近紅外光譜式聯合收割機谷物蛋白質含量檢測系統設計

張 敏，吳崇友，陳 旭，朱道靜，金 梅，王 剛

近紅外光譜式聯合收割機谷物蛋白質含量檢測系統設計

張 敏，吳崇友※，陳 旭，朱道靜，金 梅，王 剛

（農業農村部南京農業機械化研究所，南京 210014）

為了實現谷物聯合收割機收獲時實時在線檢測谷物的蛋白質含量并記錄采樣地理位置信息，研發了一種基于近紅外光譜原理的谷物蛋白質含量在線檢測系統，系統主要由近紅外光譜傳感器模塊、螺旋采樣輸送機構、控制模塊、GPS/北斗定位模塊、工控顯現一體機等組成。谷物聯合收割機近紅外光譜式蛋白質含量在線檢測系統工作時，當聯合收割機出糧攪籠排出的谷物經過螺旋采樣輸送機構，采樣機構的步進電機根據檢測速率要求由控制器控制并間斷進行谷物輸送，控制器同時控制近紅外光譜傳感器在步進電機停止轉動時進行光譜采樣，谷物的近紅外光譜和GPS/北斗定位模塊位置信號等數據由RS485總線傳輸至上位機。編制了近紅外傳感器和采樣機構等的控制與數據處理分析軟件，經谷物蛋白質含量預測模型處理后，將谷物蛋白質、采樣位置信息等實時顯示在終端上并保存。為了驗證谷物蛋白質含量預測模型及在線檢測系統的性能，開展了室內標定和田間系統動態測試試驗，小麥蛋白質含量預測模型的決定系數2為0.865，絕對誤差范圍為-0.96%～1.22%，相對誤差范圍在-7.30%～9.53%，預測標準差值為0.638%；水稻蛋白質含量預測模型的決定系數2為0.853，絕對誤差范圍為-0.60%～1.00%，相對誤差范圍為-8.47%～9.71%，預測標準差值為0.516%。系統田間測試試驗表明，小麥蛋白質含量的最大相對誤差為-6.69%，水稻蛋白質含量的最大相對誤差為-8.02%，采樣分析時間間隔對系統測試精度的影響不顯著，系統穩定性和檢測精度達到田間谷物蛋白質在線檢測需要，為精準農業作業提供了科學依據。

谷物；近紅外光譜；蛋白質；聯合收割機；無損在線檢測

0 引 言

水稻、小麥是世界上廣泛種植的農作物，是人類的主要口糧，也是人們獲取蛋白質的主要來源[1-2]。谷物中蛋白質含量也是反映谷物品質的一項重要指標[3-4]，通過測試田間谷物蛋白質含量，獲取谷物蛋白質在田間的空間分布差異性，建立谷物蛋白質田間分布圖譜，也是精確農業中田間氮管理決策的依據[5-8]。

基于聯合收割機的谷物蛋白質含量在線快速檢測系統是獲取田間谷物蛋白質含量差異空間分布信息的必要條件，美國、澳大利亞、日本等發達國家已開始開展基于近紅外光譜法小麥蛋白質含量的聯合收割機實時采集系統研究，現已開發了多種型號的谷物近紅外光譜采集傳感器[9-13]，如Zeltex Accu Harves傳感器等，日本久保田KSAS ER6120收割機已可在收割過程或收割后測量作物的蛋白質含量[14]。劉玲玲等[15-20]基于近紅外光譜技術進行了谷物蛋白質測試儀器的研發并開展了室內測試。但目前谷物蛋白質含量測試技術研究主要以單一檢測功能為主，還未開展聯合收割機作業條件下的多系統技術集成研究，尤其對收獲時物料流動狀態下采樣要求及采樣頻率等與檢測精度與系統穩定性之間的關系未開展相應研究。

本研究的目的是基于近紅外光譜原理，設計間歇螺旋輸送采樣機構，集成采樣控制技術與定位技術，研發一種可用于谷物聯合收割機的谷物蛋白質含量無損在線檢測與采樣定位系統，構建水稻、小麥的蛋白質含量近紅外光譜預測模型，分別開展采樣機構與分析系統集成、軟件編制和系統動態測試，對系統的穩定性和準確性進行測試，實現谷物聯合收獲時谷物蛋白質含量信息的無損快速檢測和采樣地理位置信息的實時記錄與保存，為后續田間谷物蛋白質含量分布圖譜建立提供技術支持。

1 系統總體設計方案

近紅外光譜式聯合收割機谷物蛋白質含量檢測系統總體結構如圖1所示，系統主要由螺旋采樣輸送機構、近紅外光譜傳感器模塊、GPS/北斗定位模塊，步進電機控制模塊、工控顯示一體機等組成。近紅外光譜傳感器采用TI DLP NIR scan Nano，波長采樣范圍900～1 700 nm。GPS/北斗定位模塊采用GNSS100B GNSS雙模模塊接收器。步進電機由新動力DSP28335 EU10開發板組合新動力IR2136電機驅動板進行驅動控制，工控顯示一體機（英特爾賽揚J1900 CPU、內存2 G、硬盤容量32 G、操作系統Window 7、顯示屏381mm具有GPS、RS232、RS485和CAN等通信接口，谷物蛋白質含量檢測系統顯示終端內嵌采樣和光譜采集控制系統和谷物蛋白質含量預測模型。

該系統的螺旋采樣輸送機構固定在谷物聯合收割機出糧攪籠出口處，螺旋采樣輸送機構由步進電機驅動，控制步進電機的電機控制器由工控機通過RS485總線根據采樣時序對步進電機進行控制，近紅外光譜傳感器采集谷物光譜數據經處理解析后由RS485總線傳輸到工控一體機，經過谷物蛋白質預測模型處理后得到谷物蛋白質含量信息，獲得的谷物蛋白質含量信息、采樣分析地理位置等信息實時動態顯示在系統終端上，并對數據進行實時存儲。

2 谷物蛋白質含量在線檢測系統總體設計

2.1 谷物蛋白質含量在線檢測系統硬件設計

近紅外光譜式谷物蛋白質在線檢測系統硬件構成如圖2a所示，系統由谷物近紅外光譜數據采集和地理位置信息采集單元，步進電機控制單元和數據處理與顯示單元等幾個部分組成。采集的谷物近紅外光譜數據信息經預測模型實時計算并顯示與存儲。其中，近紅外光譜信息采集單元是谷物蛋白質含量在線檢測系統的核心部件。

谷物近紅外光譜采集工作原理如圖2b所示。聯合收割機出糧口的部分物料進入谷物近紅外光譜采樣系統的谷物進料口，谷物在由步進電機驅動的螺旋推送葉片的作用下向出料口移動，螺旋采樣機構側壁開有采樣窗口，采樣窗口固定石英玻璃，近紅外光譜傳感器通過采樣窗口采集通過采樣窗口的谷物近紅外光譜信息。

采樣機構的步進電機根據檢測速率要求由控制器控制并間斷進行谷物輸送，即在采集谷物近紅外光譜信息時，控制步進電機停止轉動。螺旋輸送采用機構采用水平布置方式，采樣窗口與谷物進料口錯位120°，利用谷物推送摩擦和重力原理降低谷物中灰塵在采樣窗口沉積，避免谷物籽粒較少時采集不到谷物光譜信息等干擾因素。為避免對谷物產生擠壓作用導致籽粒破碎，螺旋采樣機構的螺旋采用等螺距單頭螺旋和實體螺旋葉片。

近紅外光譜式谷物蛋白質在線檢測系統總體框架如圖3所示，控制器同時控制近紅外光譜傳感器進行采樣，谷物近紅外光譜采樣光譜數據和GPS/北斗定位模塊采集的定位信號由RS485總線傳輸至上位機。近紅外光譜傳感器的工作電壓為5 V，步進電機的工作電壓為24 V，工控顯示一體機的工作電壓為12 V，電機控制器工作電壓為5～24 V，GPS/北斗模塊工作電壓5 V。近紅外光譜傳感器設計有保護罩，采用密封防護，避免室外作業雨水和灰塵等損壞傳感器。

2.2 谷物蛋白質含量在線檢測軟件系統設計

谷物聯合收割機的近紅外光譜式谷物蛋白質含量在線檢測系統基于Microsoft Visual Studio 2019 平臺開發，采樣C#語言進行程序編寫，實現谷物聯合收割機作業時的谷物近紅外光譜信息、谷物蛋白質含量、地理位置信息等的接收、解析、顯示、存儲、圖表查看，采樣機構螺旋輸送軸轉速、采樣分析頻率等的參數設置和控制功能。系統采用RS485總線通信，采樣時間間隔最短可設置為5 s。

軟件系統主要由系統參數設置模塊、數據處理與控制模塊、數據顯示與存儲等3個模塊組成。各部分功能如下：1）基本參數設置。基礎參數設置包括采樣時間間隔、分析對象（小麥、水稻）、步進電機轉速、數據存儲位置等基本參數設置。2）數據處理與控制模塊。數據處理與控制包括對谷物近紅外光譜傳感器采集的光譜信號、GPS/北斗地理位置信號的接收和解析，谷物蛋白質含量預測模型的計算、步進電機步數控制。3）數據顯示與存儲功能。數據顯示包括實現谷物聯合收割機作業過程中采樣實時位置、谷物蛋白質含量信息的數據動態顯示，也包括測試過程數據的圖表顯示與查看，實時采集的全部數據以Excel格式實時存儲在設定的存儲位置。

2.3 谷物蛋白質含量預測模型構建

近紅外光譜分析是一種間接分析技術[21-23]，在谷物蛋白質含量快速測量方法中，利用近紅外光譜法測量作物籽粒蛋白質含量的方法已成熟，美國谷物化學師協會已把近紅外光譜法列為谷物蛋白質含量的標準測試方法[24-29]。該方法是首先通過測量待分析樣品的近紅外光譜，并按照國家或公認標準對樣品組分含量進行精確測定，再根據近紅外光譜圖和組分含量值建立定量分析模型，最后根據定量模型對預測樣品進行測定，谷物蛋白質質含量預測模型的具體建模過程如圖4所示。

谷物近紅外光譜數據的準確性及定量分析模型的精確性直接影響后續待測樣品預測的準確性。由于本系統采用無損檢測方式，谷物（水稻、小麥）為顆粒狀且在采樣窗口處隨機分布，在采集谷物近紅外光譜數據時，需剔除異常樣品以及其他光譜噪聲影響[30]，本文利用多元散射校正（MSC）方法對谷物（水稻、小麥）采集的光譜數據進行預處理。

為對利用谷物近紅外光譜數據矩陣和谷物蛋白質含量向量建立的偏最小二乘預測模型的準確性進行檢驗，采用預測標準差（RMSEP）和決定系數2對預測模型的性能進行評價。

3 系統標定與試驗

3.1 谷物蛋白質含量檢測系統標定

基于設計的近紅外光譜式聯合收割機谷物蛋白質在線檢測軟硬件系統，運用TI DLP NIR scan Nano近紅外光譜傳感器，谷物采樣的近紅外光譜波長范圍設定為900～1 700 nm，波長寬度設置為4.68 nm，硬件自動掃描6次取平均值作為一次近紅外光譜采樣數據，一次采樣系統總用時3.525 s，按5 s時間間隔進行采樣，對采集近紅外光譜信息后的樣品留樣并送檢。2017－2018年期間，分別在河北石家莊，江蘇大豐、泰州、如皋、南京等地對28個小麥品種和33個水稻品種在不同地塊的近紅外光譜進行采集，共計獲得水稻和小麥近紅外光譜數據共400組。采集的水稻、小麥在900～1 700 nm的吸光度數據如圖5所示。

測試樣品委托青島科創質量檢測有限公司依據GB 5009.5－2016 凱氏定氮法對小麥和水稻樣品進行水分烘干后測定蛋白質含量。對水稻和小麥近紅外光譜數據各隨機選取180組為建模集，20組為校驗集。采用多元散射校正（Multiplicative Scatter Correction, MSC）方法對建模集的光譜數據進行預處理，對校正后的光譜建模集采用偏最小二乘法進行預測模型構建，小麥和水稻預測模型的蛋白質含量預測值的預測模型分析結果如圖6所示，小麥蛋白質含量預測模型的決定系數2為0.865，水稻蛋白質含量預測模型的決定系數2為0.853。

對水稻和小麥各20組校驗集數據，先運用建模集求得的多元散射校正系數進行校正，再運用建模集建立的偏最小二乘谷物蛋白質預測模型進行分析，得水稻和小麥的蛋白質含量測量結果與標準結果對比如表1所示。

谷物蛋白質含量在線檢測系統標定試驗表明，小麥蛋白質含量測試結果與實際測量結果的絕對誤差范圍為-0.96%～1.22%，相對誤差范圍在-7.30%～9.53%，預測標準差RMSEP值為0.638%。水稻蛋白質含量測試結果與實際測量結果的絕對誤差范圍為-0.60%～1.00%，相對誤差在-8.47%～9.71%之間，預測標準差RMSEP值為0.516%，谷物蛋白質含量預測模型的精度可以用于田間谷物蛋白質含量預測。

表1 谷物樣品蛋白質含量測量與預測結果

3.2 田間試驗及分析

2018年11月和2019年6月在江蘇省泰州市紅旗農場開展了水稻、小麥聯合收獲機田間收獲作業環境下的蛋白質含量在線檢測系統性能試驗。田間試驗主要考察系統測試精度、穩定性及采樣分析時間間隔對系統測試精確性的影響，近紅外光譜式谷物蛋白質含量在線檢測系統安裝于本單位自研的4LZ-6T通用型谷物聯合收割機科研樣機上（割幅2.75 m，功率140馬力（約103 kW），糧箱體積2.5 m3，喂入量6.0 kg/s），分別選擇3個水稻和小麥品種作物長勢均勻的地塊進行田間試驗，收割機前進速度設定為1 m/s，收獲期3塊田間小麥含水率分別為16.52%、16.71%和16.34%，3塊田間水稻含水率分別為17.41%、17.46%和17.38%，采樣分析間隔分別設置5、8和11 s，每個采樣分析間隔進行3次數據測試，系統田間試驗測試情況及18次試驗的小麥和水稻吸收光譜如圖7所示，水稻和小麥蛋白質含量測試田間試驗數據如表2所示。

按谷物蛋白質采樣分析時間間隔和谷物品種進行2因素單獨測試值進行方差分析[31]，運用IBM SPSS Statistics 20統計分析軟件進行方差分析，方差分析結果如表3所示。

由表3谷物蛋白質田間試驗方差分析可知，采樣時間間隔對系統測試精度的影響不顯著，在水稻蛋白質含量測試中水稻品種的差異對測試結果的影響顯著，小麥的測試品種差異對小麥蛋白質含量的影響不顯著，主要是選取的3個小麥品種的蛋白質含量差異本身不明顯，3個水稻品種的蛋白質含量差異明顯，也說明測試系統能區分不同谷物測試品種之間蛋白質含量的差異。雖然采樣時間間隔對谷物蛋白質含量測試的差異不顯著，由表2也可發現，采樣分析時間隨著間隔延長，測試值趨于穩定，說明采樣時間間隔延長有利于測試穩定性提高。

田間試驗中，小麥蛋白質含量的最大相對誤差為-6.69%，水稻蛋白質含量的最大誤差為-8.02%，谷物蛋白質田間測試總體趨勢為負偏差，對系統田間工作狀況及系統實際運行情況進行分析，主要原因可能是由于谷物收獲時籽粒含有秸稈、穎殼等雜質，檢測時雜質有可能會處于采樣窗口處，此時采樣機構中谷物光譜采集狀態和實際建模時為潔凈籽粒狀態存在一定差異，此外，田間谷物水分、溫度等參數變化也可能會影響系統檢測的精度。

表2 谷物樣品蛋白質含量田間測試數據表

表3 谷物蛋白質田間試驗方差分析表

注：*表示<0.05（顯著）。

Note: * shows significant difference (<0.05).

4 結 論

1）基于近紅外光譜原理設計的谷物聯合收割機蛋白質含量在線檢測系統，內嵌谷物蛋白質含量預測模型、采樣機構控制系統，可實現谷物聯合收獲作業時谷物蛋白質含量、位置等信息的實時測量、顯示和數據存儲。

2）系統標定試驗結果表明，采用多元散射校正和偏最小二乘法建立的谷物蛋白質含量預測模型，小麥蛋白質含量測試絕對誤差范圍為-0.96%～1.22%，相對誤差范圍在-7.30%～9.53%，預測標準差值為0.638%。水稻蛋白質含量測試絕對誤差范圍為-0.60%～1.00%，相對誤差在-8.47%～9.71%之間，預測標準差值為0.516%，谷物蛋白質含量預測模型的精度可以用于田間谷物蛋白質含量預測。

3）系統田間動態測試，小麥蛋白質含量的最大相對誤差為-6.69%，水稻蛋白質含量的最大誤差為-8.02%，系統運行穩定，采樣分析時間間隔對系統測試精度影響不顯著，采樣分析最短間隔可達5 s。降低采樣機構內谷物含雜率可進一步提高系統檢測精度，水分和溫度等變化對系統測試精度和穩定性的影響還有待后續進一步研究。

[1] 羅小兵，張軟玉，陳世國，等．谷物種子中蛋白質含量測定的核反應分析法[J]. 原子核物理評論，2004，21(1)：56-59. Luo Xiaobing, Zhang Ruanyu, Chen Shiguo, et al. Nuclear reaction method for measurement of protein content in seed of grain[J]. Nuclear Physics Review, 2004, 21(1): 56-59. (in Chinese with English abstract)

[2] 王朝輝，趙層，趙倩，等. 基于高光譜成像的大米中蛋白質含量的可視化研究[J]. 食品研究與開發，2020，41(6)：124-129. Wang Zhaohui, Zhao Ceng, Zhao Qian, et al. Visualization of protein content in rice based on hyper-spectral imaging[J]. Food Research and Development, 2020, 41(6): 124-129. (in Chinese with English abstract)

[3] Zhu L, Sun J, Wu G C, et al. Identification of rice varieties and determination of their geographical origin in China using Raman spectroscopy[J]. Journal of Cereal Science, 2018, 82: 175-182

[4] 王芊，李存軍，王大成，等. 基于氮素和水分的冬小麥籽粒蛋白質含量監測[J]. 農業工程學報，2008，24(增刊2)：22-26. Wang Qian, Li Cunjun, Wang Dacheng, et al. Monitoring wheat grain protein content based on nitrogen and water content[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(Supp. 2): 22-26. (in Chinese with English abstract)

[5] 羅錫文，廖娟，胡煉，等. 提高農業機械化水平促進農業可持續發展[J]. 農業工程學報，2016，32(1)：1-11. Luo Xiwen, Liao Juan, Hu lian, et al. Improving agricultural mechanization level to promote agricultural sustainable development[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 1-11. (in Chinese with English abstract)

[6] 張偉，楊剛，雷軍波，等. 基于微波反射法的谷物含水率在線檢測裝置研制[J]. 農業工程學報，2019，35(23)：21-28. Zhang Wei, Yang Gang, Lei Junbo, et al. Development of on-line detection device for grain moisture contentusing microwave reflection method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(23): 21-28. (in Chinese with English abstract)

[7] 陳進，王月紅，練毅，等. 高頻電容式聯合收獲機谷物含水量在線監測裝置研制[J]. 農業工程學報，2018，34(10)：36-45. Chen Jin, Wang Yuehong, Lian Yi, et al. Development of on-line monitoring device of grain moisture content in combine harvester with high frequency capacitance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(10): 36-45. (in Chinese with English abstract)

[8] 付興蘭，張兆國，安曉飛，等. 光電漫反射式聯合收割機谷物產量計量系統研發與性能試驗[J]. 農業工程學報，2017，33(3)：24-30. Fu Xinglan, Zhang Zhaoguo, An Xiaofei, et al. Development and performance experiment on grain yield monitoring system of combine harvester based on photoelectric diffuse reflectance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 24-30. (in Chinese with English abstract)

[9] Taylor James, Whelan Brett, Thylen Lars, et al. Monitoring wheat protein content on-harvester: Australian experiences[C]. 5th European Conference on Precision Agriculture, 2006.

[10] Montes J M, Utz H F, Schipprack W, et al. Near-infrared spectroscopy on combine harvesters to measure maize grain dry matter content and quality parameters[J]. Journal Compliation, 2006(125): 591-595.

[11] 李晉華，楊志良，王召巴，等. 近紅外漫透射技術檢測玉米成分[J]. 紅外技術，2013，35(11)：732-736. Li Jinhua, Yang Zhiliang, Wang Zhaoba, et al. The corn content measurement with near infrared diffuse transmission[J]. Infrared Technology, 2013, 35(11): 732-736. (in Chinese with English abstract)

[12] Miralbe S C. Discrimination of European wheat varieties using near infrared reflectance spectroscopy[J]. Food Chemistry, 2008(106): 386-389.

[13] Long D S, Engel R E, Siemens M C. Measuring grain protein concentration with in-line near infrared reflectance spectroscopy[J]. Agronomy Journal, 2008, 100(2): 247-252.

[14] 楊艷杰. 久保田智能農業系統KSAS助力農民增收[N/OL]. 農機通網，2015-04-18[2019-12-01]. http: //www. nongjitong. com/news/2015/365270. html.

[15] 劉玲玲. 小麥品質近紅外光譜分析系統關鍵技術研究[D]. 北京：中國農業機械化科學研究院，2013. Liu Lingling. Study on the Critical Technique of NIR Wheat Quality Analysis System[D]. Beijing: Chinese Academy of Agricultural Mechanization Sciences, 2013. (in Chinese with English abstract)

[16] 潘智. 谷物蛋白質近紅外檢測儀的研制[D]. 長春：吉林大學，2017. Pan Zhi. Development of Grain Protein Near-Infrared Detector[D]. Changchun: Jilin University, 2017. (in Chinese with English abstract)

[17] 黃漢英，趙思明，胡月來，等. 一種稻米品質的近紅外檢測方法與應用CN105181643A[P]. 2015-10.

[18] 聞明. 基于LED的便攜式近紅外整粒小麥成分分析儀的研制[D]. 北京：中國農業大學，2004. Wen Ming. Development of Portable LED-based NIR Integrity Wheat Component Measuring Apparatus[D]. Beijing: China Agricultural University, 2004. (in Chinese with English abstract)

[19] 唐月明. 稻谷品種和品質的光譜快速無損檢測研究[D]. 杭州：浙江大學，2008. Tang Yueming. Study on Fast and Non-Destructive Inspect and Analysis of Varieties and Quality of Paddy Based on Spectroscopy Technology[D]. Hangzhou: Zhejiang University, 2008. (in Chinese with English abstract)

[20] 方彥. 利用近紅外光譜法測定玉米品質的研究[D]. 蘭州：甘肅農業大學，2004. Fang Yan. Study on the Determination of Corn Quality by Near Infrared Spectroscopy[D]. Lanzhou: Gansu Agricultural University, 2004. (in Chinese with English abstract)

[21] 劉翠玲，吳靜珠，孫曉榮. 近紅外光譜技術在食品品質檢測方法中的研究[M]. 北京：機械工業出版社，2016. Liu Cuiling, Wu Jingzhu, Sun Xiaorong. Study on the Method of Food Quality Detection by Near Infrared Spectroscopy[M]. Beijing: China Machine Press, 2016. (in Chinese with English abstract)

[22] 李曉麗，唐月明，何勇，等. 基于可見/近紅外光譜的水稻品種快速鑒別研究[J]. 光譜學與光譜分析，2008，28(3)：578-581. Li Xiaoli, Tang Yueming, He Yong, et al. Discrimination of varieties of paddy based on Vis/NIR spectroscopy combined with chemometrics[J]. Spectroscopy and Spectral Analysis, 2008, 28(3): 578-581. (in Chinese with English abstract)

[23] Porep Jan U, Kammerer Dietmar R, Carle Reinhold. On-line application of near infrared(NIR) spectroscopy in food priduction[J]. Trends in Food Science & Technology, 2015(46): 211-230.

[24] 譚正林，吳謀成，傅廷棟. 近紅外光譜技術在農產品品質檢測中的應用[J]. 中國油料作物學報，2012，34(4)：455-460. Tan Zhenglin, Wu Moucheng, Fu Tingdong. Application review of near infrared spectroscopy on quality analyzing of agricultural products[J]. Chinese Journal of Oil Crop Sciences, 2012, 34(4): 455-460. (in Chinese with English abstract)

[25] 孫通，徐惠榮，應義斌. 近紅外光譜分析技術在農產品/食品品質在線無損檢測中的應用研究進展[J]. 光譜學與光譜分析，2009，29(1)：122-126. Sun Tong, Xu Huirong, Ying Yibin. Progress in application of near infrared spectroscopy to nondestructive on-line detection of products/food quality[J]. Spectroscopy and Spectral Analysis, 2009, 29(1): 122-126. (in Chinese with English abstract)

[26] Delwiche S R. Protein content of single kernels of wheat by near-infrared reflectance spectroscopy[J]. Journal of Cereal Science, 1998(27): 241-254.

[27] Sampaio Pedro Sousa, Soaresa Andreia, Castanho Ana, et al. Optimization of rice amylose determination by NIR-spectroscopy using PLS chemometrics algorithms[J]. Food Chemistry, 2018(242): 196-204.

[28] 高文淑，張錄達，王萬軍. 應用付里葉變換近紅外漫反射光譜法測定幾種谷物籽粒中蛋白質的含量[J]. 北京農業大學學報，1990，16(增刊)：29-72. Gao Wenshu, Zhang Luda, Wang Wanjun. Determination of protein contents for cereal seed by ftnirdrs method[J]. Acta Agriculturae Universitatis Pekinensis, 1990, 16(Supp.): 29-72. (in Chinese with English abstract)

[29] Salgó András, Gergely Szilveszter. Analysis of wheat grain development using NIR spectroscopy[J]. Journal of Cereal Science, 2012, 2012(56): 31-38.

[30] 閔順耕，李寧，張明祥. 近紅外光譜分析中異常值的判別與定量模型優化[J]. 光譜學與光譜分析，2004，24(10)：1205-1209. Min Shungeng, Li Ning, Zhang Mingxiang. Outlier diagnosis and calibration model optimization for near infrared spectroscopy analysis[J]. Spectroscopy and Spectral Analysis, 2004, 24(10): 1205-1209. (in Chinese with English abstract)

[31] 徐向宏，何明珠. 試驗設計與Design-Expert、SPSS應用[M]. 北京：科學出版社，2010. Xu Xianghong, He Mingzhu. Experimental Design and Application of Design-Expert and SPSS[M]. Beijing: Science Press, 2010. (in Chinese with English abstract)

Design of near-infrared spectral grain protein detection system for combine-harvesters

Zhang Min, Wu Chongyou※, Chen Xu, Zhu Daojing, Jin Mei, Wang Gang

(,,210014,)

An in-line detection system of grain protein content was developed in this study, in order to realize the real-time identification and record the sampling geographical location information in a novel harvester combined with near-infrared spectroscopy during grain harvesting. The detection system was mainly composed of a near-infrared spectral sensor module, spiral sampling and conveying mechanism, control module, GPS/Beidou positioning module, and industrial display integrator. The specific working procedure was followed for the in-line detection system in a near-infrared spectroscopy on combine harvester. The grain first discharged from the outlet of a combine-harvester through the spiral sampling and conveying mechanism. A PID controller was used to adjust the stepper motor of sampling mechanism, according to the requirements of detection rate, thereby to realize the intermittent grain transmission. A near-infrared spectral sensor was also adjusted to capture the spectrum, when the stepper motor stopped turning. A RS485 bus was used for data transmission to host computer, where the obtained data included the grain near-infrared spectrum, and the positioning signal of GPS/Beidou positioning module. A data processing software was developed to control the near-infrared sensor and sampling mechanism. After data post-processing in the grain protein prediction model, the information of grain protein and sampling location was in situ displayed, and storage for later use. An indoor calibration, and a field dynamic test were carried out to verify the performance of prediction model for grain protein content and online detection system. In the prediction model of wheat protein content, the decision coefficient was 0.865, the absolute error range was ?0.96% to 1.22%, the relative error range was ?7.30% to 9.53%, and the Root Mean Square Error of Prediction (RMSEP) was 0.638%. In the prediction model of rice protein content, the decision coefficient was 0.853, the absolute error range was ?0.60% to 1.00%, the relative error range was ?8.47% to 9.71%, and the RMSEP was 0.516%. In the dynamic field test, the maximum relative error of wheat protein content was ?6.69%, whereas, the maximum error of rice protein content was ?8.02%. It infers that the sampling and analysis interval have no significantly influence on the detection system, where the system stability and detection accuracy meet the need of grain protein online detection in the field. The finding can provide a scientific basis for precision agricultural operation.

grains; near-infrared spectrum; protein; combine-harvester; undamage online detection system

張敏，吳崇友，陳旭，等. 近紅外光譜式聯合收割機谷物蛋白質含量檢測系統設計[J]. 農業工程學報，2021，37(1)：36-43.doi：10.11975/j.issn.1002-6819.2021.01.005 http://www.tcsae.org

Zhang Min, Wu Chongyou, Chen Xu, et al. Design of near-infrared spectral grain protein detection system for combine-harvesters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 36-43. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.01.005 http://www.tcsae.org

2020-08-06

2020-12-23

中國農科院重大平臺推進計劃（Y2017PT41）；中國農業科學院科技創新工程（穗粒類收獲機械創新團隊）

張敏，博士，研究員，主要從事收獲技術裝備研發。Email：zhangmin01@caas.cn

吳崇友，博士，研究員，博士生導師，主要從事收獲機械研究。Email：542681935@qq.com

10.11975/j.issn.1002-6819.2021.01.005

S237

A

1002-6819(2021)-01-0036-08