共查询到18条相似文献，搜索用时 156 毫秒
1.
摘要：为探讨近红外光谱技术在鉴定种子硬实特性上的普遍性,该文采用近红外光谱法结合偏最小二乘法建立了大豆、苦豆子和决明子单粒种子硬实特性的定性分析模型,每种种子均选择120粒种子进行近红外定性分析,种子分为建模集、检验集2组,建模集80粒,检验集40粒,各组中硬实与非硬实种子的比例为1:1,比较了光谱重复次数、光谱范围以及不同建模样品的建模效果。结果表明：采用二次平均光谱所建模型的鉴别率优于单次光谱;大豆采用4 000～5 000 cm-1光谱范围,矢量校正预处理,主成分为8时,建模集与检验集鉴别率均在85%以上;决明子采用4 000～8 000 cm-1光谱范围,一阶导数预处理,主成分为4时,模型建模集与检验集鉴别率均在90%左右;苦豆子采用4 000～8 000 cm-1光谱范围,二阶导数预处理,主成分为8时,模型的建模集与检验集鉴别率均在95%以上。以上结果表明近红外光谱技术可以很好地应用于单粒种子硬实特性的判断,有助于硬实机理的深入研究。 相似文献
2.
精料补充料中肉骨粉含量的近红外光谱检测 总被引：4，自引：1，他引：3
为了保证饲料安全,精料补充料中肉骨粉的检测是十分必要的。该文探讨了精料补充料中肉骨粉含量的近红外光谱分析方法,123个样品作为校正集,采用偏最小二乘法(PLS),分别对光谱进行散射校正和卷积平滑、一阶微分、二阶微分预处理建立校正模型,以最大的决定系数(R2)和最小的标准差(RMSEC)为选择依据,通过比较,以多元散射校正和卷积平滑处理与二阶微分相结合的处理效果最好,其预测值与测量值的决定系数(R2)和标准差(RMSEC)分别为0.9751和0.437。34个样品作为检验集进行外部验证,决定系数(r2)和标准差(RMSEP)分别为0.9749和0.420,平均绝对误差和相对误差分别为0.326和13.89％。结果表明,利用近红外分析技术可以检测精料补充料中肉骨粉的含量。 相似文献
3.
近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量 总被引：18，自引：2，他引：18
运用偏最小二乘法(PLS)和人工神经网络(ANN)方法分别建立了0.9 mm筛分风干黑土土壤碱解氮、速效磷和速效钾含量预测的近红外光谱(NIRS)分析模型。使用偏最小二乘算法建立的碱解氮、速效磷和速效钾校正模型的决定系数R2分别为0.9520、0.8714和0.7300，平均相对误差分别为3.42%、13.40%和7.40%。人工神经网络方法建立的碱解氮、速效磷和速效钾校正模型的决定系数分别为0.9563、0.9493和0.9522，相对误差分别为2.67%、6.48%和2.27%，测试集仿真的相对误差分别为5.44%、16.65%和7.87%。结果表明，人工神经网络方法所建立的校正模型均优于偏最小二乘法所建模型；用近红外光谱分析法预测土壤碱解氮含量是可行的，而速效磷、速效钾模型的测试集样品仿真的相对误差较大，其预测可行性还需做进一步研究。 相似文献
4.
5.
基于近红外光谱的脐橙产地溯源研究 总被引：2，自引：1，他引：1
为研究近红外光谱分析技术鉴别脐橙产地的可行性,该文采用江西、重庆和湖南3个产地脐橙样品1140～1170nm波段的近红外光谱经一阶导数(9点平滑)预处理,分别建立了簇类独立软模式法脐橙产地鉴别模型。在5%显著水平下,模型对3个产地训练集样品的识别率均为100%,拒绝率分别为85.7%、83.3%、100%;对验证集样品的识别率均为100%,拒绝率分别为100%、89.5%、100%,表明簇类独立软模式法模型基本能够判别脐橙产地。将江西、重庆和湖南3个产地的脐橙样品分别赋值0、1、?1,在全波段范围内建立原始光谱脐橙产地的偏最小二乘判别模型,其预测值与真实值的决定系数为0.973,校正标准差为0.110,预测标准差为0.159,模型对训练集和验证集样品的识别率达到100%。因此,应用近红外光谱分析技术可准确、快速地追溯脐橙产地来源。 相似文献
6.
近红外光谱法预测羊肉化学成分的研究 总被引：2，自引：0，他引：2
对3个品种、3个部位的106个羊肉样品进行近红外光谱扫描,并测定其蛋白质、水分、脂肪含量,采用Unscrambler软件建立基于偏最小二乘法的近红外光谱预测模型。结果显示:样品水分含量近红外光谱校正决定系数为0.94,验证决定系数是0.86;蛋白质含量近红外光谱预测模型的校正决定系数为0.90,验证决定系数为0.72;脂肪含量近红外光谱校正决定系数0.81,验证决定系数0.64,由此可知近红外光谱用于羊肉品质检测具有可行性。本研究为羊肉化学成分的快速检测提供了基础。 相似文献
7.
羊肉色泽傅立叶变换近红外光谱定量分析方法研究 总被引：3，自引：0，他引：3
以从北京市、山西大同市、宁夏吴忠市3个地区筛选的有代表性的227份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨羊肉色泽无损检测的方法。以决定系数(R2)、校正标准差(RMSECV)和预测标准差(RMSEP)为近红外光谱检测模型的评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的色差e值进行拟合,确定最佳的光谱预处理方法、主成分数和光谱区间范围。结果表明:所选227个羊肉样品的色差e值分布范围为1.556～9.879,其中80%以上的样品e值在1～5之间,具有显著的代表性;在11995.5～4597.6cm-1的波段范围内,最佳主成分数为6时,近红外光谱经最大最小归一法处理后,建立的羊肉色泽预测模型精度最高,R2达到0.776,RMSECV为0.451;用此模型对预测集48个样品进行预测,预测值与实测值的相关系数(R)为0.835,RMSEP为0.517,该研究表明利用近红外光谱技术检测羊肉色泽可行。 相似文献
8.
基于可见/近红外反射光谱的梨树叶片钾含量的快速测定研究 总被引：1，自引：0，他引：1
利用可见/近红外反射光谱定量分析技术对梨树鲜叶钾素含量进行快速测定研究。对150个梨树叶片样本进行光谱扫描,其中120个做建模集,30个做验证集。通过对样品的可见/近红外光谱进行多种预处理,并建立钾素预测模型,探讨了可见/近红外光谱数据预处理对预测精度的影响。结果表明,通过原始光谱与S-G(3)平滑相结合的预处理方法,用17个主成分建立的偏最小二乘法模型最好,其交叉验证集和预测集模型的决定系数(R2)分别为0.722 7和0.679 1,交叉验证均方根误差(RMSECV)为1.171,预测的平均相对误差为6.81%,能高效、快速地预测梨树叶片钾素含量,为梨树钾素快速测定提供了新的手段。 相似文献
9.
柿子可溶性固形物含量的可见-近红外光谱检测 总被引：3，自引：0，他引：3
为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。 相似文献
10.
紫花苜蓿幼苗耐盐性的近红外光谱鉴定 总被引：1，自引：0，他引：1
紫花苜蓿幼苗耐盐性快速鉴定对于耐盐种质资源筛选和耐盐新品种选育具有重要意义。脯氨酸和丙二醛是表征植物耐盐性的两种重要生化指标。研究应用便携式近红外仪和近红外光谱分析技术,结合偏最小二乘回归法,研究了40个不同紫花苜蓿品种幼苗耐盐性的脯氨酸和丙二醛含量,建立了新鲜样品和干燥样品的近红外漫反射光谱定量分析模型。研究结果表明：脯氨酸、丙二醛的近红外漫反射光谱分析效果均较好,校正模型决定系数R2 和验证集样品预测值与常规分析测定值的验证决定系数r2都大于0.85,两种样品脯氨酸的相对分析误差RPD值分别为1.72 相似文献
11.
近红外光谱法测定玉米秸秆饲用品质 总被引：6，自引：1，他引：5
为了对玉米秸秆的饲用品质进行可靠、便捷、快速的分析和评价,该研究以不同品种、密度、氮肥和水分处理的不同发育时期和不同部位玉米秸秆为试验材料,应用近红外光谱（NIRS）技术和偏最小二乘法（PLS）,采用一阶导数+中心化+多元散射校正的光谱数据预处理方法,构建了玉米秸秆体外干物质消化率（IVDMD）、酸性洗涤纤维（ADF）、中性洗涤纤维（NDF） 和可溶性糖（WSC）含量的NIRS分析模型。所建立的IVDMD、ADF、NDF和WSC含量的NIRS校正模型决定系数（R2cal）分别为0.9906、0.9870、0.9931和0.9802,交叉验证决定系数（R2cv）分别为0.9593、0.9413 、0.9678和0.9342,外部验证决定系数（R2val）分别为0.9549、0.9353、0.9519和0.9191,各项标准差（SEC、SECV和SEP）为0.935～1.904,相对分析误差（RPD）均大于3。结果表明,各参数的NIRS分析模型可用于玉米秸秆饲用品质的分析和品种选育的快速鉴定。 相似文献
12.
玉米灌浆期含水率测定是考种育种的重要指标。为了节约样本且快速准确测定灌浆期玉米水分,该文应用近红外光谱技术,提出了基于小样本条件下的自举算法(Bootstrap)与基于x-y距离结合的样本划分方法(SPXY,sample set partitioning based on joint x-y distances)相结合的样本优化方法的偏最小二乘(PLS,partial least square)水分定量分析模型Bootstrap-SPXY-PLS模型。试验结果表明,当Bootstrap重抽样本次数等于500,样本数量大于等于10时,模型的性能稳定,并且随着样本数量增加,重抽样本次数相对减少;样本数量为10和50时,全谱Bootstrap-SPXY-PLS模型的预测均方根误差(RMSEP,root-mean-square error of prediction)均值分别为0.38%和0.40%,预测相关系数(correlation coefficients of prediction)分别为0.975 1和0.968 5,决定系数R~2分别为0.999 9和0.993 6;基于竞争性自适应重加权采样算法(CARS,competitive adaptive reweighed sampling)波长变量筛选后的CARS-Bootstrap-SPXY-PLS模型的预测均方根误差RMSEP均值分别为0.36%和0.35%,预测相关系数分别为0.973 6和0.975 0,模型决定系数R~2分别为0.924 5和0.918 0。因此,全谱Bootstrap-SPXY-PLS模型和CARS-Bootstrap-SPXY-PLS模型均具有稳定的预测能力,为玉米育种时灌浆期种子水分测定提供了一种稳定、高效的方法。 相似文献
13.
大米胶稠度近红外光谱分析数学模型的建立 总被引：4，自引：1，他引：4
胶稠度是评价大米蒸煮食用品质的重要指标之一。研究了运用近红外光谱分析技术检测大米胶稠度的测试原理，对60个样品的光谱数据用偏最小二乘法(PLS)建立了测定大米胶稠度的数学模型，其回判结果与化学分析值之间的相关系数为0.95，建模标准差为0.66；用41个样品对建立的数学模型进行了交叉验证，其检测结果与用标准化学分析方法测得结果的相关系数达0.92，预测标准差为0.78。试验证明，可以利用近红外光谱分析技术对大米胶稠度进行快速检测。 相似文献
14.
基于图像熵信息的玉米种子纯度高光谱图像识别 总被引：2，自引：2，他引：2
种子纯度是种子质量的一个重要标志,为寻求快速有效的种子纯度识别方法,该文利用高光谱图像技术研究了玉米种子的分类识别问题。首先对17类玉米品种共1632粒种子的高光谱图像提取400～1000nm波长范围内233个波段的熵信息作为分类特征;然后利用偏最小二乘(PLS)投影算法对玉米高光谱图像进行最优波段选择,共获得65个最优波段特征;最后结合偏最小二乘判别分析法(PLSDA)实现了玉米种子的准确识别分类。分类结果表明,在最优波段数仅为全波段27.90%的情况下,其训练精度可以达到99.19%、测试精度为98.90%,可实现多类别样本条件下的玉米种子纯度识别。 相似文献
15.
Rosales A Galicia L Oviedo E Islas C Palacios-Rojas N 《Journal of agricultural and food chemistry》2011,59(20):10781-10786
Quality protein maize (QPM) has approximately twice the tryptophan (Trp) and lysine (Lys) concentrations in protein compared to normal maize. Because several genetic systems control the protein quality of QPM, it is essential to regularly monitor Trp and/or Lys in breeding programs. Our objective was to examine the potential of near-infrared reflectance spectroscopy (NIRS) to enhance the efficiency of QPM research efforts by partially replacing more expensive and time-consuming wet chemistry analysis. More than 276 maize samples were used to develop NIRS models for protein content (PC), Trp, and Lys. The standard error of prediction (SEP) for the calibration and the coefficient of determination for validation (R(2)(v)) were 0.26 and 0.96 for PC, 0.005 and 0.85 for Trp, and 0.02 and 0.75 for Lys. When the NIRS models were used to evaluate 266 S2 lines from five QPM breeding populations, the coefficients of determination between NIRS and the chemical data were 0.94, 0.76, and 0.80 for PC, Trp, and Lys, respectively. Therefore, the NIRS models can be used to support the QPM breeding efforts. 相似文献
16.
Near-infrared reflectance spectroscopy (NIRS) was used as a rapid and nondestructive method to determine the oil content and fatty acid composition in intact seeds of perilla [Perilla frutescens var. japonica (Hassk.) Hara] germplasms in Korea. A total of 397 samples (about 2 g of intact seeds) were scanned in the reflectance mode of a scanning monochromator, and the reference values for the oil content and fatty acid composition were measured by gravimetric method and gas-liquid chromatography, respectively. Calibration equations for oil and individual fatty acids were developed using modified partial least-squares regression with internal cross validation (n = 297). The equations for oil and oleic and linolenic acid had lower standard errors of cross-validation (SECV), higher R2 (coefficient of determination in calibration), and higher ratio of unexplained variance divided by variance (1-VR) values than those for palmitic, stearic, and linoleic acid. Prediction of an external validation set (n = 100) showed significant correlation between reference values and NIRS estimated values based on the standard error of prediction (SEP), r2 (coefficient of determination in prediction), and the ratio of standard deviation (SD) of reference data to SEP. The models for oil content and major fatty acids, oleic and linolenic acid, had relatively higher values of SD/SEP(C) and r2 (more than 3.0 and 0.9, respectively), thereby characterizing those equations as having good quantitative information, whereas those of palmitic, stearic, and linoleic acid had lower values (below 2.0 and 0.7, respectively), unsuitable for screening purposes. The results indicated that NIRS could be used to rapidly determine oil content and fatty acid composition (oleic and linolenic acid) in perilla seeds in the breeding programs for development of high-quality perilla oil. 相似文献
17.
利用近红外光谱与PCA-SVM识别热损伤番茄种子 总被引：6，自引：6，他引：0
为了研究近红外光谱技术用于热损伤种子快速无损识别的可行性,该文以120粒番茄种子为研究对象,其中60粒番茄种子通过高温加热处理的方式成为热损伤种子组,其他60粒番茄种子为正常种子组,利用实验室自主搭建的近红外光谱检测系统获取单粒番茄种子在980~1 700 nm范围内的光谱,分别采用偏最小二乘判别法(partial least squares discriminant analysis,PLS-DA)和支持向量机(support vector machines,SVM)建立了番茄种子热损伤的定性分析模型。试验结果表明:2种判别模型的验证集总正确率均大于96%,均可用于热损伤种子的判别。其中,基于主成分分析(principal component analysis,PCA)预处理的光谱数据构建的支持向量机模型的判别效果最好,其校正集和验证集的判别正确率均为100%,更适用于种子热损伤识别。因此,应用近红外光谱技术可快速无损识别热损伤番茄种子,为种子检验提供了一种新的方法。 相似文献
18.
Hermida M Lois A Rodriguez-Otero JL 《Journal of agricultural and food chemistry》2005,53(5):1374-1378
Total nitrogen, soluble nitrogen (SN), nonprotein nitrogen (NPN), and acid-detergent insoluble nitrogen (ADIN) were analyzed in grass silage by near-infrared (NIR) spectroscopy. A set of 144 samples was used to calibrate the instrument by modified partial least-squares regression, and the following statistical results were achieved: standard error of calibration (SEC) = 0.449 and square correlation coefficient (R (2)) = 0.98 for total nitrogen x 6.25, SEC = 0.425 and R (2) = 0.95 for SN x 6.25, SEC = 0.414 and R (2) = 0.94 for NPN x 6.25, and SEC = 0.139 and R (2) = 0.84 for ADIN x 6.25. To validate the calibration performed, a set of 48 silage samples was used. Standard errors of prediction were 0.76, 0.64, 0.63, and 0.25 for total nitrogen, SN, NPN, and ADIN (all of them multiplied by 6.25), respectively, and R (2) for the regression of measurements by reference method versus NIR analysis were 0.94, 0.92, 0.90, and 0.48 for total nitrogen, SN, NPN, and ADIN, respectively. To compare the results obtained by NIR spectroscopy with those obtained by the reference methods for total nitrogen, SN, and NPN of the validation set, linear regression and paired t tests were applied, and the results were not significantly different (p = 0.05). When mean square prediction error analysis was applied, it could be concluded that for total nitrogen, SN, and NPN, a robust calibration model was obtained and that the main error was unexplained error. Statistical data for ADIN were worse than those of the other parameters; as a result NIR spectroscopy is not an effective method for quantitative analyses of ADIN in silage; nevertheless, it may be an acceptable method for semiquantitative evaluation. 相似文献