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={Y
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
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
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={X
b)计算第i条与第j条光谱曲线的相关系数S
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
e)设定阈值t
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
验证当
在一个实施例中,所述f)步骤包括:
采用最小二乘法X
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:a
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=(x
2)计算截断的光谱曲线
其中:
3)根据交叉相关系数r
其中r
4)计算平均偏度系数skewness:
5)计算全波段光谱曲线X与Y的一阶导数向量X'=(x'
6)将步骤5)的一阶导数转值换为二进制值
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:D
8)计算两条光谱曲线X与Y的相关系数S:
S=r
r
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={Y
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
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=(x
2)计算截断的光谱曲线
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sk
其中r
4)计算平均偏度系数skewness:
5)计算全波段光谱曲线X与Y的一阶导数向量X'=(x'
6)将步骤5的一阶导数转值换为二进制值
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:D
8)计算两条光谱曲线X与Y的相关系数S:
S=r
其中r
(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={X
b)计算第i条与第j条光谱曲线的相关系数S
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
e)设定阈值t
f)验证:
g)采用最小二乘法X
h)计算此已知标准物质的光谱特征曲线
其中:a
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={Y
ii.按照上述建模的方式计算待测物质的特征光谱曲线:
iv.设定预设阈值t
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。
机译: 包含dna标记的含有grh1基因的耐绿色水稻品种的组合物及使用dmark标记选择耐水稻的绿色水稻品种的方法
机译: 水稻种子,植物或植物的部分,水稻植物的生产方法,植物花粉,植物卵,细胞组织培养物或可再生原生质体,水稻种子的生产方法,水稻种子,多种水稻种子,将所需性状引入的方法cl 152水稻品种,杂草防治方法,水稻处理方法和后代水稻植物
机译: 水稻种子,植物或植物的部分,水稻植物,花粉植物,茄子,组织培养细胞或原生质体再生的生产方法。水稻种子的生产方法,水稻种子,多种水稻种子,引入所需种子的方法CL 152的一个品种的特征。杂草的防治方法,水稻和水稻后代的处理方法