花生籽仁含油量近红外模型的构建及其应用

纪红昌, 邱晓臣, 柳文浩, 胡畅丽, 孔铭, 胡晓辉, 黄建斌, 杨雪, 唐艳艳, 张晓军, 王晶珊, 乔利仙

中国油料作物学报 ›› 2022, Vol. 44 ›› Issue (5) : 1089-1097.

PDF(1856 KB)
欢迎访问《中国油料作物学报》， 2025年5月5日 星期一
中国油料作物学报
PDF(1856 KB)
中国油料作物学报 ›› 2022, Vol. 44 ›› Issue (5) : 1089-1097. DOI: 10.19802/j.issn.1007-9084.2021205
检测加工

花生籽仁含油量近红外模型的构建及其应用

作者信息 +

Construction and application of near infrared ray model for oil content prediction in peanut kernel

Author information +
文章历史 +

本文亮点

花生（Arachis hypogaea L.）籽仁含油量是花生品质评价的重要指标，建立快速高效的含油量检测方法，对加快高油花生品种选育意义重大。本研究选用高油亲本宇花14（含油量59.32%）与低油亲本LOP215（含油量48.97%）杂交构建的RIL群体为建模材料，使用Thermo公司（美国）生产的Antaris II型傅立叶变换近红外光谱分析仪对229份样品籽仁进行光谱采集，随后测定籽仁含油量。利用偏最小二乘法（partial least squares， PLS）构建花生籽仁含油量近红外定标模型，该模型的内部验证均方差（root mean square error of cross validation, RMSECV）为0.885，相关系数R2=0.9147。选用未参与建模的21份花生材料对该模型进行外部验证，模型预测值和化学测定值的决定系数R2=0.9492，表明该模型可适用于花生籽仁含油量检测。利用该模型对宇花14与LOP215杂交后代群体进行筛选，获得含油量超过55%的优良株系21个，含油量低于48%的株系9个，可为花生高低含油量品种选育提供种质材料。

HeighLight

Kernel oil content is an important index for peanut quality evaluation. It is of great significance to establish a rapid and efficient oil content detection method for accelerating the breeding of high oil peanut varieties. The RIL population constructed by crossing high oil parent Yuhua 14 with oil content of 59.32% and LOP215 with oil content of 48.97% was used as the modeling material, and the spectra of 229 samples were collected by using Antaris II type fourier transform near infrared spectrometer produced by thermo company （USA）, and then the oil content of seed kernel was determined. The partial least squares （PLS） method was used to construct the near infrared calibration model of peanut kernel oil content. The root mean square error of cross validation （RMSECV） of the model was 0.885, and the correlation coefficient R2=0.9147. Twenty-one peanut materials not involved in the modeling were selected for external validation of the model, and the coefficient of determination of predicted value and chemical determination value of the model R2=0.9492, indicating that the model can be applied to determination of oil content in peanut kernels. Twenty-one lines with oil content more than 55% and 9 lines with oil content less than 48% were obtained by screening from the progeny population of crossing between Yuhua 14 and LOP215, which can provide germplasm materials for breeding high or low oil content peanut varieties.

关键词

花生 / 籽仁 / 含油量 / 近红外模型 / RIL群体

Key words

peanut / kernels / oil content / near infrared ray model / RIL population

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用
纪红昌 , 邱晓臣 , 柳文浩 , 胡畅丽 , 孔铭 , 胡晓辉 , 黄建斌 , 杨雪 , 唐艳艳 , 张晓军 , 王晶珊 , 乔利仙. 花生籽仁含油量近红外模型的构建及其应用[J]. 中国油料作物学报, 2022, 44(5): 1089-1097 https://doi.org/10.19802/j.issn.1007-9084.2021205
Hong-chang JI , Xiao-chen QIU , Wen-hao LIU , Chang-li HU , Ming KONG , Xiao-hui HU , Jian-bin HUANG , Xue YANG , Yan-yan TANG , Xiao-jun ZHANG , Jing-shan WANG , Li-xian QIAO. Construction and application of near infrared ray model for oil content prediction in peanut kernel[J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2022, 44(5): 1089-1097 https://doi.org/10.19802/j.issn.1007-9084.2021205
中图分类号： S565.2   
花生（Arachis hypogaea L.）是我国重要的油料作物之一，其籽仁含油量约为50%，高于油菜、大豆和棉籽等作物[1,2]。花生油中含有约80%的不饱和脂肪酸，能够有效降低血液中胆固醇含量，有益于心血管系统的健康，是大众认可的健康食用油[3, 4]。我国生产的花生50%用于榨油，提高花生荚果产量及籽仁含油量，对提高我国花生油生产率以及缓解我国食用油供给不足的矛盾具有非常重要的意义[5~7]。
在花生高油品种的选育过程中，利用常规化学法检测含油量需要选用一定量的花生籽仁进行研磨处理，难以用于花生早代育种材料的选择[8, 9]。近红外光谱分析利用近红外光谱对被检测的样品进行光谱采集，根据样品的光谱特性与样品性状的相关性构建近红外定标模型，从而对目标性状进行定性和定量分析[10]。利用近红外模型可以对作物早代育种材料进行无损伤检测，并可实现育种材料的高通量表型测定及筛选，从而大幅度提高选择效率[11]。迄今已在多种作物中建立基于近红外光谱技术的含油量快速检测模型。温冰消等[12]采用FOSS近红外谷物分析仪，建立鲜食大豆品质快速分析技术的相关模型，可对样品中粗脂肪含量进行预测。李英等[13]利用近红外仪建立油菜籽含油量的数学模型，测得油菜籽含油量变化范围30%~52%。禹山林等[14]利用VECTOR 22/N型近红外仪构建花生含油量模型，该模型的预测值和化学值的平均相对误差为1.48%，可以满足花生育种中非破坏性检测要求。商连光等[15]利用MPA型近红外仪，建立了棉籽油分含量近红外模型，棉籽油分含量预测值与化学值相关系数R2 = 0.978，预测结果误差范围为0.1%~1.7%。陈斌等[16]采用MicroNIR-1700微型近红外光谱仪利用不同处理方法构建了更适合检测油菜籽含油量的近红外模型，针对PLSR模型，其预测相关系数（Rp）和预测均方差（RMSEP）分别为0.9330和0.0075，针对LS-SVM模型，预测相关系数（Rp）和预测均方差（RMSEP）分别为0.9192和0.0055，为进一步筛选高质量的检测模型提供了技术参考。由于不同厂家生产的近红外仪在样品光谱信息采集以及建模软件配置上存在差异，采用不同近红外仪构建的近红外模型不具备广泛的适用性[17~19]，研究者需针对不同厂家及不同型号的近红外仪构建针对不同目标性状的检测模型[20~22]。
本研究针对Thermo公司（美国）生产的Antaris II型号近红外光谱仪，利用偏最小二乘法（Partial Least Squares, PLS）构建花生含油量近红外检测模型，以期为花生含油量测定提供快捷有效的方法，加快高油型花生新品种选育进程。

1 材料与方法

1.1 材料

本试验建模所需的花生材料是由高油亲本宇花14（含油量为59.32%）与低油亲本LOP215（含油量为48.97%）杂交后构建的重组自交系群体（recombinant inbred lines，RIL），利用该RIL群体中的229个F7家系进行花生籽仁含油量的模型构建。另外选择未参与建模的21个花生材料（A1-A21）进行外部验证。选择“宇花14 × LOP215”杂交后代中高油酸材料进行高油及低油材料的测定与筛选。

1.2 花生籽仁的光谱采集

采用Thermo公司（美国）生产的Antaris II型近红外光谱仪（图1A）对229份样品进行光谱采集。将近红外光谱仪预热30 min，调整环境温度为25℃，在Thermo RESULT工作软件中校准仪器、选择工作流和调整光谱仪参数。图1所示，从每个花生材料中随机挑选30~40粒花生籽仁装入样品杯中进行光谱采集，将花生籽仁铺满整个样品杯。重复装样扫描三次，获取平均光谱值用于模型的建立。
图1 Antaris II型近红外仪（A）与光谱采集样品杯（B）

Fig. 1 Antaris II near infrared instrument （A） and spectrum collection sample cup （B）

Full size|PPT slide

1.3 花生籽仁含油量测定

参照油料种子含油量测定（残余法）（NY/T 1285- 2007）进行花生籽仁含油量测定[23]。如图2所示，从每一份采集过光谱的花生材料中称取10 g以上样品，将其放入烘箱中100±2℃烘干约2 h，利用组织破碎机将花生籽仁破碎至均匀粉状。称取花生样品1.5 g以上放入烘干的滤纸筒中，将滤纸筒与样品放入105℃士2℃烘箱中干燥3 h，然后放入干燥器中冷却至室温。将滤纸筒放入萃取剂中浸泡过夜，取出后对样品抽提8 h。称重计算得出含油量，每份样品重复测定3次。
图2 索氏提取装置（A）与花生样品（B）

Fig. 2 Soxhlet extraction device（A）and peanut samples（B）

Full size|PPT slide

1.4 花生籽仁含油量的计算

含油量计算公式如下：
含油量(%)=m2-m1m2×100%
其中m2为提取前的样品质量，m1为提取后的样品质量，计算花生籽仁含油量。取3次测定的平均值为花生籽仁含油量的化学值。

1.5 花生籽仁置信光谱区间的选择

利用Antaris II型光谱仪中自带的建模软件TQ Analyst进行模型的构建。将229个样品的化学测定值及原始光谱导入该软件。由图3所示，选用恒定光源（Constant）预处理方法，利用TQ Analyst软件目录下的Regions编辑命令对229个样品的光谱区域进行选择，随后将化学值与所选光谱区域进行拟合，利用偏最小二乘法（PLS）进行花生籽仁含油量的模型构建。通过对比模型的决定系数（R2）和内部交叉验证均方差（RMSECV）来筛选最优模型。
图3 花生样品的近红外光谱区间

Fig. 3 Near infrared spectrum range of peanut samples

Full size|PPT slide

1.6 近红外模型的外部验证

为了验证该近红外模型的准确度，选用未参与建模的21个花生材料（A1-A21）进行外部验证。使用该模型对21个材料进行含油量预测，随后参照NY/T 1285-2007测定其含油量，每个样品重复测定3次，利用化学测定值与预测值进行相关性分析。

1.7 近红外模型用于花生高油品系筛选

利用该近红外模型对“宇花14 × LOP215”杂交后代群体中已具备高油酸性状（油酸含量在75%以上）的优良株系进行含油量测定及筛选，以期获得兼具高油酸性状的高低含油量花生新品系。

2 结果与分析

2.1 花生籽仁含油量化学测定值的统计分析

表1所示，利用化学法测定的229份样品的含油量变化范围为41.93%~60.01%。IBM SPSS统计分析结果表明229份花生样品含油量呈良好的离散型分布趋势（图4），表明化学测定值可用于近红外光谱定标模型的构建。
表1 测试花生样品编号以及含油量化学测定值

Table 1 Number of peanut sample and oil content determined by chemical method

序号

Number

含油量

Oil content /%

序号

Number

含油量

Oil content /%

序号

Number

含油量

Oil content /%

序号

Number

含油量

Oil content /%

序号

Number

含油量

Oil content /%
1 55.15 47 49.37 93 44.48 139 50.90 185 50.04
2 50.46 48 54.21 94 45.32 140 51.14 186 50.80
3 47.18 49 50.05 95 47.00 141 52.95 187 53.53
4 55.10 50 46.40 96 51.19 142 53.05 188 53.40
5 50.35 51 53.37 97 48.85 143 50.79 189 48.08
6 54.61 52 54.06 98 48.65 144 54.44 190 53.00
7 48.52 53 47.98 99 40.93 145 51.16 191 55.91
8 48.51 54 50.21 100 53.03 146 56.76 192 53.07
9 52.46 55 47.83 101 56.03 147 54.15 193 51.27
10 52.54 56 49.97 102 54.39 148 52.23 194 44.30
11 52.67 57 52.78 103 52.55 149 49.52 195 49.45
12 50.06 58 51.55 104 50.93 150 48.63 196 50.52
13 49.78 59 51.78 105 53.00 151 51.45 197 51.35
14 50.81 60 48.26 106 50.37 152 47.03 198 51.16
15 53.97 61 48.00 107 49.20 153 54.78 199 53.68
16 50.84 62 52.41 108 52.76 154 48.81 200 54.47
17 53.24 63 55.83 109 52.06 155 50.74 201 52.97
18 52.18 64 53.32 110 50.60 156 54.33 202 49.72
19 50.88 65 54.61 111 52.06 157 51.36 203 52.03
20 53.83 66 51.90 112 49.90 158 47.07 204 49.69
21 53.17 67 56.27 113 51.50 159 53.29 205 48.09
22 52.00 68 49.54 114 51.53 160 51.59 206 56.54
23 53.70 69 49.27 115 54.64 161 53.47 207 60.01
24 55.68 70 50.86 116 54.64 162 50.85 208 50.34
25 51.28 71 54.68 117 48.87 163 46.99 209 53.10
26 43.98 72 45.63 118 55.12 164 43.33 210 51.23
27 46.66 73 48.20 119 49.91 165 49.85 211 52.67
28 55.24 74 48.63 120 54.83 166 52.91 212 49.43
29 48.97 75 55.05 121 54.96 167 50.38 213 53.70
30 46.25 76 51.33 122 51.15 168 51.49 214 55.57
31 54.64 77 54.33 123 52.26 169 51.52 215 55.04
32 52.86 78 51.98 124 55.61 170 50.06 216 53.98
33 55.05 79 51.85 125 55.30 171 51.82 217 47.75
34 54.95 80 41.93 126 52.62 172 54.54 218 53.92
35 51.31 81 46.94 127 51.58 173 54.27 219 53.03
36 49.39 82 44.45 128 51.81 174 52.87 220 53.40
37 54.01 83 54.99 129 49.18 175 53.32 221 49.18
38 49.87 84 44.06 130 50.94 176 52.51 222 55.23
39 53.64 85 49.59 131 54.13 177 58.28 223 48.12
40 57.43 86 47.83 132 44.22 178 49.96 224 50.94
41 53.65 87 43.72 133 51.14 179 53.62 225 54.56
42 46.17 88 43.63 134 44.51 180 50.72 226 47.07
43 44.61 89 48.71 135 52.24 181 51.93 227 53.83
44 47.06 90 46.97 136 53.25 182 54.50 228 47.33
45 50.66 91 48.24 137 55.08 183 53.18 229 50.17
46 46.56 92 46.69 138 53.57 184 52.17
图4 用于建模的229个花生样品的含油量分布图

Fig. 4 Oil content distribution of 229 peanut samples for modeling

Full size|PPT slide

2.2 花生籽仁原始光谱的分析

利用近红外仪获取了229份样品的原始光谱，由图5可知，229份花生样品对近红外漫反射光谱的吸收特征一致，在4000~5200 cm-1一级倍频区内出现比较复杂的峰。在5200~10 000 cm-1高级倍频区，花生样品吸收峰相对弱。不同特征的近红外漫反射光谱吸收峰为花生籽仁含油量模型的构建提供了丰富的光谱信息。
图5 229份花生样品的原始光谱

Fig. 5 Original spectra of 229 peanut samples

Full size|PPT slide

2.3 优化后的花生籽仁光谱曲线

在采集花生籽仁光谱的过程中，由于是将花生籽仁放入样品杯中扫描，因此，会存在样品分布不均匀、杂散光等一系列影响光谱质量的外界原因，导致得到的样品光谱曲线存在高频随机噪声、基线漂移等现象。为消除上述现象所带来的误差。常会采用不同的光谱预处理方式对光谱进行处理后再进行建模，以提高模型的可靠性。本研究中所用到处理方法为一阶导数法（first derivative，FD）。图6为经过一阶导数处理后得到的光谱曲线，从图6中可以看出，经过处理后光谱曲线的精细度有了明显的提高，基线漂移现象也显著减弱，光谱轮廓相比于原始光谱轮廓而言，其清晰度也显著提高，有利于花生籽仁含油量模型的构建。
图6 229份花生样品原始光谱经一阶导数处理后的光谱

Fig. 6 Spectra of 229 peanut samples after first derivative treatment

Full size|PPT slide

2.4 含油量模型的构建与校正

利用光谱建模软件TQ Analyst对光谱和化学测定值进行拟合，采用偏最小二乘法（PLS）作为建模方法对花生籽仁含油量进行模型的构建。在建模的过程中利用TQ Analyst软件内部的交叉验证功能反复计算，剔除异常值，挑选出质量较高的定标模型。经反复验证计算表明，利用一阶导数（First derivative，FD）和恒定光源（Constant）预处理方法得到的模型质量较高。由图7可知，经优化后的模型内部交叉验证均方差为0.885，相关系数r=0.9147。
图7 花生籽仁含油量近红外模型构建

Fig. 7 Construction of Near infrared model of oil content in peanut kernel

Full size|PPT slide

2.5 模型的外部验证

21份验证样品的含油量化学测定值与预测值列于表2，预测值与化学值的绝对误差均小于1，相对误差的变化范围为0.31%~1.92%。其中A1样品的化学测定值与预测值之间的相对误差最大，为1.92%，A3样品的相对误差最低，为0.31%。对21份样品化学测定值与预测值进行相关性分析，其决定系数R2=0.9492（图8），表明该预测模型具有较高的准确性，可以用于花生含油量检测。
表2 测试样品模型预测值与化学测定值比较

Table 2 Comparison of predicted value of test sample model and chemical determined value

序号Number

预测值

Predicted value /%

化学测定值

Chemical determined value /%

绝对误差

Absolute error

相对误差

Relative deviation /%
A1 49.99 50.95 0.96 1.92
A2 48.71 49.21 0.50 1.02
A3 54.36 54.53 0.17 0.31
A4 51.89 52.60 0.71 1.36
A5 53.27 52.82 0.45 0.84
A6 51.54 50.96 0.58 1.12
A7 50.86 50.46 0.40 0.78
A8 51.10 50.91 0.19 0.37
A9 58.35 57.97 0.38 0.65
A10 48.43 49.14 0.71 1.46
A11 53.42 54.29 0.87 1.62
A12 50.30 51.06 0.76 1.51
A13 51.39 50.96 0.43 0.83
A14 51.27 50.89 0.38 0.74
A15 52.02 51.74 0.28 0.53
A16 54.58 54.07 0.51 0.93
A17 51.60 52.29 0.69 1.33
A18 47.29 48.07 0.78 1.64
A19 50.47 49.92 0.55 1.08
A20 49.15 50.07 0.92 1.87
A21 48.10 48.55 0.45 0.93
图8 模型验证材料的化学值与近红外预测值之间的相关性分析

Fig. 8 Correlation analysis between chemical values and NIR predicted values of model validation materials

Full size|PPT slide

2.6 模型用于花生高油品系筛选

利用验证后的近红外模型对“宇花14 × LOP215”杂交后代群体中132份具备高油酸性状（油酸含量在75%以上）的优良株系进行含油量测定及筛选。获得含油量在55%以上的高油株系21个，含油量在48%以下的低油株系9个（表3），变异范围为45.78%~58.37%。可为花生高油及低油育种提供候选种质材料。
表3 利用近红外模型筛选出的高油材料和低油材料

Table 3 high oil and low oil materials selected by using near infrared model

序号

Number

油酸含量

Oleic acid content /%

油含量

Oil content /%

序号

Number

油酸含量

Oleic acid content /%

油含量

Oil content /%

序号

Number

油酸含量

Oleic acid content /%

油含量

Oil content /%
B1 79.53 58.37 B11 76.12 55.82 B21 77.22 55.04
B2 78.14 57.68 B12 76.61 55.76 B22 76.53 47.99
B3 79.66 57.17 B13 81.24 55.61 B23 76.30 47.98
B4 77.91 57.00 B14 76.00 55.43 B24 75.41 47.85
B5 77.85 56.98 B15 80.04 55.42 B25 78.54 47.58
B6 77.66 56.84 B16 77.19 55.42 B26 76.28 47.41
B7 77.71 56.36 B17 75.52 55.36 B27 77.96 47.28
B8 76.37 56.32 B18 76.97 55.22 B28 77.96 47.28
B9 75.22 56.29 B19 76.89 55.20 B29 75.45 47.26
B10 77.02 56.01 B20 76.36 55.07 B30 75.37 45.37

3 讨论

花生是我国重要的油料作物之一，近年来针对花生的相关品质性状如含油量、油酸含量、蛋白质及可溶性糖含量，建立了相关的物理检测模型。如雷永等[24]利用美国Unity公司的近红外仪建立了小样品杯的蔗糖含量预测模型。曲艺伟等[25]利用NIRFIEX N-500近红外光谱仪构建了花生脂肪酸预测模型。宋丽华等[26]采用瑞典波通（Perten）公司的DA7200 近红外光谱仪建立了花生籽仁蛋白质含量检测模型。本研究针对该研究室新采购的Antaris II型号近红外仪（Thermo公司）建立花生籽仁含油量检测模型，可用于高低油花生育种材料的早代无损伤选择，也可用于花生生产中常规栽培品种的含油量检测，具有较高的应用前景及价值。
高质量的近红外模型的构建依赖于优良的建模材料。本研究选用宇花14和LOP215杂交后构建的重组自交系群体（RIL群体）进行建模，两个亲本材料含油量存在极显著差异，且该RIL群体具有性状分离明显、表型数据丰富、超亲分布等优点。群体中229个材料的含油量呈连续变异及正态分布，含油量在48%以下及55%以上分别占整个群体的15.3%和9.6%，最高值与最低值之间含油量相差19.08%，完全符合建模要求。但局部的群体材料自然也存在其局限性，所以后期将在目前已有模型的基础上，通过多方收集材料，不断对模型进行修正，以提高模型预测的准确度和广适性。花生品质育种是继产量育种后的重要目标，针对其他品质性状的早期选择在育种过程中意义重大，后期将广泛收集相关材料，继续针对花生含糖量、蛋白质含量、不同脂肪酸含量等品质指标建立相应的单株及单粒检测模型，以最大程度地满足花生品质性状高通量分析的需求。
花生籽粒大小及粒形在品种间存在明显差异，不同大小及粒形籽仁对光谱扫描的差异性是否存在目前鲜有报道。针对不同大小及籽仁类型花生进行分类检测模型的构建有可能进一步提高模型的预测准确性。构建模型的前提是获得足够的具有表型连续分布的各种不同类型的测试材料。后期将继续筛选收集具有不同大小及粒型的材料，尝试建立不同类型花生籽仁近红外检测模型，以进一步提高模型的预测准确度以及花生含油量早期选择效果。
利用该近红外模型对前期已选育出的高油酸材料（油酸含量在75%以上）132份进行含油量测定，获得含油量在55%以上的高油株系21个，以及含油量在48%以下的低油株系9个。可为高油高油酸油用型花生品种，以及低油食用型高油酸新品种的选育提供优异候选种质材料。后期将通过品系间产量比较试验进一步选育高产花生新品种，真正发挥利用近红外模型提高花生高油性状选择效果。

4 结论

本研究利用高油亲本宇花14与低油亲本LOP215杂交后构建的RIL群体中的229个F7家系，采用偏最小二乘法（PLS）结合近红外光谱数据构建了花生籽仁含油量近红外检测模型。该模型的相关系数r=0.9147，外部验证结果表明，该模型的预测值与化学测定值之间的相对偏差最大为1.92%，81%的样品相对偏差在1.6%以下。运用该模型对“宇花14 × LOP215”杂交后代群体中已具备高油酸性状的优良株系进行含油量测定及筛选。获得含油量在55%以上的高油株系21个，含油量在48%以下的低油株系9个，可为高油及低油花生新品种选育提供候选材料。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
张忠信， 韩锁义， 徐静. 高油高产花生品种及其应用前景［J］. 种业导刊， 2009（12）： 27-28.
本文引用 [1]
2
廖伯寿. 我国花生生产发展现状与潜力分析 ［J］. 中国油料作物学报， 2020， 42（2）： 161-166. DOI：10.19802/j.issn.1007-9084.2020115 .
本文引用 [1]
3
董文召， 汤丰收. 我国花生优质育种的研究进展及育种策略探讨［J］. 中国农学通报， 2002， 18（2）： 77-79. DOI：10.3969/j.issn.1000-6850.2002.02.026 .
本文引用 [1]
4
柴玉华， 谭克竹. 基于近红外分析技术检测大豆脂肪酸含量的研究［J］. 农业工程学报， 2007， 23（1）： 238-241. DOI：10.3321/j.issn： 1002-6819.2007.01.046 .
本文引用 [1]
5
李勇， 魏益民， 王锋. 影响近红外光谱分析结果准确性的因素［J］. 核农学报， 2005， 19（3）： 236-240. DOI：10.3969/j.issn.1000-8551.2005.03.017 .
本文引用 [1]
6
王多加， 周向阳， 金同铭， 等. 近红外光谱检测技术在农业和食品分析上的应用［J］. 光谱学与光谱分析， 2004（4）， 24： 447-450.
7
褚小立， 袁洪福， 陆婉珍. 近红外分析中光谱预处理及波长选择方法进展与应用［J］. 化学进展， 2004， 16（4）： 528-542. DOI：10.3321/j.issn： 1005-281X.2004.04.008 .
本文引用 [1]
8
冯放. 现代近红外光谱分析技术及其应用［J］. 生命科学仪器， 2007， 5（10）： 9-13. DOI：10.3969/j.issn.1671-7929.2007.10.003 .
本文引用 [1]
9
赵强. 近红外光谱分析定标技术的研究［D］. 广州： 暨南大学， 2006.
本文引用 [1]
10
梁晓艳， 吉海彦. 近红外光谱技术在农作物品质分析方面的应用［J］. 中国农学通报， 2006， 22（1）： 366-371. DOI：10.3969/j.issn.1000-6850.2006.01.099 .
本文引用 [1]
11
高荣强， 范世福. 现代近红外光谱分析技术的原理及应用［J］. 分析仪器， 2002（3）： 9-12. DOI：10.3969/j.issn.1001-232X.2002.03.002 .
本文引用 [1]
12
温冰消， 刘卫国， 李虹桥， 等. 基于近红外法的鲜食大豆品质快速分析技术［J］. 分子植物育种， 2018， 16（12）： 4062-4067. DOI：10.13271/j.mpb.016.004062 .
本文引用 [1]
13
李英， 陈浩， 周游， 等. 油菜品质近红外检测模型建立及研究［J］. 陕西农业科学， 2015， 61（11）： 37-38. DOI：10.3969/j.issn.0488-5368.2015.11.010 .
本文引用 [1]
14
禹山林， 朱雨杰， 闵平， 等. 傅立叶近红外漫反射非破坏性测定花生种子蛋白质及含油量［J］. 花生学报， 2003， 32（z1）： 138-143. DOI：10.3969/j.issn.1002-4093.2003.z1.031 .
本文引用 [1]
15
商连光， 李军会， 王玉美， 等. 棉籽油分含量近红外无损检测分析模型与应用［J］. 光谱学与光谱分析， 2015， 35（3）： 609-612. DOI：10.3964/j.issn.1000-0593（2015）03-0609-04 .
本文引用 [1]
16
陈斌， 卢丙， 陆道礼. 基于微型近红外光谱仪的油菜籽含油率模型参数优化研究［J］. 现代食品科技， 2015， 31（8）： 286-292， 267. DOI：10.13982/j.mfst.1673-9078.2015.8.045 .
本文引用 [1]
17
孙潇鹏， 刘灿灿， 陆华忠， 等. 基于近红外透射光谱与机器视觉的蜜柚汁胞粒化分级检测［J］. 食品科学技术学报， 2021， 39（1）： 37-45. DOI：10.12301/j.issn.2095-6002.2021.01.004 .
本文引用 [1]
18
刘盼， 张艳欣， 黎冬华， 等. 基于近红外模型的芝麻核心种质油脂和蛋白质含量变异分析［J］. 2016， 38（6）： 722-729. DOI：10.7505/j.issn.1007-9084.2016.06.003 .
19
Bishi S K， Kumar L， Dagla M C， et al. Characterization of Spanish peanut germplasm （Arachis hypogaea L.） for sugar profiling and oil quality［J］. Ind Crops Prod， 2013， 51： 46-50. DOI：10.1016/j.indcrop.2013.08.050 .
本文引用 [1]
20
Pattee H E， Isleib T G， Giesbrecht F G， et al. Relationships of sweet， bitter， and roasted peanut sensory attributes with carbohydrate components in peanuts［J］. J Agric Food Chem， 2000， 48（3）： 757-763. DOI：10.1021/jf9910741 .
本文引用 [1]
21
Bishi S K， Lokesh K， Mahatma M K， et al. Quality traits of Indian peanut cultivars and their utility as nutritional and functional food［J］. Food Chem， 2015， 167： 107-114. DOI：10.1016/j.foodchem.2014.06.076 .
22
Tillman B L， Gorbet D W， Person G. Predicting oleic and linoleic acid content of single peanut seeds using near-infrared reflectance spectroscopy［J］. Crop Sci， 2006， 46（5）： 2121-2126. DOI：10.2135/cropsci2006.01.0031 .
本文引用 [1]
23
李培武，陈小媚，张文，等. 油料种籽含油量的测定 残余法 ［S］. 中华人民共和国行业标准，NY/T 1285—2007.
本文引用 [1]
24
雷永， 王志慧， 淮东欣， 等. 花生籽仁蔗糖含量近红外模型构建及在高糖品种培育中的应用［J］. 作物学报， 2021， 47（2）： 332-341.
本文引用 [1]
25
曲艺伟， 张鹤， 韩笑， 等. 花生脂肪酸近红外模型的建立［J］. 分子植物育种， 2019， 17（2）： 568-578. DOI：10.13271/j.mpb.017.000568 .
本文引用 [1]
26
宋丽华， 刘立峰， 陈焕英， 等. 花生籽仁蛋白质含量近红外光谱模型的建立［J］. 中国农学通报， 2011， 27（15）： 85-89.
本文引用 [1]

基金

青岛市科技惠民示范引导专项重点项目(20-3-4-25-nsh)
山东省农业良种工程(2020LZGC001)
山东省自然科学基金(ZR2020MC102)
农业农村部油料作物生物学与遗传育种重点实验室开放课题(KF2018008)
PDF(1856 KB)

1301

Accesses

0

Citation

Detail
段落导航
相关文章

    联系我们

  • 地址：武汉市武昌徐东二路２号中国农业科学院油料作物研究所
  • 邮编：430062
  • 电话：027-86813823
  • 传真：027-86813823
  • E-mail：ylxb@oilcrops.cn
《中国油料作物学报》编辑部　鄂ICP备05004334号-9

/

〈 〉