一种基于近红外作物单籽粒成分无损检测筛选方法

摘要

本发明涉及一种基于近红外作物单籽粒成分无损检测筛选方法，本发明利用已知作物单粒的化学成分定量检测技术获得不同材料的单粒成分数据库，再对已知单粒成分材料的近红外光谱信息进行收集，建立单粒成分与近红外光谱信息之间的相应的成分鉴别模型，检测时先检测待测样品的光谱，再和鉴别模型比较分析，得出待测样品的成分，再自动进行分选，在单籽粒水平上实现对的淀粉、蛋白质、脂肪等化学物质以及化学污染物进行高通量无损检测，该发明可以对突变体、遗传分离群体无损选择和污染物检测，为作物遗传育种和农产品安全提供新方法。

说明书

技术领域

本发明涉及农作物无损检测技术领域，具体涉及一种基于近红外作物单籽粒成分无损检测筛选方法。

技术背景

无损检测技术(Nondestructive Determination Techonologies，简称NDT)是一门新兴的综合性应用学科，在不破坏或损坏被检测对象的前提下，利用样品内部结构异常或缺陷存在所引起的对热、声、光、电、磁等反应的变化，来探测其内部和表面缺陷，并对缺陷的类型、性质、数量、形状、位置、尺寸、分布及其变化做出判断和评价。根据无损检测原理的不同，检测方法大致可分为光学特性分析法、声学特性分析法、机器视觉技术检测方法、电学特性分析法、核磁共振检测技术与X射线检测技术等。

光学特性分析法中的红外光谱和拉曼光谱技术能对样品进行无损分析，具有测试样品非接触性、非破坏性、检测灵敏度高、时间短、样品所需量小及样品无需制备等特点，在分析过程中不会对样品造成化学的、机械的、光化学和热的分解，是分析科学领域的研究热点之一。

近年来，近红外光谱技术在农产品无损检测尤其是农作物的品质分析和农药残留等方面的应用十分广泛。

国外，早在60年代初，美国农业部仪器研究室Norris等首先利用近红外光谱技术测定谷物中的水分、蛋白质、脂肪等含量，并致力于近红外光谱技术在农牧产品品质分析中应用的研究。迄今为止，许多近红外光谱分析的实验方案和计算方法已成为AOCA(Association of Official Analytical Chemists)的标准方法。美国谷物化学协会于1982年10月批准了近红外方法用于小麦蛋白质的测定，国际谷物科学技术协会规定了近红外测定小麦及面粉蛋白质和水分含量的详细程序。以化学计量学为基础的定性与定量分析标准实用细则已陆续由美国ASTM(American Society for Testing and Materials)于1995、1996年公布。农药残留方面，Saranwong等(2005，2007)运用样品干提取(DESIR)样品前处理技术，对抑菌灵杀菌剂进行了近红外光谱检测研究。农药样品的浓度范围从2～90μg*mL-1(ppm)，浓度间隔为2μg*mL^-1。当将2mL的样品溶液加入到聚苯乙烯培养皿中的滤纸上，再将培养皿内溶液烘干后直接测量滤纸的漫反射光谱时，建立的近红外光谱分析模型的效果最佳，校正模型的SEP为6158μg*mL^-1。

在国内，近红外光谱技术在作物品质分析上的应用研究也十分活跃。严衍禄等(1990)应用傅立叶变换近红外漫反射光谱分析方法测定了谷子、玉米、小麦等作物的蛋白质、氨基酸、脂肪等17种成分，取得了很好的效果。李大群等(1990)利用近红外漫反射光谱分析技术测定大豆和小麦的蛋白质含量，分别使用了35个大豆品种和77个小麦品种作为定标样品建立预测模型，近红外测定值与实际值的相关系数分别达0.967和0.984，标准偏差分别为0.826和0.348。彭玉魁等(1997)用近红外方法对124个小麦品种籽粒品质成分进行了比较测定，表明用近红外光谱分析技术测得小麦样品的水分、粗蛋白、粗纤维、赖氨酸含量与常规方法测定结果之间有较高的相关程度。王成(2000)利用傅立叶变换近红外漫反射光谱测定大麦籽粒粗蛋白含量，以40个大麦样品建立预测数学模型，预测值和实测值的相关系数为0.989，对40个独立样品进行预测，预测值和测定值的相关系数为0.969，证实所建立的模型有较好的预测准确度。水稻种子的直链淀粉和支链淀粉含量的测定，大豆、油菜脂肪成分的测定，以及水果蔬菜中维生素、糖类的测定都成功地应用了近红外光谱分析技术。农药残留方面，Xuemei等(2007)也利用硅胶富集提纯的样品预处理方法，将低浓度的待测物氨基甲酸乙酯吸附到硅胶中，并测量其近红外漫反射光谱，在1920～1970nm波段建立的PLS模型，浓度0100～1100mg*L^-1内的20个样品的交互验证误差为011152mg*L^-1。沈飞等(2009)采用近红外光谱分析法直接用于痕量农药辛硫磷的定量检测。

在作物籽粒成分单粒检测方面的进展，主要是利用近红外光谱分析不破坏样品、测定速度快的特点来检测完整单粒种子的品质成分。Delwiche(1998)研究了近红外方法非破坏性测定小麦单粒种子蛋白含量的可行性。Velasco等(1999，2002)应用近红外反射分析技术非破坏性测定了向日葵单粒完整种子的脂肪酸组分、油菜单粒种子的含油量、脂肪组分和蛋白质含量，认为近红外非破坏性分析可得到可靠的结果。张哗晖等(1998)利用近傅立叶红外光谱技术无损伤测定完整单粒玉米种子的油分，获得了肯定性的结果。

目前在单粒水平上进行无损高通量检测的技术有基于光电原理对单粒表面颜色差异进行分选的光电色选装置，并成功的应用于大米精选。光电色选机利用物料的光学及色度学特性，从大量散装样品材料中，将颜色不正常或表面有缺陷的次品及杂物从物料中无损检出，并自动分选剔除的新型机械，它综合应用了电子学、生物学等新技术，是典型的光、机、电一体化的高新技术设备。由于光电色选机是通过颜色进行分选，可以很大程度地提高物料品质，因此适应商品市场独特的作用将十分明显。

然而，迄今为止，尚未见有报道作物籽粒化学成分近红外检测与自动连续分选结合的高通量无损单粒籽粒检测分选方法。

发明内容

本发明提供了一种基于近红外作物单籽粒成分无损检测筛选方法，在单粒种子的水平上对化学成分差异个体进行分选。在单籽粒水平上实现对的淀粉、蛋白质、脂肪等化学物质以及化学污染物进行高通量无损检测，该发明可以对突变体、遗传分离群体无损选择和污染物检测，为作物遗传育种和农产品安全提供新方法。

近红外无损检测方法原理：

近红外光谱主要通过有机分子的倍频和合频吸收光谱，得到分子的结构、组成、状态的信息，而从近红外反射光谱还能得到样品的密度、粒度、高分子物的聚合度及纤维的直径等物质的物理状态信息。因为近红外光谱区的吸收主要是分子或原子振动基频在2000cm^-1以上的倍频、合频吸收，所以有机物近红外光谱主要包括C-H，N-H，O-H等含氢基团的倍频与合频吸收带。这些含氢基团的吸收频率特征性强，受分子内外环境的影响小，而且在近红外光谱区样品的光谱特性很稳定。这种近红外光谱的本质特征为快速鉴别作物种子的化学成分奠定了基础。本发明将近红外光谱技术应用于物单粒的化学成分的无损检测，对已知化学成分的作物样本与光谱数据进行相关性分析，建立单粒与群体的化学成分鉴别模型，并利用从大量散装样品材料中连续、快速高通量选择技术原理，建立近红外的高通量无损选择平台装置，从而实现突变体、遗传分离群体的高通量无损选择。

为实现上述目的本发明采用如下技术方案：

一种基于近红外作物单籽粒成分无损检测筛选方法，其特征在于：具体包括以下步骤：

(1)标准或参考样品单粒光谱集的建立：

首先对各种标准作物种子样品进行近红外检测，将作物种子光谱图象转换成样本光谱基本数据；测量各种标准作物种子样品的光谱；一般同一样品需多次重复测量，不同批号的样品也需重复测量，以平均光谱近似作为该样品标准光谱；

(2)不同材料单粒成分数据库的建立：

对各种标准作物种子样品的化学成分定量检测，从而建立各种标准作物种子样品的单粒成分数据库；

(3)不同材料单粒成分鉴别模型的建立：

利用相应的统计分析软件，分析各种标准作物种子样品的单粒成分数据及其光谱信息的相关性，建立各种标准作物种子样品的单粒成分与光谱信息的鉴别模型；确定标准作物种子样品单粒所含有的各化学成分及其光谱阈值，这个阈值就是鉴定新待识别作物种子中是否含有该化学成分的标准；

(4)待识别作物种子单粒成分的分析：

采集传送带上正在分拣的待识别作物种子单粒的近红外光谱信息，再和鉴别模型中标准作物种子的成分所对应的光谱信息进行比较分析，以阈值作为标准，从而判断待识别作物种子中是否含有某化学成分；

(5)对样品的自动分选：

如果待识别作物种子的近红外光谱和鉴别模型比较，符合设定的预期，则待识别作物种子样品在传送带的输送下直接进入良品收集区，否则当待识别作物种子样品到达分选区时，喷阀喷出高速气流将其吹入次品收集区，从而实现样品的自动筛选；

所述的作物种子为水稻、小麦、玉米等。

所述的光谱信息经过了下列的校正与预处理：

获得光谱信息后，进行光谱校正，使光谱图的规范化、抵消背景干扰及提高光谱的质量，采用平滑、中心、求导、归一化、多元散射校正、SNV、Reduce、Noise中的一种、任意二种或任意三种进行光谱预处理，采用何种校正方法要依光谱的质量及干扰的情况来选择，预处理也可以把原来隐藏的信号差异放大出来，提高光谱的分辨率，使品种鉴别更加直观、可靠；

所述的比较分析是在近红外光谱鉴别作物种子品种的定性判别分析更多依靠若干个峰组或频率段甚至全光谱来进行定性判别，包括偏差权重法、Kruskal-Wallistesting检验、主成分分析、偏最小二乘法、DPLS、SIMCA、LLM、Fisher判别、KNN、小波分析或ANN特征筛选方法来提取光谱特征以提高分析鉴别结果的可靠性。

所述鉴别模型是指：对于单粒的作物种子样品，确定未知样品属于某一种类，采用模式识别来进行鉴别，鉴别作物种子品种的模式识别方法用Fisher判别、Bayes判别、逐步判别、线性学习机、KNN、SIMCA、DPLS、聚类分析、最小二乘回归、欧式距离或神经网络；以模式识别来进行判别分析，需要将已知不同化学成分标准作物种子样品的光谱分成学习集和检验集两部分，划分的依据是学习集和检验集中的类别种类应相同，具有广泛的代表性；然后对不同化学成分作物种子样品依先验知识进行赋初值，来建立不同成分鉴别模型，然后用检验集来评价模型的性能。

本发明与背景技术相比具有的有益效果是：

1)利用光谱技术单粒鉴别作物种子化学成分和农残，其分析速度大大加快。光谱的测定过程一般可在30秒内完成；

2)不使用任何化学试剂，降低了检测成本，也不污染环境；

3)与化学方法相比，系统误差和人为误差大大降低，提高了测量精度；

4)能够处理大量和单粒样本分析，节省时间，实时检测技术能够很好的对突变体、遗传群体进行跟踪检测；

5)能够对分析样本进行无损鉴别，鉴别后的作物仍能用于种植、生产。

附图说明

图1是作物种子单粒的典型光谱曲线图。

图2本发明方法的流程方框图。

具体实施方式

首先，外设通电，控制计算机开机，启动系统控制单元，对近红外无损检测系统和输运单元和分检单元进行初始化。初始化完成后，系统的种子输送单元将待检测种子在输送带上整齐排列，输送带将第一粒种子移动到近红外检测单元，获取其相应的近红外图谱。然后将该图谱和前期建立起的标准模型库相比较，判断是否符合要求。之后，输送带继续向前传送，将下一粒种子传递到近红外检测单元，而已经检测过的种子送到分拣单元。如果不符合要求，该种子将被一个特制的高速微型喷阀喷出的高速气流吹到一个接收容器A里，否则，该种子将随着输送带的运动直接送到另外一个接收容器B里。系统循环运行，从而实现对植物种子的自动无损检测。为了提高检测效率，可以通过增加通道数来实现。