基于光谱和光谱成像技术的转基因大豆品种鉴别与品质检测研究

发布时间：2017-10-03 05:29

  本文关键词：基于光谱和光谱成像技术的转基因大豆品种鉴别与品质检测研究

  更多相关文章： 转基因大豆 光谱与光谱成像技术 品种鉴别 品质检测

【摘要】：由于环境恶化、耕地面积减少、人口增长等因素导致对粮食的需求急剧增加,转基因技术在作物种植中的应用快速增长。中国是世界上最大的大豆进口国,常有转基因大豆通过非法途径进入中国。传统的转基因成分检测方法费时费力,非专业人员难以胜任,不适用于转基因与非转基因的快速检测鉴别,更无法再进行转基因作物的育种培养。本研究基于中红外光谱技术和高光谱成像技术,研究转基因大豆的品种鉴别和品质检测,对保证转基因大豆的品质及育种培养、管理和作业具有重要意义。本研究主要成果内容如下：(1)研究了非转基因与转基因大豆的品种快速鉴别方法。基于高光谱成像技术,从可见光波段和近红外光波段获取大豆的光谱信息,经去除噪声和MA-7点平滑预处理,利用Bw、x-loading weights、PCA-loadings、SPA和CARS五种不同方法提取对转基因大豆品种敏感的特征波长,基于全谱数据和特征波长分别建立PLS-DA、BPNN、SVM和ELM判别模型并比较判别分析效果。对非转基因大豆进行了品种鉴别,近红外波段的判别效果明显优于可见光谱波段,HC6、JACK、TL1三个品种的预测判别正确率分别达到100.00%、100.00%、92.50%；对转基因大豆进行了品种鉴别,基于全谱光谱数据,可见光波段和近红外光波段中均是BPNN模型判别效果更好,总体判别正确率分别为99.12%和98.67%。基于特征波长,可见光波段和近红外光波段中均是基于CARS的模型判别效果更好,略微优于SPA的,但SPA提取的特征波长个数明显少于CARS的。总体上,高光谱成像技术用于非转基因与转基因大豆的品种鉴别研究是可行的,并且近红外光谱波段的判别效果较好。(2)建立了转基因大豆的蛋白质含量预测方法和模型。基于中红外光谱技术和近红外高光谱成像技术,分别获取大豆的光谱信息并消除噪声,对经WT预处理的中红外光谱数据和经MA-7点平滑预处理的近红外高光谱数据分别建立蛋白质含量的PLS预测模型,均取得较好的预测效果,其中近红外波段的预测结果对品种HC6、JACK和TL1的Rp分别是0.7842、0.9198和0.9371,RMSEP分别是0.6860,0.7240和0.6335,总体效果优于中红外波段的。再利用Bw、x-loading weights、PCA-loadings、SPA和CARS五种方法提取特征波长建立PLS预测模型,中红外波段范围内基于CARS的预测效果最优且略优于基于SPA的,近红外波段范围内基于SPA的预测效果最优,对三个品种的预测结果Rp分别为0.7442、0.8724和0.9145,RMSEP分别是0.7470,0.79442和0.6860。总体上,中红外光谱技术和近红外高光谱成像技术均可用于转基因大豆的蛋白质含量预测,并且近红外光谱波段的预测效果较好。(3)建立了转基因大豆的脂肪含量预测方法和模型。基于中红外光谱技术和近红外高光谱成像技术,分别获取大豆的光谱信息并消除噪声,对经WT预处理的中红外光谱数据和经MA-7点平滑预处理的近红外高光谱数据分别建立脂肪含量的PLS预测模型,均取得较好的预测效果,其中近红外波段的预测结果对三个品种的Rp分别是0.8178、0.9309和0.9452,RMSEP分别是1.0072,1.0336和0.8960,总体效果优于中红外波段的。再利用Bw、x-loading weights、PCA-loadings、SPA和CARS五种方法提取特征波长建立PLS预测模型,中红外波段范围内基于CARS的预测效果最优且略优于基于SPA的,近红外波段范围内基于SPA的预测效果最优,对三个品种的预测结果Rp分别为0.8089、0.9203和0.9557,RMSEP分别是1.0251,1.1696和0.9055。总体上,中红外光谱技术和近红外高光谱成像技术均可用于转基因大豆的脂肪含量预测,并且近红外光谱波段的预测效果较好。
【关键词】：转基因大豆 光谱与光谱成像技术 品种鉴别 品质检测
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S565.1
【目录】：

• 致谢7-8
• 摘要8-10
• Abstract10-18
• 第一章 绪论18-26
• 1.1 研究背景和意义18-19
• 1.2 传统的转基因成分检测研究方法19-21
• 1.2.1 核酸检测技术19-20
• 1.2.2 蛋白质检测技术20-21
• 1.3 光谱和光谱成像技术及其应用现状21-24
• 1.3.1 光谱技术21-23
• 1.3.1.1 光谱技术的原理21
• 1.3.1.2 应用现状21-23
• 1.3.2 高光谱成像技术23-24
• 1.3.2.1 高光谱成像技术的原理23
• 1.3.2.2 应用现状23-24
• 1.4 研究内容24-25
• 1.5 本章小结25-26
• 第二章 材料与方法26-39
• 2.1 试验材料26
• 2.2 实验设备26-30
• 2.2.1 高光谱成像系统26-28
• 2.2.1.1 高光谱成像仪27
• 2.2.1.2 线光源27-28
• 2.2.1.3 镜头28
• 2.2.1.4 电控位移平台28
• 2.2.1.5 适用软件及其他28
• 2.2.2 rapid N cube杜马斯燃烧法定氮仪28-29
• 2.2.3 Jasco FT-IR 4100傅立叶变换光谱仪29-30
• 2.3 化学值测定方法30-31
• 2.3.1 蛋白质含量测定方法30
• 2.3.2 脂肪含量测定方法30-31
• 2.4 光谱数据预处理方法31-32
• 2.4.1 平滑处理31-32
• 2.4.2 小波变换32
• 2.5 特征波长的提取方法32-34
• 2.5.1 权重回归系数法32-33
• 2.5.2 载荷系数法33
• 2.5.3 传感器区别贡献率分析法33
• 2.5.4 连续投影算法33-34
• 2.5.5 竞争性自适应重加权算法34
• 2.6 化学计量学建模方法34-37
• 2.6.1 偏最小二乘法34-35
• 2.6.2 人工神经网络35-36
• 2.6.3 支持向量机36
• 2.6.4 极限学习机36-37
• 2.7 模型评价标准37-38
• 2.7.1 分类模型评价标准37
• 2.7.2 回归模型评价标准37-38
• 2.8 本章小结38-39
• 第三章 基于高光谱成像技术的转基因大豆品种鉴别研究39-81
• 3.1 引言39
• 3.2 样本来源39
• 3.3 基于可见/近红外高光谱成像技术的转基因大豆品种鉴别研究39-65
• 3.3.1 可见光谱数据采集与校正40
• 3.3.2 可见光谱信息提取40
• 3.3.3 可见光范围内的光谱反射率分析40-41
• 3.3.4 可见光谱预处理41
• 3.3.5 可见光谱下的非转基因大豆的品种鉴别41-42
• 3.3.6 可见光谱下的非转基因亲本大豆及其转基因大豆的品种鉴别研究42-65
• 3.3.6.1 基于可见光谱全谱建立品种识别模型分析43-49
• 3.3.6.1.1 基于可见光谱全谱建立PLS-DA模型分析43-44
• 3.3.6.1.2 基于可见光谱全谱数据BPNN模型分析44-46
• 3.3.6.1.3 基于可见光谱全谱数据SVM模型分析46-47
• 3.3.6.1.4 基于可见光谱全谱数据ELM模型分析47-49
• 3.3.6.1.5 基于可见光谱全谱数据PLS-DA、BPNN、SVM和ELM模型的比较49
• 3.3.6.2 可见光谱的特征波段提取49-61
• 3.3.6.2.1 基于Bw方法提取特征波长49-51
• 3.3.6.2.2 基于x-loading weights方法提取特征波长51-58
• 3.3.6.2.3 基于PCA-loadings方法提取特征波长58-59
• 3.3.6.2.4 基于SPA方法提取特征波长59
• 3.3.6.2.5 基于CARS方法提取特征波长59-61
• 3.3.6.3 基于特征波长的预测结果61-65
• 3.3.6.3.1 基于Bw方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较61-62
• 3.3.6.3.2 基于x-loading weights方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较62-63
• 3.3.6.3.3 基于PCA-loadings方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较63-64
• 3.3.6.3.4 基于SPA方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较64
• 3.3.6.3.5 基于CARS方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较64-65
• 3.4 基于近红外高光谱成像技术的转基因大豆品种鉴别研究65-79
• 3.4.1 近红外光谱数据采集与校正65-66
• 3.4.2 近红外光谱信息提取66
• 3.4.3 近红外光范围内的光谱反射率分析66
• 3.4.4 近红外光谱预处理66-67
• 3.4.5 近红外光谱下的非转基因大豆的品种鉴别67
• 3.4.6 近红外光谱下的非转基因亲本大豆及其转基因大豆的品种鉴别研究67-79
• 3.4.6.1 基于近红外光谱全谱建立品种识别模型分析67-73
• 3.4.6.1.1 基于近红外光谱全谱建立PLS-DA模型分析67-69
• 3.4.6.1.2 基于近红外光谱全谱数据BPNN模型分析69-70
• 3.4.6.1.3 基于近红外光谱全谱数据SVM模型分析70-71
• 3.4.6.1.4 基于近红外光谱全谱数据ELM模型分析71-73
• 3.4.6.1.5 基于近红外光谱全谱数据PLS-DA、BPNN、SVM和ELM模型的比较73
• 3.4.6.2 近红外光谱的特征波段提取73-76
• 3.4.6.2.1 基于Bw方法提取特征波长73-74
• 3.4.6.2.2 基于x-loading weights方法提取特征波长74
• 3.4.6.2.3 基于PCA-loadings方法提取特征波长74-75
• 3.4.6.2.4 基于SPA方法提取特征波长75
• 3.4.6.2.5 基于CARS方法提取特征波长75-76
• 3.4.6.3 基于特征波长的预测结果76-79
• 3.4.6.3.1 基于Bw方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较76
• 3.4.6.3.2 基于x-loading weights方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较76-77
• 3.4.6.3.3 基于PCA-loadings方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较77-78
• 3.4.6.3.4 基于SPA方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较78
• 3.4.6.3.5 基于CARS方法提取特征波长的PLS-DA、BPNN、SVM和ELM模型的比较78-79
• 3.5 本章小结79-81
• 第四章 转基因大豆的蛋白质含量光谱检测研究81-91
• 4.1 引言81
• 4.2 样本制备及光谱数据采集81-82
• 4.2.1 近红外高光谱数据采集81
• 4.2.2 中红外光谱数据采集81-82
• 4.3 蛋白质含量测定82
• 4.4 样本集的划分82
• 4.5 基于中红外光谱技术的转基因大豆蛋白质含量研究82-85
• 4.5.1 转基因大豆蛋白质含量预测的全谱模型82-83
• 4.5.2 特征波长的提取83-84
• 4.5.3 基于特征波长的预测结果84-85
• 4.6 基于近红外高光谱技术的转基因大豆蛋白质含量研究85-88
• 4.6.1 转基因大豆蛋白质含量预测的全谱模型85-86
• 4.6.2 特征波长的提取86-87
• 4.6.3 基于特征波长的预测结果87-88
• 4.7 本章小结88-91
• 第五章 转基因大豆的脂肪含量光谱检测研究91-100
• 5.1 引言91
• 5.2 样本制备及光谱数据采集91
• 5.2.1 近红外高光谱数据采集91
• 5.2.2 中红外光谱数据采集91
• 5.3 脂肪含量测定91-92
• 5.4 样本集的划分92
• 5.5 基于中红外光谱技术的转基因大豆脂肪含量研究92-96
• 5.5.1 转基因大豆脂肪含量预测的全谱模型92-93
• 5.5.2 特征波长的提取93-94
• 5.5.3 基于特征波长的预测结果94-96
• 5.6 基于近红外高光谱技术的转基因大豆脂肪含量研究96-99
• 5.6.1 转基因大豆脂肪含量预测的全谱模型96
• 5.6.2 特征波长的提取96-97
• 5.6.3 基于特征波长的预测结果97-99
• 5.7 本章小结99-100
• 第六章 结论与展望100-103
• 6.1 主要结论100-101
• 6.2 主要创新点101
• 6.3 研究展望101-103
• 参考文献103-110
• 作者简介110-111

【参考文献】

中国期刊全文数据库 前10条

1 冯涛;;大豆稳产高产技术措施[J];现代化农业;2015年07期

2 丁希斌;张初;刘飞;宋星霖;孔汶汶;何勇;;高光谱成像技术结合特征提取方法的草莓可溶性固形物检测研究[J];光谱学与光谱分析;2015年04期

3 赵芸;张初;刘飞;孔汶汶;何勇;;采用可见/近红外光谱检测大麦叶片过氧化氢酶与过氧化物酶含量的研究[J];光谱学与光谱分析;2014年09期

4 朱哲燕;张初;刘飞;孔汶汶;何勇;;基于中红外光谱分析技术的香菇产地识别研究[J];光谱学与光谱分析;2014年03期

5 张初;刘飞;章海亮;孔汶汶;何勇;;近地高光谱成像技术对黑豆品种无损鉴别[J];光谱学与光谱分析;2014年03期

6 叶敬忠;李华;;关于转基因技术的综述与思考[J];农业技术经济;2014年01期

7 张初;刘飞;孔汶汶;章海亮;何勇;;利用近红外高光谱图像技术快速鉴别西瓜种子品种[J];农业工程学报;2013年20期

8 方献平;马华升;余红;金亮;刘辉;张乐;翁丽萍;来文国;;转基因常见检测技术与蛋白质组学的应用[J];浙江农业科学;2013年10期

9 谢丽娟;应义斌;;转基因番茄鉴别模型维护方法[J];江苏大学学报(自然科学版);2012年05期

10 陈淑云;采云;陈激扬;;不同实时荧光定量聚合酶链反应技术研究进展[J];国际检验医学杂志;2012年05期

中国博士学位论文全文数据库 前2条

1 王彬星;重型汽车车内声压级预测与主要噪声源分析[D];清华大学;2013年

2 许小丹;利用寡核苷酸芯片对Roundup Ready转基因大豆检测及鉴定技术的研究[D];中国农业大学;2004年

中国硕士学位论文全文数据库 前1条

1 袁铁琰;转基因大豆及其加工产品的检测技术研究[D];上海师范大学;2004年

，

本文编号：963406