基于近红外光谱的小麦蛋白质检测模型研究

发布时间：2022-05-03 05:56

　　在小麦籽粒选种、面粉加工、市场交易、储藏等领域,如何快速有效得到某种类型小麦的品质信息具有非常重要的现实意义。目前获得的小麦的品质信息方法多采用化学法、X光扫描等方法,但是存在实验设备昂贵、实验周期过长等弊端。小麦蛋白质的含量作为小麦品质信息主要的表示信息,论文采用近红外光谱技术对小麦蛋白质含量信息进行评价分析,从而降低检测小麦品质信息的成本和处理时间,提高其检测的适用性和准确性。论文的具体研究内容如下:（1）光谱数据预处理。在对小麦籽粒进行光谱的扫描的过程中,存在内部因素（仪器）和外部因素（光照、温度等）对光谱数据产生负面的影响,因此扫描得到的近红外光谱数据中存在部分的干扰信息。如果把引入的干扰信息作为波长信息变量进行建模分析势必会影响建立模型的稳定性和预测性,故需要对小麦籽粒近红外光谱数据进行预处理,尽可能的减小内部因素和外部因素对光谱数据的影响。论文分别采用归一化（Normalize）、一阶导数（1st Derivative）、二阶导数（2st Derivative）、平滑（Smoothing）、标准正态（SNV）、多元散射（MSC）、基线（Baseline）、去趋势（Detre... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 论文研究背景与意义
    1.2 国内外研究进展
        1.2.1 近红外光谱数据变量筛选方法研究
        1.2.2 近红外光谱检测模型的建模方法研究
    1.3 本论文研究内容与技术路线
    1.4 论文的组织架构
第二章 近红外光谱分析技术研究方法
    2.1 光谱预处理方法
        2.1.1 均值中心化
        2.1.2 归一化
        2.1.3 Savitzky– Savitzky卷积平滑算法
        2.1.4 导数算法
        2.1.5 多元散射矫正算法
        2.1.6 标准正态变量变换
    2.2 检测模型精度评价方法
        2.2.1 相关系数
        2.2.2 交叉验证均方根误差
        2.2.3 预测均方根误差
        2.2.4 决定系数
    2.3 实验数据采集
        2.3.1 小麦籽粒光谱数据采集
        2.3.2 小麦籽粒蛋白质含量采集
    2.4 本章小节
第三章 光谱数据分析方法
    3.1 样本集的划分
        3.1.1 K-S算法
        3.1.2 SPXY算法
    3.2 光谱数据预处理
    3.3 提取特征波长
        3.3.1 基于IRIV算法提取特征波长
        3.3.2 基于CARS算法提取特征波长
    3.4 本章小节
第四章 基于不同模型小麦蛋白质定量检测研究
    4.1 基于近红外光谱的小麦蛋白质PLSR模型分析研究
        4.1.1 基于近红外光谱小麦蛋白质含量PLSR检测模型
        4.1.2 基于IRIV算法的小麦蛋白质含量PLSR检测模型
        4.1.3 基于CARS算法的小麦蛋白质含量PLSR检测模型
    4.2 基于近红外光谱的小麦蛋白质BP模型分析研究
        4.2.1 基于近红外光谱小麦蛋白质含量BP检测模型
        4.2.2 基于IRIV算法的小麦蛋白质含量BP检测模型
        4.2.3 基于CARS算法的小麦蛋白质含量BP检测模型
        4.2.4 小节
    4.3 基于近红外光谱的小麦蛋白质RBF模型分析研究
        4.3.1 基于近红外光谱小麦蛋白质含量RBF检测模型
        4.3.2 基于IRIV算法的小麦蛋白质含量RBF检测模型
        4.3.3 基于CARS算法的小麦蛋白质含量RBF检测模型
    4.4 基于近红外光谱的小麦蛋白质ELM模型分析研究
        4.4.1 基于近红外光谱的小麦蛋白质ELM检测模型
        4.4.2 基于IRIV算法的小麦蛋白质含量ELM检测模型
        4.4.3 基于CARS算法的小麦蛋白质含量ELM检测模型
    4.5 本章小节
第五章 总结
    5.1 结论
    5.2 创新点
参考文献
致谢
作者简介及攻读硕士学位期间发表论文目录


【参考文献】：
期刊论文
[1]基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值[J]. 于雷,章涛,朱亚星,周勇,夏天,聂艳.  农业工程学报. 2018(16)
[2]最小角回归算法（LAR）结合采样误差分布分析（SEPA）建立稳健的近红外光谱分析模型[J]. 熊芩,张若秋,李辉,陈万超,杜一平.  分析测试学报. 2018(07)
[3]波长色散X射线荧光光谱法分析小麦籽粒中矿质元素[J]. 王广西,胡燕,罗琼,李丹,陈诚,赖万昌,翟娟.  分析试验室. 2017(06)
[4]基于近红外光谱和ELM算法的菱镁矿石品级分类研究[J]. 毛亚纯,肖冬,程锦甫,江锦红,BA TUAN LE,刘善军.  光谱学与光谱分析. 2017(01)
[5]基于光谱预处理结合遗传算法优化波长的面粉水分快速检测[J]. 孙晓荣,周子健,刘翠玲,付新鑫,窦颖.  食品科学. 2017(16)
[6]可见-近红外光谱的小麦硬度预测模型预处理方法的研究[J]. 惠光艳,孙来军,王佳楠,王乐凯,戴常军.  光谱学与光谱分析. 2016(07)
[7]小麦粒重基因TaGW2-6A等位变异的组成分析及育种选择[J]. 寇程,高欣,李立群,李扬,王中华,李学军.  作物学报. 2015(11)
[8]小麦籽粒蛋白质光谱特征变量筛选方法研究[J]. 李栓明,郭银巧,王克如,谢瑞芝,戴建国,肖春华,李静,李少昆.  中国农业科学. 2015(12)
[9]基于CARS变量筛选的固态发酵pH值近红外检测[J]. 于霜,刘国海,梅从立,江辉,夏荣盛.  计算机与应用化学. 2014(09)
[10]蚁群-遗传算法优化近红外光谱检测花茶花青素含量的研究[J]. 李艳肖,黄晓玮,邹小波,赵杰文,石吉勇,朱瑶迪.  食品安全质量检测学报. 2014(06)



本文编号：3650763