高光譜圖像信息檢測(cè)玉米籽粒胚水分含量

田 喜，黃文倩*，李江波，樊書祥，張保華

1. 北京農(nóng)業(yè)智能裝備技術(shù)研究中心，北京 100097

2. 國(guó)家農(nóng)業(yè)智能裝備工程技術(shù)研究中心，北京 100097

3. 農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100097

4. 農(nóng)業(yè)智能裝備技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100097

高光譜圖像信息檢測(cè)玉米籽粒胚水分含量

田 喜1,2,3,4，黃文倩1,2,3,4*，李江波1,2,3,4，樊書祥1,2,3,4，張保華1,2,3,4

1. 北京農(nóng)業(yè)智能裝備技術(shù)研究中心，北京 100097

2. 國(guó)家農(nóng)業(yè)智能裝備工程技術(shù)研究中心，北京 100097

3. 農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100097

4. 農(nóng)業(yè)智能裝備技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100097

通過波段比和閾值相結(jié)合的方法，分別提取了玉米籽粒全表面結(jié)構(gòu)和胚結(jié)構(gòu)區(qū)域的1 000～2 500 nm近紅外高光譜信息，研究了玉米籽粒水分含量與胚結(jié)構(gòu)區(qū)域光譜關(guān)系，同時(shí)采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)變量選擇算法(CARS)、遺傳算法(GA) 、連續(xù)投影算法(SPA)篩選特征波段，建立并比較偏最小二乘回歸(PLS)模型對(duì)水分含量的預(yù)測(cè)效果。結(jié)果顯示，玉米籽粒水分含量與胚結(jié)構(gòu)區(qū)域光譜關(guān)系顯著，隨著水分含量的增加，光譜反射值逐漸降低。預(yù)測(cè)模型結(jié)果表明，基于玉米籽粒胚結(jié)構(gòu)區(qū)域光譜信息所建立的CARS-PLS，GA-PLS和SPA-PLS回歸模型預(yù)測(cè)相關(guān)系數(shù)Rp分別為0.931 2，0.917 6和0.922 7，預(yù)測(cè)均方根誤差(RMSEP)分別為0.315 3，0.336 9和0.336 6，所選取的特征波段數(shù)量分別為9，14和6，較基于全表面光譜信息所建模型的特征波段數(shù)量分別少了49，12和24個(gè)，且預(yù)測(cè)效果與采用全表面光譜信息無(wú)顯著差別，SPA-PLS算法為基于玉米籽粒胚結(jié)構(gòu)光譜信息的水分含量預(yù)測(cè)最高效模型。提取胚結(jié)構(gòu)區(qū)域所用光譜波段為1 197，1 322和1 495 nm，建立SPA-PLS回歸模型所用特征波段為1 322，1 342，1 367，1 949，2 070和2 496 nm。研究結(jié)果表明，采用近紅外高光譜技術(shù)進(jìn)行玉米籽粒水分含量無(wú)損檢測(cè)時(shí)，提取玉米籽粒胚結(jié)構(gòu)的圖譜信息較全表面光譜信息更高效。

高光譜成像；玉米籽粒；胚；水分；無(wú)損檢測(cè)

引 言

玉米貯藏和育種等過程中，控制籽粒水分含量至關(guān)重要。玉米脫粒后胚結(jié)構(gòu)裸露在外界環(huán)境中，使得玉米籽粒易受外界環(huán)境干擾，導(dǎo)致貯藏穩(wěn)定性較低。貯藏時(shí)，為了降低玉米籽粒在庫(kù)中自身代謝速率，防止過多的熱量產(chǎn)生引起霉變，保障種子營(yíng)養(yǎng)含量和種子活力，玉米籽粒中水分含量需要保持在13%以下非常必要[1]。此外，在育種過程中，長(zhǎng)期在庫(kù)中儲(chǔ)存的玉米種子對(duì)環(huán)境的溫濕度要求非常高，種子入庫(kù)時(shí)所攜帶的水分含量高低對(duì)將來種子的出芽率有重要影響[2]。因此，在玉米進(jìn)倉(cāng)過程中，控制和檢測(cè)水分含量是保證玉米種子質(zhì)量的關(guān)鍵環(huán)節(jié)。

目前，玉米中水分含量的檢測(cè)通常是采用干燥或者化學(xué)方法去除玉米籽粒中的水分，再通過計(jì)算檢測(cè)出樣品的含水量。這些方法雖然檢測(cè)精度高，但是卻破壞了種子的活性。如果玉米批量較多，就需要抽檢較多樣本，耗費(fèi)時(shí)間和人工。近紅外高光譜成像技術(shù)是傳統(tǒng)的成像學(xué)與光譜學(xué)的巧妙融合，不僅可以獲取農(nóng)產(chǎn)品的空間信息，同時(shí)也能獲得連續(xù)的光譜信息，在農(nóng)產(chǎn)品品質(zhì)的無(wú)損檢測(cè)領(lǐng)域受到了國(guó)內(nèi)外學(xué)者們的青睞[3-5]。現(xiàn)代高光譜成像儀具有較高的光譜分辨率，在可見近紅外波段范圍內(nèi)可獲取近千個(gè)波段光譜，但是，分辨率的提高也造成了光譜數(shù)據(jù)量巨大，且存在冗余信息，導(dǎo)致數(shù)據(jù)運(yùn)算速度降低。因此，獲得穩(wěn)定且快速的預(yù)測(cè)模型，在農(nóng)產(chǎn)品內(nèi)部品質(zhì)的定量與定性分析過程中選擇有效的變量選擇算法非常重要[6-7]。目前，利用高光譜的可見-近紅外波段(400～1 000 nm)光譜數(shù)據(jù)對(duì)農(nóng)產(chǎn)品水分含量的研究較為廣泛[8-9]，而近紅外波段(1 000～2 500 nm)在農(nóng)產(chǎn)品的定性判別方面研究更多些，遲茜等[10]利用近紅外高光譜進(jìn)行了獼猴桃早期損傷的識(shí)別和特征波段篩選，EIMasry等[11]也利用近紅外高光譜對(duì)蘋果的輕微損傷進(jìn)行研究，謝傳奇[12]等利用近紅外高光譜成像技術(shù)對(duì)番茄葉片早疫病進(jìn)行檢測(cè)研究，并篩選出最有效果的光譜波段。而采用近紅外波段的高光譜成像信息對(duì)玉米種子的水分定量分析方面還未見相關(guān)研究。

為此采用波段比和閾值結(jié)合方法提取玉米全表面區(qū)域和胚結(jié)構(gòu)區(qū)域的近紅外高光譜信息，對(duì)玉米籽粒水分含量進(jìn)行無(wú)損檢測(cè)研究，并通過相關(guān)數(shù)據(jù)處理方法獲得最能反映其水分含量特征的最優(yōu)波短組合，從而為基于多光譜技術(shù)在線檢測(cè)玉米籽粒水分含量提供依據(jù)。

1 實(shí)驗(yàn)部分

1.1 樣本準(zhǔn)備

試驗(yàn)所用玉米品種為鄭單958，樣本總數(shù)300粒。為了擴(kuò)大玉米籽粒樣本中水分含量范圍，提高預(yù)測(cè)模型的適用能力，隨機(jī)選取150粒玉米放于潤(rùn)濕的紗布中包裹24 h，以提高樣本的水分含量，此后取下紗布，將玉米粒放于室內(nèi)通風(fēng)環(huán)境中24 h，備用。

1.2 高光譜采集

近紅外高光譜成像系統(tǒng)由成像光譜儀(ImSpector N25E, Spectral Imaging Ltd., Oulu, Finland)、近紅外面陣CCD相機(jī)(Xeva-FPA-2.5-320(100 Hz), Xenics Ltd., Leuven, Belgium)，鏡頭(OLES30 f-2.0/30 mm, Spectral Imaging Ltd., Oulu, Finland)，面光源(一對(duì)150 W鹵鎢燈面光源，AT-500WB, Antefore International CO., LTD., 臺(tái)灣)、移動(dòng)平臺(tái)、控制器和臺(tái)式電腦等構(gòu)成。高光譜圖像數(shù)據(jù)采集參數(shù)：物距為400 mm，平臺(tái)移動(dòng)速度為43 mm·s-1，曝光時(shí)間為2 ms，光譜范圍930～2 548 nm，入射狹縫寬度30 μm，光譜分辨率8 nm，共256個(gè)波段。為了提高采集效率，在高光譜采集前將玉米樣本(具有胚結(jié)構(gòu)的一側(cè)朝上)整齊的擺放于黑色卡紙的背景板上，每塊卡紙50個(gè)樣本，采集6次，共300個(gè)樣本。

1.3 光譜數(shù)據(jù)校正

1.4 樣本水分含量測(cè)定

依據(jù)我國(guó)2008年制定的GB/T 10362—2008《糧油檢驗(yàn) 玉米水分測(cè)定》方法中整粒玉米水分測(cè)定方法(130 ℃，38 h)測(cè)定[13]。

1.5 關(guān)鍵變量提取方法和模型評(píng)價(jià)

分別選用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling, CARS)[15]，遺傳算法(genetic algorithm, GA)[16]，連續(xù)投影算法(successive projection algorithm, SPA)[17-18]消除光譜中存在的共線性信息，減少變量數(shù)量，對(duì)篩選后的變量建立偏最小二乘回歸(partial least squares regression)模型，采用校正集相關(guān)系數(shù)(Rc) 、預(yù)測(cè)集相關(guān)系數(shù)(Rp)、交叉驗(yàn)證均方根誤差(root mean square error of cross validation，RMSECV)和預(yù)測(cè)均方根誤差(root mean square error of prediction，RMSEP)等指數(shù)來比對(duì)分析與評(píng)價(jià)模型的優(yōu)劣[15-16]。

2 結(jié)果與討論

2.1 玉米籽粒全表面光譜獲取

人為提取30個(gè)玉米籽粒全表面光譜和背景板光譜，分析玉米籽粒的表面和背景板光譜曲線特征發(fā)現(xiàn)，玉米表面光譜在1 000～2 500nm范圍內(nèi)光譜反射值呈現(xiàn)下降趨勢(shì)，在1 322，1 650，1 875和2 010 nm處具有明顯的反射峰值，在1 190，1 455和1 950 nm處光譜有顯著吸收。為了能夠快速完整地提取玉米粒的全表面光譜，研究發(fā)現(xiàn)1 322～1 455 nm范圍內(nèi)，背景板的反射光譜逐漸提升，而玉米粒表面反射光譜急速降低，因此，1 322～1 455 nm的波段比圖像可以很好地解決這一問題，當(dāng)λ1 322/λ1 455大于1，則為玉米光譜，λ1 322/λ1 455小于1則為背景光譜。以λ1 322/λ1 455比值是否大于1為臨界值，提取所有玉米粒的表面圖像，計(jì)算每個(gè)樣本256個(gè)波段下所有像素的光譜平均值。

由于1 000 nm以下和2 500 nm以上波段信噪比較低，所以選取1 000～2 500 nm范圍內(nèi)光譜信息。圖2為300個(gè)樣本全表面區(qū)域1 000～2 500 nm波長(zhǎng)范圍下的光譜變化曲線。每條光譜包含237個(gè)變量，所有樣本光譜曲線趨勢(shì)類似，無(wú)異常樣本。不同樣品對(duì)近紅外光的反射和吸收存在差異，1 000～2 200 nm區(qū)域存在較多的吸收和反射峰，并且這些吸收和反射峰通常為較寬的光譜帶，無(wú)法直接獲得與玉米水分含量相關(guān)的關(guān)鍵變量，必須利用有效的算法進(jìn)行關(guān)鍵變量提取。從圖中也可以看出，可能由于玉米表面或內(nèi)部結(jié)構(gòu)不均一等原因?qū)е鹿庾V區(qū)域存在較大的散射和極限漂移。因此，在對(duì)光譜進(jìn)一步分析前先對(duì)原始光譜進(jìn)行了中心化變換，將變換后的光譜用于隨后的變量提取和建模分析。

圖1 玉米籽粒全表面和黑色背景板光譜

圖2 玉米籽粒全表面近紅外光譜曲線

2.2 玉米籽粒全表面光譜建模

300個(gè)玉米樣本的真實(shí)水分含量統(tǒng)計(jì)結(jié)果如表1所示。由表1可知，樣本水分含量在7%～15%之間。隨機(jī)選取220粒玉米作為校正集，另外80粒作為預(yù)測(cè)集。由統(tǒng)計(jì)結(jié)果可見，校正集范圍較好的涵蓋了預(yù)測(cè)集，這些特征有助于建立一個(gè)較好的預(yù)測(cè)模型。

表1 玉米籽粒樣本校正集和預(yù)測(cè)集水分含量統(tǒng)計(jì)

將玉米全表面近紅外光譜237個(gè)波段作為CARS，GA和SPA三種變量選擇算法的輸入變量，然后將篩選所得的波長(zhǎng)作為PLS回歸模型的輸入變量，建立水分含量的預(yù)測(cè)模型。由表2的建模結(jié)果可見，利用CARS，GA和SPA三種變量選擇算法分別選取了237個(gè)變量中的58，26和30個(gè)變量，其預(yù)測(cè)相關(guān)系數(shù)Rp分別為0.935 9，0.909 9和0.941 2，RMSEP分別為0.329 4，0.347 1和0.293 9，預(yù)測(cè)結(jié)果都達(dá)到了0.90以上的精度。但是，三種變量算法所選擇的特征波段較多，不僅增加了運(yùn)算的速度，也不利于研制在線的快速檢測(cè)分析設(shè)備。這可能是由于玉米籽粒表面結(jié)構(gòu)包含胚和種皮，紋理較多，信息復(fù)雜導(dǎo)致。此外，玉米籽粒種皮結(jié)構(gòu)堅(jiān)硬，反射強(qiáng)度大，不利于籽粒內(nèi)部水分信息的提取。因此，在能夠保證預(yù)測(cè)精度的前提下，為了減少特征波段的數(shù)量，又嘗試對(duì)玉米籽粒表面的胚結(jié)構(gòu)區(qū)域的光譜信息進(jìn)行提取，建立基于玉米籽粒的胚結(jié)構(gòu)區(qū)域光譜信息的水分含量預(yù)測(cè)模型。

表2 基于玉米籽粒全表面光譜信息的水分含量預(yù)測(cè)模型

Table 2 The prediction model of moisture content based on the spectra of full surface of maize kernels

建模算法變量數(shù)校正集預(yù)測(cè)集RcRMSECVRpRMSEPCARS?PLS580 93570 26460 93590 3294GA?PLS260 96310 20560 90990 3471SPA?PLS300 92570 27020 94120 2939

2.3 玉米籽粒胚的光譜信息提取

圖3 玉米籽粒Fig.3 RGB image of maize kernel

圖4 玉米籽粒胚、種皮區(qū)域和背景光譜Fig.4 Reflection spectra of maize kernel embryo,kernel peel and background

圖5 玉米籽粒胚結(jié)構(gòu)區(qū)域的近紅外光譜曲線Fig.5 Near-infrared spectra ofmaize kernel embryo

圖6 玉米籽粒胚結(jié)構(gòu)區(qū)域提取過程Fig.6 Flowchart of extracting the maize kernel embryo

2.4 玉米籽粒不同水分含量下胚結(jié)構(gòu)光譜響應(yīng)特征

將玉米樣本的水分含量按照規(guī)定排序，統(tǒng)計(jì)7%～9%，9%～11%，11%～13%和13%～15%區(qū)間玉米樣本胚結(jié)構(gòu)區(qū)域的光譜反射率，計(jì)算平均光譜。結(jié)果如圖7所示，不同水分含量情況下，玉米籽粒胚結(jié)構(gòu)的光譜曲線趨勢(shì)相同，1 000～2 500nm范圍內(nèi)的近紅外光譜的反射率隨著水分含量的降低而升高。圖8為玉米籽粒水分含量與胚結(jié)構(gòu)區(qū)域光譜相關(guān)關(guān)系圖，在1 000和2 500nm處具有最大負(fù)相關(guān)，在1 170，1 245，1 330，1 420和1 950nm處相關(guān)系數(shù)的絕對(duì)值具有明顯峰值，前人研究表明，960，1 190和1 450nm是O—H鍵倍頻振動(dòng)吸收譜帶，1 940nm表現(xiàn)O—H鍵的合頻特性，都是水分含量的特征吸收波段，本研究玉米籽粒水分含量與胚結(jié)構(gòu)區(qū)域光譜相關(guān)關(guān)系與前人研究較為吻合。

圖7 不同水分含量的玉米籽粒其胚結(jié)構(gòu)光譜曲線Fig.7 Average reflection spectra of maize kernelembryo at different moisture content levels

圖8 玉米籽粒胚結(jié)構(gòu)光譜與水分含量的相關(guān)性Fig.8 Correlation between reflection spectralof maize kernel embryo and moisture

這一結(jié)果表明水分對(duì)近紅外光具有較強(qiáng)的吸收作用，近紅外波段的光量子與水分中的O—H鍵發(fā)生作用，導(dǎo)致其被強(qiáng)烈吸收，光譜反射率減小，即水分含量越高，光譜吸收越多，反射率越低。雖然只提取了胚結(jié)構(gòu)區(qū)域的光譜代表整個(gè)玉米籽粒的光譜信息，但從圖7和圖8結(jié)果可以說明胚結(jié)構(gòu)區(qū)域的近紅外光譜與水分有著較為明顯的關(guān)系，可能是因?yàn)橛衩鬃蚜Ｖ?，除去胚以外的結(jié)構(gòu)大部分是厚而光滑的種皮，對(duì)光譜反射較為強(qiáng)烈，所攜帶水分含量信息較少，胚結(jié)構(gòu)相對(duì)較松軟，有利于內(nèi)部信息的提取。雖然不同水分含量使得光譜反射率有差別，但是光譜反射率差別較小，無(wú)法通過單一波段較好地判斷出玉米籽粒水分含量的所屬范圍。

2.5 玉米籽粒胚結(jié)構(gòu)光譜信息建模

將玉米胚結(jié)構(gòu)區(qū)域的近紅外光譜237個(gè)波段作為CARS，GA和SPA三種變量選擇算法的輸入變量，然后將篩選所得的波長(zhǎng)作為PLS回歸模型的輸入變量，建立水分含量的預(yù)測(cè)模型。由表3的建模結(jié)果可見，利用CARS，GA和SPA三種變量選擇算法分別選取了237個(gè)變量中的9，14和6個(gè)變量，其預(yù)測(cè)相關(guān)系數(shù)Rp分別為0.931 2，0.917 6和0.922 7，RMSEP分別為0.315 3, 0.336 9和0.336 6。與玉米籽粒全表面光譜相比，預(yù)測(cè)相關(guān)系數(shù)Rp無(wú)較大差別，均在0.90以上，但是CARS，GA和SPA三種變量選擇算法所選取的特征變量數(shù)卻較玉米籽粒全表面光譜分別減少49，12和24個(gè)。三種算法中，雖然CARS-PLS的預(yù)測(cè)結(jié)果最好，Rp=0.931 2，RMSEP=0.315 3，但是特征波段數(shù)量卻比SPA算法多選用了三個(gè)，結(jié)果僅僅提高了0.009 5。對(duì)于在線設(shè)備的研制而言，較少的波段能提高運(yùn)算速度，同時(shí)減少設(shè)備成本。因此，選擇SPA-PLS算法為基于玉米籽粒胚結(jié)構(gòu)光譜信息的水分含量預(yù)測(cè)最佳模型，所選波段如圖9所示，為1 322，1 342，1 367，1 949，2 070和2 496nm，胚結(jié)構(gòu)區(qū)域提取所用到的波段為1 197，1 322和1 495nm。SPA-PLS變量選擇算法所得預(yù)測(cè)相關(guān)系數(shù)Rp為0.922 7，RMSEP為0.336 6(圖10)。

表3 基于玉米籽粒胚結(jié)構(gòu)光譜信息的水分含量預(yù)測(cè)模型

Table3Thepredictionmodelofmoisturecontentbasedonthespectraofmaizekernelembryo

建模算法變量數(shù)校正集預(yù)測(cè)集RcRMSECVRpRMSEPCARS?PLS90 93790 25760 93120 3153GA?PLS140 91370 29170 91770 3369SPA?PLS60 92300 28430 92270 3366

圖9 SPA算法所選特征波段分布

Fig.9 Distribution of variables selected by SPA for prediction of moisture content on the spectra of kernel embryo

3 結(jié) 論

采用波段比和閾值結(jié)合的方法提取出玉米全表面結(jié)構(gòu)和胚結(jié)構(gòu)近紅外高光譜信息，結(jié)合競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)變量選擇算法、連續(xù)投影算法、遺傳算法應(yīng)用于玉米籽粒的水分含量預(yù)測(cè)。主要結(jié)論有：

圖10 基于SPA-PLS的水分含量預(yù)測(cè)結(jié)果散點(diǎn)圖

(1)胚結(jié)構(gòu)區(qū)域的光譜與水分含量具有較強(qiáng)的相關(guān)性，近紅外波段的光量子與水分中的O—H鍵發(fā)生作用，導(dǎo)致被強(qiáng)烈吸收，光譜反射率減小，即水分含量越高，光譜吸收越多，反射率越低。

(2)基于玉米籽粒胚結(jié)構(gòu)區(qū)域的光譜信息所建立的CARS，GA和SPA三種變量選擇模型預(yù)測(cè)結(jié)果Rp分別為0.931 2，0.917 6和0.922 7，RMSEP分別為0.315 3，0.336 9和0.336 6，所選取的特征波段數(shù)量分別為9，14和6。

(3)選擇SPA-PLS算法為基于玉米籽粒胚結(jié)構(gòu)光譜信息的水分含量預(yù)測(cè)最高效模型，建模所用特征波段為1 322，1 342，1 367，1 949，2 070和2 496 nm，胚結(jié)構(gòu)區(qū)域光譜提取所用波段為1 197，1 322和1 495 nm。

結(jié)果表明玉米籽粒胚結(jié)構(gòu)的近紅外(1 000～2 500 nm)光譜信息用于檢測(cè)玉米水分含量較全表面光譜信息更高效，對(duì)在線式玉米水分含量篩選設(shè)備研制更為優(yōu)越，為設(shè)備研制提供了理論依據(jù)。

[1] LI Ping(李 萍). The Technology of Corn Storage(玉米貯藏技術(shù))，2012，(7)：45.

[2] LIU Guo-liang，ZHU Chen(劉國(guó)良，祝 臣). Agricultural Science & Technology and Equipment(農(nóng)業(yè)科技與裝備)，2009，(3)：120.

[3] Ariana D，Lu R，Guyer D E. Computers and Electronics in Agriculture，2006，53(1)：60.

[4] Qiao J，Ngadi M，Wang N，et al. International Journal of Food Engineering，2007，3(1)：1.

[5] Huang Wen-qian，Li Jiang-bo，Zhang Chi，et al. Transactions of the Chinese Society of Agricultural Engineering，2012，28(Supp. 2)：243.

[6] WANG Yu-liang，LIU Xian-xi，SU Qing-tang，et al(王玉亮，劉賢喜，蘇慶堂，等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))，2010，26(6)：199.

[7] HUANG Min，ZHU Xiao，ZHU Qi-bing，et al(黃 敏，朱 曉，朱啟兵，等). Acta Photonica Sinica(光子學(xué)報(bào))，2012，41(7)：868.

[8] LI Jing-bo，SU Yi-nan，RAO Xiu-qin(李江波，蘇憶楠，饒秀勤). Packaging and Food Machinery(包裝與食品機(jī)械)，2008，28(6)：1.

[9] JI Rong-hua，ZHENG Li-hua，DENG Xiao-lei，et al(冀榮華，鄭立華，鄧小蕾，等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào))，2014，45(8)：269.

[10] CHI Qian，WANG Zhuan-wei，YANG Ting-ting，et al(遲 茜，王轉(zhuǎn)衛(wèi)，楊婷婷，等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào))，2015，46(3)：235.

[11] ElMasry G，Wang N，Vigneault C，et al. LWT-Food Science and Technology，2008，41(2)：337.

[12] XIE Chuan-qi，F(xiàn)ANG Xiao-rong，SHAO Yong-ni，et al(謝傳奇，方孝榮，邵詠妮，等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào))，2015，46(3)：315.

[13] GB/T10362—2008，糧油檢測(cè) 玉米水分測(cè)定.

[14] SHAN Jia-jia，PENG Yan-kun，WANG Wei，et al(單佳佳，彭彥昆，王 偉，等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào))，2011，42(3)：140.

[15] FAN Shu-xiang，HUANG Wen-qian，LI Jiang-bo，et al(樊書祥，黃文倩，李江波，等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析)，2014，34(10)：2707.

[16] ZOU Xiao-bo，ZHAO Jie-wen(鄒小波，趙杰文). Acta Optica Sinica(光學(xué)學(xué)報(bào))，2007，27(7)：1316.

[17] WU Di，NING Ji-feng，LIU Xu，et al(吳 迪，寧紀(jì)鋒，劉 旭，等). Food Science(食品科學(xué))，2014，35(8)：57.

[18] Li Jiangbo，Huang Wenqian，Chen Liping，et al. Food Analytical Methods，2014，7(9)：1891.

(Received Dec. 1, 2015; accepted Mar. 17, 2016)

*Corresponding author

Measuring the Moisture Content in Maize Kernel Based on Hyperspctral Image of Embryo Region

TIAN Xi1,2,3,4，HUANG Wen-qian1,2,3,4*，LI Jiang-bo1,2,3,4，F(xiàn)AN Shu-xiang1,2,3,4，ZHANG Bao-hua1,2,3,4

1. Beijing Research Center of Intelligent Equipment for Agriculture, Beijing 100097, China

2. National Research Center of Intelligent Equipment for Agriculture, Beijing 100097, China

3. Key Laboratory of Agri-informatics, Ministry of Agriculture, Beijing 100097, China

4. Beijing Key Laboratory of Intelligent Equipment Technology for Agriculture, Beijing 100097, China

Maize is among the most important economic corps in China while moisture content is a critical parameterin the process of storage and breeding. To measure the moisture content in maize kernel, a near-infrared hyperspectral imaging system has been built to acquire reflectance images from maize kernel samples in the spectral region between 1 000 and 2 500 nm. Near-infrared hyperspectral information of full surface and embryo of maize kernel were firstly extracted based on band ratio coupled with a simple thresholding method and the spectra analysis between moisture content in maize kernel and embryo was performed. The characteristic bands were then selected with the help of Competitive Adaptive Reweighted Sampling (CARS), Genetic Algorithm (GA) and Successive Projection Algorithm (SPA). Finally, these selected variables were used as the inputs to build Partial Least Square (PLS) models for determining the moisture content of maize kernel. In this study, a significant relation, which the spectral reflectance decreases as moisture content increase, between moisture content and spectral of embryo in maize kernel was observed. For the investigated independent test samples, all the proposed regression models, namely CARS-PLS, GA-PLS and SPA-PLS, achieved a good performance by using the information of embryo region. The correlation coefficient (Rp) and Root Mean Squared Error of Prediction (RMSEP) and number of characteristic wavelength for the prediction set were 0.931 2, 0.315 3, 9 and 0.917 6, 0.336 9, 14 and 0.922 7, 0.336 6, 16 for CARS-PLS, GA-PLS and SPA-PLS models, respectively. And, compared with models obtained by full surface spectral information, less characteristic wavelengths is used for development of CARS-PLS, GA-PLS and SPA-PLS models, while similar results were obtained. Comprehensively analyzing to both model accuracy and model complexity, SPA-PLS model by using embryo region information achieved the best result. Wavelengths at 1 197，1 322 and 1 495 nm were applied to extracted the information of embryo region, and the bands at 1 322, 1 342, 1 367, 1 949, 2 070 and 2 496 nm were used to establish the SPA-PLS model. These results demonstrated that near-infrared hyperspectral information from embryo region is more effective for determination of moisture nondestructive in maize kernel.

Hyperspectral imaging；Maize kernel；Embryo；Moisture content；Nondestructive determination

2015-12-01，

2016-03-17

北京市自然科學(xué)基金青年基金項(xiàng)目(6144024)，北京市農(nóng)林科學(xué)院青年科研基金項(xiàng)目(QNJJ201528)資助

田 喜，1988年生，北京農(nóng)業(yè)智能裝備技術(shù)研究中心碩士研究生 e-mail：tianx@nercita.org.cn *通訊聯(lián)系人 e-mail: huangwq@nercita.org.cn

S123

A

10.3964/j.issn.1000-0593(2016)10-3237-06