小麦硬度是品质分类的重要依据之一,并与小麦育种方面密切相关。为满足快速测定小麦硬度的需求,本课题以豫麦为样本,首先对小麦光谱数据进行预处理,其次对预处理的光谱数据进行特征波长的提取,最后基于建立的小麦硬度预测模型,实现了对未知小麦样本硬度的快速、无损检测。本课题具体内容如下:1.近红外光谱数据预处理样本本身及采集技术手段等原因,异常样本的出现是不可避免的。针对异常样本的存在可能会严重影响模型的预测能力和模型评价的准确性的问题,本课题基于蒙特卡洛交叉验证统计规律对小麦光谱数据进行识别,剔除异常样本。为获得具有代表性的预测集和校正集,本课题基于光谱理化值共生距离法对小麦的光谱数据进行集合划分,并获得预测集样本。为了消除获取的光谱数据中包含的高频噪声、基线漂移、样本背景等无关信息,本课题采用一阶导数组合多元散射校正方法对光谱数据进行预处理,减弱甚至消除了各非目标因素对检测模型的影响。2.近红外光谱数据特征波长提取针对经预处理的全光谱数据维度高、波长信息变量多、计算量大的问题,本课题基于反向区间偏最小二乘法结合竞争性自适应加权算法,筛选对模型有用的波长变量,同时减少无用信息被引入模型中,从而提高预测模型的稳定性和预测性。3.小麦硬度预测模型建立本课题对经预处理和提取特征波长的小麦光谱数据进行建模,建立线性偏最小二乘法和非线性BP神经网络预测模型。通过对比分析,选取线性偏最小二乘法模型作为小麦硬度检测的最终预测模型。