近紅外光譜技術(shù)在玉米種子活力檢測(cè)中的應(yīng)用研究

尹淑欣等

摘要 利用近紅外光譜和BP神經(jīng)網(wǎng)絡(luò)建立玉米種子活力的快速無損檢測(cè)模型。首先通過人工老化將樣本按老化程度分為3種級(jí)別，分別采集樣本的近紅外光譜。對(duì)原始光譜進(jìn)行矢量歸一化預(yù)處理以消除光譜噪聲。然后利用主成分分析（PCA）方法提取光譜特征，作為BP神經(jīng)網(wǎng)絡(luò)的輸入，依據(jù)預(yù)處理及特征提取構(gòu)建出BP神經(jīng)網(wǎng)絡(luò)種子活力檢測(cè)模型。試驗(yàn)結(jié)果表明，該識(shí)別方法的準(zhǔn)確率為90.3%，平均識(shí)別時(shí)間為27.36 ms。研究結(jié)果為玉米種子活力的快速無損檢測(cè)提供了理論依據(jù)和實(shí)用方法。

關(guān)鍵詞 近紅外光譜；玉米；種子活力；主成分分析；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào) S513；S-3；TP391.4 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-5739（2015）13-0020-02

Application Study of Near Infrared Spectroscopy Technology in Maize Seed Vigor Detection

YIN Shu-xin 1 YANG Dong-feng 1 WANG Xiu-zhi 2 GAO Shu-ren 2 JIANG Li 1

（1 Department of Information Technology，Heilongjiang Bayi Agriculture University，Daqing Heilongjiang 163319； 2 Agronomy College，Heilongjiang Bayi Agriculture University）

Abstract In order to realize rapid nondestructive recognition of maize vigor，a maize vigor intelligent detection model was put forward by combining NIR and BP neural network.At first，test samples were aged into three grades by artificial aging，and near infrared spectroscopy of which was collected.The original data were prerated using statitics method of normalization in order to eliminate noise and improve the efficiency of models.Principal component analysis（PCA）was respectively used to extract spectral features which acted as the input of BP neural network and the model was constructed according to preprocessing and feature extraction.The results showed the accuracy rate of the model was 90.3% and its average identification time was 27.36 ms.This investigation provided the theoretical support and practical method for rapid nondestructive recognition of maize vigor.

Key words near infrared spectroscopy；maize；seed vigor；principal component analysis；BP neural network

我國(guó)是玉米生產(chǎn)和消費(fèi)大國(guó)，玉米是國(guó)內(nèi)重要的糧、飼、經(jīng)三元作物，在我國(guó)糧食總產(chǎn)量中，玉米的產(chǎn)量占比約為1/3[1]。可以說，玉米種子質(zhì)量的高低將直接影響到國(guó)家的糧食生產(chǎn)安全。當(dāng)前對(duì)玉米的種子質(zhì)量進(jìn)行衡量的最主要的標(biāo)準(zhǔn)是種子活力，它不但可以對(duì)種子的出苗率及出苗數(shù)量有制約作用，也會(huì)對(duì)苗期的生長(zhǎng)量及抵抗外界的能力產(chǎn)生直接的影響，甚至?xí)罱K影響玉米收獲時(shí)的產(chǎn)量。高活力種子具有生長(zhǎng)勢(shì)強(qiáng)、出苗率高、生長(zhǎng)快、抗逆性好等優(yōu)點(diǎn)，可以有效提高種子耐貯性，達(dá)到增產(chǎn)的效果[2]。然而種子在采收、干燥、包裝、運(yùn)輸和存儲(chǔ)過程中，必然會(huì)受到各種自然條件（包括不可避免的時(shí)間因素）和人工條件的影響而導(dǎo)致種子發(fā)生老化、活力下降、生理特性發(fā)生改變的情況。因此，研究快速可靠的玉米種子活力檢測(cè)方法對(duì)保護(hù)農(nóng)民切身利益和保障國(guó)家糧食安全意義重大。

目前有很多對(duì)種子活力進(jìn)行測(cè)定的方法，傳統(tǒng)的方法包括發(fā)芽速率測(cè)定、電導(dǎo)率測(cè)定和人工加速老化測(cè)定等，但這些方法均會(huì)對(duì)種子的本身造成傷害，并且有試驗(yàn)周期較長(zhǎng)、受自然條件限制等特點(diǎn)。因此，隨著人們對(duì)種子活力的重視程度越來越高，迫切需要研究出一套檢測(cè)速度快且不會(huì)對(duì)種子活力進(jìn)行破壞的檢測(cè)方法。

近紅外光譜（NIR）分析方法屬于物理測(cè)定方法，具有無損、無污染、不破壞樣品、成本低、速度快、測(cè)量方便等特點(diǎn)，NIR的主要信息來源是含氫基因O-H、N-H、C-H、S-H和P-H的倍頻和合頻吸收峰組成，光譜信息豐富、適合多組分測(cè)定。結(jié)合模式識(shí)別的方法在中草藥、食品、農(nóng)產(chǎn)品的鑒別和分類方面的應(yīng)用[3-8]也在不斷深入。近紅外光譜分析技術(shù)為種子活力的快速測(cè)定提供了新的思路和方法。

1 材料與方法

1.1 試驗(yàn)材料

研究樣本為2014年收獲的綏玉7號(hào)半馬齒型玉米種子。首先隨機(jī)選取發(fā)育良好、形態(tài)完整的玉米種子，精細(xì)挑選出600粒備用。采用人工加速老化的方法促使種子不同程度地發(fā)生劣變，以得到活力水平不同的玉米種子。

1.2 老化方法

試驗(yàn)中精選的600粒種子隨機(jī)平均分成3組，其中第1組不進(jìn)行任何老化處理，第2組和第3組進(jìn)行不同程度的人工加速老化處理。在進(jìn)行人工老化前，必須對(duì)種子的含水量進(jìn)行測(cè)定，因?yàn)榉N子的含水量不同會(huì)對(duì)種子的老化效果產(chǎn)生影響，必須把種子的含水量調(diào)到10%～14%。調(diào)整種子含水量的方法參照Wang的方法直接將種子裝入鋁箔袋中并加入達(dá)到相應(yīng)含水量所需的蒸餾水量并立即密封好鋁箔袋，在5～10 ℃條件下放置18～24 h也可以達(dá)到規(guī)定范圍內(nèi)的水分含量[9]。

將種子處理好用干燥篩封裝好后，在密封的容器內(nèi)均勻地?cái)[放，密封前應(yīng)加入無菌水。然后將容器置于相對(duì)濕度100%、溫度45 ℃的智能老化箱中。第2組、第3組處理的時(shí)間分別為24、48 h。取出老化種子放置在室內(nèi)通風(fēng)條件良好的地方，待其恢復(fù)后備用。分別從3組老化程度不同的種子中隨機(jī)選取100粒，采用標(biāo)準(zhǔn)發(fā)芽試驗(yàn)進(jìn)行種子活力測(cè)定。樣品的人工老化溫度、時(shí)間及樣本數(shù)量見表1。

1.3 光譜測(cè)量

近紅外儀器采用德國(guó)BRUKER公司的VECTOR22/N型近紅外光譜儀，掃描范圍：833～2 500 nm；掃描次數(shù)為64次；掃描步長(zhǎng)為0.8 nm。對(duì)玉米籽粒進(jìn)行單籽粒測(cè)定，使用小型樣品池改善測(cè)量光譜的質(zhì)量，試驗(yàn)保持室內(nèi)溫度和濕度基本一致。

從3組處理的玉米種子中隨機(jī)選80粒（共240個(gè)樣本），并隨機(jī)按照1～80 進(jìn)行編號(hào)。為了充分地對(duì)種子的老化信息進(jìn)行采集，應(yīng)保證胚正對(duì)著光源進(jìn)行光譜的測(cè)量。每粒種子測(cè)4 條光譜，每次測(cè)量后，將種子的尖部依次轉(zhuǎn)動(dòng)90°后重復(fù)測(cè)量，測(cè)量后取平均值。若使用的是小樣品池，可將玉米籽粒置于池中，為了避免光線射出，可用鍍金小蓋將池遮住。

1.4 智能檢測(cè)方法

1.4.1 光譜預(yù)處理。在3種不同老化程度的玉米種子中分別取10粒譜線進(jìn)行對(duì)比。得到的原始光譜采用矢量歸一化方法進(jìn)行預(yù)處理。

1.4.2 光譜特征提取。在對(duì)原始光譜進(jìn)行預(yù)處理后，對(duì)可表征品種類別的分布特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入。本試驗(yàn)進(jìn)行特征提取采用的方法為主成分分析方法。該方法的目的是將數(shù)據(jù)降維，以將大量信息中共存、重疊的部分予以消除。

1.4.3 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建。經(jīng)過預(yù)處理和特征提取后，得到模型的特征輸入數(shù)據(jù)共80組，模型的特征輸入向量維數(shù)為9（由主成分分析得出）。神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)目的維數(shù)與特征向量相同。輸出節(jié)點(diǎn)數(shù)對(duì)應(yīng)著種子的老化等級(jí)，故輸出節(jié)點(diǎn)為3個(gè)。

本研究中對(duì)隱含層節(jié)點(diǎn)進(jìn)行確定的方法是先計(jì)算出初始節(jié)點(diǎn)數(shù)，估算公式見式（1），然后結(jié)合訓(xùn)練的實(shí)際情況對(duì)隱含層節(jié)點(diǎn)數(shù)目進(jìn)行動(dòng)態(tài)調(diào)整，直至達(dá)到最佳數(shù)目。

節(jié)點(diǎn)估算公式如下：

h=■+0.51（1）

式（1）中，h、m、n分別表示估算的隱含層節(jié)點(diǎn)數(shù)、輸入節(jié)點(diǎn)數(shù)及輸出節(jié)點(diǎn)數(shù)。經(jīng)過分析，模型的隱含節(jié)點(diǎn)數(shù)為12個(gè)。本研究中，激活隱含層神經(jīng)元、輸出層選用的函數(shù)分別為logsic（）、pureline（）。采用Delta學(xué)習(xí)規(guī)則，調(diào)整權(quán)值根據(jù)誤差函數(shù)梯度下降的方向進(jìn)行。

2 結(jié)果與分析

樣本材料的發(fā)芽率見表2。由表2可知，不同老化程度的種子活力差別比較明顯，可以作為近紅外光譜檢測(cè)的樣本。

光譜曲線見圖1。從圖1可以看出，不同處理的玉米種子譜線總的趨勢(shì)和特征吸收峰幾乎無區(qū)別，但移動(dòng)籽粒時(shí)，位置和角度細(xì)微的差別會(huì)引起隨機(jī)誤差和譜線漂移，因此需要對(duì)原始光譜進(jìn)行預(yù)處理。

光譜數(shù)據(jù)共有2 083個(gè)數(shù)據(jù)點(diǎn)，利用Matlab中的主成分分析函數(shù)princomp（）對(duì)數(shù)據(jù)矩陣X240×203進(jìn)行主成分分析，分析結(jié)果見表3。由表3可知，11個(gè)主成分中的前9個(gè)累積可信度超過99%，可對(duì)大部分的光譜數(shù)據(jù)特性進(jìn)行反映。因此，本研究將主成分中的前9個(gè)特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量。從預(yù)處理及特征提取后的輸入數(shù)據(jù)集中按3種老化程度各取出40組作為各模型的訓(xùn)練數(shù)據(jù)。系統(tǒng)設(shè)置訓(xùn)練總步長(zhǎng)為840，每隔4步顯示1次。模型的平均識(shí)別時(shí)間為27.36 ms，得到的均方誤差為0.336 5。

將模型剩余的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，輸入到訓(xùn)練好的BP網(wǎng)絡(luò)中，將結(jié)果與已知的老化等級(jí)進(jìn)行比較，計(jì)算出模型的識(shí)別準(zhǔn)確率為90.3%。

從驗(yàn)證結(jié)果看，在主成分分析過程中進(jìn)行特征的提取時(shí)應(yīng)對(duì)數(shù)據(jù)的內(nèi)部結(jié)構(gòu)關(guān)系進(jìn)行充分考慮，能體現(xiàn)出光譜數(shù)據(jù)的差別。在具有相同神經(jīng)網(wǎng)絡(luò)層數(shù)的條件下，識(shí)別時(shí)間的長(zhǎng)短主要與各層的節(jié)點(diǎn)數(shù)目多少相關(guān)。

3 結(jié)論

研究采用近紅外光譜測(cè)量了經(jīng)人工老化處理為不同活力等級(jí)的玉米種子的光譜數(shù)據(jù)，利用矢量歸一化方法對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。然后利用主成分分析方法提取光譜特征，建立BP神經(jīng)網(wǎng)絡(luò)種子活力檢測(cè)模型。結(jié)果表明，模型的識(shí)別精度都達(dá)到了90.3%。本研究是玉米種子活力快速無損檢測(cè)的一次成功嘗試，為種子活力檢測(cè)方法提供了新思路[10-14]。

4 參考文獻(xiàn)

[1] 張曉芳.玉米種質(zhì)資源品質(zhì)性狀的鑒定與評(píng)價(jià)[J].玉米科學(xué)，2006，14（1）：18-20.

[2] 顏啟傳.種子學(xué)[M].北京：中國(guó)農(nóng)業(yè)出版社，2001.

[3] 陸艷婷，張小明，葉勝海，等.稻米品質(zhì)近紅外光譜法分析中定標(biāo)樣品選擇與模型優(yōu)化[J].核農(nóng)學(xué)報(bào)，2008，22（6）：823-828.

[4] 曹芳，吳迪，何勇.基于可見一近紅外反射光譜技術(shù)的葡萄品種鑒別方法的研究[J].光學(xué)學(xué)報(bào)，2009，29（2）：537-540.

[5] 張薇，耿雷躍，楊雅華，等.水稻種子活力的快速測(cè)定方法[J].現(xiàn)代農(nóng)業(yè)科技，2015（8）：29-32.

[6] 陳蘭珍，孫謙，葉志華，等.基于神經(jīng)網(wǎng)絡(luò)的近紅外光譜鑒別蜂蜜品種研究[J].食品科技，2009，34（8）：287-290.

[7] 洪慶紅，李丹婷，郝朝運(yùn).應(yīng)用FTIR直接測(cè)定法鑒定大豆的品種[J].光譜學(xué)與光譜分析，2005，25（8）：1246-1249.

[8] 周健，成浩，曾建明，等.基于近紅外的多相偏最小二乘模型組合分析實(shí)現(xiàn)茶葉原料品種鑒定與溯源的研究[J].光譜學(xué)與光譜分析，2010，30（10）：2650-2653.

[9] 韓亮亮，毛培勝，王新國(guó)，等.近紅外光譜技術(shù)在燕麥種子活力測(cè)定中的應(yīng)用研究[J].紅外與毫米波學(xué)報(bào)，2008，27（2）：86-89.

[10] 孟兆芳，趙龍蓮，程奕，等.近紅外光譜法測(cè)定玉米品質(zhì)指標(biāo)的研究[J].華北農(nóng)學(xué)報(bào)，2008（2）：147-150.

[11] 林敏，呂進(jìn).基于神經(jīng)網(wǎng)絡(luò)與近紅外光譜的玉米成分檢測(cè)方法[J].紅外技術(shù)，2004（3）：78-81.

[12] 芮玉奎，羅云波，黃昆侖，等.近紅外光譜在轉(zhuǎn)基因玉米檢測(cè)識(shí)別中的應(yīng)用[J].光譜學(xué)與光譜分析，2005（10）：1581-1583.

[13] 魏良明，姜海鷹，李軍會(huì)，等.玉米雜交種品質(zhì)性狀的近紅外光譜分析技術(shù)研究[J].光譜學(xué)與光譜分析，2005（9）：1404-1407.

[14] 魏良明，嚴(yán)衍祿，戴景瑞.近紅外反射光譜測(cè)定玉米完整籽粒蛋白質(zhì)和淀粉含量的研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2004（5）：630-633.