發(fā)布時間：2017-10-03 05:29

  本文關(guān)鍵詞：基于光譜和光譜成像技術(shù)的轉(zhuǎn)基因大豆品種鑒別與品質(zhì)檢測研究

  更多相關(guān)文章： 轉(zhuǎn)基因大豆 光譜與光譜成像技術(shù) 品種鑒別 品質(zhì)檢測

【摘要】：由于環(huán)境惡化、耕地面積減少、人口增長等因素導(dǎo)致對糧食的需求急劇增加,轉(zhuǎn)基因技術(shù)在作物種植中的應(yīng)用快速增長。中國是世界上最大的大豆進(jìn)口國,常有轉(zhuǎn)基因大豆通過非法途徑進(jìn)入中國。傳統(tǒng)的轉(zhuǎn)基因成分檢測方法費(fèi)時費(fèi)力,非專業(yè)人員難以勝任,不適用于轉(zhuǎn)基因與非轉(zhuǎn)基因的快速檢測鑒別,更無法再進(jìn)行轉(zhuǎn)基因作物的育種培養(yǎng)。本研究基于中紅外光譜技術(shù)和高光譜成像技術(shù),研究轉(zhuǎn)基因大豆的品種鑒別和品質(zhì)檢測,對保證轉(zhuǎn)基因大豆的品質(zhì)及育種培養(yǎng)、管理和作業(yè)具有重要意義。本研究主要成果內(nèi)容如下：(1)研究了非轉(zhuǎn)基因與轉(zhuǎn)基因大豆的品種快速鑒別方法。基于高光譜成像技術(shù),從可見光波段和近紅外光波段獲取大豆的光譜信息,經(jīng)去除噪聲和MA-7點(diǎn)平滑預(yù)處理,利用Bw、x-loading weights、PCA-loadings、SPA和CARS五種不同方法提取對轉(zhuǎn)基因大豆品種敏感的特征波長,基于全譜數(shù)據(jù)和特征波長分別建立PLS-DA、BPNN、SVM和ELM判別模型并比較判別分析效果。對非轉(zhuǎn)基因大豆進(jìn)行了品種鑒別,近紅外波段的判別效果明顯優(yōu)于可見光譜波段,HC6、JACK、TL1三個品種的預(yù)測判別正確率分別達(dá)到100.00%、100.00%、92.50%；對轉(zhuǎn)基因大豆進(jìn)行了品種鑒別,基于全譜光譜數(shù)據(jù),可見光波段和近紅外光波段中均是BPNN模型判別效果更好,總體判別正確率分別為99.12%和98.67%�；谔卣鞑ㄩL,可見光波段和近紅外光波段中均是基于CARS的模型判別效果更好,略微優(yōu)于SPA的,但SPA提取的特征波長個數(shù)明顯少于CARS的�？傮w上,高光譜成像技術(shù)用于非轉(zhuǎn)基因與轉(zhuǎn)基因大豆的品種鑒別研究是可行的,并且近紅外光譜波段的判別效果較好。(2)建立了轉(zhuǎn)基因大豆的蛋白質(zhì)含量預(yù)測方法和模型。基于中紅外光譜技術(shù)和近紅外高光譜成像技術(shù),分別獲取大豆的光譜信息并消除噪聲,對經(jīng)WT預(yù)處理的中紅外光譜數(shù)據(jù)和經(jīng)MA-7點(diǎn)平滑預(yù)處理的近紅外高光譜數(shù)據(jù)分別建立蛋白質(zhì)含量的PLS預(yù)測模型,均取得較好的預(yù)測效果,其中近紅外波段的預(yù)測結(jié)果對品種HC6、JACK和TL1的Rp分別是0.7842、0.9198和0.9371,RMSEP分別是0.6860,0.7240和0.6335,總體效果優(yōu)于中紅外波段的。再利用Bw、x-loading weights、PCA-loadings、SPA和CARS五種方法提取特征波長建立PLS預(yù)測模型,中紅外波段范圍內(nèi)基于CARS的預(yù)測效果最優(yōu)且略優(yōu)于基于SPA的,近紅外波段范圍內(nèi)基于SPA的預(yù)測效果最優(yōu),對三個品種的預(yù)測結(jié)果Rp分別為0.7442、0.8724和0.9145,RMSEP分別是0.7470,0.79442和0.6860�？傮w上,中紅外光譜技術(shù)和近紅外高光譜成像技術(shù)均可用于轉(zhuǎn)基因大豆的蛋白質(zhì)含量預(yù)測,并且近紅外光譜波段的預(yù)測效果較好。(3)建立了轉(zhuǎn)基因大豆的脂肪含量預(yù)測方法和模型�；谥屑t外光譜技術(shù)和近紅外高光譜成像技術(shù),分別獲取大豆的光譜信息并消除噪聲,對經(jīng)WT預(yù)處理的中紅外光譜數(shù)據(jù)和經(jīng)MA-7點(diǎn)平滑預(yù)處理的近紅外高光譜數(shù)據(jù)分別建立脂肪含量的PLS預(yù)測模型,均取得較好的預(yù)測效果,其中近紅外波段的預(yù)測結(jié)果對三個品種的Rp分別是0.8178、0.9309和0.9452,RMSEP分別是1.0072,1.0336和0.8960,總體效果優(yōu)于中紅外波段的。再利用Bw、x-loading weights、PCA-loadings、SPA和CARS五種方法提取特征波長建立PLS預(yù)測模型,中紅外波段范圍內(nèi)基于CARS的預(yù)測效果最優(yōu)且略優(yōu)于基于SPA的,近紅外波段范圍內(nèi)基于SPA的預(yù)測效果最優(yōu),對三個品種的預(yù)測結(jié)果Rp分別為0.8089、0.9203和0.9557,RMSEP分別是1.0251,1.1696和0.9055�？傮w上,中紅外光譜技術(shù)和近紅外高光譜成像技術(shù)均可用于轉(zhuǎn)基因大豆的脂肪含量預(yù)測,并且近紅外光譜波段的預(yù)測效果較好。
【關(guān)鍵詞】：轉(zhuǎn)基因大豆 光譜與光譜成像技術(shù) 品種鑒別 品質(zhì)檢測
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：S565.1
【目錄】：

• 致謝7-8
• 摘要8-10
• Abstract10-18
• 第一章 緒論18-26
• 1.1 研究背景和意義18-19
• 1.2 傳統(tǒng)的轉(zhuǎn)基因成分檢測研究方法19-21
• 1.2.1 核酸檢測技術(shù)19-20
• 1.2.2 蛋白質(zhì)檢測技術(shù)20-21
• 1.3 光譜和光譜成像技術(shù)及其應(yīng)用現(xiàn)狀21-24
• 1.3.1 光譜技術(shù)21-23
• 1.3.1.1 光譜技術(shù)的原理21
• 1.3.1.2 應(yīng)用現(xiàn)狀21-23
• 1.3.2 高光譜成像技術(shù)23-24
• 1.3.2.1 高光譜成像技術(shù)的原理23
• 1.3.2.2 應(yīng)用現(xiàn)狀23-24
• 1.4 研究內(nèi)容24-25
• 1.5 本章小結(jié)25-26
• 第二章 材料與方法26-39
• 2.1 試驗(yàn)材料26
• 2.2 實(shí)驗(yàn)設(shè)備26-30
• 2.2.1 高光譜成像系統(tǒng)26-28
• 2.2.1.1 高光譜成像儀27
• 2.2.1.2 線光源27-28
• 2.2.1.3 鏡頭28
• 2.2.1.4 電控位移平臺28
• 2.2.1.5 適用軟件及其他28
• 2.2.2 rapid N cube杜馬斯燃燒法定氮儀28-29
• 2.2.3 Jasco FT-IR 4100傅立葉變換光譜儀29-30
• 2.3 化學(xué)值測定方法30-31
• 2.3.1 蛋白質(zhì)含量測定方法30
• 2.3.2 脂肪含量測定方法30-31
• 2.4 光譜數(shù)據(jù)預(yù)處理方法31-32
• 2.4.1 平滑處理31-32
• 2.4.2 小波變換32
• 2.5 特征波長的提取方法32-34
• 2.5.1 權(quán)重回歸系數(shù)法32-33
• 2.5.2 載荷系數(shù)法33
• 2.5.3 傳感器區(qū)別貢獻(xiàn)率分析法33
• 2.5.4 連續(xù)投影算法33-34
• 2.5.5 競爭性自適應(yīng)重加權(quán)算法34
• 2.6 化學(xué)計量學(xué)建模方法34-37
• 2.6.1 偏最小二乘法34-35
• 2.6.2 人工神經(jīng)網(wǎng)絡(luò)35-36
• 2.6.3 支持向量機(jī)36
• 2.6.4 極限學(xué)習(xí)機(jī)36-37
• 2.7 模型評價標(biāo)準(zhǔn)37-38
• 2.7.1 分類模型評價標(biāo)準(zhǔn)37
• 2.7.2 回歸模型評價標(biāo)準(zhǔn)37-38
• 2.8 本章小結(jié)38-39
• 第三章 基于高光譜成像技術(shù)的轉(zhuǎn)基因大豆品種鑒別研究39-81
• 3.1 引言39
• 3.2 樣本來源39
• 3.3 基于可見/近紅外高光譜成像技術(shù)的轉(zhuǎn)基因大豆品種鑒別研究39-65
• 3.3.1 可見光譜數(shù)據(jù)采集與校正40
• 3.3.2 可見光譜信息提取40
• 3.3.3 可見光范圍內(nèi)的光譜反射率分析40-41
• 3.3.4 可見光譜預(yù)處理41
• 3.3.5 可見光譜下的非轉(zhuǎn)基因大豆的品種鑒別41-42
• 3.3.6 可見光譜下的非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆的品種鑒別研究42-65
• 3.3.6.1 基于可見光譜全譜建立品種識別模型分析43-49
• 3.3.6.1.1 基于可見光譜全譜建立PLS-DA模型分析43-44
• 3.3.6.1.2 基于可見光譜全譜數(shù)據(jù)BPNN模型分析44-46
• 3.3.6.1.3 基于可見光譜全譜數(shù)據(jù)SVM模型分析46-47
• 3.3.6.1.4 基于可見光譜全譜數(shù)據(jù)ELM模型分析47-49
• 3.3.6.1.5 基于可見光譜全譜數(shù)據(jù)PLS-DA、BPNN、SVM和ELM模型的比較49
• 3.3.6.2 可見光譜的特征波段提取49-61
• 3.3.6.2.1 基于Bw方法提取特征波長49-51
• 3.3.6.2.2 基于x-loading weights方法提取特征波長51-58
• 3.3.6.2.3 基于PCA-loadings方法提取特征波長58-59
• 3.3.6.2.4 基于SPA方法提取特征波長59
• 3.3.6.2.5 基于CARS方法提取特征波長59-61
• 3.3.6.3 基于特征波長的預(yù)測結(jié)果61-65
• 3.3.6.3.1 基于Bw方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較61-62
• 3.3.6.3.2 基于x-loading weights方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較62-63
• 3.3.6.3.3 基于PCA-loadings方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較63-64
• 3.3.6.3.4 基于SPA方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較64
• 3.3.6.3.5 基于CARS方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較64-65
• 3.4 基于近紅外高光譜成像技術(shù)的轉(zhuǎn)基因大豆品種鑒別研究65-79
• 3.4.1 近紅外光譜數(shù)據(jù)采集與校正65-66
• 3.4.2 近紅外光譜信息提取66
• 3.4.3 近紅外光范圍內(nèi)的光譜反射率分析66
• 3.4.4 近紅外光譜預(yù)處理66-67
• 3.4.5 近紅外光譜下的非轉(zhuǎn)基因大豆的品種鑒別67
• 3.4.6 近紅外光譜下的非轉(zhuǎn)基因親本大豆及其轉(zhuǎn)基因大豆的品種鑒別研究67-79
• 3.4.6.1 基于近紅外光譜全譜建立品種識別模型分析67-73
• 3.4.6.1.1 基于近紅外光譜全譜建立PLS-DA模型分析67-69
• 3.4.6.1.2 基于近紅外光譜全譜數(shù)據(jù)BPNN模型分析69-70
• 3.4.6.1.3 基于近紅外光譜全譜數(shù)據(jù)SVM模型分析70-71
• 3.4.6.1.4 基于近紅外光譜全譜數(shù)據(jù)ELM模型分析71-73
• 3.4.6.1.5 基于近紅外光譜全譜數(shù)據(jù)PLS-DA、BPNN、SVM和ELM模型的比較73
• 3.4.6.2 近紅外光譜的特征波段提取73-76
• 3.4.6.2.1 基于Bw方法提取特征波長73-74
• 3.4.6.2.2 基于x-loading weights方法提取特征波長74
• 3.4.6.2.3 基于PCA-loadings方法提取特征波長74-75
• 3.4.6.2.4 基于SPA方法提取特征波長75
• 3.4.6.2.5 基于CARS方法提取特征波長75-76
• 3.4.6.3 基于特征波長的預(yù)測結(jié)果76-79
• 3.4.6.3.1 基于Bw方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較76
• 3.4.6.3.2 基于x-loading weights方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較76-77
• 3.4.6.3.3 基于PCA-loadings方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較77-78
• 3.4.6.3.4 基于SPA方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較78
• 3.4.6.3.5 基于CARS方法提取特征波長的PLS-DA、BPNN、SVM和ELM模型的比較78-79
• 3.5 本章小結(jié)79-81
• 第四章 轉(zhuǎn)基因大豆的蛋白質(zhì)含量光譜檢測研究81-91
• 4.1 引言81
• 4.2 樣本制備及光譜數(shù)據(jù)采集81-82
• 4.2.1 近紅外高光譜數(shù)據(jù)采集81
• 4.2.2 中紅外光譜數(shù)據(jù)采集81-82
• 4.3 蛋白質(zhì)含量測定82
• 4.4 樣本集的劃分82
• 4.5 基于中紅外光譜技術(shù)的轉(zhuǎn)基因大豆蛋白質(zhì)含量研究82-85
• 4.5.1 轉(zhuǎn)基因大豆蛋白質(zhì)含量預(yù)測的全譜模型82-83
• 4.5.2 特征波長的提取83-84
• 4.5.3 基于特征波長的預(yù)測結(jié)果84-85
• 4.6 基于近紅外高光譜技術(shù)的轉(zhuǎn)基因大豆蛋白質(zhì)含量研究85-88
• 4.6.1 轉(zhuǎn)基因大豆蛋白質(zhì)含量預(yù)測的全譜模型85-86
• 4.6.2 特征波長的提取86-87
• 4.6.3 基于特征波長的預(yù)測結(jié)果87-88
• 4.7 本章小結(jié)88-91
• 第五章 轉(zhuǎn)基因大豆的脂肪含量光譜檢測研究91-100
• 5.1 引言91
• 5.2 樣本制備及光譜數(shù)據(jù)采集91
• 5.2.1 近紅外高光譜數(shù)據(jù)采集91
• 5.2.2 中紅外光譜數(shù)據(jù)采集91
• 5.3 脂肪含量測定91-92
• 5.4 樣本集的劃分92
• 5.5 基于中紅外光譜技術(shù)的轉(zhuǎn)基因大豆脂肪含量研究92-96
• 5.5.1 轉(zhuǎn)基因大豆脂肪含量預(yù)測的全譜模型92-93
• 5.5.2 特征波長的提取93-94
• 5.5.3 基于特征波長的預(yù)測結(jié)果94-96
• 5.6 基于近紅外高光譜技術(shù)的轉(zhuǎn)基因大豆脂肪含量研究96-99
• 5.6.1 轉(zhuǎn)基因大豆脂肪含量預(yù)測的全譜模型96
• 5.6.2 特征波長的提取96-97
• 5.6.3 基于特征波長的預(yù)測結(jié)果97-99
• 5.7 本章小結(jié)99-100
• 第六章 結(jié)論與展望100-103
• 6.1 主要結(jié)論100-101
• 6.2 主要創(chuàng)新點(diǎn)101
• 6.3 研究展望101-103
• 參考文獻(xiàn)103-110
• 作者簡介110-111

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 馮濤;;大豆穩(wěn)產(chǎn)高產(chǎn)技術(shù)措施[J];現(xiàn)代化農(nóng)業(yè);2015年07期

2 丁希斌;張初;劉飛;宋星霖;孔汶汶;何勇;;高光譜成像技術(shù)結(jié)合特征提取方法的草莓可溶性固形物檢測研究[J];光譜學(xué)與光譜分析;2015年04期

3 趙蕓;張初;劉飛;孔汶汶;何勇;;采用可見/近紅外光譜檢測大麥葉片過氧化氫酶與過氧化物酶含量的研究[J];光譜學(xué)與光譜分析;2014年09期

4 朱哲燕;張初;劉飛;孔汶汶;何勇;;基于中紅外光譜分析技術(shù)的香菇產(chǎn)地識別研究[J];光譜學(xué)與光譜分析;2014年03期

5 張初;劉飛;章海亮;孔汶汶;何勇;;近地高光譜成像技術(shù)對黑豆品種無損鑒別[J];光譜學(xué)與光譜分析;2014年03期

6 葉敬忠;李華;;關(guān)于轉(zhuǎn)基因技術(shù)的綜述與思考[J];農(nóng)業(yè)技術(shù)經(jīng)濟(jì);2014年01期

7 張初;劉飛;孔汶汶;章海亮;何勇;;利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J];農(nóng)業(yè)工程學(xué)報;2013年20期

8 方獻(xiàn)平;馬華升;余紅;金亮;劉輝;張樂;翁麗萍;來文國;;轉(zhuǎn)基因常見檢測技術(shù)與蛋白質(zhì)組學(xué)的應(yīng)用[J];浙江農(nóng)業(yè)科學(xué);2013年10期

9 謝麗娟;應(yīng)義斌;;轉(zhuǎn)基因番茄鑒別模型維護(hù)方法[J];江蘇大學(xué)學(xué)報(自然科學(xué)版);2012年05期

10 陳淑云;采云;陳激揚(yáng);;不同實(shí)時熒光定量聚合酶鏈反應(yīng)技術(shù)研究進(jìn)展[J];國際檢驗(yàn)醫(yī)學(xué)雜志;2012年05期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 王彬星;重型汽車車內(nèi)聲壓級預(yù)測與主要噪聲源分析[D];清華大學(xué);2013年

2 許小丹;利用寡核苷酸芯片對Roundup Ready轉(zhuǎn)基因大豆檢測及鑒定技術(shù)的研究[D];中國農(nóng)業(yè)大學(xué);2004年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 袁鐵琰;轉(zhuǎn)基因大豆及其加工產(chǎn)品的檢測技術(shù)研究[D];上海師范大學(xué);2004年

，

本文編號：963406