The invention relates to a nondestructive testing method for rice seed germination rate, in particular to a method for detection of rice seed germination rate based on fluorescence spectrometry, which belongs to the field of rice seed nondestructive testing, and uses a fluorescence spectrophotometer to scan the different germination rate of rice sample soaking liquid, obtain the fluorescence spectrum, and then use the wavelet. Noise and principal component analysis (PCA) were used to extract the characteristic band of fluorescence spectrum, and the prediction model of single input single output rice germination rate based on DNN was established by using the characteristic band of fluorescence spectrum. The prediction model of rice seed germination rate was input in the spectral characteristic band of the rice seed soaking liquid, and the germination rate was obtained.
【技术实现步骤摘要】
一种基于荧光光谱的稻种发芽率无损检测方法
本专利技术涉及一种稻种发芽率无损检测方法,特别是涉及一种基于荧光光谱法的稻种发芽率检测方法,属于稻种无损检测领域。
技术介绍
我国是水稻生产大国,种植面积居世界第一。水稻种子的质量直接影响水稻产量,因此,加强稻种质量的检验对确保水稻产量具有重要意义。其中,发芽率是水稻种子检测的重要指标之一。传统的稻种发芽率检测如四唑(2,3,5-Triphenyltetrazoliumchloride,TTC)染色法(氯化三苯基四氮唑染色法),浸种时间长且TTC溶液易受光、温度等环境因素干扰,存在效率低、精度差、有损等问题;为降低人为检测误差并提高检测效率,采用机器视觉方法结合四唑法对染色后的水稻种子进行图像采集和识别,但图像处理速度慢且专业化要求高;近红外光谱法检测灵敏度差,且需采取不同的预处理方法才能获取不同稻种样品特异的吸收峰。热红外、偏振光及光声光谱等方法检测效果较好,但特征光谱较宽,有用信息较为分散,基于此技术进行产品化开发时光学部分较为复杂。荧光光谱法通过检测特定波长激发光下物质产生的荧光强度对物质含量进行定性或定量的分析,因其扫描速度快、精度高且使用方便,已广泛应用于无损检测中,如采用新荧光扫描法对大败毒胶囊中小檗碱含量进行测定,检测精度约为紫外扫描法的8倍;应用日立F-4600型荧光分光光度计对貉体内砷含量进行测定,测量误差小于0.5μg;通过建立最佳激发波长的选择方法对八子补肾胶囊中蛇床子素含量进行测定,检测灵敏度较原波长的提高4倍;采用荧光分光光度计在547nm的激发波长下对水样品中罗丹明B的含量进行测定,在免 ...
【技术保护点】
一种基于荧光光谱的稻种发芽率无损检测方法,其特征为:步骤1:将建模所需的不同发芽率稻种样品置入装有蒸馏水的试管中浸泡;步骤2:取出试管中的浸泡液置于荧光分光光度计的样品池中,扫描浸泡液得到波长范围为360~650nm的荧光光谱;步骤3:利用小波去噪对步骤2中得到的荧光光谱进行平滑处理;步骤4:利用主成分分析(PCA)提取步骤3平滑处理后的荧光光谱中的特征波段;步骤5:对建模所需的不同发芽率的稻种样品按照步骤1至步骤4进行操作,得到特征波段荧光光强Pi(为第i个样品的特征波段荧光光强,i=1,2…n,n为建模样本数量);对建模用的不同发芽率的稻种样品按照GB/T 3543.4表1规定的条件(20℃)和时间(5d)进行发芽试验,得到不同稻种样品的发芽率Gi(为第i个样品的发芽率,i=1,2…n,n为建模样本数量);步骤6:基于深度神经网络(DNN)建立以步骤5中建模所需的不同发芽率的稻种样品特征波段荧光强度Pi为输入、稻种发芽率Gi为输出的稻种发芽率预测模型;步骤7:对待测稻种按照步骤1至步骤4进行处理,将步骤4中提取的待测稻种特征波段荧光光谱输入到步骤6中建立的稻种发芽率预测模型,得到发 ...
【技术特征摘要】
1.一种基于荧光光谱的稻种发芽率无损检测方法,其特征为:步骤1:将建模所需的不同发芽率稻种样品置入装有蒸馏水的试管中浸泡;步骤2:取出试管中的浸泡液置于荧光分光光度计的样品池中,扫描浸泡液得到波长范围为360~650nm的荧光光谱;步骤3:利用小波去噪对步骤2中得到的荧光光谱进行平滑处理;步骤4:利用主成分分析(PCA)提取步骤3平滑处理后的荧光光谱中的特征波段;步骤5:对建模所需的不同发芽率的稻种样品按照步骤1至步骤4进行操作,得到特征波段荧光光强Pi(为第i个样品的特征波段荧光光强,i=1,2…n,n为建模样本数量);对建模用的不同发芽率的稻种样品按照GB/T3543.4表1规定的条件(20℃)和时间(5d)进行发芽试验,得到不同稻种样品的发芽率Gi(为第i个样品的发芽率,i=1,2…n,n为建模样本数量);步骤6:基于深度神经网络(DNN)建立以步骤5中建模所需的不同发芽率的稻种样品特征波段荧光强度Pi为输入、稻种发芽率Gi为输出的稻种发芽率预测模型;步骤7:对待测稻种按照步骤1至步骤4进行处理,将步骤4中提取的待测稻种特征波段荧光光谱输入到步骤6中建立的稻种发芽率预测模型,得到发芽率。2.根据权利要求书1所述的基于荧光光谱的稻种发芽率无损检测方法,其中的小波去噪按照以下步骤计算:步骤①:先对含噪光谱f(k)进行小波分解,采用‘sym8’小波基构造小波,分解层数为9,实现该步骤的Matlab代码为:xd=wden(x,′sqtwolog′,′s′,′sln′,9,′sym8′)其中x为原始信号,sqtwolog为阈值信号处理,s为软阈值,sln为根据第一层小波分解的噪声水平估计进行调整的参数,“9”代表分解为9层,sym8代表采用‘sym8’小波基构造小波;步骤②:对小波分解得到的噪声部分进行sqtwolog阈值处理。获取域值的Matlab代码如下:[thr,sorh,keepapp]=ddencmp(′den′,′wv′,nx)其中x为信号向量,wv表示使用小波分解,den表示去噪声;返回参数thr为阈值,sorh决定硬阈值或软阈值,keepapp为判断是否对近似分量进行阈值处理的参数。步骤③:根据小波分解的第9层低频系数和各层高频系数对步骤①用于分解含噪光谱的小波进行重构,利用重构得到的小波对f(k)进行去噪处理;根据权利要求1所述的基于荧光光谱的稻种发芽率无损检测方法中的PCA提取特征波段,按照以下步骤计算:步骤(1):将步骤3得到的荧光光谱设为数据矩阵A,计算矩阵A的协方差矩阵B,B=(Aij)p×p,其中,
【专利技术属性】
技术研发人员:卢伟,杨洋,王家鹏,王新宇,
申请(专利权)人:南京农业大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。