不同水分含量m个玉米种子样本,并对玉米种子样本进行水分测定,得到水分含量数据xi,在室温下,采集玉米种子样本的衰减全反射光谱si,其中i∈m;
2)数据预处理:对步骤1)中采集玉米种子样本的衰减全反射光谱si进行时域频域信号的转换及吸光度参数的提取得到吸光度谱yi,分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱yi进行去噪处理,分别得到预处理数据集Y1i、Y2i、Y3i、Y4i;
3)预处理数据分类:通过SPXY算法结合水分含量数据xi将步骤2)中每个数据集Y1i、Y2i、Y3i、Y4i分别划分训练组与测试组;
4)选取预处理方法:分别利用步骤3)中Y1i、Y2i、Y3i、Y4i的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法对Y1i、Y2i、Y3i、Y4i分别构建预测模型,利用Y1i、Y2i、Y3i、Y4i的测试组数据对模型进行测试,以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能,选取最优模型对应的预处理数据Ypi;
5)提取特征谱区:采用间隔偏最小二乘法iPLS、向后间隔偏最小二乘法biPLS、联合间隔偏最小二乘法siPLS、移动窗口偏最小二乘法MWPLS分别筛选步骤4)中最优模型对应的预处理数据Ypi的特征谱区,分别得到特征谱区Y1pi、Y2pi、Y3pi、Y4pi;
6)特征谱区分类:通过SPXY算法结合水分含量数据xi将步骤5)中每个特征谱区Y1pi、Y2pi、Y3pi、Y4pi分别划分训练组与测试组;
7)构建预测模型:分别利用步骤6)中Y1pi、Y2pi、Y3pi、Y4pi的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法分别建立基于太赫兹光谱的玉米种子水分含量预测模型;
8)选取最优模型:利用步骤7)中Y1pi、Y2pi、Y3pi、Y4pi的测试组数据对模型进行测试,以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能,选取最优模型对预测集样本进行预测。
进一步,步骤2)中数据预处理的具体步骤如下:
2-1)对步骤1)中采集玉米种子样本的衰减全反射光谱si利用太赫兹光谱分析软件进行数据分析,根据采集到的参考光谱Eref(ω)和样本光谱Es(ω),计算得到透射光谱参数T(ω):
式(1)中,ω为角频率;
2-2)对吸光度参数A(ω)进行提取得到吸光度谱yi:
A(ω)=2log10T(ω) (2)
2-3)分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱yi进行去噪处理,分别得到预处理数据集Y1i、Y2i、Y3i、Y4i。
进一步,步骤3)中预处理数据分类的方法为:
通过SPXY算法结合水分含量数据xi将步骤2)中每个数据集Y1i、Y2i、Y3i、Y4i按照3:1的比例分别划分训练组与测试组:
式(3)中,yp、yq分别为步骤2)中去噪处理后同一数据集中两个样本的吸光度谱数据,xp、xq分别为两个样本的水分含量,N表示样本的光谱点数量。
进一步,步骤4)中选取预处理方法的具体步骤为:
4-1)利用PLSR建立的模型分别对光谱矩阵Y(Y1i、Y2i、Y3i、Y4i)和浓度矩阵X(xi)进行分解:
式(4)中,T、U为光谱矩阵和水分浓度矩阵的得分矩阵,P、Q为光谱矩阵和水分浓度矩阵的载荷矩阵,E、F为光谱矩阵和水分浓度矩阵的PLS拟合残差矩阵;
对光谱矩阵和水分浓度矩阵的得分矩阵进行线性回归:
根据Y=TP+E求出待测样本的光谱矩阵的得分矩阵T,进而根据X=TBQ得到水分含量的预测值;
4-2)利用SVR建立预测模型,其核函数为RBF,惩罚参数c和核参数g采用网格搜索法进行寻优;
4-3)利用Y1i、Y2i、Y3i、Y4i的测试组数据对模型进行测试,以模型评价指标相关系数R表示样品预测值与真实值间的相关程度,以预测均方根误差RMSEP用来评价模型对预测样本的能力,RMSEP越小表示模型对预测集样品的预测能力越高,相对分析误差RPD证明模型的稳定性,通过评价指标选取最优模型对预测集样本进行预测,选取最优模型对应的预处理数据Ypi:
式(7)中,n为预测集样品总数;
式(8)中,SD表示测量值的标准差。
由于采用了上述技术方案,本发明具有如下的优点:
1、本发明通过建立快速准确测定玉米种子水分含量的模型,为种子理化成分解析提供了一种快速检测的新方法;2、本发明采用多种方法对吸光度谱数据进行预处理,并选择最优预处理方法;3、通过提取特征谱区消除了环境中水分对光谱数据的干扰,提高了模型的精度;4、通过筛选得到的种子水分含量变化敏感的谱段进一步为种子在生长及存储过程中成分变化的分析提供了理论基础和技术支撑;5、本发明采用多种方法对特征谱区进行提取,针对不同品类的玉米种子提高了水分含量预测的准确度,适用性广。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的方法流程图。
图2为本发明不同水分含量等级玉米种子时域光谱。
图3为本发明不同水分含量等级玉米种子频域光谱。
图4为本发明不同水分含量等级玉米种子吸光度谱。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1所示的一种基于太赫兹衰减全反射的玉米种子水分含量测定方法,其特征在于,具体步骤如下:
1)数据采集:同批次采集不同水分含量m个玉米种子样本,并对玉米种子样本进行水分测定,得到水分含量数据xi,在室温下,采集玉米种子样本的衰减全反射光谱si,其中i∈m;具体步骤为:
1-1)在40℃,100%相对湿度的条件下,每隔2h依次取样,共计40份不同水分含量的种子样本,利用FW-200高速万能粉碎机粗磨样本后采用梅特勒-托利多HB43-S卤素水分测定仪对制备样本进行水分含量测定,仪器预设模式为玉米粗磨,干燥温度为125℃,待干燥完成后即可得到样品的水分含量xi,样本水分含量xi统计信息如表1所示:
表1样本水分含量统计信息
1-2)在室温(22℃干燥环境)下,将步骤1-1)中制备的样本采用Terapulse4000太赫兹时域光谱仪及其衰减全反射附件采集ATR光谱,每组样本分别取样三次采集光谱,扫描完成后即可得到120条光谱曲线si,测量的光谱范围为0.2-85.37cm-1。
2)数据预处理:对步骤1)中采集玉米种子样本的衰减全反射光谱si进行时域频域信号的转换及吸光度参数的提取得到吸光度谱yi,分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱yi进行去噪处理,分别得到预处理数据集Y1i、Y2i、Y3i、Y4i;具体步骤如下:
2-1)对步骤1)中采集玉米种子样本的衰减全反射光谱si利用太赫兹光谱分析软件进行数据分析,根据采集到的参考光谱Eref(ω)和样本光谱Es(ω),计算得到透射光谱参数T(ω):
式(1)中,ω为角频率;
2-2)对吸光度参数A(ω)进行提取得到吸光度谱yi:
A(ω)=2log10T(ω) (2)
2-3)分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱yi进行去噪处理,分别得到预处理数据集Y1i、Y2i、Y3i、Y4i。
3)预处理数据分类:通过SPXY算法结合水分含量数据xi将步骤2)中每个数据集Y1i、Y2i、Y3i、Y4i分别划分训练组与测试组;具体方法为:
通过SPXY算法结合水分含量数据xi将步骤2)中每个数据集Y1i、Y2i、Y3i、Y4i按照3:1的比例分别划分训练组与测试组:
式(3)中,yp、yq分别为步骤2)中去噪处理后同一数据集中两个样本的吸光度谱数据,xp、xq分别为两个样本的水分含量,N表示样本的光谱点数量。
4)选取预处理方法:分别利用步骤3)中Y1i、Y2i、Y3i、Y4i的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法对Y1i、Y2i、Y3i、Y4i分别构建预测模型,利用Y1i、Y2i、Y3i、Y4i的测试组数据对模型进行测试,以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能,选取最优模型对应的预处理数据Ypi;具体步骤为:
4-1)利用PLSR建立的模型分别对光谱矩阵Y(Y1i、Y2i、Y3i、Y4i)和浓度矩阵X(xi)进行分解:
式(4)中,T、U为光谱矩阵和水分浓度矩阵的得分矩阵,P、Q为光谱矩阵和水分浓度矩阵的载荷矩阵,E、F为光谱矩阵和水分浓度矩阵的PLS拟合残差矩阵;
对光谱矩阵和水分浓度矩阵的得分矩阵进行线性回归:
根据Y=TP+E求出待测样本的光谱矩阵的得分矩阵T,进而根据X=TBQ得到水分含量的预测值;
4-2)利用SVR建立预测模型,其核函数为RBF,惩罚参数c和核参数g采用网格搜索法进行寻优,设定惩罚参数c和参数g的范围为[2-10,210],步长为0.5;
4-3)利用Y1i、Y2i、Y3i、Y4i的测试组数据对模型进行测试,以模型评价指标相关系数R表示样品预测值与真实值间的相关程度,以预测均方根误差RMSEP用来评价模型对预测样本的能力,RMSEP越小表示模型对预测集样品的预测能力越高,相对分析误差RPD证明模型的稳定性,通过评价指标选取最优模型对预测集样本进行预测,选取最优模型对应的预处理数据Ypi:
式(5)中,n为预测集样品总数;
式(6)中,SD表示测量值的标准差;
结果表明在0.2-85.37cm-1范围内,经Smooth光谱预处理后建立的PLSR模型相关系数R值为0.9969,预测均方根误差(RMSEP)为0.1986,模型稳定性较高(RPD=3.5254),经Smooth光谱预处理后建立的SVR模型相关系数R值为0.9846,预测均方根误差(RMSEP)仅为0.1257,且具有更高的稳定性(RPD=5.6852)。同时可以根据吸收光谱图及光谱数据与水分含量值的相关系数值大致判断与水分含量变化敏感的波段,该方法对于种子成分含量快速测定具有一定的开拓性及实用性。
5)提取特征谱区:由于水分子对太赫兹的强烈吸收作用,光谱数据存在环境中水分的干扰,因此考虑利用特征变量筛选方法对玉米种子水分含量模型进行优化;采用间隔偏最小二乘法iPLS、向后间隔偏最小二乘法biPLS、联合间隔偏最小二乘法siPLS、移动窗口偏最小二乘法MWPLS分别筛选步骤4)中经Smooth预处理后光谱Ypi的特征谱区,分别得到特征谱区Y1pi、Y2pi、Y3pi、Y4pi;具体方法为:
利用iPLS、biPLS、siPLS将经Smooth预处理后光谱Ypi分别划分为10,11,…,30个区间的情况下建立PLS谱区筛选模型,综合考虑Rc、Rp、RMSECV及RMSEP的值,最终iPLS将光谱划分为10个子区间,采用第2个子区间进行建模;biPLS将光谱划分为27个子区间,2个子区间(1,8)联合进行建模;siPLS将光谱区域划分10个子区间,采用4个子区间联合(2,3,4,7)进行建模;MWPLS特征波段筛选方法考虑以窗口宽度为11个光谱变量作为初始窗口宽度,步长为10,分别从11个变量到121个变量建立谱区筛选模型,最终当窗口宽度选择51个变量时,RMSECV值达最小。经特征波段筛选后分别得到4种方法对应的谱区,如表2所示;
表2特征谱区筛选结果
6)特征谱区分类:通过SPXY算法结合水分含量数据xi将步骤5)中每个特征谱区Y1pi、Y2pi、Y3pi、Y4pi分别划分训练组与测试组;
7)构建预测模型:分别利用步骤6)中Y1pi、Y2pi、Y3pi、Y4pi的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法建立基于太赫兹光谱的玉米种子水分含量预测模型;
8)选取最优模型:利用步骤7)中Y1pi、Y2pi、Y3pi、Y4pi的测试组数据对模型进行测试,以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能,选取最优模型对预测集样本进行预测:
结果表明利用siPLS特征变量筛选方法建立基于SVR的模型预测性能更好,相关系数R值为0.9930,预测均方根误差(RMSEP)为0.0697,能够有效降低模型复杂度的同时具有更高的稳定性(RPD=12.3457)。联合区间偏最小二乘法最终筛选得到的波数范围(51.79-57.31cm-1)与水在太赫兹波段的吸收峰(60cm-1附近)接近,可以判定为与种子水分含量变化敏感的谱段。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (4)
1.一种基于太赫兹衰减全反射的玉米种子水分含量测定方法,其特征在于,具体步骤如下:
1)数据采集:同批次采集不同水分含量m个玉米种子样本,并对玉米种子样本进行水分测定,得到水分含量数据xi,在室温下,采集玉米种子样本的衰减全反射光谱si,其中i∈m;
2)数据预处理:对步骤1)中采集玉米种子样本的衰减全反射光谱si进行时域频域信号的转换及吸光度参数的提取得到吸光度谱yi,分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱yi进行去噪处理,分别得到预处理数据集Y1i、Y2i、Y3i、Y4i;
3)预处理数据分类:通过SPXY算法结合水分含量数据xi将步骤2)中每个数据集Y1i、Y2i、Y3i、Y4i分别划分训练组与测试组;
4)选取预处理方法:分别利用步骤3)中Y1i、Y2i、Y3i、Y4i的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法对Y1i、Y2i、Y3i、Y4i分别构建预测模型,利用Y1i、Y2i、Y3i、Y4i的测试组数据对模型进行测试,以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能,选取最优模型对应的预处理数据Ypi;
5)提取特征谱区:采用间隔偏最小二乘法iPLS、向后间隔偏最小二乘法biPLS、联合间隔偏最小二乘法siPLS、移动窗口偏最小二乘法MWPLS分别筛选步骤4)中最优模型对应的预处理数据Ypi的特征谱区,分别得到特征谱区Y1pi、Y2pi、Y3pi、Y4pi;
6)特征谱区分类:通过SPXY算法结合水分含量数据xi将步骤5)中每个特征谱区Y1pi、Y2pi、Y3pi、Y4pi分别划分训练组与测试组;
7)构建预测模型:分别利用步骤6)中Y1pi、Y2pi、Y3pi、Y4pi的训练组数据及偏最小二乘回归PLSR法、支持向量机回归SVR法分别建立基于太赫兹光谱的玉米种子水分含量预测模型;
8)选取最优模型:利用步骤7)中Y1pi、Y2pi、Y3pi、Y4pi的测试组数据对模型进行测试,以相关系数R、预测均方根误差RMSEP、相对分析误差RPD评价模型性能,选取最优模型对预测集样本进行预测。
2.如权利要求1所述的一种基于太赫兹衰减全反射的玉米种子水分含量测定方法,其特征在于,步骤2)中数据预处理的具体步骤如下:
2-1)对步骤1)中采集玉米种子样本的衰减全反射光谱si利用太赫兹光谱分析软件进行数据分析,根据采集到的参考光谱Eref(ω)和样本光谱Es(ω),计算得到透射光谱参数T(ω):
式(1)中,ω为角频率;
2-2)对吸光度参数A(ω)进行提取得到吸光度谱yi:
A(ω)=2log10T(ω) (2)
2-3)分别采用多元散射校正MSC、标准正态变换SNV、SG卷积平滑、窗口平滑Smooth的方法对不同水分含量的玉米种子吸光度谱yi进行去噪处理,分别得到预处理数据集Y1i、Y2i、Y3i、Y4i。
4.如权利要求1所述的一种基于太赫兹衰减全反射的玉米种子水分含量测定方法,其特征在于,步骤4)中选取预处理方法的具体步骤为:
4-1)利用PLSR建立的模型分别对光谱矩阵Y(Y1i、Y2i、Y3i、Y4i)和浓度矩阵X(xi)进行分解:
式(4)中,T、U为光谱矩阵和水分浓度矩阵的得分矩阵,P、Q为光谱矩阵和水分浓度矩阵的载荷矩阵,E、F为光谱矩阵和水分浓度矩阵的PLS拟合残差矩阵;
对光谱矩阵和水分浓度矩阵的得分矩阵进行线性回归:
根据Y=TP+E求出待测样本的光谱矩阵的得分矩阵T,进而根据X=TBQ得到水分含量的预测值;
4-2)利用SVR建立预测模型,其核函数为RBF,惩罚参数c和核参数g采用网格搜索法进行寻优;
4-3)利用Y1i、Y2i、Y3i、Y4i的测试组数据对模型进行测试,以模型评价指标相关系数R表示样品预测值与真实值间的相关程度,以预测均方根误差RMSEP用来评价模型对预测样本的能力,RMSEP越小表示模型对预测集样品的预测能力越高,相对分析误差RPD证明模型的稳定性,通过评价指标选取最优模型对预测集样本进行预测,选取最优模型对应的预处理数据Ypi:
式(7)中,n为预测集样品总数;
式(8)中,SD表示测量值的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286273.7A CN113049526B (zh) | 2021-03-17 | 2021-03-17 | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286273.7A CN113049526B (zh) | 2021-03-17 | 2021-03-17 | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113049526A true CN113049526A (zh) | 2021-06-29 |
CN113049526B CN113049526B (zh) | 2022-11-04 |
Family
ID=76513023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110286273.7A Active CN113049526B (zh) | 2021-03-17 | 2021-03-17 | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113049526B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|---|---|---|
JP2016053528A (ja) * | 2014-09-03 | 2016-04-14 | 国立大学法人京都大学 | テラヘルツ波を用いた皮膚角層水分量の計測方法 |
CN108051395A (zh) * | 2017-11-28 | 2018-05-18 | 北京工商大学 | 一种基于THz-ATR光谱技术的玉米品种鉴别方法 |
CN108267420A (zh) * | 2017-12-22 | 2018-07-10 | 深圳市太赫兹系统设备有限公司 | 种子含水量检测系统和方法 |
CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
-
2021
- 2021-03-17 CN CN202110286273.7A patent/CN113049526B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016053528A (ja) * | 2014-09-03 | 2016-04-14 | 国立大学法人京都大学 | テラヘルツ波を用いた皮膚角層水分量の計測方法 |
CN108051395A (zh) * | 2017-11-28 | 2018-05-18 | 北京工商大学 | 一种基于THz-ATR光谱技术的玉米品种鉴别方法 |
CN108267420A (zh) * | 2017-12-22 | 2018-07-10 | 深圳市太赫兹系统设备有限公司 | 种子含水量检测系统和方法 |
CN109211829A (zh) * | 2018-07-31 | 2019-01-15 | 湖南省水稻研究所 | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 |
Non-Patent Citations (3)
Title |
---|
李明利: "谷物THz光谱特性与安全检测研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
王雪 等: "基于近红外光谱的灌浆期玉米籽粒水分小样本定量分析", 《农业工程学报》 * |
郭东升等: "基于近红外光谱的大豆水分和粗脂肪含量的快速检测", 《食品安全质量检测学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|
CN113049526B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Determination of soluble solid content in multi-origin ‘Fuji’apples by using FT-NIR spectroscopy and an origin discriminant strategy | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN105181642A (zh) | 一种花生品质的近红外检测方法及应用 | |
CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
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 | |
CN101762569A (zh) | 一种畜禽粪便工厂化堆肥发酵过程的无损监测方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
Tian et al. | An optimal zone combination model for on-line nondestructive prediction of soluble solids content of apple based on full-transmittance spectroscopy | |
CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
CN111855593A (zh) | 水稻叶片淀粉含量遥感反演模型和方法 | |
CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
CN107796779A (zh) | 橡胶树叶片氮素含量的近红外光谱诊断方法 | |
CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
Zhang et al. | Uninformative Biological Variability Elimination in Apple Soluble Solids Content Inspection by Using Fourier Transform Near‐Infrared Spectroscopy Combined with Multivariate Analysis and Wavelength Selection Algorithm | |
CN113484278A (zh) | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 | |
CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
CN102519903B (zh) | 一种近红外光谱测定双孢蘑菇白度值的方法 | |
Yuan et al. | Application of hyperspectral imaging to discriminate waxy corn seed vigour after aging. | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
CN110596038A (zh) | 一种红薯淀粉含量快速测定的方法 | |
CN112924410B (zh) | 发芽葵花籽的太赫兹光谱快速识别方法 | |
Hu et al. | Research on rice seed fullness detection method based on terahertz imaging technology and feature extraction method | |
CN112763448A (zh) | 一种基于atr-ftir技术的米糠中多糖含量的快速检测方法 |
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 |