基于近红外超连续激光光谱的水稻种子活力无损分级检测研究 
下载： 875次
Nondestructive grading test of rice seed activity using near infrared super-continuum laser spectrum
1 中国科学院 长春光学精密机械与物理研究所 应用光学国家重点实验室，吉林 长春 130033
2 中国科学院大学，北京 100049
3 湖南省水稻研究所，湖南 长沙 410125
4 湖南省农业科学院，湖南 长沙 410125
图 & 表
图 1. (a)反射式光谱检测方法与(b)透射式光谱检测方法测量原理示意图
Fig. 1. Schematic diagram of (a) reflection type spectral detection method, and (b) transmission type spectral detection method
下载图片 查看原文
图 2. 水稻种子活力的透射光谱检测系统
Fig. 2. Transmission spectrum detection system for rice seed vigor
下载图片 查看原文
图 3. 水稻种子的近红外吸收光谱图。（a）不同活力的水稻种子近红外光谱平均曲线；（b） 高活力水稻种子近红外吸收光谱
Fig. 3. Near-infrared absorption spectrum of rice seeds. (a) The average curves of transmission spectra of rice seeds with different vigors. (b) Near-infrared absorption spectrum of high vigor seeds
下载图片 查看原文
图 4. 二阶导数处理后的光谱信息
Fig. 4. The absorption spectrum of rice seed after second derivative processing
下载图片 查看原文
图 5. 两种预处理方法结果对比。（a）正交信号校正处理后的光谱；（b）标准正态变量校正后的光谱
Fig. 5. Comparison of absorption spectrum of rice seed processed by two pretreatment methods. (a) Orthogonal signal correction; (b) standard normal variate correction
下载图片 查看原文
图 6. PLS-DA模型对2018年（a）、2017年（b）、2016年（c）及随机混合（d）的水稻种子活力判别结果
Fig. 6. Evaluation results of vigor of the rice seed in 2018 (a)、2017 (b)、2016 (c) and random mixing (d) determined by PLS-DA model
下载图片 查看原文
表 1筛选前水稻种子的活力情况
Table1. The seed vigor parameters of rice seeds before selecting
| 年份 | 活力高 | 活力低 | 不发芽 | 发芽率 | | 2018 | 192 | 52 | 44 | 84.72% | | 2017 | 154 | 71 | 63 | 78.13% | | 2016 | 106 | 93 | 89 | 69.09% | | 随机混合 | 133 | 84 | 71 | 75.351% | | 总计 | 585 | 300 | 267 | —— |
|
查看原文
表 2不同预处理方法对样品的活力鉴别情况
Table2. The vitality identification results of samples by different pretreatment methods
| 预处理方法 | 光谱范围/nm | 主成分数 | 准确率/% | | 未处理 | 1100～2100 | 5 | 68.19 | | MSC | 1100～2100 | 3 | 75.63 | | SNV | 1100～2100 | 3 | 71.78 | | OSC | 1100～2100 | 3 | 77.05 | | 归一化+MSC | 1100～2100 | 3 | 70.33 | | SD+MSC | 1100～2100 | 3 | 77.91 | | SD+SNV | 1100～2100 | 3 | 79.85 | | SD+OSC | 1100～2100 | 3 | 78.57 | | 归一化+SD+MSC | 1100～2100 | 3 | 83.97 | | 归一化+SD+SNV | 1100～2100 | 3 | 88.06 | | 归一化+SD+OSC | 1100～2100 | 3 | 94.13 | | 归一化+SD+OSC | 1100～2100 | 2 | 82.85 | | 归一化+FD+OSC | 1100～2100 | 3 | 89.39 |
|
查看原文
表 3主成分数与模型贡献率
Table3. Number of principal components and model contribution rate
| 主成分数 | 1 | 2 | 3 | 4 | 5 | 6 | | 模型准确率/% | 55.3 | 82.9 | 95.9 | 94.2 | 94.1 | 92.7 | | 累积贡献率/% | 62.4 | 85.7 | 93.5 | 96.1 | 98.2 | 99.6 |
|
查看原文
表 4PLS-DA模型判别准确率及筛选后种子发芽率
Table4. Total accuracy of PLS-DA model and seed germination of rice seeds after screening
| 年份 | 校正集准确率/% | 验证集准确率/% | 筛选后发芽率/% | | 2018 | 94.44 | 95.92 | 97.17 | | 2017 | 93.98 | 94.69 | 96.52 | | 2016 | 91.53 | 92.37 | 95.06 | | 随机混合 | 92.74 | 93.16 | 96.07 |
|
查看原文
金文玲, 曹乃亮, 朱明东, 陈伟, 张佩光, 赵庆磊, 梁静秋, 余应弘, 吕金光, 阚瑞峰. 基于近红外超连续激光光谱的水稻种子活力无损分级检测研究[J]. 中国光学, 2020, 13(5): 1032. Wen-ling JIN, Nai-liang CAO, Ming-dong ZHU, Wei CHEN, Pei-guang ZHANG, Qing-lei ZHAO, Jing-qiu LIANG, Ying-hong YU, Jin-guang LV, Rui-feng KAN. Nondestructive grading test of rice seed activity using near infrared super-continuum laser spectrum[J]. Chinese Optics, 2020, 13(5): 1032.
PDF全文
