種子的表型特征是種質(zhì)創(chuàng)新和生物學(xué)研究的基礎(chǔ),本文基于近紅外光譜檢測技術(shù)、立體機(jī)器視覺、智能信息處理等技術(shù),開展單粒小麥種子內(nèi)部品質(zhì)和外部形態(tài)表型性狀的定量與定性建模方法研究,基于表型信息融合的單粒小麥生活力性狀早期識別方法研究,并基于先進(jìn)傳感技術(shù)、機(jī)電一體化技術(shù)、計(jì)算機(jī)技術(shù)等,研制單粒種子表型基礎(chǔ)數(shù)據(jù)精細(xì)化、一體化獲取平臺,以期為小麥種子表型研究提供新思路。論文主要內(nèi)容與結(jié)論如下:（1）在分析適用于單粒小麥光譜檢測的機(jī)理和分析方法的基礎(chǔ)上,針對小麥種子顆粒小,曲面不規(guī)則,對光源照射敏感等特點(diǎn),提出了一種基于全包圍光源結(jié)構(gòu)的小麥品質(zhì)表型光譜檢測方法。開展了全包圍光源結(jié)構(gòu)的品質(zhì)表型檢測光路分析和結(jié)構(gòu)設(shè)計(jì),完成了器件選型、電路設(shè)計(jì),以及系統(tǒng)軟硬件構(gòu)建等。測試結(jié)果表明,構(gòu)建的全包圍結(jié)構(gòu)的近紅外光譜檢測系統(tǒng),可實(shí)現(xiàn)對單粒小麥種子實(shí)時(shí)、在線近紅外光譜快速獲取,最大波長標(biāo)準(zhǔn)差為0.04nm,最大反射光強(qiáng)變異系數(shù)為1.9%,最大吸光度變異系數(shù)為0.4%,具有良好的波長重復(fù)性和吸光度重復(fù)性表現(xiàn),能夠用于單粒小麥品質(zhì)表型的精細(xì)化測量。（2）基于全包圍光源結(jié)構(gòu)的光譜檢測裝置,結(jié)合模式識別方法,開展了單粒小麥... 

【文章來源】：西北農(nóng)林科技大學(xué)陜西省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：145 頁

【學(xué)位級別】：博士

【部分圖文】：

不同層次/尺度作物表型研究示意圖（Tardieuetal.2017）

第一章緒論7圖1-2不同層次/尺度作物表型研究示意圖（Tardieuetal.2017）Fig.1-2SchematicOverviewofPhenotypingPlatformsandacrossDifferentScales(Tardieuetal.2017)國內(nèi)表型研究的另一個(gè)領(lǐng)軍人物周濟(jì)（周濟(jì)等2018）總結(jié)了當(dāng)今國際植物表型界對表型組學(xué)研究進(jìn)程的共識：為提高現(xiàn)代作物育種的選擇速度，需要在完善大規(guī)模、高通量表型數(shù)據(jù)采集環(huán)節(jié)的自動化和遙感技術(shù)的基礎(chǔ)上，發(fā)展和利用全新的統(tǒng)計(jì)方法設(shè)計(jì)大數(shù)據(jù)生物試驗(yàn)，使用復(fù)雜的數(shù)據(jù)管理手段對表型數(shù)據(jù)集進(jìn)行注釋、標(biāo)準(zhǔn)化和存儲；基于本體論進(jìn)行數(shù)據(jù)的優(yōu)化整合；引入最新的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等人工智能方法對多維表型數(shù)據(jù)集進(jìn)行分析；進(jìn)而萃取可靠的性狀特征信息，最終挖掘出有意義的生物學(xué)知識，并解決實(shí)際的科學(xué)問題，所提出的策略如圖1-3所示。圖1-3作物表型組學(xué)研究進(jìn)程示意圖（周濟(jì)等2018）Fig.1-3Strategyofplantphenomicsresearch(Zhouetal.2018)在表型平臺建設(shè)方面，從事植物表型組分析技術(shù)和設(shè)備研發(fā)的科研機(jī)構(gòu)和公司表現(xiàn)地十分活躍，德國LemnaTec公司（http://www.lemnatec.com）已形成從低通量到高通量，從實(shí)驗(yàn)室到溫室再到田間，從細(xì)菌到高等植物等全方位的表型組圖像采集和分析平臺，

(a) 籽粒的掃描圖像 (b) 軟件識別出的籽粒 (c) 測量的形態(tài)參數(shù) (a) Scaned image of seeds (b) Identified seeds by SmartGrain (c) Measured parameters 圖 1-5 SmartGrain 平臺自動識別圖像中的籽粒（Tanabata et al. 2012） Fig.1-5 Strategy of plant phenomics research (Tanabata et al. 2012) 實(shí)際中應(yīng)用中，使用更廣泛成熟的是基于相機(jī)的機(jī)器視覺檢測平臺，典型平臺部件如圖 1-6 所示，圖像采集單元主要由采樣保持板/成像背景板、攝像機(jī)、圖像采集卡和用于適當(dāng)照明的光源組成，圖像處理和圖像分析是這類平臺至關(guān)重要的部分，前者旨在提高獲取圖像的質(zhì)量，后者提供從圖像生成定性/定量分析結(jié)果的過程。

【參考文獻(xiàn)】：
期刊論文
[1]植物表型組學(xué)研究平臺建設(shè)及技術(shù)應(yīng)用[J]. 胡偉娟,凌宏清,傅向東.  遺傳. 2019(11)
[2]一種修正證據(jù)沖突的D-S改進(jìn)算法[J]. 呂佳朋,史賢俊,秦玉峰.  電子測量技術(shù). 2019(19)
[3]基于X射線斷層掃描的小麥籽粒霉變結(jié)構(gòu)研究[J]. 周穎,惠延波,馮蘭芳,閆磊,馬曉曉.  中國糧油學(xué)報(bào). 2019(07)
[4]基于軟X射線與低場核磁檢測小麥隱蔽性害蟲玉米象[J]. 邵小龍,徐水紅,徐文.  中國糧油學(xué)報(bào). 2019(07)
[5]基于X射線三維可視化和定量分析小麥籽粒的萌芽[J]. 周穎,惠延波,馮蘭芳,閆磊,馬曉曉.  河南工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[6]不規(guī)則體體積計(jì)算三維激光點(diǎn)云切片法[J]. 李斌,魏俊博,馬博超,王璐,徐明霞.  測繪學(xué)報(bào). 2019(01)
[7]Imaging technologies for plant high-throughput phenotyping:a review[J]. Yong ZHANG,Naiqian ZHANG.  Frontiers of Agricultural Science and Engineering. 2018(04)
[8]基于核磁共振的玉米不同籽粒類型單粒質(zhì)量和含油率分析[J]. 李浩川,曲彥志,楊繼偉,崔麗洋,毛熙嵐,劉宗華.  農(nóng)業(yè)工程學(xué)報(bào). 2018(20)
[9]高通量作物表型監(jiān)測:育種和精準(zhǔn)農(nóng)業(yè)發(fā)展的加速器[J]. 郭慶華,楊維才,吳芳芳,龐樹鑫,金時(shí)超,陳凡,王秀杰.  中國科學(xué)院院刊. 2018(09)
[10]小麥生產(chǎn)概況及其發(fā)展[J]. 趙廣才,常旭虹,王德梅,陶志強(qiáng),王艷杰,楊玉雙,朱英杰.  作物雜志. 2018(04)

博士論文
[1]基于光譜和圖像信息融合的哈密瓜成熟度無損檢測研究[D]. 孫靜濤.石河子大學(xué) 2017
[2]農(nóng)產(chǎn)品無損檢測中的模式識別問題研究[D]. 余心杰.浙江大學(xué) 2015
[3]小麥內(nèi)在品質(zhì)近紅外光譜無損檢測技術(shù)研究[D]. 宦克為.長春理工大學(xué) 2014
[4]基于機(jī)器視覺的小麥并肩雜與不完善粒動態(tài)實(shí)時(shí)檢測研究[D]. 陳豐農(nóng).浙江大學(xué) 2012
[5]水稻產(chǎn)量相關(guān)性狀參數(shù)自動提取的數(shù)字化技術(shù)研究[D]. 楊萬能.華中科技大學(xué) 2011

碩士論文
[1]基于特征判別的多源信息融合方法研究[D]. 張思絲.華北理工大學(xué) 2019
[2]漫反射光譜的理論與應(yīng)用研究[D]. 邱雁.同濟(jì)大學(xué) 2007



本文編號：3057064