一种基于近红外光谱的棉花种子发芽率测定方法及系统与流程

本发明涉及农业种植技术领域，具体涉及一种基于近红外光谱的棉花种子发芽率测定方法及系统。

背景技术：

棉花种子作为最基本的生产资料，在棉花生产中占有非常重要的地位。近年来，随着棉花种植精准技术的发展与推广，对棉花种子质量要求越来越高。

而棉花种子的发芽率是棉花种子质量的重要指标之一，长期以来，一直沿用发芽试验检验棉花种子的质量。gb/t3543.1-3543.7—1995《农作物种子检验规程》已经发布实施多年，该规程规定棉花种子发芽试验从开始到结束需要12天时间，而棉种生产、加工、销售中往往迫切需要快速了解棉花种子的发芽能力，以决定棉花种子能否加工和销售。

因此，如何提出一种方法，能够快速测定棉花种子发芽率，以提高对棉花种子发芽率的测定效率，成为业界亟待解决的重要课题。

技术实现要素：

针对现有技术中的缺陷，本发明提供一种基于近红外光谱的棉花种子发芽率测定方法及系统。

一方面，本发明提出一种基于近红外光谱的棉花种子发芽率测定方法，包括：

获取待测定棉花种子；

对所述待测定棉花种子进行近红外光谱扫描，获得所述待测定棉花种子的近红外光谱数据；

根据所述待测定棉花种子的近红外光谱数据以及棉花种子发芽率测定模型对所述待测定棉花种子进行发芽率测定；其中，所述棉花种子发芽率测定模型是预先建立的。

另一方面，本发明提供一种基于近红外光谱的棉花种子发芽率测定系统，包括：

第一获取单元，用于获取待测定棉花种子；

第一扫描单元，用于对所述待测定棉花种子进行近红外光谱扫描，获得所述待测定棉花种子的近红外光谱数据；

测定单元，用于根据所述待测定棉花种子的近红外光谱数据以及棉花种子发芽率测定模型对所述待测定棉花种子进行发芽率测定；其中，所述棉花种子发芽率测定模型是预先建立的。

本发明提供的基于近红外光谱的棉花种子发芽率测定方法及系统，能够对待测定棉花种子进行近红外光谱扫描，获得其近红外光谱数据，根据近红外光谱数据以及预先建立的棉花种子发芽率测定模型对待测定棉花种子进行发芽率测定，提高了对棉花种子发芽率的测定效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例基于近红外光谱的棉花种子发芽率测定方法的流程示意图；

图2为本发明另一实施例基于近红外光谱的棉花种子发芽率测定方法的流程示意图；

图3为本发明一实施例第一预设种类不同活力的棉花种子样本的近红外光谱图；

图4为本发明又一实施例基于近红外光谱的棉花种子发芽率测定方法的流程示意图；

图5为本发明一实施例基于近红外光谱的棉花种子发芽率测定系统的结构示意图；

图6为本发明另一实施例基于近红外光谱的棉花种子发芽率测定系统的结构示意图；

图7为本发明又一实施例基于近红外光谱的棉花种子发芽率测定系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由于近红外光谱分析具有无损、速度快、效率高、成本低、测试重现性好、测量方便等特点，已经被越来越多地应用于谷物中含水量、蛋白质、淀粉、脂肪等成分的测定。本申请旨在利用近红外光谱分析技术，建立棉花种子发芽率近红外光谱定量分析的数学模型，为棉花种子发芽率检测提供一条新途径，为棉花种子加工和贸易缩短检测时间，并提高工作效率，也为棉花种子资源保存节省宝贵的库存资源。

图1为本发明一实施例基于近红外光谱的棉花种子发芽率测定方法的流程示意图，如图1所示，本发明提供的基于近红外光谱的棉花种子发芽率测定方法包括：

s101、获取待测定棉花种子；

具体地，基于近红外光谱的棉花种子发芽率测定系统(以下简称测定系统)获取需要进行发芽率测定的棉花种子，即待测定棉花种子。其中，所述待测定棉花种子可以取100粒作为一份进行测定，可以多取几份进行测定，以保证所述待测定棉花种子发芽率测定结果的可信性。

s102、对所述待测定棉花种子进行近红外光谱扫描，获得所述待测定棉花种子的近红外光谱数据；

具体地，所述测定系统在获取所述待测定棉花种子之后，对所述待测定棉花种子进行近红外光谱扫描，可以获得所述待测定棉花种子的近红外光谱数据。

例如，所述测定系统包括硅和硫化铅双检测器，能够实现波长范围400-2498nm的扫描，对每份待测定棉花种子进行32次扫描，并重复3次，将重复3次获得的扫描结果的平均值作为所述待测定棉花种子的近红外光谱数据。在扫描前先进行所述硅和硫化铅双检测器的预热和自检，在对所述待测定棉花种子进行扫描时，控制扫描温度在室温20℃左右，并严格控制空气中的相对湿度在60％以下，以保证扫描结果的准确性。

s103、根据所述待测定棉花种子的近红外光谱数据以及棉花种子发芽率测定模型对所述待测定棉花种子进行发芽率测定；其中，所述棉花种子发芽率测定模型是预先建立的。

具体地，所述测定系统在获得所述待测定棉花种子的近红外光谱数据后，将所述待测定棉花种子的近红外光谱数据输入到棉花种子发芽率测定模型中，对所述待测定棉花种子进行发芽率测定，获得所述待测定棉花种子的发芽率。其中，所述棉花种子发芽率测定模型是预先建立的。

本发明提供的基于近红外光谱的棉花种子发芽率测定方法，能够对待测定棉花种子进行近红外光谱扫描，获得其近红外光谱数据，根据近红外光谱数据以及预先建立的棉花种子发芽率测定模型对待测定棉花种子进行发芽率测定，提高了对棉花种子发芽率的测定效率。

图2为本发明另一实施例基于近红外光谱的棉花种子发芽率测定方法的流程示意图，如图2所示，在上述各实施例的基础上，进一步地，建立所述棉花种子发芽率测定模型包括：

s201、获取第一预设种类不同活力的棉花种子样本，所述棉花种子样本是预先制备的；

具体地，所述测定系统获取第一预设种类不同活力的棉花种子样本，所述棉花种子样本是预先制备的，所述不同活力的棉花种子样本指的是每种所述棉花种子样本的发芽率有明显区别。其中，所述第一预设种类不同活力的棉花种子样本可以通过如下方式制备：分别取预设数量的收集于不同年份和不同地区种植的棉花种子，在电热鼓风干燥箱中于105℃烘干处理24小时，使上述棉花种子失去发芽能力，然后将上述失去发芽能力的棉花种子按不同比例分别与正常的棉花种子混合，所述正常的棉花种子即能够正常发芽的种子，所述正常的棉花种子也可以是收集于不同年份和不同地区种植的棉花种子。例如，将上述失去发芽能力的棉花种子与所述正常的棉花种子，分别按1:10、1:20、1:30、1:40、1:50、1:60、1:70、1:80、1:90和0:100的比例混合，制备10种不同种子活力梯度的棉花种子样本，这样所述10种棉花种子样本的发芽率都有明显的区别，可以容易地区分出来。可理解的是，对于每种棉花种子样本，可以取多份。其中，所述第一预设种类根据实际情况进行选择，本发明实施例不做限定。

s202、分别对每种所述棉花种子样本进行近红外光谱扫描，获得每种所述棉花种子样本的近红外光谱数据；

具体地，所述测定系统在获取所述第一预设种类的棉花种子样本之后，分别对每种所述棉花种子样本进行近红外光谱扫描，可以获得每种所述棉花种子样本的近红外光谱数据。对每种所述棉花种子样本的近红外光谱扫描的具体过程与步骤102类似，此处不再赘述。

图3为本发明一实施例第一预设种类不同活力的棉花种子样本的近红外光谱图，如图3所示，对每种所述棉花种子样本扫描光谱范围为400-2498nm，从图3中可以看出，所述棉花种子样本的近红外光谱曲线平滑均匀，表明所述硅和硫化铅双检测器工作状况良好，所述棉花种子样本选择合适，光谱表现出很好的稳定性和重现性。

s203、分别对每种所述棉花种子样本的近红外光谱数据进行多种预处理，每种预处理获得一组近红外光谱预处理数据；其中，每组所述近红外光谱预处理数据中包括经过所述预处理的所述第一预设种类不同活力的棉花种子样本的近红外光谱数据；

具体地，所述测定系统在获取到所述第一预设种类的棉花种子样本的近红外光谱图数据之后，由于所述棉花种子样本的近红外光谱图数据表现出一定的离散，存在着一定的基线偏移和漂移，因此有必要对获取到的所述棉花种子样本的近红外光谱图数据进行预处理，进而过滤噪声和提高信噪比，消除基线偏移和漂移的干扰。其中，所述预处理包括数学处理和散射处理，所述数学处理包括求导处理和平滑处理。所述数学处理和所述散射处理的方法有多种，可以将不同的所述数学处理和所述散射处理进行组合，从而分别对每种所述棉花种子样本的近红外光谱图数据进行多种预处理，每种预处理获得一组近红外光谱图预处理数据，每组所述近红外光谱预处理数据中包括经过所述预处理的所述第一预设种类不同活力的棉花种子样本的近红外光谱数据。

例如，所述求导处理可以是选定所述棉花种子样本的近红外光谱图数据的导数处理的数据间隔，求一阶导数、求二阶导数、求三阶导数等，所述导数处理的数据间隔可以是0、4、6、8、10等；所述平滑处理可以选择只做一次平滑处理，或者一次平滑处理和二次平滑处理都做；散射处理可以是标准正态变量变换(standardnormalvariatetrans2formation，以下简称snv)、分段多元散射校正(piece2wisemultiplicativescattercorrection，以下简称pmsc)、标准多元散射校正(standardmultiplescattercorrection，以下简称smsc)、加权多元散射校正(weightedmultiplescattercorrection，以下简称wmsc)反相多元去散射校正(inversemultivariatescatteringcorrection，以下简称imsc)等。其中，所述数学处理和所述散射处理过程可以采用化学计量学分析软件实现。

s204、根据各组所述近红外光谱预处理数据以及改良偏最小二乘法，分别建立多个棉花种子发芽率近红外校正模型；

具体地，所述测定系统根据获得的一组所述近红外光谱预处理数据，利用改良偏最小二乘法，建立与一个与该组所述近红外光谱预处理数据对应的棉花种子发芽率近红外校正模型，所述近红外光谱预处理数据有多组，可以分别建立多个与每组所述近红外光谱预处理数据对应的棉花种子发芽率近红外校正模型。其中，所述棉花种子发芽率近红外校正模型的建立可以通过所述化学计量学分析软件实现。

s205、根据交互验证标准差和交互验证决定系数从所述多个棉花种子发芽率近红外校正模型中，获得待验证棉花种子发芽率测定模型；

具体地，所述测定系统计算每个所述棉花种子发芽率近红外校正模型的交互验证标准差(secv)和交互验证决定系数(1-vr)，选取secv值最低和1-vr值最高的所述棉花种子发芽率近红外校正模型，作为待验证棉花种子发芽率测定模型。

s206、若判断获知所述待验证棉花种子发芽率测定模型通过验证，则将所述待验证棉花种子发芽率测定模型作为所述棉花种子发芽率测定模型。

具体地，所述测定系统对所述待验证棉花种子发芽率测定模型进行验证，如果所述待验证棉花种子发芽率测定模型通过验证，那么将所述待验证棉花种子发芽率测定模型作为所述棉花种子发芽率测定模型，对所述待测定棉花种子进行发芽率测定。

例如，所述测定系统获取10份棉花种子，分别对所述10份棉花种子进行近红外光谱扫描，并根据所述待验证棉花种子发芽率测定模型对所述10份棉花种子的发芽率进行测定，获取每份棉花种子的测定发芽率。然后获取所述10份棉花种子的真实发芽率，将所述10份棉花种子的真实发芽率与测定发芽率进行配对数据双尾t检验，如果检验的结果表明所述10份棉花种子的真实发芽率与所述10份棉花种子的测定发芽率没有显著性差异，那么所述待验证棉花种子发芽率测定模型通过验证，可以作为所述棉花种子发芽率测定模型，用于对所述待测定棉花种子的发芽率的测定。其中，所述10份棉花种子的真实发芽率可以通过将经过近红外光谱扫描后的所述10份棉花种子按照gb/t3543.1□3543.7—1995《农作物种子检验规程》中的方法进行发芽试验后获得。

下面以对所述棉花种子发芽率测定模型的建立过程进行具体实例说明。

制备10种不同活力的棉花种子样本，每种棉花种子样本中所述失去发芽能力的棉花种子和所述正常的棉花种子的比例分别为1:10、1:20、1:30、1:40、1:50、1:60、1:70、1:80、1:90和0:100，且每种棉花种子样本中棉花种子的数量为100粒，每种棉花种子样本制备4份。测定系统获取上述10种不同活力的棉花种子样本。

所述测定系统利用硅和硫化铅双检测器对每种4份棉花种子样本进行近红外光谱扫描，重复三次，将扫描结果的平均值作为该种棉花种子样本的近红外光谱数据，可以获得10种所述棉花种子样本的近红外光谱数据。

所述测定系统利用化学计量学分析软件分别对每种所述棉花种子样本的近红外光谱数据进行多种预处理，每种预处理可以获得一组近红外光谱预处理数据，每组近红外光谱预处理数据中包括分别对10种所述棉花种子样本的近红外光谱数据进行所述预处理的结果。所述测定系统利用化学计量学分析软件根据获得的一组所述近红外光谱预处理数据，采用改良偏最小二乘法，建立一个棉花种子发芽率近红外校正模型，所述近红外光谱预处理数据有多少组，就可以建立多少个所述棉花种子发芽率近红外校正模型。

对于多个所述棉花种子发芽率近红外校正模型，需要从中选出一个模型用于对所述待测定棉花种子的发芽率测定，所述测定系统计算各个所述棉花种子发芽率近红外校正模型的交互验证决定系数(1-vr)和交互验证标准差(secv)。如表1所示，在不同的所述数学处理下，经数学处理(3,12,12,1)，即进行3阶导数处理，导数处理的数据间隔为12，一次平滑点数为12，不进行二次平滑处理的棉花种子发芽率近红外校正模型的1-vr最大且secv最小。再将经数学处理(3,12,12,1)的棉花种子发芽率近红外校正模型选出，进行不同的所述散射处理的误差分析，由表2可以看出在散射处理wmsc的情况下，对应的棉花种子发芽率近红外校正模型的1-vr最大且secv最小。因此，选定由数学处理(3,12,12,1)和散射处理wmsc获得的一组近红外光谱预处理数据建立的棉花种子发芽率近红外校正模型，作为待验证棉花种子发芽率测定模型。

表1不同数学处理对不同棉花种子发芽率近红外校正模型的影响

表2不同散射处理对不同棉花种子发芽率近红外校正模型的影响

在得到所述待验证棉花种子发芽率测定模型之后，需要对所述待验证棉花种子发芽率测定模型进行验证。所述测定系统获取10份棉花种子，分别对所述10份棉花种子进行近红外光谱扫描，并根据所述待验证棉花种子发芽率测定模型对所述10份棉花种子的发芽率进行测定，获取每份棉花种子的测定发芽率。然后获取所述10份棉花种子的真实发芽率，将所述10份棉花种子的真实发芽率与测定发芽率进行成对数据的双尾t检验，检验结果如表3所示，10份棉花种子的测定发芽率为87.19％，真实发芽率为87.30％，t值为0.33，显著性水平p＝0.747>0.05，表明所述10份棉花种子的真实发芽率与测定发芽率没有显著性差异，所述待验证棉花种子发芽率测定模型通过验证，可以作为所述棉花种子发芽率测定模型，用于对所述待测定棉花种子的发芽率的测定。其中，所述10份棉花种子的真实发芽率可以通过将经过近红外光谱扫描后的所述10份棉花种子按照gb/t3543.1-3543.7—1995《农作物种子检验规程》中的方法进行发芽试验后获得。

表3棉花种子的测定发芽率和真实发芽率的显著性检验

图4为本发明又一实施例基于近红外光谱的棉花种子发芽率测定方法的流程示意图，如图4所示，在上述各实施例的基础上，进一步地，对所述棉花种子发芽率测定模型进行验证的步骤包括：

s401、获取预设份数的待验证棉花种子；

具体地，为了对所述棉花种子发芽率测定模型进行验证，所述测定系统获取预设份数的待验证棉花种子，所述待验证棉花种子是能够正常发芽的种子，且发芽率是未知的。其中，所述预设份数根据实际情况选择，本发明实施例不做限定。

s402、对所述预设份数的待验证棉花种子进行近红外光谱扫描，获得所述预设份数的待验证棉花种子的近红外光谱数据；

具体地，所述测定系统在获取所述预设份数的待验证棉花种子之后，对所述预设份数的待验证棉花种子进行近红外光谱扫描，可以获得所述预设份数的待验证棉花种子的近红外光谱数据。对所述预设份数的待验证棉花种子的具体过程与步骤102类似，此处不再赘述。

s403、根据所述预设份数的待验证棉花种子的近红外光谱数据以及所述待验证棉花种子发芽率测定模型分别对预设份数的所述待验证棉花种子进行发芽率测定，获得所述预设份数的所述待验证棉花种子的测定发芽率；

具体地，所述测定系统在获得所述预设份数的待验证棉花种子的近红外光谱数据后，分别将所述预设份数的待验证棉花种子的近红外光谱数据输入到所述待验证棉花种子发芽率测定模型中，对所述待验证棉花种子进行发芽率测定，获得所述预设份数的待验证棉花种子的发芽率。

s404、若判断获知所述预设份数的所述待验证棉花种子的测定发芽率与真实发芽率相比没有显著性差异，则所述待验证棉花种子发芽率测定模型通过验证；其中，所述真实发芽率是通过传统化学测定发芽率的方法对所述预设份数的待验证棉花种子进行发芽试验获得的。

具体地，所述测定系统将所述预设份数的所述待验证棉花种子的测定发芽率与所述预设份数的所述待验证棉花种子的真实发芽率进行配对数据双尾t检验，获得检验结果，如果所述检验结果表明所述预设份数的所述待验证棉花种子的测定发芽率与所述预设份数的所述待验证棉花种子的真实发芽率没有显著性差异，那么所述待验证棉花种子发芽率测定模型通过验证，可以作为所述棉花种子发芽率测定模型，用于对待测定棉花种子的发芽率测定。其中，所述真实发芽率是通过传统化学测定发芽率的方法对所述预设份数的待验证棉花种子进行发芽试验获得的。

在上述各实施例的基础上，进一步地，所述棉花种子样本的制备包括：

获得失去发芽能力的棉花种子，并将所述失去发芽能力的棉花种子按不同比例分别与正常的棉花种子混合，获得不同种子活力梯度的所述棉花种子样本。

具体地，分别取预设数量的收集于不同年份和不同地区种植的棉花种子，在电热鼓风干燥箱中于105℃烘干处理24小时，使上述棉花种子失去发芽能力，然后将上述失去发芽能力的棉花种子按不同比例分别与正常的棉花种子混合，所述正常的棉花种子即能够正常发芽的种子，所述正常的棉花种子也可以是收集于不同年份和不同地区种植的棉花种子，从而获得不同种子活力梯度的所述棉花种子样本。例如将上述失去发芽能力的棉花种子与所述正常的棉花种子，分别按1:10、1:20、1:30、1:40、1:50、1:60、1:70、1:80、1:90和0:100比例混合，制备10种不同种子活力梯度的棉花种子样本。这样通过每种所述棉花种子样本的发芽率都有明显的区别，可以容易地区分出来。可理解的是，对于每种棉花种子样本，可以取多份。

在上述各实施例的基础上，进一步地，在对所述待测定棉花种子进行近红外光谱扫描时，控制扫描温度在室温20℃和空气相对湿度在60％以下。

具体地，所述测定系统在对所述待测定棉花种子进行近红外光谱扫描时，控制扫描温度在室温20℃和空气相对湿度在60％以下，以确保获得的所述待测定棉花种子的近红外光谱数据的准确性。

图5为本发明一实施例基于近红外光谱的棉花种子发芽率测定系统的结构示意图，如图5所示，本发明提供的基于近红外光谱的棉花种子发芽率测定系统包括第一获取单元501、第一扫描单元502和测定单元503，其中：

第一获取单元501用于获取待测定棉花种子；第一扫描单元502用于对所述待测定棉花种子进行近红外光谱扫描，获得所述待测定棉花种子的近红外光谱数据；测定单元503用于根据所述待测定棉花种子的近红外光谱数据以及棉花种子发芽率测定模型对所述待测定棉花种子进行发芽率测定；其中，所述棉花种子发芽率测定模型是预先建立的。

具体地，基第一获取单元501获取需要进行发芽率测定的棉花种子，即待测定棉花种子。其中，所述待测定棉花种子可以取100粒作为一份进行测定，可以多取几份进行测定，以保证所述待测定棉花种子发芽率测定结果的可信性。

在获取所述待测定棉花种子之后，第一扫描单元502对所述待测定棉花种子进行近红外光谱扫描，可以获得所述待测定棉花种子的近红外光谱数据。

在获得所述待测定棉花种子的近红外光谱数据后，测定单元503将所述待测定棉花种子的近红外光谱数据输入到棉花种子发芽率测定模型中，对所述待测定棉花种子进行发芽率测定，获得所述待测定棉花种子的发芽率。其中，所述棉花种子发芽率测定模型是预先建立的。

本发明提供的基于近红外光谱的棉花种子发芽率测定系统，能够对待测定棉花种子进行近红外光谱扫描，获得其近红外光谱数据，根据近红外光谱数据以及预先建立的棉花种子发芽率测定模型对待测定棉花种子进行发芽率测定，提高了对棉花种子发芽率的测定效率。

图6为本发明另一实施例基于近红外光谱的棉花种子发芽率测定系统的结构示意图，如图6所示，在上述实施例的基础上，进一步地，本发明提供的测定系统还包括第二获取单元504、第二扫描单元505、预处理单元506、建立单元507、选取单元508和判断单元509，其中：

第二获取单元504用于获取第一预设种类不同活力的棉花种子样本，所述棉花种子样本是预先制备的；第二扫描单元505用于分别对每种所述棉花种子样本进行近红外光谱扫描，获得每种所述棉花种子样本的近红外光谱数据；预处理单元506用于分别对每种所述棉花种子样本的近红外光谱数据进行多种预处理，每种预处理获得一组近红外光谱预处理数据；其中，每组所述近红外光谱预处理数据中包括经过所述预处理的所述第一预设种类不同活力的棉花种子样本的近红外光谱数据；建立单元507用于根据各组所述近红外光谱预处理数据以及改良偏最小二乘法，分别建立多个棉花种子发芽率近红外校正模型；选取单元508用于根据交互验证标准差和交互验证决定系数，从所述多个棉花种子发芽率近红外校正模型中获得待验证棉花种子发芽率测定模型；判断单元509用于若判断获知所述待验证棉花种子发芽率测定模型通过验证，则将所述待验证棉花种子发芽率测定模型作为所述棉花种子发芽率测定模型。

具体地，第二获取单元504获取第一预设种类不同活力的棉花种子样本，所述棉花种子样本是预先制备的，所述不同活力的棉花种子样本指的是每种所述棉花种子样本的发芽率有明显区别。其中，所述第一预设种类不同活力的棉花种子样本可以通过如下方式制备：分别取预设数量的收集于不同年份和不同地区种植的棉花种子，在电热鼓风干燥箱中于105℃烘干处理24小时，使上述棉花种子失去发芽能力，然后将上述失去发芽能力的棉花种子按不同比例分别与正常的棉花种子混合，所述正常的棉花种子即能够正常发芽的种子，所述正常的棉花种子也可以是收集于不同年份和不同地区种植的棉花种子。例如，将上述失去发芽能力的棉花种子与所述正常的棉花种子，分别按1:10、1:20、1:30、1:40、1:50、1:60、1:70、1:80、1:90和0:100的比例混合，制备10种不同种子活力梯度的棉花种子样本，这样所述10种棉花种子样本的发芽率都有明显的区别，可以容易地区分出来。可理解的是，对于每种棉花种子样本，可以取多份。其中，所述第一预设种类根据实际情况进行选择，本发明实施例不做限定。

在获取所述第一预设种类的棉花种子样本之后，第二扫描单元505分别对每种所述棉花种子样本进行近红外光谱扫描，可以获得每种所述棉花种子样本的近红外光谱数据。

在获取到所述第一预设种类的棉花种子样本的近红外光谱图数据之后，由于所述棉花种子样本的近红外光谱图数据表现出一定的离散，存在着一定的基线偏移和漂移，预处理单元506有必要对获取到的所述棉花种子样本的近红外光谱图数据进行预处理，进而过滤噪声和提高信噪比，消除基线偏移和漂移的干扰。其中，所述预处理包括数学处理和散射处理，所述数学处理包括求导处理和平滑处理。所述数学处理和所述散射处理的方法有多种，可以将不同的所述数学处理和所述散射处理进行组合，从而分别对每种所述棉花种子样本的近红外光谱图数据进行多种预处理，每种预处理获得一组近红外光谱图预处理数据，每组所述近红外光谱预处理数据中包括经过所述预处理的所述第一预设种类不同活力的棉花种子样本的近红外光谱数据。

建立单元507根据获得的一组所述近红外光谱预处理数据，利用改良偏最小二乘法，建立与一个与该组所述近红外光谱预处理数据对应的棉花种子发芽率近红外校正模型，所述近红外光谱预处理数据有多组，可以分别建立多个与每组所述近红外光谱预处理数据对应的棉花种子发芽率近红外校正模型。

选取单元508计算每个所述棉花种子发芽率近红外校正模型的交互验证标准差(secv)和交互验证决定系数(1-vr)，选取secv值最低和1-vr值最高的所述棉花种子发芽率近红外校正模型，作为待验证棉花种子发芽率测定模型。

判断单元509对所述待验证棉花种子发芽率测定模型进行验证，如果所述待验证棉花种子发芽率测定模型通过验证，那么将所述待验证棉花种子发芽率测定模型作为所述棉花种子发芽率测定模型，对所述待测定棉花种子进行发芽率测定。

图7为本发明又一实施例基于近红外光谱的棉花种子发芽率测定系统的结构示意图，如图7所示，在上述各实施例的基础上，进一步地，判断单元509包括获取子单元5091、扫描子单元5092、测定子单元5093和判断子单元5094，其中：

获取子单元5091用于获取预设份数的待验证棉花种子；扫描子单元5092用于对所述预设份数的待验证棉花种子进行近红外光谱扫描，获得所述预设份数的待验证棉花种子的近红外光谱数据；测定子单元5093用于根据所述预设份数的待验证棉花种子的近红外光谱数据以及所述待验证棉花种子发芽率测定模型分别对预设份数的所述待验证棉花种子进行发芽率测定，获得所述预设份数的所述待验证棉花种子的测定发芽率；判断子单元5094用于若判断获知所述预设份数的所述待验证棉花种子的测定发芽率与真实发芽率相比没有显著性差异，则所述待验证棉花种子发芽率测定模型通过验证；其中，所述真实发芽率是通过传统化学测定发芽率的方法对所述预设份数的待验证棉花种子进行发芽试验获得的。

具体地，为了对所述棉花种子发芽率测定模型进行验证，获取子单元5091获取预设份数的待验证棉花种子，所述待验证棉花种子是能够正常发芽的种子，且发芽率是未知的。其中，所述预设份数根据实际情况选择，本发明实施例不做限定。

扫描子单元5092在获取所述预设份数的待验证棉花种子之后，对所述预设份数的待验证棉花种子进行近红外光谱扫描，可以获得所述预设份数的待验证棉花种子的近红外光谱数据。

测定子单元5093在获得所述预设份数的待验证棉花种子的近红外光谱数据后，分别将所述预设份数的待验证棉花种子的近红外光谱数据输入到所述待验证棉花种子发芽率测定模型中，对所述待验证棉花种子进行发芽率测定，获得所述预设份数的待验证棉花种子的发芽率。

判断子单元5094将所述预设份数的所述待验证棉花种子的测定发芽率与所述预设份数的所述待验证棉花种子的真实发芽率进行配对数据双尾t检验，获得检验结果，如果所述检验结果表明所述预设份数的所述待验证棉花种子的测定发芽率与所述预设份数的所述待验证棉花种子的真实发芽率没有显著性差异，那么所述待验证棉花种子发芽率测定模型通过验证，可以作为所述棉花种子发芽率测定模型，用于对待测定棉花种子的发芽率测定。其中，所述真实发芽率是通过传统化学测定发芽率的方法对所述预设份数的待验证棉花种子进行发芽试验获得的。

在上述各实施例的基础上，进一步地，所述棉花种子样本的制备包括：

获得失去发芽能力的棉花种子，并将所述失去发芽能力的棉花种子按不同比例分别与正常的棉花种子混合，获得不同种子活力梯度的所述棉花种子样本。

具体地，分别取预设数量的收集于不同年份和不同地区种植的棉花种子，在电热鼓风干燥箱中于105℃烘干处理24小时，使上述棉花种子失去发芽能力，然后将上述失去发芽能力的棉花种子按不同比例分别与正常的棉花种子混合，所述正常的棉花种子即能够正常发芽的种子，所述正常的棉花种子也可以是收集于不同年份和不同地区种植的棉花种子，从而获得不同种子活力梯度的所述棉花种子样本。例如将上述失去发芽能力的棉花种子与所述正常的棉花种子，分别按1:10、1:20、1:30、1:40、1:50、1:60、1:70、1:80、1:90和0:100比例混合，制备10种不同种子活力梯度的棉花种子样本。这样通过每种所述棉花种子样本的发芽率都有明显的区别，可以容易地区分出来。可理解的是，对于每种棉花种子样本，可以取多份。

在上述各实施例的基础上，进一步地，在对所述待测定棉花种子进行近红外光谱扫描时，控制扫描温度在室温20℃和空气相对湿度在60％以下。

具体地，所述测定系统在对所述待测定棉花种子进行近红外光谱扫描时，控制扫描温度在室温20℃和空气相对湿度在60％以下，以确保获得的所述待测定棉花种子的近红外光谱数据的准确性。

本发明提供的测定系统的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机系统(可以是个人计算机，服务器，或者网络系统等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。