一、用近红外透射光谱技术测定精米直链淀粉含量研究(论文文献综述)
叶沁,赵紫薇,徐明雅,张烝彦,孙佳,孟祥河[1](2018)在《基于中红外漫反射光谱技术测定精米中直链淀粉含量的研究》文中进行了进一步梳理研究了基于傅里叶中红外漫反射光谱(DR-FTIR)技术结合偏最小二乘法(PLS)、主成分分析法(PCR)、经典最小二乘法(CLS)、逐步多元线性回归法(SMLR)快速测定精米中直链淀粉含量。实验选取了161个精米样品作为研究对象,通过光谱预处理,异常值剔除,波谱区间选择对模型进行了优化。结果表明:采用PLS建模,通过多元散射校正,向后区间偏最小二乘法预处理后,所构建的模型效果最优。此时,建模区间为3 8003 500、3 1003 000、2 9002 400、2 3001 300、1 000900 cm-1,模型相关系数R为0.995 6,校正均方差为0.291,预测均方差为1.23;同时,实验另选了34种精米样品对模型进行了准确性验证。结果显示验证集样品的红外预测值与真实值高度相关,线性拟合方程为Y=0.994X+0.068,相关系数R为0.994 9,说明实验所开发的直链淀粉DR-FTIR模型是有效的,预测结果准确度好,模型稳定性高。
王丽平[2](2017)在《基于近红外光谱技术的水稻直链淀粉含量检测模型研究》文中研究说明水稻是我国重要粮食作物,蒸煮食味品质是稻米最重要的品质性状,直链淀粉含量(Amylose content,AC)是影响稻米蒸煮食味品质的关键指标。传统的稻米AC检测方法操作复杂、费时费力,难以实时有效获得批量样品AC值。近红外光谱技术可以准确、快速、无损测量不同有机物的组分信息,将其应用于稻米AC检测可有效提升检测效率。本研究基于华南稻区丰富种质资源,利用波通DA7200型近红外分析仪和The Unscrambler建模软件,构建基于近红外光谱技术的水稻直链淀粉含量快速检测模型。通过分析样品检测形式、光谱预处理方法、建模样品化学值区段、剔除异常值比例等不同建模条件对模型准确性的影响,探索总结近红外建模及检测技术要点,挑选华南稻区育种适用的AC检测模型。主要结论如下:1、近红外模型的选择本研究共构建了3种样品检测形式的近红外模型120个。综合比较不同模型的建模效果评价指标、模型准确性、待测样品用量、取材制样难度,基于近红外光谱技术的水稻AC值检测模型最适模型为精米粉模型。(1)本研究挑选出14个可用精米粉模型。具体测量方法为:制取精米粉样品7-14g,将待测样品置于42℃烘干2 h以上,再置于室温静置12 h以上,控制样品含水量趋于稳定。利用14个测定模型对其进行一次性测量(一次测量最多可使用20个模型),导出测量结果,求取平均值,得测量值。(2)若待测样品材料充足,也可以使用糙米模型和精米模型。本研究挑选出3个可用糙米模型、4个可用精米模型。具体测量方法为:制取糙米样品105-210 g(或精米样品120-240 g),利用3个糙米样品模型(或4个精米样品模型)对其进行一次性测量,导出测量结果,求取平均值,得测量值。2、近红外模型在水稻育种中的应用本研究中可用模型的样品形式和SEP值不尽相同,将其运用于水稻育种选材时,对于不同材料的AC测量,适用模型不同,AC值选择标准也不同。(1)对于诱变M2群体的选择,由于选择对象为水稻单株,稻谷数量少,推荐使用精米粉模型。诱变材料需要挑选与对照材料测量值差异明显的材料,即“测量值<CK值-3.84”,或者“测量值>CK值+3.84”时,可以认为该材料为与对照显着差异材料。(2)对于育种F2代群体单株选择,推荐使用精米粉模型。对于华南双季稻而言,稻米直链淀粉含量在20%较为理想;此外,早季材料AC值整体而言较晚季材料低1-2%。根据本研究模型,晚季材料近红外模型测量值为16.16-23.84%为目标单株;早季材料近红外模型测量值为15.16-22.84%为目标单株。早晚季间具体调整范围可根据实践经验值确定。(3)对于高世代品系材料,由于稻谷数量多,精米粉、精米、糙米3种样品形式的模型均可使用。高世代品系需要挑选稻米直链淀粉含量在20%的品系。根据本研究模型,对于晚造材料,精米粉材料测量值为16.16-23.84%,糙米材料测量值为16.12-23.88%,精米材料测量值为16.62-23.38%时,可以认定为优质目标品系。本研究首次构建了适于华南稻区应用的基于近红外光谱技术的水稻直链淀粉含量快速检测模型。研究结果对于提高稻米直链淀粉含量性状早期选择效率,促进水稻优质育种具有理论和实践意义。
谢黎虹[3](2017)在《稻米蒸煮和营养品质的QTL定位》文中研究指明稻米品质改良是水稻遗传育种的重要研究领域。QTL定位和分析可为分子标记辅助选择改良稻米品质和开展相关基因的精细定位及图位克隆提供理论基础。本研究首先建立预测稻米蒸煮及营养品质的相关指标的近红外定标模型,以此为基础,再利用珍汕97B/密阳46杂交衍生的F10重组自交系群体以及247个分子标记连锁图谱,2015年和2016年在杭州连续两年对稻米蒸煮和营养品质进行QTL分析,定位。主要的研究结果如下:1、采用519个不同的稻米品种,通过利用光谱预处理,数学处理和回归统计方式三个因素组合处理中选择定标蛋白质含量、直链淀粉含量、DSC的糊化温度(起始糊化温度、峰值糊化温度、终结糊化温度、RVA的峰值黏度、热浆黏度、崩解值、减消值、回冷值及碱消值的最佳模型。结果得到同步测定蛋白质和直链淀粉含量的最佳定标模型是改良偏最小二乘法/数学处理“2, 8, 8, 2”/反相多元离散校,此组合产生最佳质量,其定标决定系数(RSQ),定标标准误差(SEC),内部交叉检验决定系数(1-VR)和内部交叉检验标准误差(SECV)依次为0.946、0.293%,0.942和0.311%。同步测定DSC的糊化温度(起始糊化温度、峰值糊化温度、终结糊化温度的最佳定标模型是改良偏最小二乘法/数学处理“2, 8, 8, 2”/去散射处理(Detrend Only)。同步测定RVA的峰值黏度、热浆黏度、崩解值、减消值、回冷值及碱消值的最佳模型是改良偏最小二乘法/数学处理“2, 8, 8, 2”/多元散射校正。此些定标模型均有较好的预测能力,可以应用于遗传分析中的表型鉴定。2、第6染色体上Wx基因标记的RM 190及附近所处的片段是控制直链淀粉含量、胶稠度、碱消值、起始糊化温度、峰值温度和终结温度的6个品质指标的主效基因。2015年,对于直链淀粉含量(AC)、胶稠度(GC)、碱消值(ASV)和糊化焓(ENT)均分别检测出一个QTL (qAC-6),两个QTL(qGC-6, qGC-6),二个QTL(qASV-6, qASV-6),二个QTL(qENT-6, qENT-6),贡献率分别为59.9%; 48.8%, 2.63%; 79.8%,12.6%,6.7%,14.2%。对于起始糊化温度(ONT)、峰值糊化温度(PET)、终结糊化温度(PET)均检测出两个QTL(qON-6, qON-8; qPEA-6, qPEA-8; qEND-6, qEND-8),主要效应定位在第6染色体,贡献率分别为70.2%, 74.4% and 69.9%。蛋白质含量(PC)检测出两个QTL,qPC-6,qPC-12,总贡献率为14.65%,个体贡献率是5.0%~9.65%。3、2015年共检测到41个控制氨基酸含量的位点,分别位于第1、2、4、6、7、9、11和12染色体上,其中第6、7、4染色体QTL较多,分别为12、8和5个,表型贡献率为4.32~15.4%。17个氨基酸组成均检测到QTL位点,分别检测到1~5个QTL。除5个氨基酸组成含量(Ala、Cys、Met、Ile和Leu)是由单QTL位点控制,其他12个氨基酸组成受多有个QT1位点控制。其中位于第7染色体的RM3325-RM1243片段控制了包括Asp、Thr、Gly、Val、Phe、Arg、Leu和Ala的8个氨基酸组成的含量,表型贡献率分别为8.69%、5.80%、7.91%、10.9%、6.62%、6.98%、9.86%和9.35%。4、2016年共检测到18个控制氨基酸含量的位点,分别位于第1、2、3、6、10和11的6条染色体上,其中第6染色体QTL有8个较多,表型贡献率为4.92~9.48%。5个氨基酸组成(Ala、Cys、Val、Ile和Lys)的含量没有检测到QTL,其他12个氨基酸组成的含量检测到1-3个QTL位点。位于第6染色体的RM225-RM6917片段控制了包括Asp、Thr、Ser、Leu、His、Arg、Gly和Phe的8个氨基酸组成含量,表型贡献率分别是7.29%、8.26%、6.05%、5.34%、7.44%、6.56%、5.63%和6.28%。 7个氨基酸组成(Asp、Thr、Ser、Gly、Phe、His和Arg)两年间均有QTL检出,且均位于第6染色体的RM225~RZ588的片段簇。5、采用珍汕97B/密阳46杂交衍生的重组自交群体,对2015年和2016年两年间17种氨基酸组成含量的联合分析,共可检测到18个主效QTL,分别是Asp、Thr、Ser、Glu、Gly、Ala、Cys、Val、Met、Ile、Leu、Tyr、Phe、Lys、His和Arg共 16个氨基酸组成,其中Thr、Glu、Val、Met和His的五个氨基酸组成与环境互作有显着效应。
孙园园[4](2016)在《稻米品质特性的近红外定标模型构建与遗传关联分析研究》文中研究说明水稻品质理化和遗传特性对其品质改良育种等具有很重要的意义。水稻品质一般分为碾磨、外观、蒸煮食味和营养等四个方面,其中对营养和蒸煮品质也是日益重视。水稻蒸煮食用品质一般为直链淀粉含量、糊化温度和胶稠度;营养品质指标则为蛋白质含量、氨基酸组分含量。这些品质的化学法测定涉及多步骤、成本高、时间长、测定需要的量多,且对于小样本来说,很难保留原有样本再次进行种植,因此采用快速无损的近红外分析技术也是很重要迫切。同时了解水稻的品质遗传特性对其品质的改良育种的意义也一样重要。本研究采用797份水稻种质资源,其中具有独特性的香稻资源275份。材料收集于全国各地,利用近红外谷物分析仪,进行光谱扫描:莸入、并对谱带数据进行多种光谱前处理和多统计回归方法加以优化模型,最后确定同步测定水稻蒸煮品质和营养品质的最佳定标模型。在利用已建立的近红外品质模型基础上,测定了275份不同蒸煮和营养品质性状的种质资源,利用147对多态性的SSR标记进行基因型鉴定,并完成品质多特性如直链淀粉含量、糊化温度、胶稠度、蛋白质含量,氨基酸含量与SSR标记之间的关联分析。主要研究结果如下:1)稻米品质特性模型的构建:结果标明,水稻米粉蛋白质含量和直链淀粉含量的近红外模型的定标结果最好,其定标模型的决定系数(coefficient of determination, RSQ)分别为0.946和0.974,1-VR分别为0.951和0.963,校正标准方差(SEC,standard error of calibration)分别是0.303和1.338;其外部检验的工作标准误(standard error of performance, SEP)分别0.346和1.300,RPD>4.0。RPD(corresponding residual predictive deviation)是采用样品的化学分析值的标准差与工作标准误的比值RPD(SD/SEP),此指标也是衡量定标模型的好坏。一般大于4.0,则定标模型很好,且此两模型的定标决定系数(RSQ)与交叉验证决定系数(1-VR)均超过了0.950,说明模型预测性能较好,可以用于水稻品质的快速测定。而其他指标糊化温度(碱消值)、胶稠度、总氨基酸含量的模型的RSQ分别为0.768、0.745和0.578,SEP分别为0.788、12.443和1.034,RPD<=3.0,则建模效果略差。2)水稻品质特性的SSR关联分析研究:关联到与稻米品质性状的基因位点57个。其中与蛋白质含量相关的标记有2个,直链淀粉含量相关联的标记有5个,与胶稠度相关的标记有6个,与碱消值相关联的标记有3个,余下的是与总氨基酸和17种氨基酸的关联标记41个。其中有2个标记,分别在1号染色体上的RM129与胶稠度、蛋白质、氨基酸基因位点有关,2号染色体上RM5807与碱消值、胶稠度、氨基酸基因位点有关。有4个标记同时与两个品质性状基因位点相关联。如6号染色体上的RM6467与胶稠度、氨基酸基因位点有关联;9号染色体上的RM23916与直链淀粉、胶稠度有关;11号染色体上的RM7120与直链淀粉、胶稠度基因位点相关联。且RM27154同时与蛋白质、直连淀粉基因位点相关联。这些关联位点为育种材料品质特性的遗传机理提供参考。
冯光,杨亚春,宋丰顺,李泽福,杨剑波,李莉[5](2012)在《近红外反射技术建立合肥地区精米直链淀粉含量测定模型》文中研究指明以合肥地区种植的203份水稻材料为检测对象,用近红外反射技术采集光谱,常规化学方法测定精米直链淀粉含量。结果表明,定标样品的直链淀粉含量分布范围为3.439%~28.046%,代表性和连续性良好。采用多种计量数学处理方法和偏最小二乘法(PLS),优化建立了精米直链淀粉含量的定量分析预测模型。定标集(C-Set)样品数132个,相关系数(Rc)0.9278,定标标准差(SEC)1.6582;验证集(V-Set)样品数67个,相关系数(Rv)0.8736,预测标准差(SEP)1.9083,并证实所建立的模型在测定精米直链淀粉含量上具有很好的准确性和实用性,对合肥地区水稻品质育种及种质资源相关研究具有实用价值。
李娟[6](2012)在《稻谷新陈度近红外快速无损检测的研究》文中认为水稻是我国粮食的主要支柱之一,稻谷品质的好坏直接关系到我国广大人民的生活品质。近年来,陈化粮流入市场的事件屡见不鲜。虽然国家对食品安全标准的制定不断完善,相关部门不断加大打击力度,但此类事件并没有得到很好的控制。主要原因之一就是目前稻谷品质检测方法较繁琐、耗时、对检测人员的专业性要求高,不利于普及。近红外光谱技术是近年来发展较快的分析手段,具有高效、快速、无损、环保且对操作人员专业性要求不高等特点,成本相对较低易于普及,因此近年来该技术被广泛地应用用于农产品品质控制。可以说将近红外光谱技术应用于稻谷品质控制有很大的现实意义。本文以湖南、江西、福建、广西、安徽、浙江与黑龙江的30种不同品种陈化时间的稻谷为研究对象,研究了不同品种稻谷在自然陈化条件下的品质变化;同时采用近红外光谱技术与化学计量学结合的方法建立了稻谷品质指标及储藏时间的近红外预测模型。研究发现稻谷在储藏期间,蛋白质含量、直链淀粉含量是下降的而脂肪酸含量是升高的。另外,不同产地不同品种的稻谷在储藏期间脂肪酸值的变化差异较显着(包括数值差异及变化形式差异),所以若按传统方法以脂肪酸值来确定稻谷的新陈度是不可行的。不仅如此,不同产地品系稻谷的蛋白质与直链淀粉因本身含量差异较大,储藏期间的变化趋势也不尽相同,所以对稻谷的新陈度进行判断应该综合品种、储藏环境及各种化学品质指标等。通过对光谱波段范围及光谱预处理方法进行优化后,将稻谷水分含量和直链淀粉的化学检测结果与近红外光扫描结果结合,并利用偏最小二乘法建立了稻谷这两种指标的近红外模型,得到较好的结果。确定了水分定量的模型的相关系数为0.9931,r2为0.9863,RMSEP为0.0125;直链淀粉定量模型的相关系数为0.9330,r2为0.8706,RMSEP为0.4250;对光谱波段范围及光谱预处理方法进行优化后,分别建立了稻谷新陈度的近红外数学模型,其中稻谷储藏时间短期储藏模型的相关系数为0.9226,r2为0.8547,RMSEP为18.01;长期储藏模型的相关系数为0.9739,r2为0.9506,RMSEP为67.39。对模型的预测结果与储藏时间进行配对T检验后结果显示二者预测结果与真实值差异不显着(P>0.05)。可以看出,利用近红外光谱技术与化学计量学结合的方法对稻谷品质进行控制是可行的。
冯光[7](2012)在《江淮稻区精米直链淀粉含量近红外测定模型的建立及稻米食味品质的研究》文中研究表明水稻是世界上最重要的粮食作物之一。由于稻米品质的优劣直接影响到人们的生活,因此稻米品质的改良一直受到育种工作者的高度关注。稻米中的第一大贮藏物质是淀粉,主要由直链淀粉和支链淀粉组成。近年来对稻米蒸煮食味品质的研究中,人们发现直链淀粉含量(AC)对稻米品质有着很显着的影响。另一方面RVA谱特征值所发挥的评价稻米品质的作用也越来越受到人们的重视。江淮稻区种植的水稻品种类型丰富,不同品种间的直链淀粉含量差异明显,研究分析不同品种间的直链淀粉含量差异与理化品质性状的相关性,对发掘利用优质水稻品种资源和进一步提高稻米品质都有着重要的意义。近年来迅速发展起来的近红外光谱分析技术在分析稻米的成分和结构方面具有快速、无破损、无污染的优势,并且可同时测定多个组分,正广泛应用于农作物的品质育种、食品、谷物产品、饲料、油脂工业等领域。本研究以在江淮稻区收集的不同类型的水稻品种为检测材料,使用近红外测定技术对种子直链淀粉含量及稻米淀粉RVA谱特征值及其理化品质性状相关性等进行了研究,期望为改良稻米淀粉品质、培育优质的水稻新品种提供理论与技术支持。主要的研究成果如下:1、以203份江淮稻区采集的稻米样品为检测对象,分别用常规碘比色传统方法和近红外反射光谱技术(NIRS)测定了稻米精米样品的直链淀粉含量,在用计量数学方法和偏最小二乘法(PLS)分析的基础上,优化建立了精米直链淀粉含量的定量分析预测模型,并证实了所建立的模型在测定精米直链淀粉含量上具有很好的准确性和实用性。定标集相关系数(Rc)为0.9278,定标标准差(SEC)为1.6582;验证集相关系数(Rv)为0.8736,预测标准差(SEP)为1.9083。2、测定了江淮稻区种植的310个水稻品种(系)的RVA谱特征值及各项理化品质指标,研究了它们之间的相互关系,结果显示:除PKV和CSV相关不显着,其它各RVA特征值之间具有很好的相关性;AC水平越低,其含量和RVA各特征值之间相关性越显着;相似AC含量的品种间存在崩解值和消减值的显着差异,RVA特征值结合各品质理化指标对于综合评定水稻品种品质的优劣有着重要的意义。
齐龙,朱克卫,马旭,苏彩珠[8](2011)在《近红外光谱分析技术在大米检测中的应用》文中指出近红外光谱分析技术作为一种高效、快速、无损的可多组分分析的检测技术,在食品、农产品的检测中得到广泛应用。为此,综述了近红外光谱分析技术在大米品种鉴别、品质检测、矿物质元素分析中的应用研究现状,并对其应用前景进行了展望。
石礼娟[9](2011)在《基于可见光/近红外光谱的稻米质量快速无损检测研究》文中研究指明随着社会经济的发展和人民生活水平的提高,粮食供求的主要矛盾已经从数量的不充足转变为质量的不理想。因此,建立稻米质量快速无损检测方法,无论是在育种,还是在食品加工和农产品贸易中都有重要意义。本文以不确定性人工智能理论和化学计量学理论为基础,利用数字图像处理技术、光谱分析技术、小波分析和模式识别技术研究影响稻米食用品质的三种重要品质垩白、直链淀粉含量和陈化的快速无损检测方法。为了提高机器视觉对垩白的识别精度与适应能力,在稻米垩白品质快速无损检测方面,主要研究了以下内容:(1)构建了用于图像采集的计算机视觉系统。分别在透射光与反射光环境下研究了光源、电压、背景等因素对稻米图像质量的影响,从而确定了适合稻米图像采集的最佳环境条件,即透射光条件下的最佳拍摄条件为:电压水平为6.4V,光源为LED灯组,背景为浅蓝色;反射光条件下的最佳拍摄条件为:电压水平为6.0V,光源为LED灯组,背景为深蓝色。(2)分析了透射光与反射光条件下采集的稻米图像的直方图,研究了合适的图像去噪方法与图像分割算法。通过不同色彩空间下彩色直方图与灰度直方图分析发现反射光下采集的图像的灰度分布适合稻米垩白区域的识别。设计了加权均值滤波模板,既消除了噪声,又保护了胚乳区与垩白区的边界。根据图像分割算法-最大类间方差法的适用范围确定了稻米图像在进行垩白识别时应截取的矩形区域的大小。(3)研究了具有自适应能力的垩白识别算法。该方法以不确定性人工智能理论与云模型为基础,把垩白与非垩白定义为两个定性概念,以一个不对称云和一个对称云来分别表达垩白与非垩白,以两组数字特征分别描述垩白云与非垩白云。通过对比同一电压下人工目测法、固定阈值法,云分类法的垩白大小检测结果检验云分类法的精确度,试验结果表明,云分类法比人工目测法的精确度高,云分类法与固定阈值法(即准确值)的偏差的均值为0.97,人工目测法与固定阈值法(即准确值)的偏差的均值为1.93;通过对比不同电压下人工目测法、云分类法的垩白大小检测结果检验云分类法的适应性,试验结果表明,云分类法比人工目测法的适应性好,用云分类法计算不同电压下同一粒米的垩白大小的标准差均值为0.57,人工目测法为2.29。为了建立稳定性好、预测精度高的稻米直链淀粉含量近红外光谱定量分析模型,在稻米直链淀粉含量快速检测方面,主要研究了以下内容:(1)研究了光谱采集参数对稻米近红外光谱响应特性的影响。通过对同一直链淀粉含量的稻米在不同参数下采集的光谱的统计分析,确定最佳采集参数为:扫描次数为64,分辨率为8cm-1,室内温度为15℃。(2)研究了稻米异常光谱剔除方法和光谱预处理方法。为了优化校正集,提高模型的预测精度,用基于马氏距离准则和基于预测浓度残差准则相结合的方法剔除了18条因各种主客观因素产生的异常光谱。为了消除由于基线的漂移与偏移、仪器的随机噪声、杂散光等对光谱产生干扰,提高光谱的信噪比,采用多种方法对稻米光谱进行预处理,并比较了这些方法对建模结果的影响。通过模型评价指标的比较,确定用原光谱经一阶导数与SG卷积滤波相结合的方法进行光谱预处理。(3)研究了定量分析方法对建模效果的影响。分别用逐步多元线性回归、主成分回归和偏最小二乘回归三种定量分析方法对经导数与SG卷积滤波处理后光谱建立校正模型。比较各项模型评价指标发现,偏最小二乘回归(PLS)方法建立的校正模型稳定性最好,预测值与标准值的相关系数最高,预测均方差最小。预测值与标准值相关系数为98.96%,校正均方差为0.62,预测均方差为1.19,交叉检验均方差为1.58。为了建立陈化稻米近红外光谱定性识别模型,本文主要研究了以下内容:(1)研究了陈化米和非陈化米的近红外光谱响应特性,并利用主成分分析法结合马氏距离研究了不同光谱预处理方法对聚类效果的影响,一方面确定了用稻米的近红外光谱进行定性识别的可行性;另一方面,综合考虑类内距离小,类间距离大的聚类原则,最终选择不经任何处理的原光谱参加建模。(2)研究了有效的光谱特征提取方法。用小波分析不仅能提取敏感的光谱特征信息,而且能够有效的降低高维空间数据,与支持向量机结合而成的新方法是一种有效的识别方法。利用db6小波变换得到的77个小波系数作为支持向量机模型的输入。当分解尺度为5时,数据点数由原来的2127个减少至77个(3)研究了支持向量机的模型参数选择。首先用没有内部参数的线性函数作为核函数,改变惩罚因子C,以获得最小的MSE为准则,确定了最佳的误差惩罚因子C的值为1000;然后以不同的核函数以及核函数的内部参数建立支持向量机模型,通过试验发现当核函数为径向基函数,其参数γ为16时,所建立的模型识别率达98.45%。
徐彦,李忠海,付湘晋,胡叶碧[10](2011)在《近红外光谱技术在稻米品质快速检测中的应用》文中指出综述近红外技术在稻米品质的常规指标,如直链淀粉、蛋白质、脂肪酸、胶稠度中的研究与应用,总结不同样品形态和建模方法建立的近红外模型的检测精度,指出近红外技术在快速检测稻米品质中存在的问题,以及今后的研究方向。
二、用近红外透射光谱技术测定精米直链淀粉含量研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、用近红外透射光谱技术测定精米直链淀粉含量研究(论文提纲范文)
(1)基于中红外漫反射光谱技术测定精米中直链淀粉含量的研究(论文提纲范文)
1 材料与方法 |
1.1 材料与试剂 |
1.2 仪器与设备 |
1.3 直链淀粉理化值的测定 |
1.4 红外光谱的采集 |
1.5 模型的建立 |
1.6 数据处理与分析 |
2 结果与分析 |
2.1 理化指标 |
2.2 光谱分析及建模方法的确立 |
2.3 光谱预处理 |
2.4 异常样品的剔除 |
2.5 波谱区间优化 |
2.6 模型的检验 |
3 结论 |
(2)基于近红外光谱技术的水稻直链淀粉含量检测模型研究(论文提纲范文)
摘要 |
abstract |
英文缩略词 |
1 引言 |
1.1 稻米直链淀粉概述 |
1.1.1 直链淀粉的结构和理化性质 |
1.1.2 直链淀粉含量与稻米品质的相关性 |
1.1.3 直链淀粉含量分级标准 |
1.2 稻米直链淀粉含量传统检测方法概述 |
1.2.1 碘比色法 |
1.2.2 碘亲和力滴定法 |
1.2.3 横切侵染法 |
1.2.4 伴刀豆球蛋白法 |
1.2.5 高光谱分析法 |
1.3 近红外光谱分析技术概述 |
1.3.1 近红外光谱分析技术原理及特点 |
1.3.2 近红外光谱谱学特性 |
1.3.3 近红外分析模型概述 |
1.3.4 影响近红外定量模型准确性的因素 |
1.3.5 近红外光谱分析技术研究进展 |
1.4 本研究的目的与意义 |
2 材料和方法 |
2.1 试验材料 |
2.1.1 水稻材料 |
2.1.2 种植条件、取样及保存 |
2.2 试验方法 |
2.2.1 直链淀粉含量化学值测定 |
2.2.2 直链淀粉含量化学值统计与分析 |
2.2.3 近红外光谱信息收集 |
2.2.4 模型构建 |
2.2.5 模型评价指标比较与分析 |
2.2.6 精米粉含水量控制与分析 |
2.2.7 模型外部验证 |
2.2.8 模型准确性比较与分析 |
3 结果与分析 |
3.1 水稻种质材料直链淀粉含量化学法检测分析 |
3.1.1 样品代表性分析 |
3.1.2 化学法测量准确性分析 |
3.1.3 AC值分布评估 |
3.2 精米粉含水量检测与分析 |
3.2.1 精米粉样品初始含水量检测与分析 |
3.2.2 室温条件下含水量变化检测与分析 |
3.2.3 42℃条件下含水量变化检测与分析 |
3.2.4 精米粉含水量控制条件分析 |
3.3 建模效果比较与分析 |
3.3.1 糙米样品建模效果比较与分析 |
3.3.2 精米粉样品建模效果比较与分析 |
3.3.3 精米样品建模效果比较与分析 |
3.3.4 建模效果整体比较与分析 |
3.4 模型准确性比较与分析 |
3.4.1 不同样品形式的模型准确性比较与分析 |
3.4.2 精米粉控制含水量前后测量结果准确性的比较与分析 |
4 结论与讨论 |
4.1 结论 |
4.1.1 近红外模型的选择 |
4.1.2 近红外模型在水稻育种中的应用 |
4.2 讨论 |
4.2.1 基于近红外光谱技术的水稻直链淀粉含量检测模型准确性分析 |
4.2.2 基于近红外光谱技术的水稻直链淀粉含量检测模型适用性分析 |
致谢 |
参考文献 |
附录A、水稻样品化学法AC值统计表 |
附录B、不同模型评价指标统计表 |
附录C、外部验证样品AC值统计表 |
附录D、精米粉样品“控制含水量”处理后AC值统计表 |
(3)稻米蒸煮和营养品质的QTL定位(论文提纲范文)
摘要 |
Abstract |
第一章 文献综述 |
1.1 稻米品质基础理化研究进展及国内外品质检测评价标准 |
1.1.1 稻米淀粉与米饭食味品质研究进展 |
1.1.2 稻米蛋白质与米饭食味品质研究进展 |
1.1.3 稻米淀粉回生特性进展 |
1.1.4 水稻的香味研究进展 |
1.1.5 仪器分析技术在稻米品质中的应用概述 |
1.1.6 国内外主要国家稻米品质标准进展 |
1.1.7 稻米品质理化机理展望 |
1.2 水稻主要品质性状遗传进展 |
1.2.1 粒型遗传 |
1.2.2 直链淀粉含量遗传 |
1.2.3 胶稠度遗传 |
1.2.4 糊化温度遗传 |
1.2.5 蛋白质含量遗传 |
1.2.6 氨基酸含量遗传 |
1.3 数量性状研究进展 |
1.3.1 QTL作图方法 |
1.3.2 QTL作图群体 |
1.3.3 分子标记的种类 |
1.3.4 QTL与环境互作 |
1.4 近红外对水稻品质指标的快速测定 |
1.4.1 近红外分析技术 |
1.4.1.1 近红外分析技术原理 |
1.4.1.2 近红外技术分析的光谱处理计算方法 |
1.4.1.3 近红外分析技术的优缺点 |
1.4.1.4 影响近红外分析技术的影响因素及解决途径 |
1.4.1.5 近红外分析技术的应用 |
1.4.1.6 近红外分析技术在水稻中的应用及研究进展 |
1.5 本论文的选题意义和目标 |
第二章 蒸煮食味品质性状及氨基酸组成含量的QTL定位 |
2.1 材料和方法 |
2.1.1 供试材料 |
2.1.2 碱消值的测定 |
2.1.3 直链淀粉的测定 |
2.1.4 胶稠度测定 |
2.1.5 蛋白质含量的测定 |
2.1.6 氨基酸含量测定 |
2.1.7 糊化温度(DSC) |
2.1.8 淀粉的粘滞特性RVA |
2.1.9 直链淀粉含量、蛋白质含量、糊化温度和粘滞特性的定标模型优化 |
2.1.10 DNA提取方法 |
2.1.11 PCR扩增 |
2.1.12 连锁图谱构建和QTL定位 |
2.2 数据分析与讨论 |
2.2.1 定标模型的样本特性 |
2.2.2 蛋白质含量的近红外定标模型的优化 |
2.2.3 直链淀粉含量的近红外定标模型的优化 |
2.2.4 米粉类型对直链淀粉和蛋白质含量的定标模型质量影响 |
2.2.5 糙米粉和精米粉的蛋白质、直链淀粉含量的最佳定标模型确定 |
2.2.6 DSC的糊化特性和RVA的黏滞特性的定标模型统计 |
2.2.7 起始糊化温度的近红外定标模型的优化 |
2.2.8 峰值温度等其他8个糊化相关指标的近红外定标模型优化 |
2.2.9 九个糊化特性相关的指标的最佳定标模型的确定 |
2.2.10 直链淀粉含量等品质性状在群体和亲本中的表现 |
2.2.11 直链淀粉等淀粉特性的相关性分析 |
2.2.12 直链淀粉含量等8项品质性状的QTL定位 |
2.2.13 糙米粉17种氨基酸组成含量在群体和亲本中的表现 |
2.2.14 糙米粉中蛋白质含量与氨基酸各组成之间的相关性 |
2.2.15 单个年份糙米粉17种氨基酸组成含量的QTL定位 |
2.2.16 群体氨基酸组成含量主效QTL及与环境互作 |
2.3 讨论 |
2.3.1 近红外对相关品质指标的定标模型的优化 |
2.3.2 稻米蒸煮及营养品质的QTL定位 |
参考文献 |
致谢 |
作者简介 |
(4)稻米品质特性的近红外定标模型构建与遗传关联分析研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
英文缩略表 |
文献综述 |
1.1 构建近红外模型的理论墓础 |
1.1.1 近红外光谱的由来 |
1.1.2 近红外光谱定义 |
1.1.3 近红外光谱技术分类 |
1.1.4 近红外技术的研究对象 |
1.1.5 现代分析技术与近红外分析技术 |
1.2 近红外光谱分析技术的特点 |
1.3 影响近红外模型构建的主要因素 |
1.4 近红外模型主要的质量评价 |
1.5 近红外定标模型构建的关键步骤 |
1.6 近红外模型在稻米蒸煮品质与营养品质中研究进展 |
1.6.1 近红外光谱分析在稻米蒸煮品质中研究进展 |
1.6.2 近红外光谱分析在稻米营养品质中的研究进展 |
1.6.3 总结前人对近红外模型构建的研究 |
1.7 稻米的蒸煮品质、营养品质及其遗传研究进展 |
1.7.1 稻米的蒸煮品质 |
1.7.2 稻米的表观直链淀粉含量 |
1.7.3 稻米的碱消值 |
1.7.4 稻米的胶稠度 |
1.7.5 稻米的蛋白质含量 |
1.7.6 稻米的氨基酸含量 |
1.8 稻米品质的遗传研究进展 |
1.9 研究关联分析的基础 |
1.10 研究关联分析的方法 |
1.11 关联分析在水稻上的运用 |
1.12 近红外分析技术与关联分析技术在稻米品质遗传研究中的应用 |
第一部分:稻米品质的近红外模型构建 |
1 材料与方法 |
1.1 样品的收集 |
1.2 样品的制备 |
1.3 参比值分析测定 |
1.4 稻米品质氨基酸含量的测定 |
1.5 仪器参数及光谱收集 |
1.6 模型的建立、优化、验证 |
2 结果与分析 |
2.1 品质指标测定结果 |
2.2 米粉样本的近红外漫反射的光谱 |
2.3 内部交叉与外部校正结果 |
2.3.1 近红外模型的内部交叉验证结果 |
2.3.2 稻米品质的近红外模型外部验证结果 |
3 讨论 |
第二部分:稻米品质的的遗传关联分析研究 |
1 材料与方法 |
1.1 材料种植 |
1.2 DNA提取 |
1.3 SSR标记选取分析 |
1.4 香稻的DNA PCR扩增及分子产物的检测 |
1.5 231份香稻材料品质特性的表型数据测定 |
1.6 统计分析方法 |
2 结果与分析 |
2.1 香稻DNA扩增产物分析 |
2.1.1 对香稻DNA样品的质量检测 |
2.1.2 香稻资源的扩增引物的可行性检测 |
2.1.3 香稻的品质性状的变异分析 |
2.1.4 分子标记的多态性分析 |
2.2 群体遗传结构分析 |
2.3 231份香稻3个组群聚类图 |
2.4 利用近红外模型测得231份香稻品种品质性状含量 |
2.5 香稻品质性状与SSR标记的关联分析(GWS)结果 |
3 讨论 |
参考文献 |
附录1 |
附录2 |
附录3 |
附录4 |
附录5 |
作者简历 |
(5)近红外反射技术建立合肥地区精米直链淀粉含量测定模型(论文提纲范文)
1 材料和方法 |
1.1 试验仪器 |
1.2 供试材料的种植、收获及预处理 |
1.3 碘比色化学方法测定稻米直链淀粉含量 |
1.4 近红外定标模型的建立 |
1.4.1 样品的扫描 |
1.4.2 建模样品的选择 |
1.4.3 模型的建立与优化 |
1.4.4 建模条件的设立 |
2 结果与分析 |
2.1 最佳模型的确立 |
2.1.1 定标样品光谱 |
2.1.2 模型的校正与优化 |
2.1.3 内部验证 |
2.2 定标模型的外部验证 |
3 讨论 |
(6)稻谷新陈度近红外快速无损检测的研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 前言 |
1.2 近红外在稻谷品质控制方面国内外研究现状 |
1.3 近红外技术的原理、特点、应用现状及分析方法 |
1.3.1 近红外光谱的原理 |
1.3.2 近红外技术的特点 |
1.3.3 近红外技术在农产品品质方面应用现状 |
1.3.4 光谱检测分析方法 |
1.4 本文的研究内容 |
2 不同产地稻谷储藏期间主要品质指标的变化 |
2.1 前言 |
2.2 试验仪器设备 |
2.3 试验材料与方法 |
2.3.1 稻谷样品 |
2.3.2 试剂 |
2.3.3 稻谷品质的标准方法检测 |
2.3.4 稻谷近红外扫描 |
2.4 结果与讨论 |
2.4.1 稻谷脂肪酸值与储藏时间的关系 |
2.4.2 稻谷直链淀粉含量与储藏时间的关系 |
2.4.3 稻谷蛋白质含量与储藏时间的关系 |
2.5 结论 |
3 稻谷主要品质指标近红外检测模型的建立 |
3.1 前言 |
3.2 实验仪器及软件 |
3.3 实验材料与方法 |
3.3.1 样品的选择及前处理 |
3.3.2 实验试剂 |
3.3.3 实验方法及原理 |
3.4 结果与分析 |
3.4.1 稻谷水分含量近红外模型的建立 |
3.4.2 稻谷直链淀粉含量近红外模型的建立 |
3.5 本章小结 |
4 稻谷新陈度近红外模型的建立 |
4.1 前言 |
4.2 实验仪器 |
4.3 实验材料与方法 |
4.3.1 样品的选择及前处理 |
4.3.2 实验方法及原理 |
4.4 结果与分析 |
4.4.1 稻谷短期储藏模型的建立 |
4.4.2 稻谷长期储藏模型的建立 |
4.5 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
附录A |
附录B |
致谢 |
(7)江淮稻区精米直链淀粉含量近红外测定模型的建立及稻米食味品质的研究(论文提纲范文)
摘要 |
Abstract |
缩略词表 |
第一部分 研究背景 |
引言 |
1.1 水稻种子直链淀粉含量(AC)及其测定方法 |
1.1.1 不同品种间直链淀粉含量(AC)的差异 |
1.1.2 水稻种子中直链淀粉含量(AC)测定方法 |
1.2 稻米淀粉RVA谱特征与理化品质性状相关性的研究 |
1.2.1 稻米品质的评价方法 |
1.2.2 稻米淀粉RVA谱特征值研究 |
1.3 本研究的主要内容和目的 |
第二部分 近红外反射技术建立江淮稻区精米直链淀粉含量测定模型 |
2.1 前言 |
2.2 主要研究内容和目的 |
2.3 实验材料 |
2.3.1 实验仪器 |
2.3.2 实验试剂 |
2.3.3 材料 |
2.4 实验方法 |
2.4.1 供试材料的种植、收获及预处理 |
2.4.2 常规碘比色化学方法测定稻米直链淀粉含量 |
2.4.3 近红外定标模型的建立 |
2.5 结果与分析 |
2.5.1 最佳定标模型的确立 |
2.5.2 定标模型的外部验证 |
2.5.3 定标模型的稳定性的检测 |
2.6 讨论 |
第三部分 稻米淀粉RVA谱特征与理化品质性状相关性的研究 |
3.1 引言 |
3.2 材料与方法 |
3.2.1 实验材料 |
3.2.3 稻米淀粉RVA的测定 |
3.3 结果和分析 |
3.3.1 实验相关统计 |
3.3.2 RVA各特征值之间的相关性 |
3.3.3 稻米各理化品质指标与RVA谱各特征值之间的相关性 |
3.3.4 不同直链淀粉含量(AC)等级下RVA谱特征值的差异 |
3.3.5 相似AC品种间淀粉粘滞特性差异 |
3.4 讨论 |
参考文献 |
致谢 |
硕士学习期间发表的主要论文 |
(8)近红外光谱分析技术在大米检测中的应用(论文提纲范文)
0 引言 |
1 近红外光谱分析技术概况 |
2 NIR分析技术在大米品种鉴定中的应用 |
3 NIR分析技术在大米品质检测中的应用 |
3.1 NIR分析技术在大米直链淀粉量检测中的应用 |
3.2 NIR分析技术在大米蛋白质含量检测中的应用 |
3.3 NIR分析技术在脂肪含量检测中的应用 |
3.4 NIR分析技术在大米其他品质检测中的应用 |
4 NIR在大米矿物质元素含量检验中的应用 |
5 NIR分析技术的应用前景 |
(9)基于可见光/近红外光谱的稻米质量快速无损检测研究(论文提纲范文)
摘要 |
ABSTRACT |
缩略语 |
第1章 绪论 |
1.1 研究的目的与意义 |
1.1.1 稻米的消费地位 |
1.1.2 稻米的食用品质概述 |
1.2 稻米的分级标准 |
1.3 国内外研究进展 |
1.3.1 外部品质检测研究进展 |
1.3.2 内部品质检测研究进展 |
1.4 研究内容与方法 |
1.4.1 可见光下最佳稻米图像采集环境研究 |
1.4.2 具有自适应特性的垩白识别算法研究 |
1.4.3 基于近红外光谱的稻米直链淀粉含量快速检测模型研究 |
1.4.4 陈化米快速检测模型研究 |
第2章 可见光条件下图像采集环境研究 |
2.1 引言 |
2.2 材料与方法 |
2.2.1 图像采集灯箱的设计 |
2.2.2 试验材料 |
2.2.3 试验方法 |
2.2.4 正交小波分解算法 |
2.3 结果与分析 |
2.3.1 透射光情况 |
2.3.2 反射光情况 |
2.4 本章小结 |
第3章 稻米图像处理基础算法研究 |
3.1 引言 |
3.2 颜色模型 |
3.2.1 RGB |
3.2.2 HSI |
3.2.3 颜色直方图 |
3.3 图像降噪 |
3.3.1 均值滤波 |
3.3.2 中值滤波 |
3.4 图像分割 |
3.5 本章小结 |
第4章 基于机器学习的稻米垩白识别算法研究 |
4.1 引言 |
4.2 云理论介绍 |
4.2.1 云理论产生的背景 |
4.2.2 正向云发生器 |
4.2.3 逆向云发生器 |
4.3 材料与方法 |
4.3.1 试验图像样本 |
4.3.2 直方图分析 |
4.3.3 基于云的垩白识别方法 |
4.4 结果与分析 |
4.4.1 算法的精确度检验 |
4.4.2 算法的适应性检验 |
4.5 群体稻米垩白参数计算 |
4.6 本章小结 |
第5章 近红外光谱技术在直链淀粉含量检测中的应用研究 |
5.1 引言 |
5.2 近红外分析技术简介 |
5.2.1 近红外光谱分析理论基础 |
5.2.2 分析流程 |
5.2.3 模型评价参数 |
5.3 光谱采集参数对近红外光谱响应特性的影响研究 |
5.3.1 旋转与否 |
5.3.2 分辨率 |
5.3.3 扫描次数 |
5.3.4 环境温度 |
5.4 光谱预处理方法对建模效果的影响研究 |
5.4.1 异常光谱剔除 |
5.4.2 光谱除噪 |
5.5 定量分析方法对建模效果的影响研究 |
5.6 本章小结 |
第6章 近红外光谱技术在陈化米检测中的应用研究 |
6.1 引言 |
6.2 实验材料与方法 |
6.2.1 实验材料与光谱采集 |
6.2.2 陈化米近红外光谱响应特性研究 |
6.2.3 光谱预处理方法 |
6.2.4 光谱特征提取方法 |
6.2.5 建模方法 |
6.3 结果与讨论 |
6.3.1 线性模型 |
6.3.2 非线性模型 |
6.4 本章小结 |
第7章 总结与展望 |
7.1 结论 |
7.2 创新之处 |
7.3 展望 |
参考文献 |
攻读博士期间发表学术论文 |
致谢 |
附录 |
四、用近红外透射光谱技术测定精米直链淀粉含量研究(论文参考文献)
- [1]基于中红外漫反射光谱技术测定精米中直链淀粉含量的研究[J]. 叶沁,赵紫薇,徐明雅,张烝彦,孙佳,孟祥河. 中国粮油学报, 2018(02)
- [2]基于近红外光谱技术的水稻直链淀粉含量检测模型研究[D]. 王丽平. 华南农业大学, 2017(08)
- [3]稻米蒸煮和营养品质的QTL定位[D]. 谢黎虹. 江西农业大学, 2017(02)
- [4]稻米品质特性的近红外定标模型构建与遗传关联分析研究[D]. 孙园园. 杭州师范大学, 2016(08)
- [5]近红外反射技术建立合肥地区精米直链淀粉含量测定模型[J]. 冯光,杨亚春,宋丰顺,李泽福,杨剑波,李莉. 核农学报, 2012(06)
- [6]稻谷新陈度近红外快速无损检测的研究[D]. 李娟. 中南林业科技大学, 2012(11)
- [7]江淮稻区精米直链淀粉含量近红外测定模型的建立及稻米食味品质的研究[D]. 冯光. 安徽大学, 2012(10)
- [8]近红外光谱分析技术在大米检测中的应用[J]. 齐龙,朱克卫,马旭,苏彩珠. 农机化研究, 2011(07)
- [9]基于可见光/近红外光谱的稻米质量快速无损检测研究[D]. 石礼娟. 华中农业大学, 2011(04)
- [10]近红外光谱技术在稻米品质快速检测中的应用[J]. 徐彦,李忠海,付湘晋,胡叶碧. 食品与机械, 2011(01)