近红外和高光谱技术用于小麦籽粒蛋白含量预测探索.pdf

6 0 传感器与微系统 T r a n s d u ce r a n d Micr o s y s t e m T e ch n o l o g i e s 2 0 1 3年 第3 2卷 第 2期 近红外和高光谱技术用于小麦籽粒蛋白含量预测探索 吴静珠 吴胜 男 刘翠玲 陈兴海 高 峰 1 北京工商大学 计算机与信息工程学院 北京 1 0 0 0 4 8 2 北京卓立汉 光仪器有 限公 司 北京 1 0 1 1 4 9 摘要 以5 7份小麦籽粒为样本 分别采用 V e r t e x 7 0傅立叶近红外光谱仪 单籽粒测样附件 和近红外 增强 高光谱成像系统采集光谱 建立预测小麦籽粒蛋白含量的模型 基于近红外的小麦单籽粒模型相 关系数为0 5 2 交叉校验均方根误差为0 8 0 7 而基于高光谱建立的模型相关系数为 0 8 1 交叉校验均方 根误差为 0 7 0 3 5 结果表明 在样本量少 且为籽粒形态时 可优先考虑高光谱技术替代传统的近红外单 籽粒采样模式来检测样本内部品质 但其实用性还有待进一步验证 若深入结合图像信息 高光谱技术在 农产品内外品质检测方 面有更广阔的应用 关键词 高光谱 近红外 小麦籽粒 蛋白 中图分类号 0 6 5 7 3 文献标识码 A 文章编号 1 0 0 0 9 7 8 7 2 0 1 3 0 2 0 0 6 0 0 3 Ex p l o r a t io ns o f wh e a t g r a in pr o t e in co n t e n t p r e dict io n u s in g NI R a nd hy p e r s p e ct r um t e ch no l o g y WU J in g z h u WU S h e n g n a n L I U C u i l in g CHE N X in g h a i GAO F e n g 1 S ch o o l o f C o mp u t e r a n d I n f o r ma t i o n E n g in e e r in g B e i j in g T e ch n o l o g y a n d B u s i n e s s U n iv e r s i t y B e i j in g 1 0 0 0 4 8 C h i n a 2 Z OL I X I n s t r u me n t s C o L t d B e i j in g 1 0 1 1 4 9 C h i n a Ab s t r a ct 5 7 u n i t w h e a t g r a i n s a mp l e s s p e t r u I l l S a r e co l l e ct e d s e p a r a t e l y b y F o u r i e r n e a r i n f r a r e d N I R s p e ct r o me t e r s i n g l e g r a in t e s t s a m p l e a cce s s o r i e s a n d H y p e r S I S N I R s y s t e m a n d t h e w h e a t g r a in p r o t e i n co n t e n t mo d e l s h u il t r e s p e ct iv e l y b y N I R a n d h y p e r s p e ct r u m is ma in l y co mp a r e d a n d t h e mo d e l co r r e l a t io n co e ffi cie n t b a s e d o n N I R is 0 5 2 a n d e r r o r o f cr o s s v a l i d a t i o n R MS E C V is 0 8 0 7 w h il e t h e m o d e l co r r e l a t io n co e ffi cie n t b a s e d o n h y p e r s p e ct r u m is 0 8 1 a n d RMS E C V is 0 7 0 3 5 3 h e r e s u l t s s h o w t h a t wh e n t h e s a mp l e is f e w a n d in g r a in f o r m h y p e r s pe e t r u m t e ch n o l o g y ha s mo r e a dv a nt a g e s t o t e s t s a mp l e in t e r n a l qu a l it y t h a n NI R bu t it s p r a ct ica l it y r e ma in s t b e f u r t h e r v e r ifi e d I f f u r t h e r co mb in e d wit h ima g e in f o r ma t io n h y p e r s p e ct r u m t e ch n o l o g y ha s mo r e a l l a pp l ica t io n in d e t e ct in g in t e r na l a n d e x t e r n a l q u a l it y o f a g ri cu l t ur a l p r o d uct s Ke y w o r d s h y p e r s p e ct r u m n e a r i n fr a r e d N I R w h e a t g r a i n p r o t e i n 0 引 言 在基于近红外 n e a r i n fl a r e d N I R 光谱技术的农产品 品质检测研究中 待测样品的形态 装样条件以及所采用的 光谱仪类型都会对检测结果产生较大的影响 因此 要获 得准确的分析 结果必须注 意待测样 品的取样 方法 样 品的 处理与准备以及选择合适 的光谱仪 籽粒样品相较于 粉末 均匀的溶液样品 其光谱受样品状态与装样条件的影 响更大 严衍禄等人深入研究 r样品状态 装样条件对测 量结果的影响 其中 主要考察的是样品含水量 样品温度 样品粒度 样品均匀性 松紧度和样品高度对近红外分析的 影 响 I 在某些特定 的实验条 件下 如待测 样 品为籽粒形 念 小麦 玉米等 且样品量较少时 则无法采用传统的近 红外光谱技术中大样品杯旋转方式采集光谱 而采用单籽 粒测样附件 光谱可能会受到诸如样品摆放位置 样品是否 有代表性等问题的影响 导致预测结果不理想 高光谱 h y p e r s p e ct r u m 技术是 2 0世纪 8 0年代发展起 来的新技术 它集中了光学 电子学 信息处理以及计算机 科学技术 把传统的二维成像技术和光谱技术有机地结合 在一起而形成的先进技术 高光谱技术不但可以检测农产 品的物理结构和化学成分等 而且能通过图像技术反映农 收稿 日期 2 O l 2 o 7 0 2 基金项目 北 京大学牛科学研究 创 业行 动计划建设项 目 P x M 2 0 l 2 1 0 l 4 2 坞 o 0 6 7 北京市教委科研基地科教创新平台项 目 P XM 2 0 1 2 0 1 4 2 1 3 0 0 0 0 2 3 第 2期 吴静珠 等 近红外和高光谱技术用于小麦籽粒蛋白含量预测探索 6 1 产品的外在特征 这种内外品质信息兼备的特征 使得高 光谱图像技术在农产品无损检测方面具有较大的应用前 景 现阶段利用高光谱技术进行农产品品质的无损检测还 处 于研究 和发展阶段 本文以小麦样品为例 采用近红外分析中的单籽粒采 样和高光谱成像技术 2种方式 分别建模预测小麦籽粒蛋 白含量 比较高光谱技术与 N I R技术在针对样品量少 且为 籽粒形态的农产品定量检测时的可行性与实用性 1 材料与方法 1 1 实验材料 5 7份小麦籽粒样本及其蛋白值由中国农业机械化科 学研究院提供 每份样品约有籽粒 2 0粒左右 蛋白含量为 1 1 2 6 1 7 9 9 1 2近红外光谱采集 选用德国 B r u k e r 公司的V e rt e x 7 0傅立叶 N I R光谱仪 由于籽粒较少不适用于大样品杯旋状方式采样 因此 采用 单籽粒测样附件 仪器参数设定如下 波数范围为 4 0 0 0 1 2 5 0 0 cm一 分辨率为 1 6 cm 扫描次数为 6 4次 一份样 品中随机挑选 2个样品扫光谱 每个样品分别扫描其侧面 和凹槽 2处位置的光谱 因此 共采集 5 7 2 2 2 2 8条 光谱 如图 l所示 从图中可以看出 单籽粒样品的光谱虽 然曲线轮廓较为相似 但是纵向分布较宽 很明显是受样品 摆放位置 的影 响 l 2 00 0 l O0 O0 80 00 6 00 0 4 00 0 波数 cm 图 1 单籽粒小麦样品近红外光谱 Fig 1 NI R s p e ct r u m o f s in g l e g r a in whe a t s a mpl e s 1 3高光谱 图像采集 选用北京卓立汉光仪器有限公司 H y p e r S I S N I R近红外 增强型高光谱成像系统 该系统主要由高光谱成像仪 C C D 相机 光源 暗箱 计算机组成 系统参数设定如下 光谱扫 描范围为 8 3 5 4 6 7 8 1 6 4 8 3 5 6 8 n m 光谱分辨率为 6 3n m 扫描速度为 6 0i m a g e s s 焦平 面阵列 为 3 2 0 x 2 5 6 曝光 时间 为0 0 3 S 传送带的传输速度为 2 3 5 m m s 将小麦样品平 铺置于样品台采集图像 采样过程如图2所示 小麦高光谱 图像如图 3所示 2 结果 与分 析 2 1 近红外建模分析 将采集的5 7 2 x 2 2 2 8条光谱全部作为建模样本参 与建模 采用仪器 自带的分析软件 O P U S进行 自动优化建 图 3 小麦高光谱 图像 Fig 3 Hy p e r s p e c t r um im a g e s o f whe a t s a mpl e s 模 根据软件 中的异常样本剔除准则逐步剔除异常样本 1 3个 采用冻结样本数 2 0个 接近于 l 0折交互校验 建 立偏最小二乘交叉校验 p a r t i a l l e a s t s q u a r e C R O S S v a l id a t io n P L S C V 模型如表 l所示 表 1 单籽粒建模分析结果 Ta b 1 M o d e l in g a na l y s is r e s ult b a s e d o n s ing l e g r a in 样本数异常样本 预处理谱段 cm一 建模方法 主成分数 相关系数 均方根误 差 P L S CV 1 O 0 5 2 0 8 0 7 从建模结果表 中可以看出 单籽粒小麦建立的近红外 模型结果不理想 相关系数偏低 交叉校验均方根误差偏 高 这是由于籽粒的不规则形状和摆放位置的不同导致光 谱信息差异较大 因此 所建模型结果较差 2 2高光谱建模分析 采用高光谱技术对小麦籽粒的蛋白含量进行预测 需 要提取出被测对象的光谱信息 光谱信息提取步骤如下 在 E N V I 软件中打开高光谱图像 在图片子窗口打开菜单 T o o l s R e g io n o f in t e r e s t R e g i o n t o o l s 在 弹 出 的子 窗 口 中 将 R O I T y p e 项选为 p o in t 结合图像信息 随机选择图像 中不同小麦所在位置处的 1 5个象素点提取光谱信息 然后 取其平均光谱 导人 Ma t l a b 分析 5 7份小麦样本提取的平 均光谱如 图 4所示 将采集的 5 7条光谱都作为建模样本参与建模 采用 C A R S算法 进行波长挑选优化建模 采用 1 0折交互校 验建立偏最小二乘交叉校验模型 结果如表 2所示 表中 结果是经过多次 C A R S计算 挑选出的较好的模型 表 2高光谱图像建模分析结果 Ta b 2 M o d e l in g a n a l y s is r e s u l t b a s e d o n h y p e r s p e ct r u m ima g e s 样本数异常样本 挑选波长点数 预处理 个 个 个 均方根 建模方法主成分数 相关系数 曝差 5 7 0 标准化 3 5 P L S C V 一 1 0 1 2 0 8 1 0 7 0 3 5 3 8 点 眦 q个 6 4共 M 个 培 个 6 2 传 感 器 与 微 系 统 第 3 2卷 波长 n m 图 4 高光谱 图像导 出的小麦籽粒样品集近红外光谱 F ig 4 W he a t g r a in s a m p l e s NI R s p e c t r um e x t r a c t e d f r o m hy p e r s p e c t r u m im a g e s 在针对籽粒形态且量少的样本进行内部品质检测的可行性 和实用性 实验结果 表明 基 于高光谱 技术 的小麦 籽粒 蛋 白模型指标较优 但是其实用性还有待进一步验证和加强 因此 采用高光谱技术作农产品的内部品质检测是可以尝 试的 若深入结合图像信息等 应该有更广阔的应用空间 如 小麦的霉变 虫害检测等 参考 文献 1 严衍禄 赵龙莲 韩东海 等 近红外光谱分析基础与应用 M 北京 中国轻 I 出版社 2 0 0 5 从建模结果表中可以看出 基于高光谱技术建立的小 2 王 雷 乔 晓艳 董有尔 等 高光 谱 图像 技术在 农产 品检测 麦籽粒蛋白含量预测模型与基于近红外的单籽粒小麦蛋 白 中的应用进展 J 应用光学 2 0 0 9 3 0 4 6 4 o一6 4 5 模型相比 挑选的波长点数较少 相关系数较高 交叉校验 3 张华秀 李晓宁 范伟 等 近红外光谱结合 C A R S变量筛选 均方根误差较低 模型指标较好 方法用于液态奶中蛋白质与脂肪含量的测定 J 分 析测 试 就本实验的结果而言 单籽粒样本的内部品质检测 采 学报 2 0 1 0 2 9 5 4 3 0 4 3 4 用高光谱技术略优于近红外光谱技术 但是其实用性还有 4 1 吴静珠 徐 云 基于C A R S P I S的食用油脂肪酸近红外定 待进一步反复验证 另外 小麦样本的籽粒较小 而高光谱 最分析模型优化 J 农业机械学报 2 0 1 1 4 2 1 0 1 6 2一 技术的图像分辨率和光谱分辨率还不高 这些都对后续的 1 6 6 光谱信息提取造成一定的影响 但是 针对玉米 大豆或是 E 5 L i H g d o n g L i a n g Y i g x Q i n g g a 1 K y g t 苹果之类的大颗粒样本 高光谱可以在样本定位提取光谱 u s i n g co m p e t it i v e a d a p t i v e r e w e i g h t e d s a m p l i n g m o d 和外观检测上更能发挥优势 7 7f o r m 8 u 4 l t iv a r ia t e ca l ib r a t io n J An a l C h im A ct a 2 0 0 9 6 4 8 l J 1 3 结论 作者简介 本文分别采用 N I R技术和高光谱技术进行小麦籽粒蛋 吴静珠 1 9 7 9 一 女 江苏 无锡人 博 士 副教授 主要 从事 基 白预测 重点比较了两者所建模型的指标和2 种光谱技术 于光谱技术的农产品卜 j 食品检测方面的研究 上接第 5 9页 为了说明采用概率神经网络的优越性 将本方法与文 献 7 采用的 B P神经 网络方法进行 比较 结果列于表 4 显然 概率神经网络在学习训练速度与准确率方面都要优 于 B P神经网络模型 表 4两种网络模型测试效果 比较 Ta b 4 Te s t e ffe c t co m p a r is o n o f t wo k ind s o f n e t wo r k mo d e l 4 结论 本文以实现地下矿山环境安全智能监测为 目标 提出 了基于最短距离聚类数据融合和基于概率神经网络的井下 环境安全智能监测方法 避免了以往文献研究类似问题时 需要假设传感器的测量值服从正态分布 并根据主观设定 阈值来定义关系矩阵等的缺陷 同时 采用概率神经网络实 现智能分类 提高了分类速度和准确率 实践结果表明 基 于二级融合的地下矿山环境智能监测系统实现了对环境的 有效监测 提高了矿井安全生产水平 该系统已在 白银集 团某地下矿山成功实践 参考文献 1 同昕 岭 基建 煤矿 建设 安 全避