论文部分内容阅读
评价小麦籽粒质量的指标主要有水分、蛋白质、容重、硬度、降落数值、不完善粒、色泽及气味，其中色泽和气味的评定可以采用现行国标，通过常规的观察或运用简单仪器均可快速得知。为了建立一套科学、合理的小麦质量快速检测方法，本文以小麦籽粒为研究对象，运用近红外光谱技术建立测定小麦水分含量、蛋白质含量、容重、硬度、降落数值及不完善粒含量的模型。探讨了不同的导数和散射处理方法对建立定标模型的影响，并分别采用线性（偏最小二乘法、修正偏最小二乘法、主成分回归法）和非线性BP神经网络回归方法建立了定标模型。最后对建立的模型进行评价，通过比较各项指标的化学分析值和近红外预测值间的差异，检验所建模型的可靠性。结果如下：(1)建立水分、蛋白质、降落数值、容重的定标模型，最优导数处理均是采用2441，建立硬度的定标模型，最优导数处理是1441；建立水分的定标模型，最优的散射处理为SNV only，建立蛋白质、硬度的定标模型，最优的散射处理为SNV+Detrend，建立降落数值、容重的定标模型，最优的散射处理为Inverse MSC。(2)建立水分、蛋白质、容重、硬度的定标模型，最优回归方法的选择是BP神经网络；建立降落数值的定标模型，最优回归方法的选择是修正偏最小二乘法。(3)在建立最优模型的条件下，分别对水分含量、蛋白质含量、降落数值、容重、硬度的预测值进行验证，近红外模型预测值与化学分析值的相关系数R分别为0.9893、0.9659、0.7870、0.9059、0.8925；决定系数R2分别为0.9786、0.9329、0.6193、0.8207、0.7966；并对预测结果进行F检验和T检验，F检验的结果F值分别为0.799(p=0.630>0.05)、0.934(p=0.884>0.05)、0.718(p=0.478>0.05)、1.248(p=0.634>0.05)、1.307(p=0.564>0.05)；T检验的结果概率P分别为0.733>0.05、0.840>0.05、0.292>0.05、0.880>0.05、=0.249>0.05。说明5%的显著性水平内各指标的近红外预测值与化学分析值间的方差、均值差异均不显著。(4)应用近红外光谱技术对小麦籽粒进行定性判别分析，结果显示，把完善粒与各种不完善粒进行分类识别时，光谱图预处理方法选择SNV+DETREND2441时，分类识别正确率为100%，效果最好。对添加不同比例的不完善粒进行分类识别时，处理方法选择SNV+DETREND2441时，分类效果最优，识别正确率为70%。由以上结果可知，应用近红外光谱技术来快速检测与评价小麦质量是可行的。