文献类型：期刊文章

作　　者：谢欢[1] 陈争光[1] 张庆华[2]

XIE Huan;CHEN Zheng-guang;ZHANG Qing-hua(College of Electrical and Information,Heilongjiang Bayi Agricultural University,Daqing 163319,China;Department of Computer Engineering,Daqing Technician College,Daqing 163254,China)

机构地区：[1]黑龙江八一农垦大学电气与信息学院,黑龙江大庆163319 [2]大庆技师学院计算机工程系,黑龙江大庆163254

出　　处：《光谱学与光谱分析》

基　　金：国家重点研发计划(2016YFD0701300);黑龙江八一农垦大学科研团队计划项目(TDJH201807)资助

年　　份：2019

卷　　号：39

期　　号：10

起止页码：3267-3272

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、PUBMED、RCCSE、RSC、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：黑龙江省是我国最大的粳稻产区和商品粮生产基地。水稻种植过程中,选择合适的水稻品种是实现高产的关键环节。在农业生产中,水稻品种的选择受多方面因素影响,一般说来,同一积温带所种植的不同水稻品种在外观上差别不大,甚至没有差别,很难通过肉眼观察进行准确区分。为了快速鉴别肉眼不便区分的不同类别粳稻种子,提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。以黑龙江垦区大量种植的3种不同品种的粳稻种子(垦粳5号、垦粳6号和绥粳4号)作为研究对象,每个品种选取40个样本,其中30个样本做为建模集,10个样本作为预测集,扫描获取全部120个样本的近红外光谱数据。对原始光谱数据(11520~4000cm^-1)两端进行裁剪,选取吸光度较强的8250~5779cm^-1范围内的光谱数据进行研究。首先建立参照模型,即直接对光谱数据建立BP模型1,同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。模型1的分类正确率为93.3%,预测集均方根误差RMSEP=0.2328,迭代时间t=3882.9s。模型2的分类正确率为100%,RMSEP=0.0706,迭代时间t=954.5s。比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力,但是由于两种模型未进行降维处理,数据量过大,模型的输入节点过多,迭代时间太长,不利于实际应用。因此利用小波变换多分辨率的特点对数据进行降维处理,采用预测集残差平方和Press值作为评价指标,在多个小波类别和参数中选取分解尺度为5的sym2(symlet2)小波对光谱数据进行压缩和降维处理,将光谱数据由601维降到21维。以小波变换结果作为神经网络输入,建立模型3,并与模型1比较,模型3的分类正确率为93.3%,RMSEP=0.2250,迭代时间t缩短至198.9s,比较结果显示小波降维可以减少神经网络的输入,简化神经网络的结构,从而提高迭代速度,但对提高模型的预测能�

关 键 词：近红外光谱 粳稻种子  小波变换 人工神经网络 品种鉴别  

分 类 号：O433.4]