小样杂质对测定小麦不完善粒的影响

<正> 国标中规定小麦不完善粒的测定方法是:“在检验小样杂质的同时,按质量标准的规定拣出不完善粒称重(W1)”。结果计算公式为: 不完善粒(％)=(100-M)×W1/W式中:W1——为不完善粒重量,g W——试样重量,g M——大样杂质百分率上述的操作方法及计算公式均是只考虑     

小麦不完善粒的分析

重点分析了小麦黑胚粒和赤霉病粒的产生、危害、其检验特征及国家标准的规定,介绍了新的小麦国家标准中不完善粒方面的变动内容以及小麦流通过程中不完善粒的增减价问题。     

水分对小麦硬度指数的影响

将同一小麦样品进行人工调节水分,然后在不同水分条件下,用小麦硬度指数仪进行测量小麦硬度指数,并对结果进行分析,探讨水分对小麦硬度指数的影响.     

不完善粒分析仪在小麦质量检验中的效果与验证分析

不完善粒含量是小麦质量的重要评价指标,当前检验以人工为主,检验时间长,检验结果受主观经验影响大。随着科学技术的发展,粮食质量检验的自动化程度不断提高,目前已有不完善粒分析仪投入使用。为全面分析不完善粒分析仪的应用效果,进行了单机和联机效果跟踪,验证分析其准确度、重复性、稳定性及检验时间。结果表明：不完善粒分析仪采用500 g样品量检验的结果与人工定值无显著差异,准确度、稳定性满足使用要求;一个样品的检验时间只需4 min,远远低于人工的15～20 min,大大提升了检验效率。     

试样称量误差对小麦硬度指数的影响

依据GB/T 21304—2007《小麦硬度测定硬度指数法》规定的测定方法,以小麦硬度指数测定技术为指导,使用JYDB100-40型小麦硬度指数测定仪,对混合小麦、软质小麦、硬质小麦和加麦2号四种样品,分别分析试样称量精度从(±0.01~±0.9)g对硬度指数测定值的影响。结果显示,同一品种的样品在不同试样质量所测得硬度指数数值的绝对误差不大于1的前提下,当混合小麦试样质量在(25.00±0.3)g时,软质小麦试样质量在(25.00±0.09)g时,硬质小麦试样质量在(25.00±0.9)g时,所测定的硬度指数变化范围均在允许误差范围内。综合结论为:试样在不大于±0.09g称量误差范围内,各品种小麦的硬度指数值都没有超出标准允许的误差范围。建议对GB/T 21304—2007规定的样品称量误差±0.01 g的精度要求,可以适当放宽到±0.09 g。     

小麦硬度指数测定技术研究进展

简要分析了国外小麦硬度测定方法的现状及其存在的主要问题,介绍了小麦硬度指数测定技术的由来及最新研究状况.结合标准化工作的研究结果,给出了我国小麦硬度分类的建议;认为小麦硬度指数测定技术在指导小麦育种、生产、收购、贸易以及基础性科学研究方面具有广阔的应用前景.     

基于图像处理和神经网络的小麦不完善粒识别方法研究

为了实现图像处理技术对小麦不完善粒的准确快速识别,研究了一种基于小麦不完善粒图像特征和BP神经网络的不完善粒识别方法。采集小麦不完善粒图像,对图像进行中值滤波、形态学运算、图像分割等处理后,针对每个小麦籽粒,提取其形态、颜色和纹理共3大类54个特征参数,采用主成分分析法提取8个主成分得分向量作为模式识别的输入,建立BP神经网络模型,实现对小麦不完善粒的检测识别。结果表明,该模型对完善粒、破损粒、病斑粒、生芽粒和虫蚀粒的判别正确率分别为93%、98%、100%、90%和85%,平均判别正确率达到93%,可有效对小麦不完善粒进行检测识别。     

小麦不完善粒快速检测仪器研究(Online First, Recommended Article)

采用图像分析技术与自动控制技术,将人工智能技术应用于小麦不完善粒检测,研究开发了小麦不完善粒指标的自动快速无损检测仪器。通过验证该仪器检测小麦不完善粒的准确性、重复性、稳定性、台间差等相关性能参数,结果表明：该仪器检测性能稳定,准确性、重复性、稳定性、台间差均符合行业标准要求,操作简单,检测速度快,克服了人工检测主观性强、重复性差、不同人员间检验一致性较差等问题,可实现小麦不完善粒的自动快速无损检测,能够满足粮食收储企业、加工企业和检测机构的检测需要。     

高光谱成像技术在小麦不完善粒检测中的应用研究进展

本文主要介绍了高光谱成像技术及其在小麦不完善粒检测中的应用,指出了现阶段在不完善粒检测中存在的主要问题,并对今后的研究方向进行了展望,以期推动高光谱成像技术在不完善粒检测中的应用发展。     

基于NIRS的小麦不完善粒精确快速评定方法研究

小麦不完善粒是评价小麦品质的重要指标。目前小麦不完善粒的检验在我国主要依靠人工识别实现,存在结果不客观、重复性差、效率低、工作量大的缺陷。近红外是一种可同时分析多组分的无损检测技术,有望取代人工识别,实现小麦不完善粒的快速、准确、自动化检测。本研究以中国不同地区不同品种的2169粒小麦样品为对象,在运动条件下采集其近红外漫反射光谱,并使用一种线性判别算法：判别式偏最小二乘法(Partial least squares discrimination analysis, PLS-DA)和一种深度学习算法：堆栈式自编码器(Stacked autoencoder, SAE)对小麦不完善粒情况进行识别,研究旨在探索快速、准确判别小麦不完善粒的近红外方法的可行性。PLS-DA模型使用联合区间间隔偏最小二乘法(Synergy interval-partial least squares, SiPLS)优化,其校正和验证的平均识别准确率分别为88.41%和86.62%。SAE模型采用双隐藏层的神经网络结构,SAE模型的校正和验证的平均识别准确率分别为92.52%和90.52%。结果表明：SAE的多层神经网络结构较好地学习了小麦的光谱特征,因而比PLS-DA模型具有更好的识别性能。本研究提供了一种近红外检验小麦不完善粒的实例,证明近红外技术在结合一定的自动化检测仪器以及合适的机器学习算法时,能够实现小麦不完善粒的快速、准确判别。     

基因型和环境效应对小麦籽粒物理特性的影响

本研究选用种植在山东省8个地区的22个小麦品种(系)，进行了小麦籽粒硬度、粒重和粒径变异的基因型和环境效应分析。结果表明，小麦籽粒硬度、粒重和粒径的变幅分别为56．03、14．97和0．53，品种间差异均显著；在随机效应中，品种和试点互作效应以及试点效应是影响小麦籽粒硬度和粒重的主要随机效应，随机机误效应甚微，随机效应对品种粒径的变异影响不明显；小麦籽粒硬度、粒重和粒径的稳定性分析表明绝大多数品种稳定性好，对环境反应不敏感。     

酿酒高粱不完善粒检测仪检测模型的研究与检验（网络首发、推荐阅读）

针对现阶段酿酒企业检测高粱不完善粒效率较低和识别率不高等问题,结合市场上现有的粮食不完善粒检测仪器,开发了一套基于图像识别的高粱不完善粒快速检测仪,对图像的采集、关键硬件、机器视觉和深度学习等方面做了一系列研究,研究分别采用单一特征分析技术、基于机器学习的图像分类技术、基于深度学习的图像分类技术、细粒度图像分类技术对高粱图片进行分类识别分析,通过对比,最终利用Tensorrt部署技术将细粒度图像分类网络部署到设备中。结果表明,开发的高粱不完善粒快速检测仪的识别精度与人工检测的平均误差控制在1%以内;50 g高粱样品的检测时间控制在5min以内。相较于传统的人工检测,检测时间大大缩短,同时避免了人工检测主观上的偏差,对于酿酒企业的高粱不完善率检测鉴定具有重要意义。     

小麦品种单籽粒性状的研究

小麦单籽粒鉴定法（ＳＫＣＳ）的发明使得小麦品种间和品种内单籽粒性状的研究成为可能,从而为小麦育种目标性状的制定,品种鉴定及品质评价带来了新的认识和信息,通过对１３个小麦品种（品系）单籽粒性状的研究认为,品种内单籽粒含量存在着较大的变化,单籽粒重量的变幅较为突出,且品种内的变化大于品种间的变化;个别品种籽粒宽度的变异系数较高;关中地区的小麦品种绝大多数为硬质麦,个别品种存在着籽粒质地不纯的现象,籽粒     

基于CNN神经网络的小麦不完善粒高光谱检测

利用高光谱成像技术对小麦不完善粒进行无损检测。以932个小麦为样本,其中正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个为研究对象,通过高光谱图像采集系统采集样本的光谱信息,然后从每个样本的116个波段中选取30个波段,建立基于深度学习的卷积神经网络(convolutional neural networks,CNN)模型。实验中的CNN采用2个卷积层,第1层采用大小为3×3的32个卷积核,第2层采用大小为5×5的64个卷积核,池化层采用最大池,激活函数采用修正线性单元,为避免过拟合,在全连接层后面接入dropout层,参数设置为0.5,其他卷积参数均为默认值,得到校正集总识别率为100.00%,测试集总识别率为99.98%。最后,以支持向量机(support vector machine,SVM)为基线模型进行对比,从116个波段中选取90个波段进行建模,测试集总识别率为94.73%。通过实验对比可以看出,CNN模型比SVM模型识别率高。研究表明CNN模型能够实现对小麦不完善粒的准确、快速、无损检测。     

小麦籽粒硬度特性及其研究进展

该文系统介绍软、硬小麦品质和加工特点,籽粒硬度测定方法及对小麦制粉影响;从生化 和遗传学角度,分析小麦硬度形成及变化机理。