CN113655025B - 基于近红外光谱技术快速无损检测水稻种子质量的方法 - Google Patents
基于近红外光谱技术快速无损检测水稻种子质量的方法 Download PDFInfo
- Publication number
- CN113655025B CN113655025B CN202110873150.3A CN202110873150A CN113655025B CN 113655025 B CN113655025 B CN 113655025B CN 202110873150 A CN202110873150 A CN 202110873150A CN 113655025 B CN113655025 B CN 113655025B
- Authority
- CN
- China
- Prior art keywords
- rice seeds
- group
- content
- seeds
- rice
- 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 218
- 235000009566 rice Nutrition 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 12
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 217
- 229920000856 Amylose Polymers 0.000 claims abstract description 40
- 239000003513 alkali Substances 0.000 claims abstract description 37
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 22
- 230000008033 biological extinction Effects 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 35
- 230000035784 germination Effects 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 4
- 208000035473 Communicable disease Diseases 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 208000032544 Cicatrix Diseases 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 231100000241 scar Toxicity 0.000 claims description 2
- 230000037387 scars Effects 0.000 claims description 2
- 238000004497 NIR spectroscopy Methods 0.000 claims 3
- 238000009659 non-destructive testing Methods 0.000 claims 3
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 235000013339 cereals Nutrition 0.000 abstract description 4
- 102000004169 proteins and genes Human genes 0.000 abstract description 3
- 108090000623 proteins and genes Proteins 0.000 abstract description 3
- 239000003292 glue Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004164 analytical calibration Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012136 culture method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000003147 molecular marker Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000010998 test method 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
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Pretreatment Of Seeds And Plants (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及农作物检测技术领域，具体公开了一种基于近红外光谱技术快速无损检测水稻种子质量的方法，包括以下步骤：进行水稻种子样品表面清洁；采用近红外光谱仪分别测定水稻种子水分、蛋白质、直链淀粉的含量以及碱消值和胶稠度；根据水分含量、蛋白质含量、直链淀粉含量、碱消值、胶稠度与标准水稻种子对应项相对差值大小将水稻种子依次进行5次分组；综合水稻种子单个籽粒按水分含量分组所处组别、按蛋白质含量分组所处组别、按直链淀粉含量分组所处组别、按碱消值分组所处组别以及按胶稠度分组所处组别，将水稻种子分成多个质量级别。本发明方法对种子内部结构和外部组成均不会造成任何损伤及污染，简便、快速、准确可靠，适用于实际生产。
Description
技术领域
本发明属于农作物检测技术领域，具体涉及一种基于近红外光谱技术快速无损检测水稻种子质量的方法。
背景技术
国以农为本，农以种为先。我国是农业生产大国和用种大国，农作物种业是国家战略性、基础性核心产业，是促进农业长期稳定发展、保障国家粮食安全的根本。
中国是世界上最大的水稻种子生产国和消费国，水稻种子产业的发展关系到国家粮食的安全。广西是我国水稻的主产省份之一，水稻产量占全区粮食产量的75％以上，是广西最重要的农作物，种植面积位于第一，总产量第三。广西2019年水稻种植面积约为150万公顷，2020年水稻种植面积预计为170万公顷；水稻年用种量约为2933万亩×1kg/亩，大概3000万公斤；水稻种子贮备大概90万公斤，水稻亲本大概每年保存是30万公斤。
水稻种子的品质影响其出芽率、芽势、拱土能力、成苗率和苗整齐度等综合指标，在水稻生产中起重要的作用。近几年，随着我国农业的快速发展，水稻种子的生产逐渐进入自动化阶段，每个环节的误差都有可能影响水稻种子的品质，进而影响水稻生产的最终结果。传统的质量检验方法主要有标准发芽试验、种子形态鉴定、幼苗鉴别、田间小区试验、以生化指纹为依据的电泳谱带鉴定法和以DNA分子多态性为依据的分子标记鉴定法等。但传统种子质量检验方法目前多由种子检验员手工进行操作，由于主观因素，结果差异较大，并且费时、费事，无法满足当前种业市场快速发展的需求。
发明内容
本发明目的在于提供一种基于近红外光谱技术快速无损检测水稻种子质量的方法，克服传统种子质量检验方法手工进行操作多，测试结果差异较大，测试周期长、测量方法繁琐的缺点。
为实现上述目的，本发明提供了一种基于近红外光谱技术快速无损检测水稻种子质量的方法，包括以下步骤：
S1.将完整的水稻种子样品进行表面清洁；
S2.取水稻种子样品用采用近红外光谱仪分别测定水稻种子水分含量、蛋白含量、直链淀粉含量、碱消值以及胶稠度；
S3.分别根据测试水稻种子的水分含量与标准水稻种子的水分含量差值大小将水稻种子进行分组；根据测试水稻种子的蛋白质含量与标准水稻种子的蛋白质含量差值大小将水稻种子进行分组；根据测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量差值大小将水稻种子进行分组；根据测试水稻种子的碱消值与标准水稻种子的碱消值差值大小将水稻种子进行分组；根据测试水稻种子的胶稠度与标准水稻种子的胶稠度差值大小将水稻种子进行分组；所述标准水稻种子的发芽率大于99％，为被测样品同一品种；
S4.综合水稻种子单个籽粒按水分含量分组所处组别、按蛋白质含量分组所处组别、按直链淀粉含量分组所处组别、按碱消值分组所处组别以及按胶稠度分组所处组别，将水稻种子分成多个质量级别。
进一步，上述技术方案中，所述步骤S1中还包括剔除伤痕、腐烂、生理性病害、侵染性病害的种子。
进一步，上述技术方案中，所述步骤S2中每个测试项目独立测试三次，取三次数据的平均值为测定结果。
进一步，上述技术方案中，三次独立测试结果的绝对差值小于或者等于这三个测定值的算术平均值的10％作为有效测定数据，大于10％的进行异常样品的确认。
进一步，上述技术方案中，所述步骤S3中根据水稻种子的水分含量分成2个组别，其中一个组别为测试水稻种子的含水量与标准水稻种子的含水量相对差值小于或等于10％，另一组别为测试水稻种子的含水量与标准水稻种子含水量相对差值大于10％。
进一步，上述技术方案中，所述步骤S3中根据水稻种子的蛋白质含量分成2个组别，其中一个组别为测试水稻种子的蛋白质量与标准水稻种子的蛋白质相对差值小于或等于8％，另一组别为测试水稻种子的蛋白质与标准水稻种子的蛋白质含量相对差值大8％。
进一步，上述技术方案中，所述步骤S3中根据水稻种子的直链淀粉含量分成2个组别，其中一个组别为测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值小于或等于6％，另一组别为测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值大于6％。
进一步，上述技术方案中，所述步骤S3中根据水稻种子的碱消值分成2个组别，其中一个组别为测试水稻种子的碱消值含量与标准水稻种子的碱消值相对差值小于或等于13％，另一组别为测试水稻种子的碱消值与标准水稻种子的碱消值相对差值大于13％。
进一步，上述技术方案中，所述步骤S3中根据水稻种子的胶稠度分成2个组别，其中一个组别为测试水稻种子的胶稠度含量与标准水稻种子的胶稠度相对差值小于或等于2.5％，另一组别为测试水稻种子的胶稠度与标准水稻种子的胶稠度相对差值大于2.5％。
进一步，上述技术方案中，所述步骤S4中水稻种子分成6个质量级别。
本发明的有益效果：
本发明以提供了一种基于近红外光谱技术快速无损检测水稻种子质量的方法，该方法通过采用近红外光谱技术对水稻种子水分含量、蛋白含量、直链淀粉含量、碱消值以及胶稠度检测及检测结果处理从而实现对水稻种子质量的判定，该方法简便、快速、准确可靠。
本方法对种子内部结构和外部组成均不会造成任何损伤，更不会对种子样品产生影响和污染，很好的保证了水稻种子检测结果的真实性和有效性。因此，其在种子检测方面的应用不仅提升了种子检测的质量，同时由于无损检测，也为农户们节约了检测成本，保护企业的经济效益的同时具有良好的环境效益。
具体实施方式
下面结合发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
实施例1：
1.近红外光谱仪选择
选用带可连续扫描单色器的漫反射型近红外光谱仪或其他类产品，光谱范围为950nm～1650nm，波长准确度≤0.3nm，波长的重现性每连续两次＜0.02nm或每年小于＜0.2nm，软件主要考虑具有NIR光谱数据的收集、存储、预处理、建模和预测等功能方便使用，例如选用德国波通公司DA7200近红外光谱仪。
2.校准近红外光谱仪及参数的设定
测定前应对仪器进行校准，参数的设定为：
1)分辨率：0.1nm～10nm；
2)光谱收集速率：100次/秒。
3.样品准备
将完整的水稻种子样品表面适当地清洁，剔除伤痕、腐烂、生理性病害、侵染性病害等的种子。主要考虑样品测定结果不受其他因素影响。
4.定标模型的选择
定标模型的选择原则为定标样品的NIR光谱能代表被测定样品的NIR光谱。通过比较它们光谱间的GH值，如果待测样品GH值＜3，则可选用该定标模型；如果待测样品GH值＞3，则不能选用该定标模型。
5.监控样品的测定和仪器校正
按照近红外光谱仪说明书的要求，取水稻种子监控样品用近红外光谱仪进行测定，记录测定数据，根据监控样品的水分含量、蛋白含量、直链淀粉含量、碱消值以及胶稠度校准仪器。
6.水稻种子样品的测定
按照近红外光谱仪说明书的要求对仪器进行自检；取代表性水稻种子样品用近红外光谱仪进行水分含量、蛋白含量、直链淀粉含量、碱消值以及胶稠度测定，记录测定数据。
7.检测结果处理
(1)在重复条件下获得的三次独立测试结果的绝对差值不大于这三个测定值的算术平均值的10％，并且测定结果应在定标模型所覆盖的含量范围内，则取三次数据的平均值为测定结果，测定结果保留小数点后2位；
(2)如果两个测试结果的绝对差值大于三个测定值的算术平均值的10％，对造成测定结果异常的原因进行确认和排除后，按原方法重新进行近红外测试及数据处理。
例如测定结果异常原因可能为：
a)该样品检测项目含量超过了该仪器定标模型的范围；
b)该样品品种与参与该仪器定标样品集的品种有很大差异；
c)采用了错误的定标模型；
d)样品中杂质过多；
e)光谱扫描过程中样品发生了位移；
f)样品温度超出定标模型规定的温度范围。
8.根据水稻种子的水分含量分组，例如分成2个组别，分别命名为A1和A2，并且以测试水稻种子的含水量与标准水稻种子的含水量相对差值的10％作为分界线，其中A1组别为测试水稻种子的含水量与标准水稻种子的含水量相对差值小于或是等10％，A2组别为测试水稻种子的含水量与标准水稻种子的含水量相对差值大于10％；根据水稻种子的蛋白质含量分组，例如分成2个组别，分别命名为B1和B2，并且以测试水稻种子的蛋白质含量与标准水稻种子的蛋白质含量相对差值的8％作为分界线，其中B1组别为测试水稻种子的蛋白质量与标准水稻种子的蛋白质相对差值小于或是等于8％，B2组别为测试水稻种子的蛋白质与标准水稻种子的蛋白质含量相对差值大8％；根据水稻种子的直链淀粉含量分组，例如分成2个组别，分别命名为C1和C2，并且以测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值的6％作为分界线，其中C1组别为测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值小于或是等于6％，C2组别为测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值大于6％；根据水稻种子的碱消值分组，例如分成2个组别，分别命名为D1和D2，并且以测试水稻种子的碱消值与标准水稻种子的碱消值相对差值的13％作为分界线，其中D1组别为测试水稻种子的碱消值与标准水稻种子的碱消值相对差值小于或是等于13％，D2组别为测试水稻种子的碱消值与标准水稻种子的碱消值相对差值大于13％；根据水稻种子的胶稠度分组，例如分成2个组别，分别命名为E1和E2，并且以测试水稻种子的碱消值与标准水稻种子的碱消值相对差值的2.5％作为分界线，其中E1组别为测试水稻种子的胶稠度与标准水稻种子的胶稠度相对差值小于或是等于2.5％，E2组别为测试水稻种子的胶稠度与标准水稻种子的胶稠度相对差值大于2.5％；所述标准水稻种子为被测样品同一品种，籽粒健康饱满，发芽率大于99％。
所述各检测项目分组的分界线是通过试验得到，其方法是：将水稻种子混合均匀，按照水稻种子的含水量与标准水稻种子的含水量相对差值在2％以内、2～4％、4～6％梯度递增到98～100％，分别检测各范围内的水稻种子的发芽率，选取发芽率变化最大的两相邻范围，取他们端点重叠数作为分界线，为10％；将水稻种子混合均匀，按照水稻种子的蛋白质含量与标准水稻种子的蛋白质含量相对差值在2％以内、2～4％、4～6％梯度递增到98～100％，分别检测各范围内的水稻种子的发芽率，选取发芽率变化最大的两相邻范围，取他们端点重叠数作为分界线，为8％，将水稻种子混合均匀，按照水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值在2％以内、2～4％、4～6％梯度递增到98～100％，分别检测各范围内的水稻种子的发芽率，选取发芽率变化最大的两相邻范围，取他们端点重叠数作为分界线，为6％，将水稻种子混合均匀，按照水稻种子的碱消值与标准水稻种子的碱消值相对差值在1％以内、1～2％、2～3％梯度递增到99～100％，分别检测各范围内的水稻种子的发芽率，选取发芽率变化最大的两相邻范围，取他们端点重叠数作为分界线，为13％，按照水稻种子的胶稠度与标准水稻种子的胶稠度相对差值在0.5％以内、0.5～1％、1～1.5％梯度递增到99.5～100％，分别检测各范围内的水稻种子的发芽率，选取发芽率变化最大的两相邻范围，取他们端点重叠数作为分界线，为2.5％。
9.结合单粒水稻种子水分含量、蛋白质含量、直链淀粉含量、碱消值以及胶稠度分组结果综合判断种子质量，将水稻种子质量分成6个等级,分别为1级、2级、3级、4级、5级和6级，质量依次递减，具体划分方式如下：
水稻种子质量为1级：(A1 B1 C1 D1 E1)；
水稻种子质量为2级：(A2 B1 C1 D1 E1)、(A1 B2 C1 D1 E1)、(A1 B1 C2 D1 E1)、(A1 B1 C1 D2 E1)、(A1 B1 C1 D1 E2)；
水稻种子质量为3级：(A2 B2 C1 D1 E1)、(A1 B2 C2 D1 E1)、(A1 B1 C2 D2 E1)、(A1 B1 C1 D2 E2)、(A2 B1 C1 D1 E2)、(A2 B1 C2 D1 E1)、(A2 B1 C1 D2 E1)、(A1 B2 C1D2 E1)、(A1 B2 C1 D1 E2)、(A1 B1 C2 D1 E2)；
水稻种子质量为4级：(A1 B1 C2 D2 E2)、(A2 B1 C1 D2 E2)、(A2 B2 C1 D1 E2)、(A2 B2 C2 D1 E1)、(A1 B2 C2 D2 E1)、(A1 B2 C1 D2 E2)、(A1 B2 C2 D1 E2)、(A2 B1 C2D1 E2)、(A2 B1 C2 D2 E1)、(A2 B2 C1 D2 E1)；
水稻种子质量为5级：(A1 B2 C2 D2 E2)、(A2 B1 C2 D2 E2)、(A2 B2 C1 D2 E2)、(A2 B2 C2 D1 E2)、(A2 B2 C2 D2 E1)。
水稻种子质量为6级：(A2 B2 C2 D2 E2)
实施例2
近红外光谱检测水稻种子水分含量、蛋白质含量、直链淀粉含量、碱消值以及胶稠度的准确度检验：
按实施例1试验方法进行实验，选取3个水稻种子样品进行测定，每个样品称取3个平行样，分别在2家实验室进行试验比对，测定结果见表1～5，分析结果相对标准偏差(RSD值)：水分在1.44％～4.23％，蛋白在1.09％～3.66％，直链淀粉在0.31％～1.53％，碱消值在0.93％～3.70％，胶稠度在0.13％～1.09％，而且同一样品在重复条件下2家实验室获得的测试结果一致性较高，说明测试的数据准确度较好。
表1样品水分含量测定结果
表2样品蛋白质含量测定结果
表3样品直链淀粉含量测定结果
表4样品碱消值含量测定结果
表5样品胶稠度含量测定结果
实施例3
近红外光谱检测水稻种子水分含量、蛋白质含量、直链淀粉含量、碱消值以及胶稠度的精密度检验：
按实施例1方法对水稻种子样品进行测定，选取2家实验室进行比对试验，分别得出7个平行样的测定结果,7次平行样品的测定结果见表6～10。从测定结果可以看出，其相对标准偏差：水分在1.65％～1.90％，蛋白在2.48％～1.93％，直链淀粉在1.27％～1.75％，碱消值在2.99％～4.20％，胶稠度在0.80％～1.96％，说明方法的精密度高。而且水分，蛋白，直链淀粉，碱消值，胶稠度在重复条件下2家实验室获得的测试结果的绝对差值相比这两个测定值的算术平均值分别为：水分1.26％，蛋白0.44％，直链淀粉1.20％，碱消值0.27％，胶稠度0.55％，进一步证明检测精密度高，适应性好。
表6样品水分含量测定结果
表7样品蛋白质含量测定结果
表8样品直链淀粉含量测定结果
表9样品碱消值测定结果
表10样品胶稠度测定结果
实施例4
根据所述的水稻种子质量检测判定方法，对水稻种子质量进行检测分级并且按照农作物检验规程(GB/T3534-1995)，采用纸培法进行发芽试验，第5天进行发芽率测定，考察各级质量种子的发芽率，其结果如表11所示，由表可知其中1级质量水稻种子的发芽率为100％，2级质量水稻种子发芽率为93.5％，3级质量的水稻种子发芽率为86％，4级水稻种子发芽率为80.5％，5级水稻种子发芽率为74.5％，6级水稻种子发芽率为63％，不同质量等级水稻种子发芽率差别明显，表明该方法用于区分水稻种子质量准确有效。
表11水稻种子发芽率测定结果
综上所述，本发明基于近红外光谱技术快速无损检测水稻种子质量的方法通过采用近红外光谱技术对水稻种子水分含量、蛋白含量、直链淀粉含量、碱消值以及胶稠度检测及检测结果处理从而实现对水稻种子质量的判定，该方法简便、快速、准确可靠，可以用于实际生产。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (4)
1.一种基于近红外光谱技术快速无损检测水稻种子质量的方法，其特征在于，包括以下步骤：
S1.将水稻种子样品进行表面清洁；
S2.取水稻种子样品用采用近红外光谱仪分别测定水稻种子水分含量、蛋白含量、直链淀粉含量、碱消值以及胶稠度；
S3.分组：
根据测试水稻种子的水分含量与标准水稻种子的水分含量相对差值大小将水稻种子分成A1组别和A2组别，其中A1组别为测试水稻种子的含水量与标准水稻种子的含水量相对差值小于或等于10％，A2组别为测试水稻种子的含水量与标准水稻种子含水量相对差值大于10%；
根据测试水稻种子的蛋白质含量与标准水稻种子的蛋白质含量相对差值大小将水稻种子分成B1组别和B2组别，其中B1组别为测试水稻种子的蛋白质量与标准水稻种子的蛋白质相对差值小于或等于8%，B2组别为测试水稻种子的蛋白质与标准水稻种子的蛋白质含量相对差值大8%；
根据测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值大小将水稻种子分成C1组别和C2组别，其中C1组别为测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值小于或等于6%，C2组别为测试水稻种子的直链淀粉含量与标准水稻种子的直链淀粉含量相对差值大于6%；
根据测试水稻种子的碱消值与标准水稻种子的碱消值相对差值大小将水稻种子分成D1组别和D2组别，其中D1组别为测试水稻种子的碱消值含量与标准水稻种子的碱消值相对差值小于或等于13%，D2组别为测试水稻种子的碱消值与标准水稻种子的碱消值相对差值大于13%；
根据测试水稻种子的胶稠度与标准水稻种子的胶稠度相对差值大小将水稻种子分成E1组别和E2组别，其中E1组别为测试水稻种子的胶稠度含量与标准水稻种子的胶稠度相对差值小于或等于2.5%，E2组别为测试水稻种子的胶稠度与标准水稻种子的胶稠度相对差值大于2.5%；
所述标准水稻种子的发芽率大于99%，为被测样品同一品种；
S4.综合水稻种子单个籽粒按水分含量分组所处组别、按蛋白质含量分组所处组别、按直链淀粉含量分组所处组别、按碱消值分组所处组别以及按胶稠度分组所处组别，将水稻种子分成6个等级，分别为1级、2级、3级、4级、5级和6级，质量依次递减，具体划分方式如下：
水稻种子质量为1级：(A1 B1 C1 D1 E1)；
水稻种子质量为2级：(A2 B1 C1 D1 E1)、(A1 B2 C1 D1 E1)、(A1 B1 C2 D1 E1)、(A1B1 C1 D2 E1)、(A1 B1 C1 D1 E2)；
水稻种子质量为3级：(A2 B2 C1 D1 E1)、(A1 B2 C2 D1 E1)、(A1 B1 C2 D2 E1)、(A1B1 C1 D2 E2)、(A2 B1 C1 D1 E2)、(A2 B1 C2 D1 E1)、(A2 B1 C1 D2 E1)、(A1 B2 C1 D2E1)、(A1 B2 C1 D1 E2)、(A1 B1 C2 D1 E2)；
水稻种子质量为4级：(A1 B1 C2 D2 E2)、(A2 B1 C1 D2 E2)、(A2 B2 C1 D1 E2)、(A2B2 C2 D1 E1)、(A1 B2 C2 D2 E1)、(A1 B2 C1 D2 E2)、(A1 B2 C2 D1 E2)、(A2 B1 C2 D1E2)、(A2 B1 C2 D2 E1)、(A2 B2 C1 D2 E1)；
水稻种子质量为5级：(A1 B2 C2 D2 E2)、(A2 B1 C2 D2 E2)、(A2 B2 C1 D2 E2)、(A2B2 C2 D1 E2)、(A2 B2 C2 D2 E1)；
水稻种子质量为6级：(A2 B2 C2 D2 E2)。
2.根据权利要求1所述的基于近红外光谱技术快速无损检测水稻种子质量的方法，其特征在于，所述步骤S1中还包括剔除伤痕、腐烂、生理性病害、侵染性病害的种子。
3.根据权利要求1所述的基于近红外光谱技术快速无损检测水稻种子质量的方法，其特征在于，所述步骤S2中每个测试项目独立测试三次，取三次数据的平均值为测定结果。
4.根据权利要求3所述的基于近红外光谱技术快速无损检测水稻种子质量的方法，其特征在于，三次独立测试结果的绝对差值小于或者等于这三个测定值的算术平均值的10％作为有效测定数据，如果三次独立测试结果的绝对差值大于这三个测定值的算术平均值的10％，对造成测定结果异常的原因进行确认和排除后，按原方法重新进行近红外测试及数据处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873150.3A CN113655025B (zh) | 2021-07-30 | 2021-07-30 | 基于近红外光谱技术快速无损检测水稻种子质量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110873150.3A CN113655025B (zh) | 2021-07-30 | 2021-07-30 | 基于近红外光谱技术快速无损检测水稻种子质量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113655025A CN113655025A (zh) | 2021-11-16 |
| CN113655025B true CN113655025B (zh) | 2024-03-19 |
Family
ID=78490224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110873150.3A Active CN113655025B (zh) | 2021-07-30 | 2021-07-30 | 基于近红外光谱技术快速无损检测水稻种子质量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113655025B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115420868A (zh) * | 2022-08-30 | 2022-12-02 | 华能山东发电有限公司白杨河发电厂 | 一种工业循环水水质数据采样及处理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002067698A1 (en) * | 2001-02-26 | 2002-09-06 | Biovelop International B.V. | Process for the fractionation of cereal brans |
| CN101530061A (zh) * | 2009-04-16 | 2009-09-16 | 浙江大学 | 一种高锌营养优质水稻的培育方法 |
| CN110514594A (zh) * | 2019-08-16 | 2019-11-29 | 长江大学 | 一种基于光声光谱的水稻种子水分含量分级快速检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101574895B1 (ko) * | 2014-06-26 | 2015-12-04 | 제주대학교 산학협력단 | Ｆｔ―ｉｒ 스펙트럼 데이터의 다변량 통계분석을 이용한 감귤의 당도 및 산도 예측 방법 |
| FR3073712B1 (fr) * | 2017-11-21 | 2021-02-19 | Valorex Sa | Procede de traitement de graines proteagineuses en vue d'ameliorer leur valorisation a titre d'aliments |
-
2021
- 2021-07-30 CN CN202110873150.3A patent/CN113655025B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002067698A1 (en) * | 2001-02-26 | 2002-09-06 | Biovelop International B.V. | Process for the fractionation of cereal brans |
| CN101530061A (zh) * | 2009-04-16 | 2009-09-16 | 浙江大学 | 一种高锌营养优质水稻的培育方法 |
| CN110514594A (zh) * | 2019-08-16 | 2019-11-29 | 长江大学 | 一种基于光声光谱的水稻种子水分含量分级快速检测方法 |
Non-Patent Citations (13)
| Title |
|---|
| "基于近红外光谱的烤烟烟叶自动分组方法";章英, 贺立源;《农业工程学报》;第27卷(第4期);350-354 * |
| "基于雷达图分析法初步评价稻米食味品质的研究";方长云, 胡贤巧, 邵雅芳等;《中国稻米》;第23卷(第2期);13-17 * |
| 基于计算机视觉的花生品质分级检测研究;韩仲志;赵友刚;;中国农业科学(第18期);全文 * |
| 基于近红外光谱的烤烟烟叶自动分组方法;章英;贺立源;;农业工程学报;20110430(第04期);全文 * |
| 基于高光谱的水稻种子活力无损分级检测;许思;赵光武;邓飞;祁亨年;;种子(第04期);全文 * |
| 江苏粳稻产量与品质性状及其相互关系分析;李刚;高清松;王健;罗伯祥;程保山;徐卫军;储成才;袁彩勇;;湖南农业大学学报(自然科学版);20170825(第04期);全文 * |
| 烤烟24级收购标准可行性的农业验证;李文刚;;四川农业科技;20180815(第08期);全文 * |
| 知母种子质量分级标准的研究;陈彩霞;贾彩凤;李先恩;赵晨光;侯俊玲;王文全;;中国现代中药(第02期);全文 * |
| 紫叶水稻突变体PLM的品质研究;高晓玲;;安徽农业科学;20101210(第35期);全文 * |
| 近红外光谱分析技术及其在稻米品质改良中的应用;马洪文;谢万奇;殷延勃;武绍湖;王昕;;宁夏农林科技(第08期);全文 * |
| 近红外光谱分析技术在苹果品质检测中的应用进展;王世芳;崔广禄;冯晓元;韩平;;食品安全质量检测学报(第12期);全文 * |
| 近红外光谱分析法快速测定稻谷常规化学指标;杨学文;;粮油食品科技(第05期);全文 * |
| 远志种子质量分级标准考察;王媛媛;彭亮;肖建玮;高萌;雷瑞祥;张华;杨凡;胡本祥;;中国实验方剂学杂志(第17期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113655025A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN102279168A (zh) | 基于近红外光谱技术快速无损分析整粒棉籽营养品质的方法 | |
| CN101413885A (zh) | 一种快速定量蜂蜜品质的近红外光谱方法 | |
| CN106706553A (zh) | 一种快速无损测定玉米单籽粒直链淀粉含量的方法 | |
| CN112098357B (zh) | 一种基于近红外光谱的草莓感官品质等级评价方法 | |
| Wang et al. | Quantitative analysis of fat content in rice by near‐infrared spectroscopy technique | |
| CN106908408A (zh) | 一种多花黑麦草粗蛋白含量的测定方法 | |
| CN104155264A (zh) | 一种用近红外光谱技术预测火炬松松脂中松节油含量的方法 | |
| CN113655025B (zh) | 基于近红外光谱技术快速无损检测水稻种子质量的方法 | |
| CN111855592A (zh) | 水稻单位面积内地上部干物重遥感反演模型和方法 | |
| CN108627468A (zh) | 一种饲用苎麻叶片粗纤维含量的预测方法 | |
| 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 | |
| CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
| CN107314985A (zh) | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 | |
| CN108827907A (zh) | 一种基于近红外光谱对彩棉色度的快速测定方法 | |
| CN107314986A (zh) | 一种利用近红外光谱检测油菜茎秆可溶性糖含量的方法 | |
| CN110596048A (zh) | 一种光谱速测烟草叶片中钾含量的方法 | |
| CN110308139B (zh) | 基于激光诱导击穿光谱的水稻种子活力分级检测方法 | |
| CN106404699A (zh) | 一种梨树叶片氮素含量的无损测量方法 | |
| CN1712937A (zh) | 非破坏快速检测复合肥中多种元素组分含量的方法 | |
| CN105067561A (zh) | 一种棉籽粉中锰元素含量的测定方法 | |
| CN107314987A (zh) | 一种利用近红外光谱检测油菜单株产量的方法 | |
| Van Deynze et al. | Seed colour assessment in Brassica napus using a Near Infrared Reflectance spectrometer adapted for visible light measurements | |
| CN115931770A (zh) | 基于近红外光谱技术快速无损检测玉米种子质量的方法 | |
| CN115843681A (zh) | 一种大白菜耐热品种鉴定及评价方法 |
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 |