通过波段比和阈值相结合的方法, 分别提取了玉米籽粒全表面结构和胚结构区域的1 000～2 500 nm近红外高光谱信息, 研究了玉米籽粒水分含量与胚结构区域光谱关系, 同时采用竞争性自适应重加权变量选择算法(CARS)、 遗传算法(GA) 、 连续投影算法(SPA)筛选特征波段, 建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果。 结果显示, 玉米籽粒水分含量与胚结构区域光谱关系显著, 随着水分含量的增加, 光谱反射值逐渐降低。 预测模型结果表明, 基于玉米籽粒胚结构区域光谱信息所建立的CARS-PLS, GA-PLS和SPA-PLS回归模型预测相关系数Rp分别为0.931 2, 0.917 6和0.922 7, 预测均方根误差(RMSEP)分别为0.315 3, 0.336 9和0.336 6, 所选取的特征波段数量分别为9, 14和6, 较基于全表面光谱信息所建模型的特征波段数量分别少了49, 12和24个, 且预测效果与采用全表面光谱信息无显著差别, SPA-PLS算法为基于玉米籽粒胚结构光谱信息的水分含量预测最高效模型。 提取胚结构区域所用光谱波段为1 197, 1 322和1 495 nm, 建立SPA-PLS回归模型所用特征波段为1 322, 1 342, 1 367, 1 949, 2 070和2 496 nm。 研究结果表明, 采用近红外高光谱技术进行玉米籽粒水分含量无损检测时, 提取玉米籽粒胚结构的图谱信息较全表面光谱信息更高效。

为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。

相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法.但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度和稳定性,我们采用奇异数据筛选法剔除了玉米籽粒近红外光谱中的奇异数据并建立了玉米籽粒蛋白质含量的偏最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型.本文分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样法(Monte-Carlo Sampling,MCS)剔除了玉米籽粒蛋白质光谱数据中的奇异数据并对模型结果进行比较.在剔除奇异数据的基础上,采用偏最小二乘回归法(Partial least squares regression,PLSR)提取主成分,并基于小生境蚁群算法(Niche ant colony algorithm,NACA)优化偏最小二乘支持向量机(LS-SVM)模型参数(γ和σ2),建立基于LS-SVM的玉米籽粒蛋白质定量分析模型.结果表明,采用3种奇异数据筛选法剔除奇异数据后所建LS-SVM模型的预测结果都优于采用原光谱数据所建模型,相比较而言,蒙特卡洛采样法为基于近红外光谱检测玉米籽粒蛋白质的最佳奇异数据筛选法.

从玉米籽粒胚的朝向, 中长波漫反射分析和短波透射分析, 进样方式三个方面进行了研究, 通过比较不同的测量方法对品种识别模型性能的影响来选择最佳的玉米单籽粒光谱测量方式, 进而鉴定玉米单籽粒品种真实性。 原始光谱经过预处理后, 使用判别式偏最小二乘法(PLS-DA)对数据进行特征提取和降维, 选取前9个因子建立8个玉米品种的仿生模式识别模型。 结果表明, 玉米籽粒胚正对光源优于胚背对光源, 中长波漫反射分析优于短波透射分析, 小样品池效果好于小光阑。 采用最优测量方法(籽粒胚正对光源, 使用小样品池和中长波漫反射分析)获取玉米单籽粒的近红外光谱, 建立的品种识别模型对本品种样品的平均正确识别率达到94.6%, 对其他品种样品的平均正确拒识率达到96.5%。