留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

高光谱技术检测单籽粒小麦粗蛋白含量探索

吴静珠 刘倩 陈岩 刘翠玲

吴静珠, 刘倩, 陈岩, 刘翠玲. 高光谱技术检测单籽粒小麦粗蛋白含量探索[J]. 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
引用本文: 吴静珠, 刘倩, 陈岩, 刘翠玲. 高光谱技术检测单籽粒小麦粗蛋白含量探索[J]. 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
Wu Jingzhu, Liu Qian, Chen Yan, Liu Cuiling. Prediction method of single wheat grain protein content based on hyperspectral image[J]. Infrared and Laser Engineering, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
Citation: Wu Jingzhu, Liu Qian, Chen Yan, Liu Cuiling. Prediction method of single wheat grain protein content based on hyperspectral image[J]. Infrared and Laser Engineering, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002

高光谱技术检测单籽粒小麦粗蛋白含量探索

doi: 10.3788/IRLA201645.S123002
基金项目: 

土壤植物机器系统技术国家重点实验室开放课题(2014-SKL-05);北京工商大学两科基金培育项目(19008001110)

详细信息
    作者简介:

    吴静珠(1979-),女,副教授,博士,主要研究领域为基于分子光谱及成像技术的农产品及食品检测。Email:pubwu@163.com

  • 中图分类号: S512.1

Prediction method of single wheat grain protein content based on hyperspectral image

  • 摘要: 小麦蛋白质含量的性状遗传力较高,通过选择蛋白质含量高的籽粒母本可以达到优质育种的预期效果。研究采用高光谱成像技术结合化学计量学方法建立多籽粒小麦粗蛋白平均模型来实现单籽粒小麦粗蛋白含量的快速预测。实验采集47份小麦样本(每份100粒)的高光谱图像并提取平均光谱信息,通过联合区间偏最小二乘法筛选特征变量优化建立多籽粒小麦粗蛋白平均模型。模型的相关系数为0.94,预测均方根误差为0.28%,相对分析误差为3.30。通过图像处理提取出待测单籽粒小麦的高光谱图像,应用平均模型预测单籽粒小麦在每个空间像素点的粗蛋白,取其平均值作为该粒麦种的最终粗蛋白含量。经验证,应用上述模型预测同一组样本的单籽粒小麦时,不同籽粒的小麦粗蛋白含量确实存在差异,但蛋白含量均围绕其所在样本的平均值浮动,因此反映出采用平均模型预测单籽粒小麦蛋白的准确性和基本可行性。该方法的研究可以为小麦育种过程中高蛋白籽粒麦种的优选提供一种新思路,推动小麦优质育种的发展。
  • [1] Qi Linjuan, Hu Xuexu, Zhou Guiying, et al. Analysis of wheat protein quality in the main province of China in 2004-2011[J]. Scientia Agricultura Sinica, 2012, 45(20):4242-4251. (in Chinese)
    [2] Li Shiping, Wang Suibao, Yang Yujing, et al. Research on wheat protein content genetic law and quality improvement[J]. Chinese Agricultural Science Bulletin, 2005, 21(2):126-128. (in Chinese)
    [3] Feng Hui. Analysis of different wheat grain's protein and starch content variance and the sowing time effect of the quality traits[D]. Zhengzhou:Henan Agricultural University, 2009. (in Chinese)
    [4] Zhang Baohua, Li Jiangbo, Fan Shuxiang, et al. Principle and application of hyperspectral image technology in fruit and vegetable quality and safety nondestructive testing[J]. Spectroscopy and Spectral Analysis, 2014, 34(10):2743-2751. (in Chinese)
    [5] Li Ziyang, Qian Yonggang, Shen Qingfeng, et al. Leaf area index retrieval from remotely sensed hyperspectral data[J]. Infrared and Laser Engineering, 2014, 43(3):944-949. (in Chinese)
    [6] Sun Mei, Chen Xinghai, Zhang Heng, et al. Nondestructive inspect of apple quality with hyperspectral imaging[J]. Infrared and Laser Engineering, 2014, 43(4):1272-1277.(in Chinese)
    [7] Li Dan, He Jianguo, Liu Guishan, et al. Non-destructive detection of moisture content in gherkin using hyperspectral imaging[J]. Infrared and Laser Engineering, 2014, 43(7):2393-2397. (in Chinese)
    [8] GB/T 5511-2008. The kjeldahl method for determination of nitrogen content and crude protein content of grains and legumes[S]. ISO20483, IDT,2006. (in Chinese)
    [9] Rafael C G, Richard E W, Steven L E. Digital Image Processing Using Matlab[M]. Beijing:Publishing House of Electronics Industry, 2005.
    [10] Chen Quansheng, Jiang Pei, Zhao Jiewen. Measurement of total flavone content in snow lotus(Saussurea involucrate)using near infrared spectroscopy combined with interval PLS and genetic algorithm[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy, 2010, 76(1):50-55. (in Chinese)
  • [1] 许艺腾, 李国元, 邱春霞, 薛玉彩.  基于地形相关和最小二乘曲线拟合的单光子激光数据处理技术 . 红外与激光工程, 2019, 48(12): 1205004-1205004(10). doi: 10.3788/IRLA201948.1205004
    [2] 甘士忠, 肖志涛, 陈雷, 南瑞杰.  基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
    [3] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [4] 潘斌, 张宁, 史振威, 谢少彪.  基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
    [5] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [6] 王忠良, 冯文田, 粘永健.  结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
    [7] 张明, 朱绍玲, 高飞, 罗果.  乳腺癌氧合血红蛋白表面增强拉曼光谱研究 . 红外与激光工程, 2017, 46(4): 433001-0433001(5). doi: 10.3788/IRLA201746.0433001
    [8] 梁栋, 刘娜, 张东彦, 赵晋陵, 林芬芳, 黄林生, 张庆, 丁玉婉.  利用成像高光谱区分冬小麦白粉病与条锈病 . 红外与激光工程, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004
    [9] 兰斌, 吴小霞, 杨洪波, 蒋权, 张正铎.  广义最小二乘法在主动光学模式定标中的应用 . 红外与激光工程, 2017, 46(6): 617001-0617001(7). doi: 10.3788/IRLA201746.0617001
    [10] 张爱武, 杜楠, 康孝岩, 郭超凡.  非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
    [11] 陈雷, 甘士忠, 孙茜.  基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
    [12] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [13] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [14] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [15] 赵慧洁, 李明康, 李娜, 丁昊, 蔡辉.  一种基于改进子空间划分的波段选择方法 . 红外与激光工程, 2015, 44(10): 3155-3160.
    [16] 刘畅, 李军伟.  基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [17] 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南.  基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
    [18] 尹继豪, 孙建颖.  基于压缩感知理论的波段重构方法 . 红外与激光工程, 2014, 43(4): 1260-1264.
    [19] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
    [20] 魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志.  基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.
  • 加载中
计量
  • 文章访问数:  307
  • HTML全文浏览量:  40
  • PDF下载量:  128
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-01-15
  • 修回日期:  2016-02-25
  • 刊出日期:  2016-05-25

高光谱技术检测单籽粒小麦粗蛋白含量探索

doi: 10.3788/IRLA201645.S123002
    作者简介:

    吴静珠(1979-),女,副教授,博士,主要研究领域为基于分子光谱及成像技术的农产品及食品检测。Email:pubwu@163.com

基金项目:

土壤植物机器系统技术国家重点实验室开放课题(2014-SKL-05);北京工商大学两科基金培育项目(19008001110)

  • 中图分类号: S512.1

摘要: 小麦蛋白质含量的性状遗传力较高,通过选择蛋白质含量高的籽粒母本可以达到优质育种的预期效果。研究采用高光谱成像技术结合化学计量学方法建立多籽粒小麦粗蛋白平均模型来实现单籽粒小麦粗蛋白含量的快速预测。实验采集47份小麦样本(每份100粒)的高光谱图像并提取平均光谱信息,通过联合区间偏最小二乘法筛选特征变量优化建立多籽粒小麦粗蛋白平均模型。模型的相关系数为0.94,预测均方根误差为0.28%,相对分析误差为3.30。通过图像处理提取出待测单籽粒小麦的高光谱图像,应用平均模型预测单籽粒小麦在每个空间像素点的粗蛋白,取其平均值作为该粒麦种的最终粗蛋白含量。经验证,应用上述模型预测同一组样本的单籽粒小麦时,不同籽粒的小麦粗蛋白含量确实存在差异,但蛋白含量均围绕其所在样本的平均值浮动,因此反映出采用平均模型预测单籽粒小麦蛋白的准确性和基本可行性。该方法的研究可以为小麦育种过程中高蛋白籽粒麦种的优选提供一种新思路,推动小麦优质育种的发展。

English Abstract

参考文献 (10)

目录

    /

    返回文章
    返回