【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種用于快速檢測(cè)農(nóng)作物重要品質(zhì)指標(biāo)氨基酸和淀粉含量的創(chuàng)新方法，具體是基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的模型方法。
技術(shù)介紹
1、毛豆(菜用大豆)是一種重要的農(nóng)產(chǎn)品，具有高營(yíng)養(yǎng)價(jià)值，是人類食品、飼料和工業(yè)應(yīng)用的重要來源。因此，精確測(cè)定毛豆中的主成分的含量對(duì)于農(nóng)業(yè)生產(chǎn)和食品工業(yè)至關(guān)重要。傳統(tǒng)的主成分的含量檢測(cè)方法通常涉及化學(xué)分析，涵蓋時(shí)間長(zhǎng)、成本高、對(duì)操作員技能要求高等缺點(diǎn)。此外，這些方法在實(shí)時(shí)生產(chǎn)環(huán)境中的應(yīng)用有一定局限性。中紅外光譜技術(shù)已被廣泛用于分析農(nóng)產(chǎn)品的成分。這種技術(shù)通過測(cè)量樣品中吸收、反射或透射的中紅外光譜，可以提供關(guān)于樣品成分的信息。然而，傳統(tǒng)的中紅外光譜技術(shù)在高精度主成分的含量檢測(cè)方面存在限制，因?yàn)楣庾V數(shù)據(jù)可能受到光散射、基線漂移、濃度效應(yīng)等因素的干擾，降低了檢測(cè)的準(zhǔn)確性。各種經(jīng)典的利用光譜信息快速檢測(cè)農(nóng)作物內(nèi)部理化指標(biāo)的方法提供了許多的范式。如陸國(guó)權(quán)等人利用偏最小二乘法(pls)構(gòu)建直鏈淀粉含量、直鏈淀粉百分比、總淀粉含量及熱特性等指標(biāo)的預(yù)測(cè)模型(參考文獻(xiàn)[1]陸國(guó)權(quán),盛家廉.近紅外反射光譜法(nirs)在甘薯品質(zhì)育種上的應(yīng)用[j].中國(guó)農(nóng)業(yè)科學(xué),1990,23(1):6.)，agulheirosantos等人對(duì)光譜進(jìn)行一階求導(dǎo)后利用pls測(cè)定內(nèi)部可溶物含量(參考文獻(xiàn)[2]agulheiro-santosac、ricardo-rodrigues?s、laranjo?m等。近紅外光譜法無損預(yù)測(cè)草莓總可溶性固形物[j].食品與農(nóng)業(yè)科學(xué)雜志,2022,102(11):4866-4872。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)要克服現(xiàn)有技術(shù)的上述缺點(diǎn)，提供一種利用dnn神經(jīng)網(wǎng)絡(luò)技術(shù)的先進(jìn)方法，以改進(jìn)毛豆重要指標(biāo)的含量檢測(cè)的準(zhǔn)確性和效率。
2、本專利技術(shù)實(shí)現(xiàn)上述目的所采用的技術(shù)方案如下：
3、一種基于近紅外光譜與機(jī)器學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，包括以下步驟：
4、s1：制備毛豆樣品；
5、s2：使用特定儀器測(cè)定毛豆樣品的氨基酸和淀粉的含量；
6、s3：采集近紅外光譜數(shù)據(jù)并預(yù)處理光譜數(shù)據(jù)；
7、s4：構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型；
8、s5：將從步驟s3中獲取到的預(yù)處理之后的近紅外光譜數(shù)據(jù)進(jìn)行特征帶選擇，隨后按照7:3的比例進(jìn)行測(cè)試集和訓(xùn)練集的劃分。
9、s6：訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型；
10、s7：基于s6中訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型，輸入近紅外光譜數(shù)據(jù)，從而得到對(duì)應(yīng)毛豆的氨基酸和淀粉的含量。
11、優(yōu)選的，所述步驟s1具體包括：菜用大豆材料由浙江省農(nóng)業(yè)科學(xué)院蔬菜研究所菜用大豆課題組提供。該群體包含336份材料，每年3月份開始種植，當(dāng)年6月份收獲并進(jìn)行田間表型性狀鑒定。按完全隨機(jī)區(qū)組設(shè)計(jì)，田間肥水管理與生產(chǎn)上保持一致。
12、每份材料取菜用大豆處于商品成熟期較一致的鮮籽粒數(shù)個(gè)，置于液氮中冷凍保存后用冷凍干燥機(jī)(labconco，美國(guó))干燥96h去除水分，隨后用上海凈信牌jxfstprp-24l型號(hào)的全自動(dòng)樣品快速研磨儀研磨至細(xì)粉末狀，待用。
13、優(yōu)選的，所述步驟s2具體包括：對(duì)s1中的336份毛豆核心種質(zhì)群體進(jìn)行編號(hào)，有步驟s1可知每個(gè)編號(hào)的樣品被分成三個(gè)部分，第一部分我們將樣品溶解在鹽酸中，進(jìn)行衍生化處理然后用高效液相色譜法(hplc)進(jìn)行分離和檢測(cè)樣品的氨基酸含量；第二部分毛豆樣品經(jīng)提取后，加入淀粉酶進(jìn)行水解，生成的葡萄糖用比色法或高效液相色譜法檢測(cè)，來得到毛豆樣品內(nèi)的淀粉的含量；
14、進(jìn)一步的，所述步驟s3包括以下步驟：
15、s3.1：采集近紅外光譜數(shù)據(jù)：
16、實(shí)驗(yàn)中的近紅外光譜數(shù)據(jù)采集用的儀器是杭州彩譜科技有限公司近紅外高光譜照相機(jī)，型號(hào)為：fs-15。采集的近紅外的波長(zhǎng)范圍是900nm～1700nm之間，將毛豆的凍干粉末放在光譜儀的采樣口處進(jìn)行光譜數(shù)據(jù)采集，運(yùn)行光譜儀之后得到在這個(gè)波長(zhǎng)范圍內(nèi)的中紅外光譜數(shù)據(jù)；
17、s3.2：將第三部分樣品裝入直徑為5厘米、高約1.5厘米的樣品杯中。樣品的厚度和壓實(shí)度保持一致，以盡量減少樣品裝載不均勻造成的測(cè)量誤差。每個(gè)樣品掃描三次，計(jì)算出平均吸收光譜作為光譜值。所有樣品的近紅外光譜信息均被收集并儲(chǔ)存。
18、s3.3：處理近紅外光譜數(shù)據(jù)：
19、為了消除由于儀器和位置變化在數(shù)據(jù)采集過程中引起的背景、噪音和干擾，對(duì)原始光譜進(jìn)行預(yù)處理是必要的。原始光譜數(shù)據(jù)可以通過應(yīng)用多重散射校正(msc)和標(biāo)準(zhǔn)歸一化變量(snv)方法進(jìn)行預(yù)處理，從而消除噪聲和基線漂移的干擾。msc校正通過構(gòu)建樣本光譜與參考光譜的比值，來校正多重散射的影響。多重散射會(huì)導(dǎo)致光路長(zhǎng)度增加和信號(hào)強(qiáng)度降低。msc校正的基本公式如下:
20、msc?＝?(rsample?-?rmin)/(rref?-?rmin),?(1)
21、其中，rsample是樣本光譜，rref是參考光譜，rmin是光譜的最小值。msc校正的目的是去除光譜中的殘余散射成分，提高樣本光譜的準(zhǔn)確性和可比性。
22、msc的可以消除由于在光譜測(cè)量過程中散射水平的不同(測(cè)量的位置、測(cè)量時(shí)的光線等不同光譜則有差異)帶來的光譜差異，增強(qiáng)光譜與數(shù)據(jù)之間的相關(guān)性。該方法為了消除由于散射水平不同帶來的光譜差異(即修正光譜數(shù)據(jù)的基線平移和偏移現(xiàn)象)需要使用“理想光譜”(光譜的變化和與樣品中的成分含量滿足直接的線性關(guān)系)來進(jìn)行修正。由于“理想光譜”很難獲得，因此在該算法中使用所有光譜數(shù)據(jù)的平均值來代替“理想光譜”。
23、進(jìn)一步的，所述步驟s4包括以下步驟：
24、s4.1：構(gòu)建輸入層：
25、輸入層輸入的是由近紅外光譜設(shè)備采集的是900nm～1700nm波長(zhǎng)范圍的近紅外光譜數(shù)據(jù)，把除了第一列(標(biāo)簽列)之外的每一行數(shù)據(jù)作為網(wǎng)絡(luò)結(jié)構(gòu)的輸入層。
26、s4.2：構(gòu)建隱藏層：
27、在深度神經(jīng)網(wǎng)絡(luò)模型中包含多個(gè)隱藏層，其中每個(gè)隱藏層都有不同數(shù)量的神經(jīng)元。
28、第一個(gè)隱藏層具有250個(gè)神經(jīng)元；
29、第二個(gè)隱藏層具有500個(gè)神經(jīng)元；
30、第三個(gè)隱藏層具有1000個(gè)神經(jīng)元；
31、最后兩個(gè)隱藏層分別具有500和250個(gè)神經(jīng)元。本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，以下以毛豆樣品為例，包括以下步驟：
2.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，其特征在于，所述步驟S1選擇的菜用大豆材料；；的群體包含336份材料，每年3月份開始種植，當(dāng)年6月份收獲并進(jìn)行田間表型性狀鑒定；按完全隨機(jī)區(qū)組設(shè)計(jì)，田間肥水管理與生產(chǎn)上保持一致；每份材料取菜用大豆處于商品成熟期較一致的鮮籽粒數(shù)個(gè)，置于液氮中冷凍保存后用冷凍干燥機(jī)干燥96h去除水分，隨后研磨至細(xì)粉末狀。
3.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，其特征在于，對(duì)S1中的336份毛豆核心種質(zhì)群體進(jìn)行編號(hào)，有步驟S1可知每個(gè)編號(hào)的樣品被分成三個(gè)部分，第一部分將樣品溶解在鹽酸中，進(jìn)行衍生化處理然后用高效液相色譜法HPLC進(jìn)行分離和檢測(cè)樣品的氨基酸含量；第二部分毛豆樣品經(jīng)提取后，加入淀粉酶進(jìn)行水解，生成的葡萄糖用比色法或高效液相色譜法檢測(cè)，來得到毛豆樣品內(nèi)的淀粉的含量；包括以下步驟：
4.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆
5.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，其特征在于，所述步驟S4搭建的深度神經(jīng)網(wǎng)絡(luò)模型，其中DNN模型采用具有五個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，這個(gè)DNN模型是一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，包括多個(gè)隱藏層，每個(gè)隱藏層后有ReLU激活函數(shù)和Dropout層，最后是一個(gè)輸出層以處理光譜數(shù)據(jù)的復(fù)雜關(guān)系，提高毛豆主成分含量的預(yù)測(cè)準(zhǔn)確性。
6.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，其特征在于，所述步驟S5利用基于隨機(jī)森林RF特征重要性選擇算法，來篩選出毛豆對(duì)于不同內(nèi)部理化指標(biāo)的特征波段。
7.如權(quán)利要求1所述的基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)方法，其特征在于，所述步驟S6將訓(xùn)練數(shù)據(jù)集和訓(xùn)練標(biāo)簽進(jìn)行形狀轉(zhuǎn)換，以匹配深度神經(jīng)網(wǎng)絡(luò)模型的輸入要求。
8.如權(quán)利要求1所述的基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)方法，其特征在于，所述步驟S7利用S5中的測(cè)試集來訓(xùn)練S4中的預(yù)測(cè)模型，利用S4中的測(cè)試集用來測(cè)試S6中的模型的性能；；并基于測(cè)試集的預(yù)測(cè)值與實(shí)際值的決定系數(shù)R2和RMSE作為指標(biāo)判定模型的有效性。
9.基于光譜技術(shù)和機(jī)器學(xué)習(xí)的瓠瓜質(zhì)量預(yù)測(cè)裝置，其特征在于，包括存儲(chǔ)器和一個(gè)或多個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有可執(zhí)行代碼，所述一個(gè)或多個(gè)處理器執(zhí)行所述可執(zhí)行代碼時(shí)，用于實(shí)現(xiàn)權(quán)利要求1-8中任一項(xiàng)所述的基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1-8中任一項(xiàng)所述的基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法。
...【技術(shù)特征摘要】
1.基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，以下以毛豆樣品為例，包括以下步驟：
2.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，其特征在于，所述步驟s1選擇的菜用大豆材料；；的群體包含336份材料，每年3月份開始種植，當(dāng)年6月份收獲并進(jìn)行田間表型性狀鑒定；按完全隨機(jī)區(qū)組設(shè)計(jì)，田間肥水管理與生產(chǎn)上保持一致；每份材料取菜用大豆處于商品成熟期較一致的鮮籽粒數(shù)個(gè)，置于液氮中冷凍保存后用冷凍干燥機(jī)干燥96h去除水分，隨后研磨至細(xì)粉末狀。
3.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，其特征在于，對(duì)s1中的336份毛豆核心種質(zhì)群體進(jìn)行編號(hào)，有步驟s1可知每個(gè)編號(hào)的樣品被分成三個(gè)部分，第一部分將樣品溶解在鹽酸中，進(jìn)行衍生化處理然后用高效液相色譜法hplc進(jìn)行分離和檢測(cè)樣品的氨基酸含量；第二部分毛豆樣品經(jīng)提取后，加入淀粉酶進(jìn)行水解，生成的葡萄糖用比色法或高效液相色譜法檢測(cè)，來得到毛豆樣品內(nèi)的淀粉的含量；包括以下步驟：
4.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，其特征在于，所述步驟s3使用近紅外高光譜照相機(jī)對(duì)s2步驟中的第三部分樣品進(jìn)行掃描，得到近紅外光譜數(shù)據(jù)，其中預(yù)處理步驟包括光譜多元散射校正msc處理，以確保每個(gè)光譜數(shù)據(jù)點(diǎn)的均值為零，標(biāo)準(zhǔn)差為一。
5.如權(quán)利要求1所述基于近紅外光譜與深度學(xué)習(xí)建立毛豆重要品質(zhì)指標(biāo)的快速預(yù)測(cè)的方法，其特征在于，所述步驟s4搭建的深度神經(jīng)網(wǎng)絡(luò)模型，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：翔云，曹珂，
申請(qǐng)(專利權(quán))人：浙江工業(yè)大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。