导读:本文包含了品种鉴别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:光谱,品种,小米,计量学,光谱分析,仿制品,基因组。
品种鉴别论文文献综述
马永旺,陈晓明,郑亭,韩文,魏然[1]（2019）在《市场常见仿田黄品种及其鉴别特征研究》一文中研究指出本文对市场上常见的仿田黄品种进行了放大观察、红外光谱测试、紫外-可见光谱测试、X射线荧光能谱测试以及拉曼光谱测试。研究发现,目前常见的田黄仿制品包括染色绿泥石、染色滑石、染色地开石,以及表面覆膜的再造重晶石等多个品种,其中染色手段包括有机染料染色、高铅材料染色以及银盐染色。同时对寿山田黄及仿田黄样品进行对比测试,发现对仿田黄主要矿物成分的鉴别主要依靠红外光谱,而对于染色处理的鉴定,则需综合放大观察、拉曼光谱测试(如硝基散射峰)、紫外—可见吸收光谱以及成分分析(如Pb及Ag元素特征)等测试综合判断,为两者的鉴别提供了理论依据。(本文来源于《中国国际珠宝首饰学术交流会论文集（2019）》期刊2019-11-13）
张石定,卢全伟,王涛,刘金荣,李现常[2]（2019）在《拉曼光谱用于小米品种和产地的鉴别与化学成分关联研究》一文中研究指出不同品种和产地的小米的成分存在着差异,这种差异严重影响着其品质和口感。一种快速的成分检测方法不仅可以给小米品质提高研究提供帮助,还可以用于小米产地和品种鉴别,以规范小米商业市场行为。传统的小米成分化学检测方法复杂时费力,步骤繁琐,检测速度慢;感官检测而又主观性强,误差较大。本文采用激光拉曼光谱对不同品种和产地小米进行了检测,采用主成分分析等化学计量学手段进行拉曼谱峰强度与化学成分含量关联研究,并对产地和品种进行了PLS-DA的建模辨别。图1分别给出了同一产地4个不同品种,同一品种四个不同产地的平均拉曼光谱。图2给出了采用PLS-DA方法对H001的品种鉴别结果和该方法的ROC曲线。实验结果表明,拉曼光谱的谱峰强度与小米的化学成分含量关联性较好,并能有效鉴别品种和产地。(本文来源于《第二十届全国光散射学术会议（CNCLS 20）论文摘要集》期刊2019-11-03）
宋雪健,王欣卉,李琳[3]（2019）在《近红外光谱技术对小米品种的快速鉴别》一文中研究指出为实现对小米品种的快速鉴别,试验采用近红外光谱技术对120份小米进行研究,结果表明,试验建立的小米定性分析模型对红谷子的正确鉴别率为100%,定量分析模型的验证集的RMSEP为0.176,R2为96.68。为此,采用近红外光谱技术对小米品种的快速鉴别具有一定的可行性。(本文来源于《粮食科技与经济》期刊2019年10期）
杨思成,舒在习,曹阳[4]（2019）在《基于高光谱成像技术的稻谷品种鉴别研究》一文中研究指出许多不同的稻谷品种看起来很相似,但它们的化学成分和最终产品质量却有很大差别,每年因品种混淆而造成巨大的经济损失,对稻谷品种的鉴别是发展优质粮食工程的现实需要,为此提出了一种采用高光谱成像技术实现稻谷品种无损快速鉴别的方法。主要研究内容和结果如下:(1)在全波段388～1 000 nm范围内采集5个品种共150粒的稻谷高光谱反射率数据,筛选出差异明显的波段(600～800 nm),将此波段内每个品种的反射率进行Stacked计算和curve-smoothing平滑处理以增加其区分度。(2)对5种稻谷经平滑处理后的反射率数据做主成分分析,找到权值系数最大的波长位于680 nm,将其作为特征波长。加载特征波长下的纹理图像,计算每粒稻谷样品的纹理特征参数:均值(Mean)、方差(Variance)、信息熵(Entropy)和偏差(Skewness)。利用阈值分割的方法将目标与背景区分开,计算每粒稻谷形态特征参数:面积像素数/pixels~2、边界的周长/pixels、长轴长度/pixels、短轴长度/pixels。结合稻谷的纹理特征参数和形态特征参数,比较Fisher判别分析模型、偏最小二乘回归模型(PLSR)和人工神经网络模型(ANN)对稻谷品种鉴别的效果。(3)结果显示, Fisher判别分析中函数1和函数2的累计方差贡献率达到93%,能够较好地解释稻谷的品种信息。将样本的函数值与组质心的平方马氏距离(Mahalanobis)做比较,值相近的作为同一分组类别,对稻谷品种的整体识别正确率能达到95.3%;偏最小二成回归模型:Y_(品种)=0.03X_(均值)-0.36X_(方差)-0.24X_(信息熵)+0.37X_(偏差)+0.31X_(面积)-0.32X_(周长)-0.39X_(长轴长度)+0.45X_(短轴长度),该回归模型相关系数r=0.98,校正均方根RMESS=0.29,交叉验证均方根PMESSCV=0.32,对稻谷的品种鉴别正确率能达到95%;构建的ANN模型为具有sigmoid隐含和softmax输出神经元的双层前馈网络,对150个样品按70%∶15%∶15%的比例随机划分训练集、测试集、验证集,选择共轭梯度法(scaled conjugate gradient)作为训练算法,以交叉熵(cross-entropy)作为模型的评价指标,对稻谷品种鉴别的正确率可达到98%。稻谷品种鉴别的ANN模型在分类精度上优于Fisher判别和PLSR,选择特征波长下的图像信息建立稻谷品种识别的ANN模型,对稻谷品种的无损快速鉴别具有重要指导意义。(本文来源于《光谱学与光谱分析》期刊2019年10期）
冯晓星,许学[5]（2019）在《基于机器视觉的稻谷品种鉴别方法比较》一文中研究指出本文为了寻求稻谷品种鉴别方法与应用场合的最佳匹配,利用机器视觉技术提取5个稻谷品种的光谱信息和图像特征。利用基于支持向量机(SVM)以及BP神经网络(BP-ANN)两类模型,在有无主成分分析的两种情况下,对稻谷的鉴别效果进行全面分析和对比。结果表明:事先进行主成分分析将使得处理过程更加高效,但也带来信息损失;线性和径向基核函数分别在处理高维和低维特征变量时有优势;对于这5个稻谷品种,基于BP-ANN的分类效果要优于基于SVM的。(本文来源于《电子技术与软件工程》期刊2019年18期）
何勇,郑启帅,张初,岑海燕[6]（2019）在《基于中红外光谱和化学计量学算法鉴别核桃产地及品种》一文中研究指出为探究中红外光谱快速检测核桃产地和品质的可行性,基于中红外光谱分析技术,并将化学计量学的算法应用于中红外光谱判别分析之中,对中国四大核桃主产区的10类主要核桃品种进行检测,取得较好效果。通过提取核桃粉末的光谱透射率,去除原始光谱首尾部分的明显噪声,对保留的700～3 450 cm~(-1)范围的光谱采用小波分析(wavelet transform, WT)算法进行去噪预处理,并采用无信息变量消除结合连续投影算法(UVE-SPA)提取光谱特征波数,采用主成分分析法(PCA)对光谱定性分析,基于反向传播神经网络(BPNN)、极限学习机(ELM)、随机森林(RF)、径向基函数神经网络(RBFNN)及偏最小二乘判别分析(PLS-DA)对全谱和特征波数建模对比。在4类不同产地核桃判别中,得到12个特征波数:803, 1 355, 1 418, 1 541, 1 580, 1 727, 1 747, 1 868, 2 338, 2 462, 2 824和3 166 cm~(-1),基于特征波数分类的正确率高于全谱的分类结果, BPNN算法结合特征波数建模得到的识别正确率高达97%, RF算法分类判别效果最差,正确率仅69.70%;在10类不同品种判别中,得到10个特征波数:903, 1 275, 1 507, 1 541, 1 563, 1 671, 1 868, 2 311, 2 845和3 437 cm~(-1),基于特征波数分类的正确率依然高于全谱的分类结果, BPNN算法结合特征波数建模得到的识别正确率高达83.3%。在特征波数通用性方面,两组特征波数范围中有2个特征波数相同:1 541和1 868 cm~(-1),其他大多特征波数也都相近,将10类品种特征波数作为输入变量对4类不同产地的核桃进行分类,分类结果较差,因此,在10类品种监督值下选取的特征波数无法适用于4类产地的判别问题,由此推断,即使是同一原始数据,基于不同判别问题得到的特征波数在建模时通用性较差。结果表明,经UVE-SPA算法提取特征波数后,变量数可减少99%以上,有效地简化了模型,减少计算量,提高预测的稳定性;总体上,每个分类器的表现为:BPNN>RBFNN>ELM>PLS-DA>RF;基于小波变换结合特征波数选取和反向传播神经网络算法能有效地实现核桃的产地和品种识别。(本文来源于《光谱学与光谱分析》期刊2019年09期）
邵琦,陈云浩,杨淑婷,赵逸飞,李京[7]（2019）在《基于随机森林算法的玉米品种高光谱图像鉴别》一文中研究指出玉米品种直接影响到玉米的产量和品质,事关农业收入和食品安全,因此,如何准确、高效、无损地鉴别玉米品种具有重要意义。该文基于高光谱成像系统采集3个品种共600粒玉米在533～893.4 nm波段(共146个波段)范围的高光谱图像,对其进行校正和预处理,利用Boruta算法筛选有效波段。在全波段、全波段和纹理信息、有效波段以及有效波段和纹理信息4种特征组合下,利用随机森林算法进行玉米品种识别研究。结果表明:4种特征组合下,随机森林的平均分类准确率达76.25%,Kappa系数均在0.6以上,分类效果均优于传统的偏最小二乘判别分析方法;从4种特征组合的分类结果看,融合纹理信息的随机森林判别模型识别精度显着提升,分类准确率达77.20%,Kappa系数在0.64以上;基于有效波段和纹理信息判别模型的分类准确率达78.30%,Kappa系数为0.675。由此可见,有效波段和纹理信息特征组合下的随机森林算法能充分利用高光谱图像的光谱和纹理信息,准确地鉴别玉米品种,为玉米品种的自动识别提供了一种新方法。(本文来源于《地理与地理信息科学》期刊2019年05期）
徐伟南,谢路昱,邓优锦,刘媛媛,黄蓉梅[8]（2019）在《基于基因组测序的食用菌品种鉴别技术研究》一文中研究指出品种权是一种知识产权,它可以保护育种者的权益,调动其研发积极性,促进育种科研创新,吸引创新投入,培育更多的优良品种。新品种通过提高产量、改进品质、降低生产成本,促进产业发展。我国目前已有16种(属)食用菌列入植物新品种保护名录,商业化栽培的食用菌60%种属受品种权保护。食用菌菌种市场"同物异名"现象十分普遍,品种鉴别技术将为品种维权提供技术支撑。本研究以叁个金针菇主栽品种为材料,在二代测序的基础上开发了一种基于基因组测序的食用菌品种鉴别技术,该技术主要内容包括Kmer扣除、拼接、SV标记获得、NCBI比对去假阳性、PCR产物测序验证等。这一技术已成功应用于香菇、金针菇、毛木耳、真姬菇等食用菌杂交菌株鉴别。(本文来源于《多彩菌物 美丽中国——中国菌物学会2019年学术年会论文摘要》期刊2019-08-03）
田容才,卢俊玮[9]（2019）在《光谱技术在水稻品种鉴别中的应用》一文中研究指出水稻品种鉴别一直是农业生产、种子检测和作物育种上的重要问题。传统的鉴别方法过程繁琐、耗时长、效率低,光谱技术为水稻品种的快速、无损、准确鉴别提供了新途径。文章从非成像光谱技术和成像光谱技术两方面总结了光谱技术在水稻品种鉴别中的国内外研究进展,分析其存在的问题,并提出了一些今后研究的设想。(本文来源于《粮食科技与经济》期刊2019年07期）
蔡月芹,赵文杰,王雪[10]（2019）在《基于近红外光谱技术的玉米品种鉴别方法研究》一文中研究指出文章提出了一种利用近红外光谱技术与人工神经网络结合鉴别玉米品种的快速、无损的方法。收集3种常见东北种植的玉米品种共150个样本作为样本,在4 000～10 002 cm-1范围内采集近红外漫反射光谱样本。经过卷积平滑法(Savitky-Golay)和去趋势校正预处理后,对数据进行主成分分析,再结合人工神经网络技术进行品种鉴别。模型对建模集120个样本鉴别率为100%,对预测集30个样本的鉴别率为100%。实验结果说明该方法能快速无损地鉴别玉米种子品种,为玉米种子的品种鉴别提供了一种新方法。(本文来源于《江苏科技信息》期刊2019年21期）
品种鉴别论文开题报告
（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：
不同品种和产地的小米的成分存在着差异,这种差异严重影响着其品质和口感。一种快速的成分检测方法不仅可以给小米品质提高研究提供帮助,还可以用于小米产地和品种鉴别,以规范小米商业市场行为。传统的小米成分化学检测方法复杂时费力,步骤繁琐,检测速度慢;感官检测而又主观性强,误差较大。本文采用激光拉曼光谱对不同品种和产地小米进行了检测,采用主成分分析等化学计量学手段进行拉曼谱峰强度与化学成分含量关联研究,并对产地和品种进行了PLS-DA的建模辨别。图1分别给出了同一产地4个不同品种,同一品种四个不同产地的平均拉曼光谱。图2给出了采用PLS-DA方法对H001的品种鉴别结果和该方法的ROC曲线。实验结果表明,拉曼光谱的谱峰强度与小米的化学成分含量关联性较好,并能有效鉴别品种和产地。
（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。
品种鉴别论文参考文献
[1].马永旺,陈晓明,郑亭,韩文,魏然.市场常见仿田黄品种及其鉴别特征研究[C].中国国际珠宝首饰学术交流会论文集（2019）.2019
[2].张石定,卢全伟,王涛,刘金荣,李现常.拉曼光谱用于小米品种和产地的鉴别与化学成分关联研究[C].第二十届全国光散射学术会议（CNCLS20）论文摘要集.2019
[3].宋雪健,王欣卉,李琳.近红外光谱技术对小米品种的快速鉴别[J].粮食科技与经济.2019
[4].杨思成,舒在习,曹阳.基于高光谱成像技术的稻谷品种鉴别研究[J].光谱学与光谱分析.2019
[5].冯晓星,许学.基于机器视觉的稻谷品种鉴别方法比较[J].电子技术与软件工程.2019
[6].何勇,郑启帅,张初,岑海燕.基于中红外光谱和化学计量学算法鉴别核桃产地及品种[J].光谱学与光谱分析.2019
[7].邵琦,陈云浩,杨淑婷,赵逸飞,李京.基于随机森林算法的玉米品种高光谱图像鉴别[J].地理与地理信息科学.2019
[8].徐伟南,谢路昱,邓优锦,刘媛媛,黄蓉梅.基于基因组测序的食用菌品种鉴别技术研究[C].多彩菌物美丽中国——中国菌物学会2019年学术年会论文摘要.2019
[9].田容才,卢俊玮.光谱技术在水稻品种鉴别中的应用[J].粮食科技与经济.2019
[10].蔡月芹,赵文杰,王雪.基于近红外光谱技术的玉米品种鉴别方法研究[J].江苏科技信息.2019
论文知识图
