一种单籽粒作物不完善粒快速无损判定方法与流程

本发明涉及一种单籽粒作物品质的判定方法，更具体涉及一种单籽粒作物不完善粒快速无损判定方法。

背景技术：

单籽粒作物不完善粒是指受到损伤但尚有使用价值的单籽粒作物籽粒，包括病斑粒、虫蚀粒、生芽粒、破损粒和生霉粒。不完善粒综合反映了单籽粒作物生长、收获、流通和贮藏期间的产量和品质情况，是单籽粒作物品质检测的一项重要指标。然而，目前我国单籽粒作物不完善粒的检测仍然需要完全依赖人工感官鉴定，其结果不够客观准确、可重复性差、检测时相当耗时耗力。为提高质检效率，方便粮食行业按质论价，保障农民种粮利益和国家粮食安全，研究快速、准确、简单的单籽粒作物不完善粒检测技术十分必要。

近红外光谱是一种波长在780nm～2526nm范围内的电磁波，可以反映有机化合物以及混合物中含氢基团(c-h、n-h、o-h)振动的合频和各级倍频的吸收，近年来广泛用于农业、化工、食品、生命科学、环境保护和质量监督等领域，具有快速、高效、准确、不损伤样品、可同时分析多个组分的优点。目前近红外技术在单籽粒作物的多项指标如水分、硬度、蛋白含量、湿面筋含量等指标上均有所应用，然而在单籽粒作物不完善粒的检测上却鲜有报道。单籽粒作物不完善现象本质是单籽粒作物的胚或胚乳受到机械损伤或生理变化和微生物的侵害，导致其种用品质和食用品质下降的一种表现。其中，发芽单籽粒作物、生霉单籽粒作物往往是单籽粒作物灌浆后期遭遇阴雨、且收获或保管时水分过高导致，单籽粒作物籽粒存在穗发芽、霉烂现象；病斑单籽粒作物以赤霉病粒、黑胚粒为典型，其成因也往往是抽穗期间的阴雨天气、真菌滋生导致，籽粒存在皱缩呆白、粉红色霉状物、黑胚等现象；虫蚀单籽粒作物往往是单籽粒作物保管储藏期间受虫害感染且防治不当导致，籽粒的胚或胚乳部位存在虫蚀现象；破损单籽粒作物主要是单籽粒作物收割运输保管期间的机械损伤导致，籽粒存在不同程度的残缺、变形。上述不完善粒相比正常单籽粒作物，在理化性质上均存在不同程度的改变，并可在其近红外光谱上得到体现，因此，采用近红外分析单籽粒作物不完善粒具有理论上的可行性。

技术实现要素：

本发明所要解决的技术问题在于现有技术的单籽粒作物不完善粒检测常常存在的检测结果基本全靠感官、准确性不高、耗时耗力的问题。

本发明是通过以下技术方案解决上述技术问题的：一种单籽粒作物不完善粒快速无损判定方法，包括以下步骤：

步骤一：收集单籽粒作物样品，检测每粒单籽粒作物的不完善粒情况，建立类别信息矩阵；

步骤二：采集单籽粒作物单籽粒的近红外光谱；

步骤三：构建单籽粒作物不完善粒近红外判别分析模型；

步骤四：利用所建立的模型区分正常单籽粒作物和不完善粒单籽粒作物。

优选的，所述步骤一、步骤二、步骤三及步骤四是基于具有单粒检测或者单粒检测及分选功能的近红外光谱分析仪器平台上实施的。

优选的，步骤一中所收集单籽粒作物样品为不同时间收获、不同产地的不同品种，单籽粒作物样品的总数在1000-3000粒，其中各种类型的单籽粒作物不完善粒数目占全部样品数目的25％-75％。

优选的，步骤一中对检测出的各类不完善粒单籽粒作物均赋值为2，正常粒单籽粒作物赋值为1，作为类别标签，建立类别信息矩阵。

优选的，步骤二中近红外光谱为近红外漫反射光谱或近红外漫透射光谱。

优选的，步骤三具体包括：

a:光谱预处理并选择有效波长，建立光谱矩阵；

b:采用化学计量学算法，构建光谱矩阵与单籽粒作物类别信息矩阵之间的关系模型。

优选的，所述化学计量学算法为判别式判别式偏最小二乘法算法或堆栈式自编码器算法。

优选的，采用判别式偏最小二乘法算法构建单籽粒作物不完善粒近红外判别分析模型时，其对应的光谱预处理为：截取9596.6-7992cm^-1和5600.6-4790cm^-1的光谱，对光谱进行一阶导数+矢量归一化，平滑点数17；光谱预处理后获得光谱矩阵，再采用判别式偏最小二乘法算法构建关系模型，该关系模型为判别式偏最小二乘法算法模型，具体参数为：将主成分数设为5，分类阈值为1.57，判定当预测值≤1.57时为正常单籽粒作物，预测值>1.57时为不完善粒。

优选的，采用堆栈式自编码器算法构建单籽粒作物不完善粒近红外判别分析模型时，其对应的光谱预处理为：[-1,1]归一化；光谱预处理后获得光谱矩阵，再采用堆栈式自编码器算法构建关系模型，该关系模型为堆栈式自编码器算法模型，具体参数为：将稀疏度参数为0.1，权重衰减系数为0.003，稀疏惩罚项权重设为3，每层神经网络参数使用minfunc梯度下降法进行训练，训练函数为l-bfgs，最大迭代次数设为400次；输入层大小等于所采光谱的波长点数；设置2个隐藏层，隐藏层1的神经元节点数设为100，隐藏层2的神经元节点数设为200；输出层大小数为2，输出值为2时判定为不完善粒，输出值为1时判定为正常单籽粒作物。

优选的，所述单籽粒作物包括稻谷、小麦或玉米，稻谷不完善粒包括未熟粒、病斑粒、虫蚀粒、发芽粒、破损粒和生霉粒；小麦不完善粒包括病斑粒、虫蚀粒、发芽粒、破损粒和生霉粒；玉米不完善粒包括病斑粒、虫蚀粒、发芽粒、破损粒、生霉粒和热损伤粒。

本发明相比现有技术具有以下优点：

(1)本发明检测过程不依赖受检验人员主观判别影响，检测结果客观准确；检测过程不损伤样品、快速、简便，能够实现单籽粒作物不完善粒的高效、通量化判别。

(2)本发明提供的一种单籽粒作物不完善粒快速无损判定方法可和其他单籽粒作物品质检测技术联合使用，如联合单籽粒作物水分、硬度的近红外光谱检测模型，可同时实现对单籽粒作物水分、不完善粒、硬度等多项指标的快速、无损检测，实现单籽粒作物多个品质检测的自动化，更好地服务粮食行业。

附图说明

为了更清楚地说明本发明的技术方案，下面将对发明描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例所公开的一种单籽粒作物不完善粒快速无损判定方法的流程图；

图2是本发明实施例所公开的一种单籽粒作物不完善粒快速无损判定方法中单籽粒作物样品的近红外漫反射平均光谱；

图3是本发明实施例所公开的一种单籽粒作物不完善粒快速无损判定方法中pls-da模型对校正集样本的预测值和类别标签的散点图；

图4是本发明实施例所公开的一种单籽粒作物不完善粒快速无损判定方法中sae模型对不同编号的校正集样本的预测值的散点图；

图5是本发明实施例所公开的一种单籽粒作物不完善粒快速无损判定方法中pls-da模型对验证集样本的预测值和类别标签的散点图；

图6是本发明实施例所公开的一种单籽粒作物不完善粒快速无损判定方法中sae模型对不同编号的验证集样本的预测值的散点图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

以下实施例以单籽粒作物—小麦为例对本发明做详细介绍。如图1所示，一种单籽粒作物不完善粒快速无损判定方法，包括以下步骤：

s1：收集单籽粒作物样品，所收集单籽粒作物样品为不同时间收获、不同产地的不同品种，单籽粒作物样品的总数在1000-3000粒，其中各种类型的单籽粒作物不完善粒数目占全部样品数目的25％-75％。所述单籽粒作物不完善粒包括病斑粒、虫蚀粒、发芽粒、破损粒和生霉粒。对检测出的各类不完善粒单籽粒作物均赋值为2，正常粒单籽粒作物赋值为1，作为类别标签，建立类别信息矩阵。

如表1所示，收集中国6份不同地区不同品种的小麦样品。每份样品根据gb1351-2008挑选出正常粒小麦和各类不完善粒小麦合计2169粒。其中，随机选取其中75％的样品即1631粒小麦作为校正集，用来建模；其余25％即538粒作为验证集，用来验证模型的预测性能。

表1小麦样品来源和个数统计

对所检测的正常小麦，其类别标签记为1，所检测的不完善粒小麦包括病斑粒、虫蚀粒、发芽粒、破损粒、生霉粒，其类别标签均记为2，建立类别信息矩阵类别信息矩阵大小为1631行1列，矩阵中每一个元素依次对应每一个校正集小麦的类别标签。

s2：采集单籽粒作物单籽粒的近红外光谱，近红外光谱为近红外漫反射光谱或近红外漫透射光谱。采用布鲁克光谱仪采集全部小麦样品光谱。样品采集时，每粒小麦水平放置在样品窗口中心，使用样品杯漫反射扫描参数进行采集，光谱扫描范围为11987.2-3996.8cm^-1，分辨率8cm^-1，扫描次数32次，扫描时，小麦腹部、背部各采集1条光谱后取平均，作为该样品光谱。

对所采集的正常小麦、病斑小麦、虫蚀小麦、发芽小麦、破损小麦、生霉小麦的光谱分别进行平均，平均后的光谱图像如图2所示。由图2可见正常小麦和各类不完善粒小麦之间差异较显著，说明近红外光谱可以反映正常小麦和不完善粒小麦的理化成分差异，因而这两类小麦可以通过建模来区分。

s3：获取了校正集光谱以及对应的类别信息后，对光谱预处理并选择有效波长，建立光谱矩阵；然后分别采用2种方法：判别式判别式偏最小二乘法算法(pls-da，partialleastsquaresdiscriminantanalysis)和堆栈式自编码算法(sae，stackedautoencoder)构建小麦不完善粒模型。

小麦不完善粒的pls-da模型构建：使用布鲁克光谱仪自带的优化软件优化参数，获得最优光谱预处理为：光谱范围截取为9596.6-7992cm^-1和5600.6-4790cm^-1，之后对光谱进行一阶导数+矢量归一化，平滑点数17。对光谱范围进行上述光谱预处理后，获得光谱矩阵，光谱矩阵为1631行1037列，1631为校正集样品的个数，1037为光谱波长点个数，每行对应一条预处理后的校正集样品光谱，不同的行对应不同的预处理后的校正集样品光谱，光谱矩阵和类别信息矩阵每行对应的是同一个小麦样品。

使用pls-da构建光谱矩阵和类别矩阵间的关系模型，主成分数设为5，并设置阈值1.57，当预测值≤1.57时判定为正常小麦，预测值＞1.57时判定为不完善粒小麦，所建模型的r²相关指数为0.5309，rmsecv交叉验证均方根为0.298。pls-da模型对校正集样本的预测值和类别标签的散点图如图3所示。图3中以1.57为阈值，大部分正常小麦类别标签为1的样品被正确归入阈值以下的一类，而大部分不完善粒小麦类别标签为2的样品被正确归入阈值以上的一类。具体的，本实施例中，模型误判165个。其中，正常小麦误判为不完善粒79粒，病斑粒、虫蚀粒、发芽粒、破损粒、生霉粒各误判为正常粒21、35、21、6和3粒，各自正确识别率分别为80.96％、94.70％、84.58％、92.88％、97.65％和93.02％，合计平均正确分类率为89.88％。

小麦不完善粒的sae模型构建：对校正集光谱进行[-1,1]归一化预处理，获得光谱矩阵。之后使用sae算法，对光谱矩阵和类别信息矩阵进行训练，构建模型。模型各项参数为：稀疏度参数为0.1，权重衰减系数为0.003，稀疏惩罚项权重为3，每层神经网络参数使用minfunc梯度下降法工具箱进行训练，训练函数为l-bfgs，最大迭代次数为400次。输入层等同于光谱的波长点数，为1037个；设置2个隐藏层，隐藏层1的神经元节点数设为100，隐藏层2神经元节点数设为200。输出层大小数为2，其中输出值为2时判定为不完善粒，输出值为1时判定为正常小麦。

模型对校正集样本的训练结果如图4所示。1631粒校正集小麦中，前1216粒为不完善粒，后415粒为正常小麦。由图4可见，不完善粒和正常小麦大部分被正确地判别分别预测为2和1。具体的，本实施例中，模型总共误判50粒。其中，正常小麦误判为不完善粒19粒，病斑粒、虫蚀粒、发芽粒、破损粒、生霉粒各误判为正常粒12、5、10、4和0粒，正确识别率分别为95.42％、96.96％、97.79％、96.61％、98.82％和100％，合计平均正确识别率为96.93％。

s4：利用所建立的模型区分正常单籽粒作物和不完善粒单籽粒作物。对于验证集小麦样品，在同样条件下采集近红外光谱数据，并对该数据进行同样的光谱预处理，之后利用所建立的模型区分正常小麦和不完善粒小麦。

本实施例中待测小麦样品为538粒验证集小麦样品，其中前404粒为不完善粒小麦，后134粒为正常小麦。对不同的建模方式，其对小麦不完善粒的判定结果分别如下：

①小麦不完善粒pls-da模型对验证集的预测结果

采用小麦不完善粒pls-da模型对验证集小麦进行预测，其判别结果如图5。图中大部分不完善粒小麦和正常小麦被模型正确地判定输出值分别大于1.57和小于1.57的样品，被模型正确判定为正常粒。具体的，本实施例中，总的误判数为49粒。其中，正常小麦误判为不完善粒17粒，病斑粒、虫蚀粒、发芽粒、破损粒、生霉粒各误判为正常粒7、14、7、2和2粒，各自正确识别率分别为87.31％、94.70％，81.33％、92.86％、97.65％和85.71％，合计平均正确识别率为90.89％。

②小麦不完善粒sae模型对验证集的预测结果

采用小麦不完善粒sea模型对验证集小麦进行预测，其判别结果如图6。图中大部分不完善粒小麦和正常小麦被模型正确地判定输出值分别为2和1。具体的，本实施例中，其误判个数为36，其中，正常小麦误判为不完善粒13粒，病斑粒、虫蚀粒、发芽粒、破损粒、生霉粒各误判为正常粒5、7、8、2和1粒，各自正确识别率分别为90.31％、96.21％、90.67％、91.84％、97.65％和92.86％，合计平均正确识别率为93.31％。

具体的，所述步骤一、步骤二、步骤三及步骤四是基于具有单粒检测或者单粒检测及分选功能的近红外光谱分析仪器平台上实施的。

通过以上技术方案，本发明所提供的一种单籽粒作物不完善粒快速无损判定方法检测过程不依赖受检验人员主观判别影响，检测结果客观准确；检测过程不损伤样品、快速、简便。本发明不仅可基于实施例中所述的具有单粒检测功能的光谱分析仪器，即布鲁克mpa型傅里叶变换近红外光谱仪，本发明也可基于单粒检测及分选近红外光谱分析仪器平台上实施，如中国科学院合肥物质科学研究院开发的qsc-1型作物品质智能检测分选仪，以实现小麦不完善粒的高效、通量化判别。除实施例中指出的小麦，本发明的方法还可推广至其他单籽粒作物的不完善粒判别，如玉米、水稻等；同时，所述方法还可和其他品质检测技术联合使用，如联合小麦水分、硬度的近红外光谱检测模型，可同时实现对小麦水分、不完善粒、硬度等多项指标的快速、无损检测，实现小麦多个品质检测的自动化，更好地服务粮食行业。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。