CN113092407B - 基于近红外光谱的五常稻花香水稻原产地品种识别方法 - Google Patents
基于近红外光谱的五常稻花香水稻原产地品种识别方法 Download PDFInfo
- Publication number
- CN113092407B CN113092407B CN202110425140.3A CN202110425140A CN113092407B CN 113092407 B CN113092407 B CN 113092407B CN 202110425140 A CN202110425140 A CN 202110425140A CN 113092407 B CN113092407 B CN 113092407B
- Authority
- CN
- China
- Prior art keywords
- rice
- spectrum
- calculating
- curve
- spectral
- 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.)
- Active
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 76
- 241000209094 Oryza Species 0.000 title claims abstract description 75
- 235000009566 rice Nutrition 0.000 title claims abstract description 75
- 239000003205 fragrance Substances 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 29
- 241000574138 Ozothamnus diosmifolius Species 0.000 title claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 68
- 239000000126 substance Substances 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 230000003595 spectral effect Effects 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- FLDSMVTWEZKONL-AWEZNQCLSA-N 5,5-dimethyl-N-[(3S)-5-methyl-4-oxo-2,3-dihydro-1,5-benzoxazepin-3-yl]-1,4,7,8-tetrahydrooxepino[4,5-c]pyrazole-3-carboxamide Chemical compound CC1(CC2=C(NN=C2C(=O)N[C@@H]2C(N(C3=C(OC2)C=CC=C3)C)=O)CCO1)C FLDSMVTWEZKONL-AWEZNQCLSA-N 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 235000017788 Cydonia oblonga Nutrition 0.000 claims 1
- 240000007594 Oryza sativa Species 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000009395 breeding Methods 0.000 abstract description 4
- 230000001488 breeding effect Effects 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 14
- 238000012360 testing method Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 6
- 238000001962 electrophoresis Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01N21/359—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
- 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
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
本发明公开了基于近红外光谱的五常稻花香水稻原产地品种识别方法，包括：采集待测物质的一组光谱曲线集合，与五常稻花香水稻原产地品种物质的特征光谱曲线匹配；根据所述光谱曲线集合，计算获得待测物质的特征光谱曲线；计算两条特征光谱曲线的相关系数S；当所述相关系数S大于等于预设阈值，则所述待测物质为五常稻花香水稻原产地品种。近红外光谱技术借助近红外光学仪器获取待测水稻在不同波段下的反射数据，对采集的近红外光谱数据做降维、建模，通过光谱匹配算法实现水稻品种鉴别，为水稻品种快速、无损、精确、客观的鉴别提供了新途径。可有效解决水稻的育种及收购问题，保证品种的纯净及品质的优良。
Description
技术领域
本发明属于农业领域，涉及水稻品种及产地识别技术领域，特别涉及基于近红外光谱的五常稻花香水稻原产地品种识别方法。
背景技术
水稻是中国最重要的粮食作物之一，其种子品种的选种以及质量的好坏直接关系到水稻品质的优劣及产量的高低，因此，对其品种鉴别一直是农业生产、种子检测和新品种选育上的重要课题。目前常用的水稻品种鉴别方法有人工法、形态观察法、田间种植发、理化检测法、分子标记法、电子鼻法、电泳法等。
人工法通过有经验的人士观察、嗅味、品尝鉴别，精度低，主观性强。形态观察法、田间种植法鉴别精度低、主观性强、周期长且易受环境影响。理化检测法、分子标记法和电泳法虽鉴别精度高，但耗时、有损、需专门操作人员且无法批量分析。电子鼻法主要通过辨别气味来实现品种鉴别，精确度更低，弊端更多。
发明内容
鉴于上述问题，本发明提供一种至少解决上述部分技术问题的基于近红外光谱的五常稻花香水稻原产地品种识别方法，该方法可有效解决水稻的育种及收购问题，保证品种的纯净及品质的优良。
本发明实施例提供基于近红外光谱的五常稻花香水稻原产地品种识别方法，包括：
采集待测物质的一组包含p条光谱曲线的集合Y＝{Y1，Y2，…，Yp}，其中每条光谱曲线为一个n维向量，与五常稻花香水稻原产地品种物质的特征光谱曲线匹配；
根据所述光谱曲线集合，计算获得待测物质的特征光谱曲线
计算两条特征光谱曲线和/>的相关系数S；
当所述相关系数S大于等于预设阈值，则所述待测物质为五常稻花香水稻原产地品种。
在一个实施例中，所述五常稻花香水稻原产地品种物质的特征光谱曲线建模过程如下：
a)采集一组已知的五常稻花香水稻原产地品种物质的光谱曲线集合X＝{X1，X2，…，Xl}，包含l条光谱曲线，每条光谱曲线为一个n维向量；
b)计算第i条与第j条光谱曲线的相关系数Sij；
c)计算第i条与其他光谱曲线的相关系数之和
d)找到具有最大的相关系数和的第m条光谱曲线；
e)设定阈值t1，保留满足条件Smj≥t1的光谱曲线集合 表示均值，q表示光谱曲线序号，0≤q≤l；
f)采用最小二乘法计算出光谱特征曲线
在一个实施例中，所述的建模过程，在e)步骤后还包括：
验证当时，适合建模；否则不适合建模；0＜t2≤1。
在一个实施例中，所述f)步骤包括：
采用最小二乘法Xm-(aj·Xm+j+bj)＝min，计算未知系数aj和bj，其中1≤j≤q
计算五常稻花香水稻原产地品种物质的光谱特征曲线
其中：a0＝1，b0＝0；
完成五常稻花香水稻原产地品种的建模。
在一个实施例中，计算两条光谱曲线的相关系数S，包括：
1)设定两条光谱曲线分别为X＝(x1，x2，…，xn)与Y＝(y1，y2，…，yn)，剔除光谱曲线X与Y的水分子吸收波段，得到光谱曲线与/>
2)计算截断的光谱曲线和光谱曲线/>在每个匹配位置m的交叉相关系数rm，即固定光谱曲线/>将光谱曲线/>向左或向右移动m个位置，其中一20≤m≤20，交叉相关系数公式如下：
其中：
3)根据交叉相关系数rm，计算曲线峰值的偏度系数skm：
其中rm+表示m为正数时的交叉相关系数值，rm-表示m为负数时的交叉相关系数值；
4)计算偏度系数之和skewness：
5)计算全波段光谱曲线X与Y的一阶导数向量X′＝(x′1，x′2，…，x′n)与Y′＝(y′1，y′2，…，y′n)，其中λi为第i点处的波长值，x′i和y′i为第i点处的反射率一阶导数值：
6)将步骤5)的一阶导数转值换为二进制值和/> 其中：
7)根据步骤6)中的二进制向量计算两条光谱之间的杰卡德相似系数J：
其中：D11和D00为两二进制向量在相同位置的一阶导数同时为1或0的次数；D10和D01为两二进制向量在相同位置的一阶导数不相等的次数；
8)计算两条光谱曲线X与Y的相关系数S：
S＝r0×(1-skewness)×J
r0为交叉相关系数rm＝0。
在一个实施例中，所述水分子吸收严重波段的范围分别为：1351～1409nm，1796～1949nm，2451～2500nm
与现有技术相比，本发明公开提供了基于近红外光谱的五常稻花香水稻原产地品种识别方法，具有如下优点：
(1)有效解决水稻的育种及收购问题，保证品种的纯净及品质的优良；
(2)相比目前基于人工辨别及理化检测方法，本方法可以客观、无损、快捷、方便、精确地对水稻品种鉴别。
近红外光谱技术分析具有成本低、效率高、速度快、检测方便、测试重现性好等优点，能利用全谱段或多波长下的光谱数据对物质做定性分析。近红外光谱技术借助近红外光学仪器获取待测水稻在不同波段下的反射数据，对采集的近红外光谱数据做降维、建模，通过光谱匹配算法实现水稻品种鉴别，为水稻品种快速、无损、精确、客观的鉴别提供了新途径。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于近红外光谱的五常稻花香水稻原产地品种识别方法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
水稻的优质品质不仅受遗传特性影响，同时地理生态环境、气候生态环境对其有显著的影响，因此不同地区水稻的品质特性具有明显的差异性。为了快速鉴别出不同原产地及品种的水稻，本发明采用近红外光谱技术鉴别五常稻花香水稻原产地品种。
参见附图1所示，本发明实施例公开了基于近红外光谱的五常稻花香水稻原产地品种识别方法，具体包括如下步骤：
S100、采集待测物质的一组包含p条光谱曲线的集合Y＝{Y1，Y2，…，Yp}，其中每条光谱曲线为一个n维向量，与五常稻花香水稻原产地品种物质的特征光谱曲线匹配；
S200、根据所述光谱曲线集合，计算获得待测物质的特征光谱曲线
S300、计算两条特征光谱曲线和/>的相关系数S；
S400、当所述相关系数S大于等于预设阈值，则所述待测物质为五常稻花香水稻原产地品种。
本发明采用的近红外光谱技术分析具有成本低、效率高、速度快、检测方便、测试重现性好等优点，能利用全谱段或多波长下的光谱数据对物质做定性分析。
近红外光谱技术可借助近红外光学仪器获取待测水稻在不同波段下的反射数据，对采集的近红外光谱数据做降维、建模，通过光谱匹配算法实现水稻品种鉴别，为水稻品种快速、无损、精确、客观的鉴别提供了新途径。
具体鉴别方法步骤如下：
1.水稻样本采集，包括：
1.1)五常稻花香核心产区采集稻花香样本做标准样本，以五常市龙凤山镇田家街屯的华润五丰有机稻种植基地为地理基准，在半径一公里的农田堆垛中采集100个样本；
1.2)五常稻花香非核心产区材料样本做参考样本1，以田家街屯为地理基准，半径25公里到50公里的区域采集100个样本；
1.3)五常周边其它产区采集稻花香样本做参考样本2，采集100个样本；
1.4)五常周边产区采集非稻花香样本做参考样本3，采集100个样本；
2.对采集到的水稻标准样本及所有参考样本预处理。依据华润五丰米业质检人员的指导，将采集到的稻谷样本按照5秒作为粗碾(去壳)时间，按照其产区和品种不同，分为核心产区稻花香、非核心产区稻花香、其他产区稻花香、非稻花香品种四个比对种类，制作试验样本；
3.采集四个比对种类样本的近红外光谱数据，近红外光谱波段在1000nm～2500nm。每个样本取约100克，平铺于玻璃培养皿底部，覆盖不留缝隙；每个皿随机取270个点作为观测点，每个点采集1次近红外光谱数据，每个皿共采集270条光谱数据；
4.对四个比对种类样本的近红外光谱数据建模，得到四个比对种类稻谷的特征光谱；
5.从四个比对种类：核心产区稻花香、非核心产区稻花香、其他产区稻花香、非稻花香品种中随机抽取稻谷，按每份约100克制作200份盲测样本。盲测样本包四种比对种类的纯样本，以及核心产区稻花香分别与非核心产区稻花香、其他产区稻花香、非稻花香品种的掺杂，掺杂比例为10％、20％、30％；
6.采集200份盲测样本的近红外光谱数据，每个样本平铺于玻璃培养皿底部，覆盖不留缝隙；每个皿随机取90个点作为观测点，每个点采集1次近红外光谱数据，每个皿共采集90条光谱数据；
7.运用光谱匹配算法检测200份盲测样本，以此得到本发明方法的准确率，总体准确率在95％以上，其中对于纯样本的准确率100％；对于掺杂比例20％及30％的盲测样本，由于光谱匹配算法无法获取盲测样本的特征光谱曲线，故此被识别为未知品种，准确率100％。
其中步骤4所涉及的光谱数据建模、步骤7中所涉及的光谱匹配算法，具体方法如下：
(1)计算两条光谱曲线X与Y的相关系数S的算法包括以下步骤：
1)剔除光谱曲线X＝(x1，x2，…，xn)与Y＝(y1，y2，…，yn)的水分子吸收波段，得到光谱曲线与/>鉴于前人的相关探索研究和具体的实验数据分析，水分子吸收严重波段的范围分别为：1351～1409nm，1796～1949nm，2451～2500nm；
2)计算截断的光谱曲线和光谱曲线/>在每个匹配位置m的交叉相关系数rm，即固定光谱曲线/>将光谱曲线/>向左(负数)或向右(正数)移动m个位置，其中-20≤m≤20，交叉相关系数公式如下：
其中：
3)根据交叉相关系数曲线图可以计算曲线峰值的偏度系数skm：
其中rm+表示m为正数时的交叉相关系数值，rm-表示m为负数时的交叉相关系数值；
4)计算偏度系数之和skewness：
5)计算全波段光谱曲线X与Y的一阶导数向量X′＝(x′1，x′2，…，x′n)与Y′＝(y′1，y′2，…，y′n)，其中λi为第i点处的波长值，x′i和y′i为第i点处的反射率一阶导数值：
6)将步骤5的一阶导数转值换为二进制值和/> 其中：
7)根据步骤6中的二进制向量计算两条光谱之间的杰卡德相似系数J：
其中：D11和D00为两二进制向量在相同位置的一阶导数同时为1或0的次数；D10和D01为两二进制向量在相同位置的一阶导数不相等的次数；
8)计算两条光谱曲线X与Y的相关系数S：
S＝r0×(1-skewness)×J
其中r0为交叉相关系数rm＝0。
(2)已知标准物质特征光谱建模包括以下步骤：
a)采集一组已知标准物质的光谱曲线集合X＝{X1，X2，…，Xl}，包含l条光谱曲线；
b)计算第i条与第j条光谱曲线的相关系数Sij；
c)计算第i条与其他光谱曲线的相关系数之和
d)找到具有最大的相关系数和的第m条光谱曲线；
e)设定阈值t1，通常t1设置在0.95以上，为根据实际场景获取的经验值，保留满足条件Smj≥t1的光谱曲线集合 表示均值，q表示光谱曲线序号，0≤q≤l；
f)验证：0＜t2≤1，否则认为已知物质光谱向量集合不适合建模，建模失败并退出建模步骤；在具体实施时，可优选为0.6。
g)采用最小二乘法Xm-(aj·Xm+j+bj)＝min，计算未知系数aj和bj，其中1≤j≤q
h)计算此已知标准物质的光谱特征曲线
其中：a0＝1，b0＝0；
i)完成此已知标准物质的建模。
(3)待测物质与已知物质特征光谱匹配包括以下步骤：
i.采集一组待测物质的光谱曲线集合Y＝{Y1，Y2，…，Yn}，与已知标准物质的光谱特征曲线匹配；
ii.按照上述建模的方式计算待测物质的特征光谱曲线：
iii.计算两条特征光谱曲线和/>的相关系数S；
iv.设定预设阈值t3，如果S≥t3，其中t3≤t1，根据经验值可以选择t3＝t1则待测物为已知物质；否则未知。
本发明实施例提供的基于近红外光谱的五常稻花香水稻原产地品种识别方法，可准确、快速、无损对待测物质的是否为五常稻花香水稻原产地品种进行鉴别，其中涉及的匹配算法复杂度较低，便于实施，无需复杂处理。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (4)
1.基于近红外光谱的五常稻花香水稻原产地品种识别方法，其特征在于，包括：
采集待测物质的一组包含p条光谱曲线的集合Y＝{Y1,Y2,…,Yp}，其中每条光谱曲线为一个n维向量，与五常稻花香水稻原产地品种物质的特征光谱曲线匹配；
根据所述光谱曲线集合，计算获得待测物质的特征光谱曲线
计算两条特征光谱曲线和/>的相关系数S；
当所述相关系数S大于等于预设阈值，则所述待测物质为五常稻花香水稻原产地品种；
其中，所述五常稻花香水稻原产地品种物质的特征光谱曲线建模过程如下：
a)采集一组已知的五常稻花香水稻原产地品种物质的光谱曲线集合X＝{X1,X2,…,Xl}，包含l条光谱曲线，每条光谱曲线为一个n维向量；
b)计算第i条与第j条光谱曲线的相关系数Sij；
c)计算第i条与其他光谱曲线的相关系数之和
d)找到具有最大的相关系数和的第m条光谱曲线；
e)设定阈值t1，保留满足条件Smj≥t1的光谱曲线集合 表示均值，q表示光谱曲线序号，0≤q≤l；
f)采用最小二乘法计算出光谱特征曲线
所述待测物质的特征光谱曲线建模过程如下：
采集一组待测物质的光谱曲线集合Y＝{Y1,Y2,…,Yn}，与已知标准物质的光谱特征曲线匹配；按照上述a)-f)步骤建模的方式计算待测物质的特征光谱曲线：/>
计算两条光谱曲线的相关系数S，包括：
1)设定两条光谱曲线分别为X＝(x1,x2,…,xn)与Y＝(y1,y2,…,yn)，剔除光谱曲线X与Y的水分子吸收波段，得到光谱曲线与/>
2)计算截断的光谱曲线和光谱曲线/>在每个匹配位置m的交叉相关系数rm，即固定光谱曲线/>将光谱曲线/>向左或向右移动m个位置，其中-20≤m≤20，交叉相关系数公式如下：
其中：
3)根据交叉相关系数rm，计算曲线峰值的偏度系数skm：
其中rm+表示m为正数时的交叉相关系数值，rm-表示m为负数时的交叉相关系数值；
4)计算偏度系数之和skewness：
5)计算全波段光谱曲线X与Y的一阶导数向量X′＝(x′1,x′2,…,x′n)与Y′＝(y′1,y′2,…,y′n)，其中λi为第i点处的波长值，x′i和y′i为第i点处的反射率一阶导数值：
6)将步骤5)的一阶导数转值换为二进制值和/> 其中：
7)根据步骤6)中的二进制向量计算两条光谱之间的杰卡德相似系数J：
其中：D11和D00为两二进制向量在相同位置的一阶导数同时为1或0的次数；D10和D01为两二进制向量在相同位置的一阶导数不相等的次数；
8)计算两条光谱曲线X与Y的相关系数S：
S＝r0×(1-skewmess)×J
r0为交叉相关系数rm＝0。
2.如权利要求1所述的基于近红外光谱的五常稻花香水稻原产地品种识别方法，其特征在于，所述的建模过程，在e)步骤后还包括：
验证当时，适合建模；否则不适合建模；0<t2≤1。
3.如权利要求2所述的基于近红外光谱的五常稻花香水稻原产地品种识别方法，其特征在于，所述f)步骤包括：
采用最小二乘法Xm-(aj·Xm+j+bj)＝min，计算未知系数aj和bj，其中1≤j≤q
计算五常稻花香水稻原产地品种物质的光谱特征曲线
其中：a0＝1，b0＝0；
完成五常稻花香水稻原产地品种的建模。
4.如权利要求1所述的基于近红外光谱的五常稻花香水稻原产地品种识别方法，其特征在于，所述水分子吸收波段的范围分别为：1351～1409nm，1796～1949nm，2451～2500nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110425140.3A CN113092407B (zh) | 2021-04-20 | 2021-04-20 | 基于近红外光谱的五常稻花香水稻原产地品种识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110425140.3A CN113092407B (zh) | 2021-04-20 | 2021-04-20 | 基于近红外光谱的五常稻花香水稻原产地品种识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113092407A CN113092407A (zh) | 2021-07-09 |
| CN113092407B true CN113092407B (zh) | 2024-01-30 |
Family
ID=76678920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110425140.3A Active CN113092407B (zh) | 2021-04-20 | 2021-04-20 | 基于近红外光谱的五常稻花香水稻原产地品种识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113092407B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114756823B (zh) * | 2022-04-18 | 2024-06-11 | 四川启睿克科技有限公司 | 提升花椒光谱模型预测能力的方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110121838A (ko) * | 2010-05-03 | 2011-11-09 | 강원대학교산학협력단 | 근적외 다변량 분석법을 이용한 곡물 시료의 원산지 판별방법 |
| CN104502299A (zh) * | 2014-12-12 | 2015-04-08 | 深圳市计量质量检测研究院 | 一种利用近红外光谱技术鉴别五常稻花香大米的方法 |
| JP2015516570A (ja) * | 2012-04-10 | 2015-06-11 | ビオスパーク・ベー・フェーＢｉｏｓｐａｒｑ Ｂ．Ｖ． | スペクトルデータに基づいたサンプルの分類方法、データベースの作成方法及び該データベースの使用方法、並びに対応するコンピュータプログラム、データ記憶媒体及びシステム |
| CN105158201A (zh) * | 2015-07-27 | 2015-12-16 | 南京财经大学 | 一种基于ft-nir技术的糙米中黄曲霉毒素含量的快速检测方法 |
| CN105424641A (zh) * | 2014-09-04 | 2016-03-23 | 中国石油化工股份有限公司 | 一种原油种类的近红外光谱识别方法 |
| CN106979934A (zh) * | 2017-05-27 | 2017-07-25 | 中国食品药品检定研究院 | 一种利用相关系数进行药品库数据处理的方法 |
| CN107024445A (zh) * | 2017-04-17 | 2017-08-08 | 中国科学院南京土壤研究所 | 蔬菜中硝酸盐的快速检测的建模方法和检测方法 |
| CN107402192A (zh) * | 2017-03-03 | 2017-11-28 | 广西中烟工业有限责任公司 | 一种快速分析香精香料质量稳定性的方法 |
| CN108254351A (zh) * | 2016-12-29 | 2018-07-06 | 同方威视技术股份有限公司 | 用于物品查验的拉曼光谱检测方法 |
| CN108362662A (zh) * | 2018-02-12 | 2018-08-03 | 山东大学 | 近红外光谱相似度计算方法、装置和物质定性分析系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2017314217A1 (en) * | 2016-08-19 | 2019-03-28 | Monash University | Spectroscopic systems and methods for the identification and quantification of pathogens |
-
2021
- 2021-04-20 CN CN202110425140.3A patent/CN113092407B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110121838A (ko) * | 2010-05-03 | 2011-11-09 | 강원대학교산학협력단 | 근적외 다변량 분석법을 이용한 곡물 시료의 원산지 판별방법 |
| JP2015516570A (ja) * | 2012-04-10 | 2015-06-11 | ビオスパーク・ベー・フェーＢｉｏｓｐａｒｑ Ｂ．Ｖ． | スペクトルデータに基づいたサンプルの分類方法、データベースの作成方法及び該データベースの使用方法、並びに対応するコンピュータプログラム、データ記憶媒体及びシステム |
| CN105424641A (zh) * | 2014-09-04 | 2016-03-23 | 中国石油化工股份有限公司 | 一种原油种类的近红外光谱识别方法 |
| CN104502299A (zh) * | 2014-12-12 | 2015-04-08 | 深圳市计量质量检测研究院 | 一种利用近红外光谱技术鉴别五常稻花香大米的方法 |
| CN105158201A (zh) * | 2015-07-27 | 2015-12-16 | 南京财经大学 | 一种基于ft-nir技术的糙米中黄曲霉毒素含量的快速检测方法 |
| CN108254351A (zh) * | 2016-12-29 | 2018-07-06 | 同方威视技术股份有限公司 | 用于物品查验的拉曼光谱检测方法 |
| CN107402192A (zh) * | 2017-03-03 | 2017-11-28 | 广西中烟工业有限责任公司 | 一种快速分析香精香料质量稳定性的方法 |
| CN107024445A (zh) * | 2017-04-17 | 2017-08-08 | 中国科学院南京土壤研究所 | 蔬菜中硝酸盐的快速检测的建模方法和检测方法 |
| CN106979934A (zh) * | 2017-05-27 | 2017-07-25 | 中国食品药品检定研究院 | 一种利用相关系数进行药品库数据处理的方法 |
| CN108362662A (zh) * | 2018-02-12 | 2018-08-03 | 山东大学 | 近红外光谱相似度计算方法、装置和物质定性分析系统 |
Non-Patent Citations (4)
| Title |
|---|
| Measuring similarity and improving stability in biomarker identification methods applied to Fourier-transform infrared (FTIR) spectroscopy;Ju´ lio Trevisan et al.;J. Biophotonics;全文 * |
| 基于近红外光谱和仿生模式识别玉米品种快速鉴别方法;苏谦;邬文锦;王红武;王库;安冬;;光谱学与光谱分析(第09期);全文 * |
| 基于高光谱成像的苹果品种快速鉴别;马惠玲;王若琳;蔡骋;王栋;;农业机械学报(第04期);全文 * |
| 近红外光谱法对松原不同品种大米的确证探究;王朝辉;高地;赖瀚清;王艳辉;沈海鸥;陈雷;程娇娇;王靖会;;食品研究与开发(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113092407A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
| CN110082298B (zh) | 一种基于高光谱图像的小麦品种赤霉病综合抗性鉴定方法 | |
| CN105866056A (zh) | 一种基于近红外光谱的杂交种纯度鉴别方法 | |
| CN109916838A (zh) | 一种基于高光谱成像和人工神经网络的水稻种子发芽能力的检测方法 | |
| CN113092407B (zh) | 基于近红外光谱的五常稻花香水稻原产地品种识别方法 | |
| Yuan et al. | Performance comparison of RGB and multispectral vegetation indices based on machine learning for estimating Hopea hainanensis SPAD values under different shade conditions | |
| CN114660040A (zh) | 微生物单细胞种类鉴定方法、装置、介质及设备 | |
| WO2020112013A1 (en) | Methods, models and systems for predicting yellow rust in wheat crops | |
| CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
| CN114782840A (zh) | 一种基于无人机rgb影像的小麦物候期实时分类方法 | |
| CN113887493A (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
| CN114034672B (zh) | 一种基于叶绿素荧光技术的作物冷损伤程度分级方法 | |
| CN110111029B (zh) | 一种鉴定马鹿、狍及梅花鹿毛发的形态学方法 | |
| Almaguer et al. | Assessment of airborne Curvularia propagules in the atmosphere of Havana, Cuba | |
| CN113433076B (zh) | 基于高光谱成像技术的玉米籽粒中黄曲霉毒素鉴别方法 | |
| CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
| CN114199790A (zh) | 一种光谱检测果茶树营养状况的检测方法及系统 | |
| Ali et al. | Comparative analysis of different methods of leaf area index estimation of Strawberry under Egyptian condition | |
| Kandpal et al. | Identification and classification of medicinal plants of the Indian Himalayan region using Hyperspectral remote sensing and random forest techniques | |
| CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
| CN114112991B (zh) | 一种设施甜瓜盐害无损测定方法及系统 | |
| Sun et al. | Hyperspectral imaging technology combined with genome-wide association study rapidly identifies more genes related to rice quality | |
| Xu et al. | Classification of maize leaf diseases based on hyperspectral imaging technology | |
| Mandal et al. | Assessment of rice blast disease using hyperspectral vegetation indices | |
| CN114548220A (zh) | 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210714 Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Applicant after: Shenzhen Huachuang Zhixin Technology Co.,Ltd. Address before: 518000 room 1, building 7, Baoneng Science Park, Qinghu village, Qinghu community, Longhua street, Longhua District, Shenzhen City, Guangdong Province Applicant before: Shenzhen Guoke Spectrum Technology Co.,Ltd. |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |