科研之友
微信
新浪微博
Facebook
分享链接
摘要
使用便携式近红外(901～1 650 nm)和可见光(400～900 nm)光谱仪结合多变量分析方法无损检测水稻水分含量，选用100种不同品种的水稻并采集其光谱信息，其中粳稻52种，籼稻34种，糯稻14种。采用GB 5009.3—2016中的直接干燥法测定每种水稻样本的水分含量。利用蒙特卡洛偏最小二乘法(MCPLS)剔除水稻样本中的异常值，基于近红外和可见光光谱的数据集分别剔除8个和4个异常值。采用基于联合X-Y距离的样本划分法(SPXY)按照3:1的比例划分样品，近红外和可见光数据集分别得到69、 72个校正集和23、 24个预测集。采用正交信号校正(OSC)、多元散射校正法(MSC)、去趋势变换(De-trend)、标准正态变换(SNV)、基线校正(Baseline)、 Savitzky-Golay卷积导数(S-G导数)、标准化(Normalize)、移动平均平滑(moving average)、 Savitzky-Golay卷积平滑处理法(S-G平滑)共9种算法对原始光谱数据进行预处理，基于近红外和可见光光谱的OSC、 SNV和OSC、 Moving average预处理效果较好，进行后续模型的处理。选择特征波长以减小光谱信息冗余并提高模型检测效果，基于近红外和可见光光谱的最佳波长选择方法分别为连续投影算法(SPA)和竞争性自适应重加权算法(CARS),分别保留15, 39个特征波长。之后，建立偏最小二乘回归(PLSR)、主成分回归(PCR)模型。结果表明，基于近红外和可见光光谱的最优模型分别为SPA-PLSR和OSC-CARS-PCR,其预测集相关系数(RP2),预测集均方根误差(root mean square error forprediction, RMSEP)和预测集归一化均方根误差(normalized root mean square error, NRMSEP)分别为0.810 3、 0.802 1, 0.412、 0.388和3.62%、 3.34%。基于近红外光谱的SPA-PLSR模型预测效果更好，鲁棒性更高，预测效果好于可见光光谱。本研究验证了便携式近红外和可见光光谱仪快速、无损检测水稻中水分含量的可行性，为水稻收获、贮藏等过程水分含量的测定提供技术支持，为后续便携式光谱仪的开发提供参考。
- 单位
