基于人工神经网络的狼尾草属牧草品质近红外光谱预测研究

doi:10.11733/j.issn.1007-0435.2024.02.021

草地学报 ›› 2024, Vol. 32 ›› Issue (2): 527-534.DOI: 10.11733/j.issn.1007-0435.2024.02.021

基于人工神经网络的狼尾草属牧草品质近红外光谱预测研究

朱瑞芬^1,2, 徐远东^1,2, 孙万斌^1,2, 刘畅^1,2, 姚博^1,2, 陈积山^1,2

1. 重庆市畜牧科学院, 重庆 402460;
2. 重庆市草业工程技术研究中心, 重庆 402460

收稿日期:2023-07-06 修回日期:2023-10-25 出版日期:2024-02-15 发布日期:2024-03-06
通讯作者: 陈积山,E-mail:cjshlj@163.com
作者简介:朱瑞芬(1982-),女,汉族,甘肃礼县人,副研究员,主要从事牧草与草地管理研究,E-mail:75529693@qq.com
基金资助:
南方狼尾草品质的近红外光谱模型研究与应用评价（21521）；重庆市现代农业产业体系（草食牲畜：CQMAITS202313）资助

Research on Nutritional Components of Pennisetum Rich. Forage by Near Infrared Spectroscopy Model based on Artificial Neural Network

ZHU Rui-fen^1,2, XU Yuan-dong^1,2, SUN Wan-bin^1,2, LIU Chang^1,2, YAO Bo^1,2, CHEN Ji-shan^1,2

1. Institute of Pratacultural Science, Chongqing Academy of Animal Sciences, Chongqing 402460, China;
2. Pratacultural Engineering and technology research center of Chongqing, Chongqing 402460, China

Received:2023-07-06 Revised:2023-10-25 Online:2024-02-15 Published:2024-03-06

摘要/Abstract

摘要： 本研究利用近红外光谱通过人工神经网络（Artificial neural network，ANN）建立狼尾草属（Pennisetum Rich）牧草水分、粗蛋白、木质素、酸性/中性洗涤纤维及灰分含量的预测模型。结果表明：基于人工神经网络的狼尾草属牧草品质预测模型总体优于全光谱偏最小二乘法（PLS）模型效果。在人工神经网络的方向传播（BP）网络模型中，6项表征牧草品质指标的校正均方根误差（RMSEC）、预测均方根误差（RMSEP）均显著低于PLS模型，同时校正集决定系数（R²_C）、预测集决定系数（R²_P）显著提高，除灰分含量预测不理想外，其他预测效果均理想。同时人工神经网络的BP网络对于近红外光谱的非线性数据具有良好的拟合能力，其预测模型对于指导狼尾草属牧草品质预测和分级管理研究具有广阔的应用前景。

关键词: 狼尾草属, 常规营养成分, 近红外光谱, 人工神经网络

Abstract: In order to determine the nutrient content of Pennisetum Rich. forage rapidly by Near Infrared Spectroscopy,the prediction models of moisture content,crude protein content,lignin content,acid detergent fibe,neutral detergent fibe and crude ash content of Pennisetum Rich. forage were established by using artificial neural network (ANN). The results showed that the quality prediction model of Pennisetum Rich forage based on ANN was better than the partial least squares (PLS) model. In the back propagation (BP) network model of ANN,the calibration root mean square error and prediction root mean square error are significantly reduced,and the calibration set determination coefficient and the prediction set determination coefficient were significantly improved. Except the ash content prediction,the other prediction results were ideal. Meanwhile,the BP of ANN algorithm had good fitting ability for the nonlinear data of near-infrared spectrum. The prediction model in this study has application prospects for guiding forage quality classification management and scientific research.

Key words: Pennisetum Rich., Quality components, Near infrared spectroscopy, Artificial neural network (ANN)

中图分类号:

S541

朱瑞芬, 徐远东, 孙万斌, 刘畅, 姚博, 陈积山. 基于人工神经网络的狼尾草属牧草品质近红外光谱预测研究[J]. 草地学报, 2024, 32(2): 527-534.

ZHU Rui-fen, XU Yuan-dong, SUN Wan-bin, LIU Chang, YAO Bo, CHEN Ji-shan. Research on Nutritional Components of Pennisetum Rich. Forage by Near Infrared Spectroscopy Model based on Artificial Neural Network[J]. Acta Agrestia Sinica, 2024, 32(2): 527-534.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://manu40.magtech.com.cn/Jweb_cdxb/CN/10.11733/j.issn.1007-0435.2024.02.021

https://manu40.magtech.com.cn/Jweb_cdxb/CN/Y2024/V32/I2/527

参考文献

[1] 陆婉珍,袁洪福,褚小立. 近红外光谱仪器[M]. 北京:化学工业出版社,2010:75-78
[2] 屈亚堃,宫元娟. 近红外光谱技术在苹果品质无损检测中的应用[J]. 农业科技与装备,2014(6):32-33
[3] 介邓飞,谢丽娟,饶秀勤,等. 近红外光谱变量筛选提高西瓜糖度预测模型精度[J]. 农业工程学报,2013,29(12):264-270
[4] 吴迪,吴洪喜,蔡景波,等. 基于无信息变量消除法和连续投影算法的可见-近红外光谱技术白虾种分类方法研究[J]. 红外与毫米波学报,2009,28(6):423-427
[5] 陈立旦,赵艳茹. 可见-近红外光谱联合随机蛙跳算法检测生物柴油含水量[J]. 农业工程学报,2014,30(8):168-173
[6] YAN H,LU D L,CHEN B, et al. Development of a hand-hled near infrared system based on an Android OS and MivroNIR,and its application in measuring soluble solids content in Fuji apples[J]. Spectroscopy and Spectral Analysis,2014,25(4):16
[7] ZOU X B,ZHAO J W,POCEY M J W, et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta,2010,667(1/2):14-32
[8] LI H D,XU Q S,LIANG Y Z. Random frog:An efficient reversible jump Markov Chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification[J]. Analytica Chimica Acta,2012(740):20-26
[9] JIANG H,LIU G H,MEI C L,et al. Measurement of process variables in solid-state fermentation of wheat straw using FT-NIR spectroscopy and synergy interval PLS algorithm[J]. Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2012(97):227-283
[10] LI J B,GUO Z M,HUANG W Q,et al. Near-infrared spectra conbining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry[J]. Spectroscopy and Spectral Analysis,2015,35(2):372-378
[11] 刘小英,张健,杨蜀秦. 基于人工神经网络与VPMCD的葡萄干等级检测方法研究[J]. 现代电子技术,2016,39(12):18-21
[12] 徐亮,程镜蓉,张业辉,等. 人工神经网络在风干腊肠加工过程模拟控制中的应用[J]. 现代食品科技,2018,34(11):151-156
[13] 姚兰,戎荷婷,褚超,等. 基于人工神经网络的工业供应链销售预测方法[J]. 计算机与数字工程,2021,49(10):2057-2061
[14] 李沁璘. 人工神经网络综述[J]. 科学与信息化,2021(7):181-182
[15] 王祎,贾文雅,尹雪婷,等. 人工神经网络的发展及展望[J]. 智能城市,2021,7(8):12-13
[16] 张驰,郭媛,黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用,2021,57(11):57-69
[17] 姜鹏飞,郑杰,陈瑶,等. 人工神经网络在水产领域中的应用[J]. 食品与发酵工业,2021,47(19):288-295
[18] 姜鹏飞,于文静,孙娜,等. 人工神经网络在食品工业中的应用[J]. 食品研究与开发,2021,42(13):188-196
[19] 王良玉,张明林,祝洪涛,等. 人工神经网络及其在地学中的应用综述[J]. 世界核地质科学,2021,38(1):15-26
[20] 马明宇,王桂芸,黄安民,等. 人工神经网络结合近红外光谱用于木材树种识别[J]. 光谱学与光谱分析,2012,32(9):2377-2381
[21] 朱丽伟,严金欣,黄娟,等. 近红外光谱和人工神经网络的金苦荞氨基酸快速测定[J]. 光谱学与光谱分析,2022,42(1):49-55
[22] CAO N N,WANG J H,LI P F,et al. Study on variable selection of NIR spectral information based on GA and SCMWPLS[J]. Spectroscopy and Spectral Analysis,2010,30(4):915-919
[23] SUN T,XU W L,HU T. Determination of soluble solids content in Nanfeng Mandarin by Vis/NIR spectroscopy and UVE-ICA-LS-SVM[J]. Spectroscopy and Spectral Analysis,2013,33(12):3235-3239
[24] LI X L,SUN C J,LUO L B. Determination of tea polyphenols content by infrared spectroscopy coupled with iPLS and random frog techniques[J]. Computers and Electronics in Agriculture,2015,112(Sp. Iss. SI):28-35
[25] 周洁仪,赵文武,杨杨,等. 2种狼尾草属牧草萌发期和苗期抗旱性综合评价[J]. 中国草地学报,2023,45(8):50-59
[26] 侯新村,滕珂,郭强,等. 狼尾草属牧草研究进展[J]. 植物学报,2022,57(6):814-825
[27] 黄睿,罗佳佳,吴远航,等. 狼尾草属象草PpPAPs基因的克隆及响应低磷胁迫的表达模式分析[J]. 草地学报,2021,29(3):425-433
[28] 丁迪云,陈卫东,陈杰雄,等. 狼尾草属牧草品种比较试验[J]. 广东农业科学,2019,46(8):8-13
[29] 唐军,周汉林,王文强,等. 狼尾草属牧草育种及分子生物学研究进展[J]. 热带作物学报,2018,39(11):2313-2320
[30] 吴娟子,钱晨,刘智微,等. 镉胁迫下杂交狼尾草微量元素Fe、Zn、Mn、Cu的吸收和转运[J]. 草业科学,2023,40(1):133-143
[31] 甄峰,孙永明,孔晓英,等. 杂交狼尾草厌氧发酵的物质与能量转化率分析[J]. 农业工程学报,2017,33(19):236-241
[32] 农业部饲料质量监督检验测试中心(济南),中国农业科学院农业质量标准与检测技术研究所,中国饲料工业协会. GB/T 6435-2014饲料中水分的测定[S]. 北京:中国标准出版社,2015:1-4
[33] 中国农业科学院农业质量标准与检测技术研究所. GB/T 6432-2018饲料中粗蛋白的测定-凯氏定氮法[S]. 北京:中国标准出版社,2019:1-3
[34] 内蒙古畜牧科学院,浙江大学,内蒙古农业大学,等. GB/T 20805-2006,饲料中酸性洗涤木质素(ADL)的测定[S]. 北京:中国标准出版社,2007:1-3
[35] 何娟,赵艳茹,何勇. 近红外光谱结合偏最小二乘判别对硫熏浙贝母的无损鉴别[J]. 光谱学与光谱分析,2017,37(10):3070-3073
[36] 石丹,张英俊. 近红外光谱法快速测定羊草干草品质的研究[J]. 光谱学与光谱分析2011,31(10):2730-2733
[37] 刘哲,王玉琴,薛树媛,等. 近红外漫反射光谱定量分析天然牧草营养成分[J]. 草地学报,2018,26(1):249-255
[38] 白扎嘎尔. 近红外光谱分析技术(NIRS)在反刍动物饲料分析中的应用研究[D]. 呼和浩特:内蒙古农业大学,2010:58-60
[39] 陈积山,朱瑞芬,张强,等. 建立近红外特征波长模型快速测定羊草常规营养成分的研究[J]. 草地学报,2019,27(4):867-873
[40] 周志华. 机器学习[M]. 北京:清华大学出版社,2016:1-16

基于人工神经网络的狼尾草属牧草品质近红外光谱预测研究

Research on Nutritional Components of Pennisetum Rich. Forage by Near Infrared Spectroscopy Model based on Artificial Neural Network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 11

编辑推荐

Metrics

本文评价

[1]	南丁罕, 格根图, 王志军, 赵牧其尔, 闫星全, 珠娜. 多花黑麦草营养品质最优近红外分析建模方法的研究[J]. 草地学报, 2024, 32(2): 610-619.
[2]	田丽梅, 陈菲, 林炎丽, 倪奎奎, 杨富裕. 近红外光谱检测燕麦饲草青贮营养品质研究[J]. 草地学报, 2023, 31(12): 3841-3850.
[3]	刘文, 莫兴国, 刘苏峡. 青藏高原草地地上生物量的ANNs模拟分析[J]. 草地学报, 2022, 30(2): 446-455.
[4]	王储, 麻冬梅, 李跃, 屈新月, 李智林, 胡倩楠, 乔葭月, 孙彦. 检测燕麦干草主要营养成分含量的近红外光谱分析模型[J]. 草地学报, 2022, 30(10): 2645-2651.
[5]	陈积山, 张强, 刘杰淋, 邸桂俐, 朱瑞芬, 孔晓蕾. 基于近红外预测羊草水分含量的特征光谱模型研究[J]. 草地学报, 2019, 27(6): 1774-1780.
[6]	陈积山, 朱瑞芬, 张强, 杜优颖, 孔晓蕾. 建立近红外特征波长模型快速测定羊草常规营养成分的研究[J]. 草地学报, 2019, 27(4): 867-873.
[7]	张凡凡, 尉小霞, 段宏伟, 于磊, 张文举. 新疆沙尔套山天然草地主要混合牧草营养指标近红外光谱分析[J]. 草地学报, 2019, 27(3): 661-667.
[8]	刘哲, 王玉琴, 薛树媛, 金海, 李元晓, 王建平, 李发弟, 张盼盼. 近红外漫反射光谱定量分析天然牧草营养成分[J]. 草地学报, 2018, 26(1): 249-255.
[9]	薛祝林, 刘楠, 张英俊. 近红外光谱法预测紫花苜蓿草捆的营养品质和消化率[J]. 草地学报, 2017, 25(1): 165-171.
[10]	高燕丽, 孙彦. 利用近红外光谱分析预测紫花苜蓿干草品质[J]. 草地学报, 2015, 23(5): 1080-1085.
[11]	冯全, 邵新庆, 王赟文. 基于BP网络的典型草原群落自然演替预测模型研究[J]. , 2008, 16(3): 251-255.