CN114813631A - 小麦品种纯度检测方法、装置和电子设备 - Google Patents
小麦品种纯度检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114813631A CN114813631A CN202210715451.8A CN202210715451A CN114813631A CN 114813631 A CN114813631 A CN 114813631A CN 202210715451 A CN202210715451 A CN 202210715451A CN 114813631 A CN114813631 A CN 114813631A
- Authority
- CN
- China
- Prior art keywords
- variety
- wheat
- spectrum
- sample
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 292
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 292
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 167
- 230000005540 biological transmission Effects 0.000 claims abstract description 93
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000000411 transmission spectrum Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 122
- 230000004927 fusion Effects 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 4
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 5
- 238000012937 correction Methods 0.000 description 17
- 235000013339 cereals Nutrition 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013094 purity test Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01N21/359—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
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- 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)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种小麦品种纯度检测方法、装置和电子设备，利用一组真实性已知的目标小麦品种和其他小麦品种构成的样本集作为建模用的校正集，通过采集校正集的漫反射近红外光谱和漫透射光谱，之后进行融合获得样品的漫反漫透射融合光谱，利用判别式偏最小二乘法构建融合光谱与小麦品种标签的回归模型，在预测待测小麦样本时，获得待测小样样本的融合光谱，输入回归模型预测小麦的品种归属，根据小麦品种归属计算待测小麦样本中目标品种小麦的纯度。实现不消耗试剂、不损伤样本、准确、客观、快速、简便的小麦品种纯度检测。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种小麦品种纯度检测方法、装置和电子设备。
背景技术
小麦是我国最主要的粮食作物之一，小麦的品种纯度是小麦育种的关键指标，反映目标品种小麦在全部待测小麦样本中的比例，高纯度的优质小麦是发挥小麦品种优势的关键，严重影响着小麦的产量和质量。
近红外光谱技术（NIRS）是以产品含氢基团为主要检测对象的现代分析技术，具有快速、无损、客观、环保的优点。由于不损伤样品且同时采集多组分信息，可以利用该技术在单籽粒水平上对每个籽粒的真实性进行判别，根据真实性归属统计作物的纯度。已经有一些利用近红外光谱技术检测粮食作物种子真实性的报道，证实了该方法的可行性。然而，现有的作物种子真实性的近红外光谱分析方法大多采用漫反射或漫透射两种采集方式进行光谱采集，在此基础上分析而来。实际上而漫反射和漫透射两种方式收获的近红外光谱信息各有优劣，其中漫透射光谱采集样品内部信息较多，但易受样品厚度材质等属性影响而造成光程变化，而漫反射光谱受光程影响小，但光谱中包含的样品表层信息占比较多而内部信息占比较少。因此，仅仅基于作物籽粒的漫反射光谱或者漫透射光谱展开的分析有时不能提供足够全面完整的作物品种之间的光谱差异，从而影响光谱判别的准确性。
数据融合技术是一种联合多个来源信号的新兴技术，通过多个来源信号的有效整合实现检测或判别效果的提高。目前，近红外、中红外、拉曼、激光诱导击穿光谱等光谱之间的数据融合的有效性已被许多报道证实。近红外漫反射和漫透射光谱作为两种来源的信号，彼此间存在互补和冗余的信息，有潜力被融合以提供更完整全面的样本信息，从而提高检测精度。基于这一原理，本发明提出一种基于近红外光谱技术和数据融合的小麦品种纯度检测方法。通过收集一组真实性已知的目标小麦品种和其他小麦品种构成的样本集作为建模用的校正集，采集校正集的近红外漫反射和漫透射光谱、之后首尾拼接获得样品的漫反-漫透射融合光谱，利用判别式偏最小二乘法构建融合光谱与小麦品种标签的回归模型。在预测未知小麦样品是否为指定的目标品种时，采集其近红外漫反射和漫透射光谱，用相同处理获得融合光谱，并调用以目标品种为分类指标预先训练的模型预测每份小麦的品种归属，最后计算待测样本中目标小麦的纯度。所述方法不消耗试剂、准确、客观、快速、简便，有望取代传统方法，为作物育种和粮食收储时小麦品种纯度的质量控制提供技术支撑。
发明内容
本发明提供一种小麦品种纯度检测方法、装置和电子设备，用于解决现有技术中检测缓慢、损伤样品的缺陷，实现检测过程快速、不损伤样品，相比现有技术检测更为精确。
本发明提供一种小麦品种纯度检测方法，包括：
获取第一数量的待测小麦样本对应的漫反漫透融合光谱；
将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签；
根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签中为目标品种的数量；
其中，所述回归模型是通过如下步骤获得：
获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本；
对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵；
基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型。
根据本发明提供的一种小麦品种纯度检测方法，所述对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵，包括：
对所述目标品种小麦样本和非目标品种小麦样本进行漫反射光谱采集和漫透射光谱采集，得到对应的漫反射近红外光谱样本和漫透射近红外光谱样本；
对所述漫反射近红外光谱和所述漫透射近红外光谱进行光谱融合，得到漫反漫透融合光谱样本；
根据所述漫反漫透融合光谱样本进行数据处理，得到光谱矩阵。
根据本发明提供的一种小麦品种纯度检测方法，所述基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型，包括：
利用如下公式分解所述光谱矩阵和所述品种标签：
X=TP+EX
Y= UQ+EY
其中，X表示所述光谱矩阵，Y表示所述品种标签，T表示所述光谱矩阵的得分矩阵，U表示所述品种标签的得分矩阵，P表示所述光谱矩阵的载荷矩阵，Q表示所述品种标签的载荷矩阵，EX表示所述光谱矩阵的偏最小二乘拟合残差矩阵，EY表示所述品种标签的偏最小二乘拟合残差矩阵；
利用如下公式进行线性回归：
U=TB
B=(TTT)-1TTY
其中，U表示所述品种标签的得分矩阵，T表示所述光谱矩阵的得分矩阵，B表示对角回归系数矩阵，TT表示所述光谱矩阵的得分矩阵的转置矩阵，Y表示所述品种标签。
根据本发明提供的一种小麦品种纯度检测方法，所述获取第一数量的待测小麦样本对应的漫反漫透融合光谱，包括：
获取第一数量的待测小麦样本对应的漫反射近红外光谱和漫透射近红外光谱；
对所述待测小麦样本对应的漫反射近红外光谱和漫透射近红外光谱进行融合，得到待测小麦样本对应的漫反漫透融合光谱。
根据本发明提供的一种小麦品种纯度检测方法，所述将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签，包括：
根据所述光谱矩阵的载荷矩阵计算所述待测小麦样本对应的漫反漫透融合光谱的得分；
根据所述漫反漫透融合光谱的得分确定所述待测小麦样本的品种标签的预测值；
根据所述待测小麦样本的品种标签的预测值和预设规则确定所述待测小麦样本的品种标签。
根据本发明提供的一种小麦品种纯度检测方法，所述根据所述漫反漫透融合光谱的得分确定所述待测小麦样本的品种标签的预测值，包括：
利用如下公式确定所述待测小麦样本的品种标签的预测值：
yp＝tpBQ
其中，yp表示所述待测小麦样本的品种标签的预测值，tp表示所述待测小麦样本对应的漫反漫透融合光谱的得分，B表示对角回归系数矩阵，Q表示所述品种标签的载荷矩阵。
根据本发明提供的一种小麦品种纯度检测方法，所述根据所述待测小麦样本的品种标签的预测值和预设规则确定所述待测小麦样本的品种标签，包括：
当所述待测小麦样本的品种标签的预测值大于等于预设值，确定所述待测小麦样本的品种标签为与目标品种小麦样本对应品种标签一致的目标品种；
将品种标签为目标品种的待测小麦样本的数量合计为所述第二数量。
本发明还提供一种小麦品种纯度检测装置，包括：
检测模块，获取第一数量的待测小麦样本对应的漫反漫透融合光谱；将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签；根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签为目标品种的数量；
配置模块，用于获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本；对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵；基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型。
本发明还提供一种电子设备，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如上述任一种所述小麦品种纯度检测方法的步骤。
本发明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如上述任一种所述小麦品种纯度检测方法的步骤。
本发明提供的小麦品种纯度检测方法、装置和电子设备，利用一组真实性已知的目标小麦品种和其他小麦品种构成的样本集作为建模用的校正集，通过对校正集中的样本进行光谱采集和光谱处理得到光谱矩阵，利用判别式偏最小二乘法构建光谱矩阵与小麦品种标签的回归模型，在预测待测小麦样本时，采集其漫反漫透融合光谱，并调用模型预测小麦的品种归属，最后计算待测小麦样本中目标小麦的纯度，实现不消耗试剂、不损伤样品、准确、快速、简便地小麦品种纯度检测。
附图说明
为了更清楚地说明本发明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是本发明提供的构建回归模型的流程示意图；
图2是本发明提供的小麦品种纯度检测方法的流程示意图；
图3是本发明提供的小麦品种纯度检测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
本发明提供了一种回归模型，回归模型用于小麦品种纯度检测方法，如图1所示，回归模型通过如下步骤得到，包括步骤S11-S13：
S11、获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本。
具体的，样本集也可称校正集，校正集中的非目标品种数量可以根据实际需要进行设定，一个示例中，根据不同需要设定校正集，如表1所示，校正集1和校正集2是根据不同非目标品种数量需要设定校正集，其品种和样本数量如表1所示：
表1 小麦品种纯度校正集的样本构成
由表1可知，小麦品种真实性检测校正集1由144粒目标品种小麦（A）和144粒其他品种小麦（包括B、C、D、E和F等5个品种）组成；校正集2由144粒目标品种小麦（G）和144粒其他品种小麦（H和I），两组校正集的目标品种小麦的纯度均为50%。对两组校正集，分别对目标品种小麦赋予目标品种标签，对非目标品种小麦赋予非目标品种小麦标签。
S12、对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵。
可选的，步骤S12可以具体为S121-S123：
S121、对所述目标品种小麦样本和非目标品种小麦样本进行漫反射光谱采集和漫透射光谱采集，得到对应的漫反射近红外光谱样本和漫透射近红外光谱样本。
具体地，在近红外光谱仪上采用漫反射和漫透射方式采集每份小麦样本的漫反射近红外光谱样本和漫透射近红外光谱样本。一个示例中，当采用漫反射采集时，可以将样品腹部朝下置于样品窗口上，利用漫反射模式采集漫反射光谱，光谱的采集范围为11988-3996 cm-1，分辨率为7.7 cm-1，其中，一份样品对应一粒小麦，对每份样品即每粒小麦采集1次漫反射近红外光谱；当采用漫透射采集时，可以将一中心有2mm圆孔的铝片置于样品窗口上，然后将每粒小麦样品腹部朝下置于铝片正中，放置于红外光谱仪的采集窗口上，利用漫透射模式采集漫透射红外光谱，光谱的采集范围为 12489-5793 cm-1，分辨率为7.7 cm-1。
S122、对所述漫反射近红外光谱和所述漫透射近红外光谱进行光谱融合，得到漫反漫透融合光谱样本。
具体地，可以对所述漫反射近红外光谱和所述漫透射近红外光谱进行光谱融合，得到漫反漫透融合光谱样本。一个示例中，对每份小麦样品的漫反射近红外光谱和漫透射近红外光谱首尾拼接，获得每份小麦样本的漫反漫透射融合光谱。漫透射范围相比漫反射范围的小麦光谱具有更高的吸光度，主要集中在6000-8500 cm-1，而漫反射范围虽然光谱吸光度相对较低，但该范围的长波区域（波数小于6000 cm-1）有多个吸收峰，这些吸收峰与小麦主要成分如淀粉、蛋白有关，能够提供漫透射光谱不具备的补充信息，通过漫反漫透射融合，小麦的光谱信息被更完整的获取，为后续更准确的分析提供基础。
S123、根据所述漫反漫透融合光谱样本进行数据处理，得到光谱矩阵。
具体地，可以对漫反漫透射融合光谱进行处理得到光谱矩阵，一个示例中，进一步截取漫反射范围4636-6110 cm-1的片段和漫透射范围7259-11672 cm-1的片段，采用一阶导数和矢量归一化算法处理光谱，其中一阶导数的平滑点数为17点。
S13、基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型。
具体的，根据不同实际需求可以设定指定品种小麦的作为目标品种小麦，将目标品种小麦的标签设定为目标品种，从而根据不同实际需求构建目标品种对应的回归模型。
进一步，步骤S13可以具体为：
S131、利用如下公式1和公式2分解所述光谱矩阵和所述品种标签：
X=TP+EX （1）
Y= UQ+EY （2）
其中，X表示所述光谱矩阵，Y表示所述品种标签，T表示所述光谱矩阵的得分矩阵，U表示所述品种标签的得分矩阵，P表示所述光谱矩阵的载荷矩阵，Q表示所述品种标签的载荷矩阵，EX表示所述光谱矩阵的偏最小二乘拟合残差矩阵，EY表示所述品种标签的偏最小二乘拟合残差矩阵。
S132、利用如下公式3和公式4进行线性回归：
U=TB （3）
B=(TTT)-1TTY （4）
其中，U表示所述品种标签的得分矩阵，T表示所述光谱矩阵的得分矩阵，B表示对角回归系数矩阵，TT表示所述光谱矩阵的得分矩阵的转置矩阵，Y表示所述品种标签。
具体地，一个示例中，作为对照，可以对两组校正集所采集的每份小麦样本的漫反射近红外光谱和漫透射近红外光谱，利用判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型，模型采用无预处理以及全光谱范围建模，潜变量个数为10，为验证构建的两组回归模型对小麦真实性的判别性能，对每一组校正集样品，利用漫反射、漫透射和回归模型进行留一交叉验证。当该粒小麦的预测值大于等于1.5时判定为目标品种小麦，当预测值小于1.5时判定为该小麦为其他品种小麦。回归模型和对照模型（漫反射模型和漫透射模型）的留一交叉验证结果如表2所示。
表2 回归模型和对照模型预测小麦品种真实性的留一交叉验证结果
由表2所示，本发明实施例中，对于校正集1，A品种真实性近红外判别中本发明基于漫反漫透射设计的回归模型所预测的纯度为50.35%，比对应的漫反射模型和漫透射模型具有更低的误判个数、更高的判别正确率，以及更低的纯度预测误差；对于校正集2，G品种真实性近红外判别中本发明基于漫反漫透射设计的回归模型所预测的纯度为50%，比对应的漫反射模型和漫透射模型具有更低的误判个数、更高的判别正确率，以及更低的纯度预测误差。该结果证明了近红外结合漫反-漫透融合方法在小麦目标品种纯度检测时相比其他方法的优越性，具有良好的纯度预测性能。
基于上述回归模型，本发明提供一种小麦品种纯度检测方法，如图2所示，图2包括步骤S21-S23：
S21、获取第一数量的待测小麦样本对应的漫反漫透融合光谱。
具体地，对于第一数量的待测小麦样本，可以获取与每个待测小麦样本一一对应的漫反漫透融合光谱，最终获得第一数量的漫反漫透融合光谱，可选的，步骤S21可以具体为S211-S212。
S211、获取第一数量的待测小麦样本对应的漫反射近红外光谱和漫透射近红外光谱。
S212、对所述待测小麦样本对应的漫反射近红外光谱和漫透射近红外光谱进行融合，得到待测小麦样本对应的漫反漫透融合光谱。
具体地，对待测小麦样本进行漫反射光谱采集和漫透射光谱采集，得到对应的漫反射近红外光谱样本和漫透射近红外光谱，对漫反射近红外光谱和所述漫透射近红外光谱进行光谱融合，得到漫反漫透融合光谱，步骤S211-S212与步骤S121-S122描述可以参考S121-S122处的描述，此处不再赘述。
S22、将所述漫反漫透融合光谱输入所述回归模型，确定所述待测小麦样本的品种标签。
具体的，步骤S22可以具体为：
S221、根据所述光谱矩阵的载荷矩阵计算所述待测小麦样本对应的漫反漫透融合光谱的得分。
S222、根据所述漫反漫透融合光谱的得分确定所述待测小麦样本的品种标签的预测值；
具体地，可以利用如下公式5确定所述待测小麦样本的品种标签的预测值：
yp＝tpBQ （5）
其中，yp表示所述待测小麦样本的品种标签的预测值，tp表示所述待测小麦样本对应的漫反漫透融合光谱的得分，B表示对角回归系数矩阵，Q表示所述品种标签的载荷矩阵。
S223、根据所述待测小麦样本的品种标签的预测值和预设规则确定所述待测小麦样本的品种标签。
具体的，步骤S223可以具体为S2231-S2232：
S2231、当所述待测小麦样本的品种标签的预测值大于等于预设值，确定所述待测小麦样本的品种标签为与目标品种小麦样本对应品种标签一致的目标品种。
S2232、将品种标签为目标品种的待测小麦样本的数量合计为所述第二数量。
具体地，一个示例中，可以将预设值设定为1.5，当待测小麦样本的品种标签的预测值大于等于1.5时判定待测小麦样品的品种标签为目标品种，当预测值小于1.5时判定待测小麦样品的品种标签不为目标品种。之后，将品种标签为目标品种的待测小麦样本的数量合计为第二数量。
S23、根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签为目标品种的数量。
具体地，将所述待测小麦样本的品种标签为目标品种的数量确定为第二数量，将所述第二数量与第一数量之商，确定为所述目标小麦品种纯度，即将待测小麦样本中的样品标签为目标品种的数量除以待测小麦样本的数量，即可得到目标小麦品种纯度。
本发明实施例中，利用一组真实性已知的目标小麦品种和其他小麦品种构成的样本集作为建模用的校正集，通过对校正集中的样本进行光谱采集和光谱处理得到光谱矩阵，利用判别式偏最小二乘法构建光谱矩阵与小麦品种标签的回归模型，在预测待测小麦样本时，采集其漫反漫透融合光谱，并调用模型预测小麦的品种归属，最后计算待测小麦样本中目标小麦的纯度，实现不消耗试剂、不损伤样品、准确、快速、简便地小麦品种纯度检测。
下面对本发明提供的小麦品种纯度检测装置进行描述，下文描述的小麦品种纯度检测装置与上文描述的小麦品种纯度检测方法可相互对应参照。下文描述的小麦品种纯度检测装置的各个模块可以是计算机中的软件模块，也可以是相互独立的物理模块，对此不进行限定。
本发明还提供一种小麦品种纯度检测装置，如图3所示，包括：
检测模块31，获取第一数量的待测小麦样本对应的漫反漫透融合光谱；将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签；根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签为目标品种的数量；
配置模块32，用于获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本；对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵；基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型。
本公开实施例中，利用一组真实性已知的目标小麦品种和其他小麦品种构成的样本集作为建模用的校正集，通过对校正集中的样本进行光谱采集和光谱处理得到光谱矩阵，利用判别式偏最小二乘法构建光谱矩阵与小麦品种标签的回归模型，在预测待测小麦样本时，采集其漫反漫透融合光谱，并调用模型预测小麦的品种归属，最后计算待测小麦样本中目标小麦的纯度，实现不消耗试剂、不损伤样品、准确、快速、简便地小麦品种纯度检测。
根据本发明提供的一种小麦品种纯度检测装置，配置模块32具体用于对所述目标品种小麦样本和非目标品种小麦样本进行漫反射光谱采集和漫透射光谱采集，得到对应的漫反射近红外光谱样本和漫透射近红外光谱样本；对所述漫反射近红外光谱和所述漫透射近红外光谱进行光谱融合，得到漫反漫透融合光谱样本；根据所述漫反漫透融合光谱样本进行数据处理，得到光谱矩阵。
根据本发明提供的一种小麦品种纯度检测装置，配置模块32具体用于利用公式1和公式2分解所述光谱矩阵和所述品种标签；
其中，X表示所述光谱矩阵，Y表示所述品种标签，T表示所述光谱矩阵的得分矩阵，U表示所述品种标签的得分矩阵，P表示所述光谱矩阵的载荷矩阵，Q表示所述品种标签的载荷矩阵，EX表示所述光谱矩阵的偏最小二乘拟合残差矩阵，EY表示所述品种标签的偏最小二乘拟合残差矩阵；
利用公式3和公式4进行线性回归；
其中，U表示所述品种标签的得分矩阵，T表示所述光谱矩阵的得分矩阵，B表示对角回归系数矩阵，TT表示所述光谱矩阵的得分矩阵的转置矩阵，Y表示所述品种标签。
根据本发明提供的一种小麦品种纯度检测装置，检测模块31具体用于获取第一数量的待测小麦样本对应的漫反射近红外光谱和漫透射近红外光谱；对所述待测小麦样本对应的漫反射近红外光谱和漫透射近红外光谱进行融合，得到待测小麦样本对应的漫反漫透融合光谱。
根据本发明提供的一种小麦品种纯度检测装置，检测模块31具体用于根据所述光谱矩阵的载荷矩阵计算所述待测小麦样本对应的漫反漫透融合光谱的得分；根据所述漫反漫透融合光谱的得分确定所述待测小麦样本的品种标签的预测值；根据所述待测小麦样本的品种标签的预测值和预设规则确定所述待测小麦样本的品种标签。
根据本发明提供的一种小麦品种纯度检测装置，检测模块31具体用于利用公式5确定所述待测小麦样本的品种标签的预测值；
其中，yp表示所述待测小麦样本的品种标签的预测值，tp表示所述待测小麦样本对应的漫反漫透融合光谱的得分，B表示对角回归系数矩阵，Q表示所述品种标签的载荷矩阵。
根据本发明提供的一种小麦品种纯度检测装置，检测模块31具体用于当所述待测小麦样本的品种标签的预测值大于等于预设值，确定所述待测小麦样本的品种标签为与目标品种小麦样本对应品种标签一致的目标品种；将品种标签为目标品种的待测小麦样本的数量合计为所述第二数量。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行小麦品种纯度检测方法，该方法包括：获取第一数量的待测小麦样本对应的漫反漫透融合光谱；将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签；根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签为目标品种的数量；其中，所述回归模型是通过如下步骤获得：获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本；对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵；基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型。
此外，上述的存储器430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，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的小麦品种纯度检测方法，该方法包括：获取第一数量的待测小麦样本对应的漫反漫透融合光谱；将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签；根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签为目标品种的数量；其中，所述回归模型是通过如下步骤获得：获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本；对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵；基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型
又一方面，本发明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方法提供的小麦品种纯度检测方法，该方法包括：获取第一数量的待测小麦样本对应的漫反漫透融合光谱；将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签；根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签为目标品种的数量；其中，所述回归模型是通过如下步骤获得：获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本；对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵；基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型。
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)
1.一种小麦品种纯度检测方法，其特征在于，包括：
获取第一数量的待测小麦样本对应的漫反漫透融合光谱；
将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签；
根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签为目标品种的数量；
其中，所述回归模型是通过如下步骤获得：
获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本；
对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵；
基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型。
2.根据权利要求1所述的小麦品种纯度检测方法，其特征在于，所述对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵，包括：
对所述目标品种小麦样本和非目标品种小麦样本进行漫反射光谱采集和漫透射光谱采集，得到对应的漫反射近红外光谱样本和漫透射近红外光谱样本；
对所述漫反射近红外光谱和所述漫透射近红外光谱进行光谱融合，得到漫反漫透融合光谱样本；
根据所述漫反漫透融合光谱样本进行数据处理，得到光谱矩阵。
3.根据权利要求1所述的小麦品种纯度检测方法，其特征在于，所述基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型，包括：
利用如下公式分解所述光谱矩阵和所述品种标签：
X=TP+EX
Y= UQ+EY
其中，X表示所述光谱矩阵，Y表示所述品种标签，T表示所述光谱矩阵的得分矩阵，U表示所述品种标签的得分矩阵，P表示所述光谱矩阵的载荷矩阵，Q表示所述品种标签的载荷矩阵，EX表示所述光谱矩阵的偏最小二乘拟合残差矩阵，EY表示所述品种标签的偏最小二乘拟合残差矩阵；
利用如下公式进行线性回归：
U=TB
B=(TTT)-1TTY
其中，U表示所述品种标签的得分矩阵，T表示所述光谱矩阵的得分矩阵，B表示对角回归系数矩阵，TT表示所述光谱矩阵的得分矩阵的转置矩阵，Y表示所述品种标签。
4.根据权利要求1所述的小麦品种纯度检测方法，其特征在于，所述获取第一数量的待测小麦样本对应的漫反漫透融合光谱，包括：
获取第一数量的待测小麦样本对应的漫反射近红外光谱和漫透射近红外光谱；
对所述待测小麦样本对应的漫反射近红外光谱和漫透射近红外光谱进行融合，得到待测小麦样本对应的漫反漫透融合光谱。
5.根据权利要求3所述的小麦品种纯度检测方法，其特征在于，所述将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签，包括：
根据所述光谱矩阵的载荷矩阵计算所述待测小麦样本对应的漫反漫透融合光谱的得分；
根据所述漫反漫透融合光谱的得分确定所述待测小麦样本的品种标签的预测值；
根据所述待测小麦样本的品种标签的预测值和预设规则确定所述待测小麦样本的品种标签。
6.根据权利要求5所述的小麦品种纯度检测方法，其特征在于，所述根据所述漫反漫透融合光谱的得分确定所述待测小麦样本的品种标签的预测值，包括：
利用如下公式确定所述待测小麦样本的品种标签的预测值：
yp＝tpBQ
其中，yp表示所述待测小麦样本的品种标签的预测值，tp表示所述待测小麦样本对应的漫反漫透融合光谱的得分，B表示对角回归系数矩阵，Q表示所述品种标签的载荷矩阵。
7.根据权利要求5所述的小麦品种纯度检测方法，其特征在于，所述根据所述待测小麦样本的品种标签的预测值和预设规则确定所述待测小麦样本的品种标签，包括：
当所述待测小麦样本的品种标签的预测值大于等于预设值，确定所述待测小麦样本的品种标签为与目标品种小麦样本对应品种标签一致的目标品种；
将品种标签为目标品种的待测小麦样本的数量合计为所述第二数量。
8.一种小麦品种纯度检测装置，其特征在于，包括：
检测模块，获取第一数量的待测小麦样本对应的漫反漫透融合光谱；将所述漫反漫透融合光谱输入回归模型，确定所述待测小麦样本的品种标签；根据第二数量和所述第一数量，确定目标小麦品种纯度，其中，所述第二数量为所述待测小麦样本的品种标签为目标品种的数量；
配置模块，用于获取样本集的样本，所述样本集包括具有对应的品种标签的目标品种小麦样本和非目标品种小麦样本；对所述目标品种小麦样本和非目标品种小麦样本进行光谱采集和光谱处理，得到光谱矩阵；基于判别式偏最小二乘法构建所述光谱矩阵和所述品种标签的回归模型。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7任一项所述小麦品种纯度检测方法的步骤。
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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述小麦品种纯度检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210715451.8A CN114813631B (zh) | 2022-06-23 | 2022-06-23 | 小麦品种纯度检测方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210715451.8A CN114813631B (zh) | 2022-06-23 | 2022-06-23 | 小麦品种纯度检测方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114813631A true CN114813631A (zh) | 2022-07-29 |
| CN114813631B CN114813631B (zh) | 2022-09-06 |
Family
ID=82521695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210715451.8A Active CN114813631B (zh) | 2022-06-23 | 2022-06-23 | 小麦品种纯度检测方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114813631B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103278609A (zh) * | 2013-06-27 | 2013-09-04 | 山东商业职业技术学院 | 一种基于多源感知信息融合的肉品新鲜度检测方法 |
| CN105424647A (zh) * | 2015-11-23 | 2016-03-23 | 中国农业大学 | 水稻种子品种真实性鉴别模型的构建方法及其应用 |
| CN107991265A (zh) * | 2017-11-17 | 2018-05-04 | 西南大学 | 一种基于信息融合的小麦粉粉质参数快速检测方法 |
| CN108760647A (zh) * | 2018-03-20 | 2018-11-06 | 南京财经大学 | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 |
| CN109470648A (zh) * | 2018-11-21 | 2019-03-15 | 中国科学院合肥物质科学研究院 | 一种单籽粒作物不完善粒快速无损判定方法 |
| CN109612963A (zh) * | 2018-11-23 | 2019-04-12 | 农业部环境保护科研监测所 | 一种基于近红外透射-漫反射光谱规模化奶牛场粪液中总氮的检测方法 |
| WO2020012029A1 (fr) * | 2018-07-13 | 2020-01-16 | Spectralys Innovation | Dispositif d'analyse de grains par spectroscopie de fluorescence et infrarouge |
| CN112924412A (zh) * | 2021-01-22 | 2021-06-08 | 中国科学院合肥物质科学研究院 | 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置 |
-
2022
- 2022-06-23 CN CN202210715451.8A patent/CN114813631B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103278609A (zh) * | 2013-06-27 | 2013-09-04 | 山东商业职业技术学院 | 一种基于多源感知信息融合的肉品新鲜度检测方法 |
| CN105424647A (zh) * | 2015-11-23 | 2016-03-23 | 中国农业大学 | 水稻种子品种真实性鉴别模型的构建方法及其应用 |
| CN107991265A (zh) * | 2017-11-17 | 2018-05-04 | 西南大学 | 一种基于信息融合的小麦粉粉质参数快速检测方法 |
| CN108760647A (zh) * | 2018-03-20 | 2018-11-06 | 南京财经大学 | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 |
| WO2020012029A1 (fr) * | 2018-07-13 | 2020-01-16 | Spectralys Innovation | Dispositif d'analyse de grains par spectroscopie de fluorescence et infrarouge |
| CN109470648A (zh) * | 2018-11-21 | 2019-03-15 | 中国科学院合肥物质科学研究院 | 一种单籽粒作物不完善粒快速无损判定方法 |
| CN109612963A (zh) * | 2018-11-23 | 2019-04-12 | 农业部环境保护科研监测所 | 一种基于近红外透射-漫反射光谱规模化奶牛场粪液中总氮的检测方法 |
| CN112924412A (zh) * | 2021-01-22 | 2021-06-08 | 中国科学院合肥物质科学研究院 | 基于近红外光谱的单籽粒水稻品种真实性判别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 代芬等: "漫透射法无损检测荔枝可溶性固形物", 《农业工程学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114813631B (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110687072B (zh) | 一种基于光谱相似度的校正集和验证集的选择及建模方法 | |
| 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 | |
| CN110890137A (zh) | 一种化合物毒性预测模型建模方法、装置及其应用 | |
| 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 | |
| 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 | |
| Hacisalihoglu et al. | Enhanced single seed trait predictions in soybean (Glycine max) and robust calibration model transfer with near-infrared reflectance spectroscopy | |
| CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
| CN114778484B (zh) | 茶叶品质等级分类方法及装置、设备、存储介质 | |
| CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
| CN117132843B (zh) | 野山参、林下山参、园参原位鉴别方法、系统及相关设备 | |
| Pereira et al. | Modelling the ageing process: A novel strategy to analyze the wine evolution towards the expected features | |
| CN113903407A (zh) | 成分识别方法、装置、电子设备和存储介质 | |
| CN114813631B (zh) | 小麦品种纯度检测方法、装置和电子设备 | |
| Leiva et al. | Phenotyping Fusarium head blight through seed morphology characteristics using RGB imaging | |
| CN109145403B (zh) | 一种基于样本共识的近红外光谱建模方法 | |
| CN112308426A (zh) | 食品重金属污染风险评估模型训练方法、评估方法及装置 | |
| CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
| CN113889274B (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
| EP3961189B1 (en) | Cigarette mainstream smoke spectral data sensory evaluation method | |
| CN111781163B (zh) | 土壤粒度对离散近红外波段检测土壤参数影响的消除方法 | |
| CN114783538A (zh) | 一种煤炭灰分预测方法及装置 | |
| CN111693488B (zh) | 基于ds证据理论融合的水果等级分类方法及系统 | |
| Liu et al. | Feasibility of nondestructive detection of apple crispness based on spectroscopy and machine vision | |
| CN112067577A (zh) | 基于支持向量机的奶油色素超标鉴别方法、装置及设备 | |
| Sun et al. | Hyperspectral imaging technology combined with genome-wide association study rapidly identifies more genes related to rice quality |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xu Zhuopin Inventor after: Zhao Jing Inventor after: Cheng Weimin Inventor after: Wang Shoubo Inventor after: Fan Shuang Inventor after: Li Xiaohong Inventor after: Ma Hongjuan Inventor after: Wang Qi Inventor after: Chang Dong Inventor after: Zhang Pengfei Inventor after: Zhao Dianren Inventor after: Liu Binmei Inventor after: Lu Yanchao Inventor after: Wu Yuejin Inventor before: Xu Zhuopin Inventor before: Zhao Jing Inventor before: Cheng Weimin Inventor before: Wang Shoubo Inventor before: Fan Shuang Inventor before: Li Xiaohong Inventor before: Ma Hongjuan Inventor before: Wang Qi Inventor before: Chang Dong Inventor before: Zhang Pengfei Inventor before: Zhao Dianren Inventor before: Liu Binmei Inventor before: Lu Yanchao Inventor before: Wu Yuejin |