论文部分内容阅读
玉米是世界三大作物之一,是我国重要的粮食和饲料作物。玉米产量和品质的好坏直接关系到玉米的利用率、等级及经济效益。开展基于机器视觉技术的玉米产量相关性状参数在线检测系统研究,为玉米育种、栽培及植物新品种特异性、一致性和稳定性测试等科研实践提供快速数据采集方法；开展基于近红外光谱的玉米籽粒组分含量检测方法研究,为玉米育种、改良等方面提供技术支持,有利于提高玉米籽粒的利用价值、促进玉米加工业的发展。本文研究了玉米表型参数中的产量相关性状参数在线检测方法,并在此基础上研制玉米性状参数自动检测系统一套,用于提取穗重、穗长、穗粗、穗行数、行粒数、粒色、轴重、粒长、粒宽、粒厚、百粒重等参数；研究了基于近红外光谱的玉米籽粒3组分(氨基酸、蛋白质、直链淀粉)含量的定量分析方法,并建立了3组分含量检测的定量分析模型。主要研究结果如下：1)设计并研制了基于机器视觉的玉米果穗和籽粒性状参数自动提取硬件系统,包括输送系统、基于PLC的检测控制系统、图像采集系统、PLC与PC串口通信系统；开发了基于Lab VIEW的果穗和籽粒图像特征提取系统,包括图像采集、图像处理、参数自动保存、穗重自动获取、PC机与PLC串口通信软件的开发；开发了基于PLC的输送线控制软件。2)对玉米性状参数自动检测系统进行了试验研究,并验证了系统精度。通过对200个玉米果穗和200粒玉米籽粒的检测试验,结果表明：马齿型玉米穗长的测量相对误差都在5%范围内；91.2%马齿型玉米穗粗的测量相对误差在5%范围内；86.1%硬粒形玉米穗长的测量相对误差在5%范围内；97.4%硬粒形玉米穗粗的测量相对误差在5%范围内；80.6%穗行数的测量相对误差在10%范围内；82.0%行粒数测量相对误差在10%范围内。3)基于近红外光谱分析技术研究了玉米籽粒组分含量检测的异常样本剔除方法。分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样(Monte-Carlo Sampling, MCS)法剔除玉米籽粒氨基酸、蛋白质和直链淀粉数据中的异常样本,并建立PLS模型。试验结果表明,依据不同原理的异常样本剔除法对玉米籽粒组分定量模型的预测结果有影响,确定RHM为玉米籽粒氨基酸含量的最佳异常样本剔除法,杠杆值法为玉米籽粒蛋白质含量的最佳异常值剔除法,MCS法为玉米籽粒直链淀粉的最佳异常样本剔除法。4)基于近红外光谱分析技术研究了玉米籽粒组分含量检测的样本集划分方法,确定Sample set partitioning based on joint x-y distance (SPXY)法为玉米籽粒3组分含量的最佳样本集划分方法。分别采用随机法(RS)、Kennard-Stone法(KS)和SPXY法对玉米籽粒样本进行划分,并建立偏最小二乘(PLS)模型。结果表明：不同样本划分方法对模型的预测结果有影响,采用SPXY法划分样本集所建PLS模型的预测效果优于RS法和KS法。5)基于近红外光谱分析技术研究了采用偏最小二乘支持向量机(LS-SVM)建模时参数的优化方法。分别采用小生境蚁群算法和网格搜索法优化LS-SVM径向基核函数的参数γ和σ2,结果表明,运用小生境蚁群算法优化模型的参数γ,和σ2能提高模型的预测精度和优化速度。6)基于近红外光谱分析技术研究了玉米籽粒3组分含量检测的不同光谱预处理和建模方法。利用SPXY法分别对剔除异常样本后的氨基酸、蛋白质和直链淀粉样本进行样本划分,分别建立偏最小二乘(PLS)、偏最小二乘支持向量机(LS-SVM)模型。采用标准化、标准正态变量变换、正交信号校正、中心化、多元散射校正、Savizky-Golay平滑、一阶导数及它们的组合预处理方法与原始光谱的建模效果进行对比分析。结果表明：采用LS-SVM进行玉米籽粒氨基酸、蛋白质和直链淀粉含量检测效果较优。附加散射校正(MSC)+正交信号校正(OSC)+标准化组合为检测玉米氨基酸含量的最佳预处理方法,所建LS-SVM模型的预测值与实测值的相关系数R为0.997,标准偏差(RMSEP)为0.019；正交信号校正(OSC)+标准化为检测玉米蛋白质含量的最佳预处理方法,模型的预测值与实测值的相关系数R为0.999,RMSEP为0.019；Detrend+MC为检测玉米直链淀粉含量的最佳预处理方法,模型的预测值与实测值的相关系数R为0.999,RMSEP为0.068。7)基于近红外光谱分析技术研究了玉米籽粒3组分含量的特征波长优选方法。分别在全谱(4000-10000cm-i)、合频波段(4000～5500cm-1)、一倍频波段(5500～7000cm-1)、二倍频(含高频)波段(7000～10000cm-1)、根据相关系数等优选的波段和采用遗传算法优选的波段建立玉米籽粒3组分含量的定量分析模型,试验结果表明,采用遗传算法优选变量所建模型的性能较差；当采用PLS法在各个波段建模时,模型的预测相关系数较小,RMSEP都较大,而采用LS-SVM建模则相关系数都高于0.990,RMSEP都较小。