基于近红外光谱数据的水稻种子活力预测模型研究

发布时间：2021-05-13 11:28

　　中国作为世界上最大的水稻生产国,稳定的水稻年产量已经成为了人们生活的基本保障。而选择高活力的水稻种子进行播种是保证水稻稳产、高产的重要环节之一。传统的种子活力测定方法主要以发芽试验和化学试验为主,该类方法存在着试验周期长,浪费样品且操作繁琐等缺点。因此,一种快速、无损的种子活力检测技术对农业生产具有巨大的潜在效益。该研究尝试应用近红外光谱分析技术实现水稻种子活力的快速无损测定,从而达到测量水稻种子的光谱曲线即可快速计算其发芽率的目的。该文的主要研究内容如下:（1）建模数据采集。以黑龙江省五常市2017年收获的五优稻4号水稻种子为研究对象,通过高温高湿的方法将水稻种子置于温度为45^oC,湿度为90%的环境中进行为期0d、1d、2d、3d、4d、5d、6d的人工老化,以获得不同活力水平的水稻种子,采集其相应的近红外光谱数据。每一种老化天数的水稻种子样本均采集60组样本数据,共记采集420组样本数据。然后对采集过光谱数据的不同老化时间段的水稻种子进行发芽试验以获得其真实发芽率。（2）建模数据处理与建模。在数据处理的过程中,首先对不同老化天数水稻种子的光谱数据分别应用蒙特... 

【文章来源】：黑龙江八一农垦大学黑龙江省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究的目的和意义
    1.2 国内外研究动态和趋势
        1.2.1 国外的研究现状
        1.2.2 国内的研究现状
    1.3 研究目标、内容和技术路线
        1.3.1 研究目标
        1.3.2 研究内容
        1.3.3 研究方案和技术路线
2 近红外光谱分析方法
    2.1 异常样本剔除
        2.1.1 马氏距离法
        2.1.2 蒙特卡洛交叉验证法
    2.2 样本集划分
        2.2.1 随机选样法
        2.2.2 Kennard-Stone算法
        2.2.3 SPXY算法
    2.3 特征波长选择
        2.3.1 相关系数法与方差分析法
        2.3.2 无信息变量消除法
    2.4 建模方法选择
        2.4.1 主成分回归
        2.4.2 偏最小二乘回归
        2.4.3 BP神经网络
        2.4.4 RBF神经网络
    2.5 模型评价
        2.5.1 相关系数
        2.5.2 决定系数
        2.5.3 标准误差
        2.5.4 均方根误差
        2.5.5 相对分析误差
    2.6 本章小结
3 数据采集
    3.1 试验材料和仪器
        3.1.1 样品来源
        3.1.2 试验主要仪器设备
    3.2 不同活力水平水稻种子的获取
        3.2.1 种子人工老化方法的选择
        3.2.2 高温高湿老化试验
    3.3 光谱数据的采集
    3.4 水稻种子的发芽试验
    3.5 本章小结
4 水稻种子活力预测模型的建立与验证
    4.1 光谱数据处理
        4.1.1 异常样本剔除方法选择
        4.1.2 样本集的划分方法选择
        4.1.3 特征波长算法的选择
    4.2 模型的建立与验证
        4.2.1 偏最小二乘回归模型的建立与验证
        4.2.2 BP神经网络模型的建立与验证
        4.2.3 RBF神经网络模型的建立与验证
        4.2.4 模型对比及改进
    4.3 基于PLS的神经网络模型优化
    4.4 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢
个人简历
    个人情况
    教育背景
    在学期间发表论文


【参考文献】：
期刊论文
[1]高温老化下甜玉米种子活力近红外光谱检测技术研究[J]. 李武,李妍,李高科,高磊,陈敏忠,卢爵广,胡建广,刘建华.  核农学报. 2018(08)
[2]NIR技术在食品中的应用[J]. 刘晓红,王会,姚寒笑,马如霞,齐鑫,郭琦.  农产品加工. 2018(03)
[3]一种改进的RBF神经网络在农机总动力预测中的应用[J]. 潘琪,王福林,吴志辉,方堃.  农机化研究. 2018(07)
[4]BP神经网络隐含层节点数确定方法研究[J]. 王嵘冰,徐红艳,李波,冯勇.  计算机技术与发展. 2018(04)
[5]利用电导率法测种子活力的思考[J]. 刘子凡,罗文杰.  种子. 2017(08)
[6]结合光谱变换和Kennard-Stone算法的水稻土全氮光谱估算模型校正集构建策略研究[J]. 陈奕云,赵瑞瑛,齐天赐,亓林,张超.  光谱学与光谱分析. 2017(07)
[7]近红外光谱法测定不同产地黄芪中毛蕊异黄酮葡萄糖苷和黄芪甲苷含量[J]. 战皓,吴宏伟,张东,柳梦婷,唐力英,李化,王祝举,杨滨,杨岚,方婧,付梅红.  光谱学与光谱分析. 2017(05)
[8]加强种子市场监管力度 保障农户合法权益[J]. 董继禄,杨晓燕.  吉林农业. 2017(04)
[9]药品近红外光谱通用性定量模型评价参数的选择[J]. 冯艳春,张琪,胡昌勤.  光谱学与光谱分析. 2016(08)
[10]基于近红外光谱技术的春小麦单粒种子活力鉴定[J]. 时伟芳,谢宗铭,杨丽明,王建华,孙群.  麦类作物学报. 2016(02)

博士论文
[1]大豆秸秆成分近红外光谱分析快速检测方法研究[D]. 孔庆明.东北农业大学 2015
[2]近红外光谱技术在药物无损非破坏定量分析中的应用研究[D]. 曲楠.吉林大学 2008
[3]基于近红外光谱的贮藏脐橙品质无损检测方法研究[D]. 夏俊芳.华中农业大学 2008

硕士论文
[1]玉米种子理化性状与种子活力的关系研究[D]. 郝奇慧.沈阳农业大学 2018
[2]BP神经网络整体变步长与个体变步长算法的比较研究[D]. 何志连.东北农业大学 2016
[3]玉米种子活力的研究[D]. 袁晓华.天津农学院 2016



本文编号：3183934