一种基于光谱比例扣除的稻谷近红外光谱模型优化方法与流程

本发明涉及农业技术领域，通过测算水稻种子近红外光谱中种壳光谱和糙米光谱组成比例，扣除来自种壳的干扰模型的光谱信息，由此优化相应的近红外光谱模型。

背景技术：

水稻为禾本科植物，所结子实即稻谷，是世界主要的粮食作物之一，属于直接经济作物。稻谷整体可分为两个部分：稻壳和糙米，其中米是东亚和东南亚人口的主食，营养成分较多，包括：淀粉、蛋白质、维生素等，它还可以用于酿酒等传统行业；稻壳则可以作为饲料等。近红外(NIR)光谱是物质在780-2526nm波长的吸收谱，因其具有无损、快速、多成分、无污染的分析特点，在农业上获得了广泛的应用。目前，水稻、小麦、大豆、玉米等粮食作物的各类近红外光谱模型均在不同程度上用于各种领域中，如相应的蛋白质、淀粉、脂肪、水分等近红外光谱模型在饲料行业、粮油行业、育种行业等领域发挥了举足轻重的作用。

但是，水稻种子的近红外光谱模型分析难度较高，这主要是因为相对于小麦、大豆，水稻种子含种壳和糙米两个不同部分，而且种壳、糙米化学物质含量差别较大，只采用一般的的化学计量学方法较难建立准确的近红外光谱模型。所以，目前对于水稻种子还没有令人满意的近红外光谱定量分析模型。在此发明中，我们设计和发明了一种新的水稻种子NIR处理和分析方法，通过分析水稻种壳和糙米部分的近红外光谱特性，建立了一种对水稻种子近红外模型优化方法。

技术实现要素：

本发明的目的是为了解决现有技术中水稻种子的近红外光谱模型分析难度高、预测不准确的缺陷，提供一种基于光谱比例扣除的稻谷近红外光谱模型优化方法来解决上述问题。

本发明通过以下技术方案来实现上述技术目的：

一种基于光谱比例扣除的稻谷近红外光谱模型优化方法，包括以下步骤：

1)近红外平均光谱的计算

多次测定近红外光谱模型中水稻种子的种子、种壳、糙米的近红外光谱，得到种子、种壳和糙米近红外平均光谱；

2)拟合光谱计算

根据公式：

种子平均光谱＝K1×水稻糙米平均光谱+K2×水稻种壳平均光谱，对种子平均光谱进行线性回归拟合，由此得到系数K1、K2，使得其拟合结果与种子平均光谱的标准偏差最小；

3)近红外光谱模型的建立

根据K1、K2系数大小，扣除近红外光谱模型中水稻种子光谱包含种壳或糙米部分的重合信息的影响，即得到公式：

糙米的拟合光谱＝(种子平均光谱-K2×种壳平均光谱)/K1，

或

种壳的拟合光谱＝(种子平均光谱-K1×糙米平均光谱)/K2。

得到拟合光谱后，由此基于拟合光谱建立近红外光谱模型；

优选的，所述步骤1)包括：

11)判断影响近红外光谱模型的主要部分

先判断该模型建立的主要信息存在于水稻哪个部位，再按照光谱组成比例系数K1和K2去除影响模型准确性的重复信息；

12)测量种壳和糙米的近红外光谱

先选取建立近红外光谱模型的水稻种子样本群体，然后将群体每粒样本进行种壳和糙米分离，然后分别对种壳和糙米进行多次近红外光谱测定，求得种壳和糙米的平均光谱；

优选的，所述步骤2)包括：

根据步骤12)中求得的种壳和糙米的平均光谱，以种子光谱为拟合对象，求得种壳和糙米的组成比例系数K1、K2。

优选的，建立水稻种子水分近红外光谱模型的方法包括以下步骤：

1)构建水稻种子水分梯度

建模集为：将种子分别放置在常温、20℃、30℃、40℃4个温度值，11％、43％、75％、97％共4个湿度值，放置不同的时间建立相应的水分梯度，共38个点；

预测集为：将种子分别放置于20℃、25℃、30℃、35℃温度和11％、43％、75％湿度下5个月的种子，共12个点；

2)建立、分析水稻种子水分近红外光谱模型

采集建模集和预测集的水稻种子的近红外漫反射光谱，波数范围为12000-4000cm^-1，分辨率16cm^-1；去除12000～10500cm^-1波数范围，选择10500～4000cm^-1波数范围，对建模集在均值化处理下建立水稻种子水分偏最小二乘模型，后对预测集进行预测分析；

3)判断影响水分模型的主要部位

通过对种子各部位的含水量的比对，得出影响水稻种子水分模型的主要部位为糙米，应按比例扣除种壳的光谱比例；

4)计算光谱组成比例K1、K2

取建模集的种子，通过摇晃反复测定水稻种子近红外光谱15次，求得水稻种子的平均光谱；轻轻剥开种壳，用镊子夹出水稻糙米，后将种壳恢复原样，保持其形态一致，反复测定近红外漫反射光谱15次，求得种壳、糙米的平均光谱；再计算糙米光谱、种壳光谱的回归系数K1和K2；

5)用拟合光谱替换实际近红外光谱，重新分析水分模型

以K1、K2为系数，将水分模型中所有建模集和预测集的种子光谱都按照如下公式处理，即：

糙米拟合光谱＝(种子的平均光谱–K2×种壳平均光谱)/K1

然后用求得的糙米拟合光谱代替实际测量的糙米平均光谱，基于拟合光谱而建立新的近红外光谱模型。

本发明与现有技术相比，具有以下有益效果：

水稻种子光谱实际上由水稻种壳和糙米光谱两部分组成，不同水稻种子中相应的组成比例系数K1和K2不同；能够根据K1、K2系数大小，去除水稻种子近红外光谱模型中部分干扰模型的非本质多余信息的影响，从而可以提升关于水稻种子中某种成分分析的近红外光谱模型的预测准确度。

附图说明

图1为本发明一种基于光谱比例扣除的稻谷近红外光谱模型优化方法实施例1中根据实际测量近红外光谱的种子水分模型的建模结果(a)和预测结果(b)；

图2为本发明实施例1中按照比例扣除干扰因素(种壳)的影响，得到与平均光谱吻合很好的拟合光谱；

图3为本发明实施例1中基于拟合光谱的建模结果(a)和预测结果(b)。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

本发明是一种通过测量和分析稻谷在近红外光谱中糙米和种壳光谱的组成比例去优化稻谷近红外光谱模型的方法。包括以下步骤：

步骤1.判断影响近红外光谱模型的主要部分

按照光谱组成比例去除干扰模型的信息以前，我们需要先判断该模型分析的主要信息存在于水稻哪个部位。比如：对于建立水稻种子水分模型，水稻种子中水分主要存在于糙米部分之中，那么，我们需按照一定的光谱比例去除来自种壳的干扰模型建立的光谱信息。

步骤2.测量种壳和糙米近红外光谱

由于不同的水稻种子其近红外光谱中糙米和种壳光谱的组成比例不同，所以我们必须选取用于建立近红外光谱模型的水稻种子为样本。对样本群体反复测定近红外光谱多次，次数越多，平均光谱越稳定，建立模型越准确。测量时，将样本群体小心剥开，注意尽量保持样本状态一致，后分别对糙米、种壳反复测定近红外光谱多次，由此求平均光谱。

步骤3.计算种壳、糙米组成比例系数K1、K2

选择合适的近红外光谱模型的建模波数范围，以种子光谱为拟合对象，按以下公式：

种子近红外光谱＝K1×糙米近红外光谱+K2×种壳近红外光谱(1)

通过线性回归方法拟合种子近红外光谱，使得其拟合结果与种子光谱的标准偏差(RMSE)最小，由此可以得到糙米和种壳光谱组成比例系数K1、K2。

步骤4.根据种子的拟合光谱建立近红外光谱模型

将上述K1、K2系数用于建立近红外光谱模型；即：由公式(1)推得的拟合光谱代替实际测量的近红外光谱，由此建立新的近红外光谱分析模型。

比如：优化水稻种子水分模型过程中，首先计算糙米、种壳的组成比例系数K1、K2，由于影响其模型的主要部分为糙米，所以按照公式(1)得到：

糙米的拟合光谱＝(种子平均光谱-K2×种壳平均光谱)/K1(2)

即：扣除稻谷水分模型中种壳重合信息的影响，然后重新建立相应的种子水分的近红外光谱模型。

实施例1

建立水稻种子水分近红外光谱模型，具体步骤为：

步骤1.构建水稻种子水分梯度

本实施例中，我们将此方法用于分析9311常规稻群体种子近红外光谱水分模型，平均模型的建模集为：将水稻种子分别放置在常温、20℃、30℃、40℃4个温度值，11％、43％、75％、97％共4个湿度值，放置不同的时间建立相应的水分梯度，共38个点。不同温度、不同时间、不同湿度的构建方法能够有效避免模型内部非水分的变量同水分变化产生相同的变化趋势，影响模型的后续分析。

预测集则是将9311种子分别放置于20℃、25℃、30℃、35℃温度和11％、43％、75％湿度下5个月的种子，共12个点。

虽然相对于其它农作物的近红外光谱模型，此模型数目较少，但由于水分与近红外光谱相关性较强，且本模型中采用的是同种常规稻9311种子，所以变量数较少，满足分子光谱多元校正定量分析通则(GBT 29858-2013)中校正集的数目要求。

步骤2.建立、分析水稻种子水分模型

使用德国布鲁克MPA近红外光谱仪采集水稻种子的近红外漫反射光谱，波数范围为12000-4000cm^-1，分辨率16cm^-1。去除12000～10500cm^-1波数范围(这部分光谱噪声大)，选择10500～4000cm^-1波数范围，利用Unscramble9.5软件对建模集在均值化处理下建立水稻种子水分偏最小二乘模型，后对预测集进行预测分析；结果如图1(a)、图1(b)所示。

步骤3.判断影响水分模型的主要部位

采用烘干法测得9311种子含水量为11.758％，糙米含水量为12.733％，种壳含水量为7.937％种子中糙米比重较大，且种壳透气性较好，水分挥发速度较快，所以我们认为影响水稻种子水分模型的主要部位为糙米，应该扣除种壳的光谱比例。

步骤4.计算光谱组成比例K1、K2

取建模集的种子，通过摇晃反复测定水稻种子近红外光谱15次，求得水稻种子的平均光谱；轻轻剥开种壳，用镊子夹出水稻糙米，后将种壳恢复原样，保持其形态一致，然后同种子一样，反复测定近红外漫反射光谱15次，求得种壳、糙米的平均光谱。通过线性回归拟合的方法计算糙米光谱、种壳光谱的组成比例系数K1和K2。在本例中，根据拟合光谱与种子光谱的标准偏差最小，由此得到K1＝0.428，K2＝0.633。

步骤5.用拟合光谱替换实际测量的种子近红外光谱，重新建立和分析新的水分模型

以K1、K2为系数，将所有建模集和预测集的种子光谱都按照如下公式(2)处理，即：

水分模型中各组糙米拟合光谱＝(水分模型中各组种子的平均光谱–K2×水分模型中各组种子种壳平均光谱)/K1；

然后用上述糙米拟合光谱代替实际测量光谱，建立水分的近红外光谱模型，与未扣除重合信息前的近红外光谱模型进行对比，如图3(a)、图3(b)所示，结果为：扣除种壳信息的近红外光谱模型在预测能力上明显提高，其中RMSEP降低0.357，平均绝对偏差降低0.2085，如表1。

另外，我们发现：与基于原始测量光谱相比，拟合光谱模型的变量残余信息在前4个主成分较少，并且较少的主成分可以得到较高的预测准确度,如表2所示，这说明我们本专利的发明方法确实可以提升种子近红外分析与预测能力。

综上所述，我们提出这种新的基于光谱比例扣除的方法，可以优化稻谷近红外光谱模型，并且通过具体实例，说明我们的方法确实成功优化了水稻种子水分模型，提高了预测种子水分含量的准确度，由此证明了此方法的有效性。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。