連續(xù)偏振光譜的稻種發(fā)芽率檢測(cè)方法研究

程宇瓊，盧 偉, 2*，洪德林，黨小景，羅 慧

1. 南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室，江蘇 南京 210031

2. 遠(yuǎn)程測(cè)控技術(shù)江蘇省重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096

3. 南京農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，作物遺傳與種質(zhì)創(chuàng)新國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210095

連續(xù)偏振光譜的稻種發(fā)芽率檢測(cè)方法研究

程宇瓊1，盧 偉1, 2*，洪德林3，黨小景3，羅 慧1

1. 南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室，江蘇 南京 210031

2. 遠(yuǎn)程測(cè)控技術(shù)江蘇省重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210096

3. 南京農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，作物遺傳與種質(zhì)創(chuàng)新國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210095

針對(duì)目前傳統(tǒng)稻種發(fā)芽率檢測(cè)方法周期長(zhǎng)、精度低的問(wèn)題，提出新穎的基于連續(xù)偏振光譜技術(shù)實(shí)現(xiàn)稻種發(fā)芽率快速、無(wú)損檢測(cè)的方法。以不同老化天數(shù)稻種為檢測(cè)目標(biāo)，10 min為檢測(cè)時(shí)間點(diǎn)，使用起偏器將光纖準(zhǔn)直光源調(diào)制成線偏振光垂直入射稻種浸出液，而后以5°為間隔旋轉(zhuǎn)檢偏器，并通過(guò)光纖光譜儀檢測(cè)透射的光譜，對(duì)檢測(cè)的偏振光譜通過(guò)歸一化預(yù)處理后，根據(jù)不同發(fā)芽率稻種檢測(cè)時(shí)偏振角及波長(zhǎng)的貢獻(xiàn)給出特征偏振角和特征波長(zhǎng)，特征偏振角為0°，5°和25°，特征波長(zhǎng)為576，620和788 nm，將獲取的連續(xù)偏振光譜以特征偏振角和特征波長(zhǎng)處的透射率為輸入，構(gòu)建稻種發(fā)芽率檢測(cè)模型。分別比較運(yùn)用偏最小二乘法回歸(partial least squares regression，PLSR)、BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)、徑向基神經(jīng)網(wǎng)絡(luò)(radial basis function neural network，RBFNN)三種建模方法建立稻種發(fā)芽率檢測(cè)模型。分別用老化天數(shù)為0，2，4，6 d的稻種，在不同的偏振角共測(cè)量1 520組實(shí)驗(yàn)數(shù)據(jù)，其中912組數(shù)據(jù)作為校正集，608組數(shù)據(jù)作為預(yù)測(cè)集，建模結(jié)果表明三種模型預(yù)測(cè)精度較高，其中RBFNN模型預(yù)測(cè)精度最高，其相關(guān)系數(shù)r為0.976，均方誤差RMSE為0.785，平均相對(duì)誤差MRE為0.85%。表明利用連續(xù)偏振光譜技術(shù)通過(guò)多維度光譜信息能夠有效實(shí)現(xiàn)稻種發(fā)芽率的快速、準(zhǔn)確檢測(cè)。

連續(xù)偏振光譜； 稻種； 發(fā)芽率； 無(wú)損檢測(cè)

引 言

我國(guó)是世界上人口最多的發(fā)展中國(guó)家，其中65%以上的人口以大米為主食，穩(wěn)定的水稻產(chǎn)量已成為人民基本生活的保障。而稻種發(fā)芽率是決定我國(guó)水稻產(chǎn)量的重要因素，也是種子質(zhì)量檢驗(yàn)中最主要的指標(biāo)之一，實(shí)現(xiàn)稻種發(fā)芽率快速準(zhǔn)確檢測(cè)對(duì)我國(guó)糧食安全、國(guó)民經(jīng)濟(jì)和社會(huì)的持續(xù)發(fā)展具有重要意義[1]。

種子發(fā)芽率檢測(cè)有多種方法，陶嘉齡等按測(cè)定方法本身性質(zhì)劃分為生理測(cè)定法、生化測(cè)定法、物理測(cè)定法、組織化學(xué)法和形態(tài)解剖鑒別法[2]。生理測(cè)定法主要包括發(fā)芽試驗(yàn)法和電導(dǎo)率法，其中發(fā)芽試驗(yàn)法應(yīng)用廣泛但周期長(zhǎng)、成本高，且受到種子休眠限制，電導(dǎo)率法[3]基于不同裂變程度稻種膜結(jié)構(gòu)完整性不同造成的電解質(zhì)滲透差異，雖可間接有效地獲取種子內(nèi)部生化信息，但存在檢測(cè)周期較長(zhǎng)、檢測(cè)精度低的缺點(diǎn)。生化測(cè)定法主要包括四唑測(cè)定法和ATP含量測(cè)定，其中四唑測(cè)定法[4]同機(jī)器視覺(jué)結(jié)合鑒別染色區(qū)域進(jìn)而分析測(cè)定種子發(fā)芽率，準(zhǔn)確率達(dá)93.7%以上但導(dǎo)致種子損傷且不可逆，ATP含量測(cè)定因不同品種種子ATP含量對(duì)發(fā)芽率變化敏感性存在差異導(dǎo)致該方法普適性較差。組織化學(xué)法包括紅墨水染色法，這一方法基于不同老化程度種子細(xì)胞膜對(duì)內(nèi)滲透物質(zhì)選擇透過(guò)性差異，雖測(cè)定精度較高但造成種子損傷不可逆。種子發(fā)芽率物理測(cè)定法主要包括近紅外光譜分析法和紅外熱成像技術(shù)，其中近紅外光譜技術(shù)[5]基于不同老化程度種子內(nèi)部有機(jī)物質(zhì)組成及表面粗糙度變化差異，通過(guò)獲取種子近紅外反射光譜信息鑒別種子發(fā)芽率，方便快捷但因不同種類種子外表顏色存在差異使得近紅外光譜技術(shù)普適性受到很大限制，紅外熱成像技術(shù)[6]基于不同老化程度種子在萌發(fā)過(guò)程中新陳代謝強(qiáng)度差異，通過(guò)測(cè)量種子溫度鑒別種子發(fā)芽率，但無(wú)法獲取種子內(nèi)部生化信息且測(cè)量精度較低。種子發(fā)芽率形態(tài)解剖鑒別法主要為離體胚測(cè)定法。離體胚測(cè)定法基于不同老化程度種子胚的形態(tài)差異鑒別種子發(fā)芽率，檢測(cè)精度有待提高。

已有的稻種發(fā)芽率檢測(cè)方法中，發(fā)芽試驗(yàn)法和四唑測(cè)定法屬于有損檢測(cè)且檢測(cè)周期較長(zhǎng)、專業(yè)性要求高。電導(dǎo)率法[7]和近紅外光譜技術(shù)[1]屬于無(wú)損檢測(cè)，但電導(dǎo)率法檢測(cè)精度較低，近紅外光譜技術(shù)受限于不同品種稻種自然顏色以及表面污染物影響，難以建立普適的稻種發(fā)芽率檢測(cè)模型。偏振光譜技術(shù)是一種新型的目標(biāo)信息檢測(cè)技術(shù)，基于強(qiáng)度、偏振度及偏振角信息互補(bǔ)反映不同物理特性[8]在獨(dú)立偏振角下逐步實(shí)現(xiàn)偏振光譜波長(zhǎng)信息的完整，能夠直觀、準(zhǔn)確、非接觸地對(duì)目標(biāo)信息進(jìn)行檢測(cè)?，F(xiàn)階段偏振光譜技術(shù)被廣泛應(yīng)用于大氣遙感[9]、水體檢測(cè)[10]、目標(biāo)信息探測(cè)[11]和生物醫(yī)學(xué)[12]等領(lǐng)域并取得一定成果。

目前，國(guó)內(nèi)外基于偏振光譜技術(shù)檢測(cè)稻種發(fā)芽率的相關(guān)文章鮮有報(bào)道，本文擬提出一種新穎的基于連續(xù)偏振光譜稻種發(fā)芽率檢測(cè)方法，在偏振光譜技術(shù)的基礎(chǔ)上獲取連續(xù)偏振角下稻種浸出液偏振光譜實(shí)現(xiàn)對(duì)稻種發(fā)芽率反演。這一方法能夠檢測(cè)同稻種發(fā)芽率密切相關(guān)的膜通透性及生化變化等稻種生命信息，不受稻種自然顏色及表面污染物的影響。

1 實(shí)驗(yàn)部分

1.1 材料

采用南京農(nóng)業(yè)大學(xué)江浦農(nóng)場(chǎng)試驗(yàn)田收獲的，由南京農(nóng)業(yè)大學(xué)農(nóng)學(xué)院提供的南粳46稻種。經(jīng)篩選剔除缺陷稻種，挑選800粒較飽滿、無(wú)霉變的稻種存放在密封袋中，置于4 ℃冰箱內(nèi)冷藏。

1.2 老化處理

為得到不同發(fā)芽率的稻種，將800粒稻種隨機(jī)分成A組、B組、C組和D組，每組200粒，依次置于標(biāo)有A，B，C和D的玻璃培養(yǎng)皿中。A組稻種不做老化處理，即老化天數(shù)為0天。將B，C和D組置于智能人工氣候箱(型號(hào)： RXZ型(多段編程)，寧波江南儀器廠制造)中進(jìn)行老化處理。在溫度45 ℃、濕度為100%的條件下對(duì)B，C和D組稻種依次老化2, 4和6 d。每份經(jīng)老化處理的稻種放在太陽(yáng)下曬干，得到4個(gè)老化梯度的稻種樣本。為避免混淆將4份樣本放入牛皮紙袋內(nèi)，并放入標(biāo)記相應(yīng)組號(hào)的塑料密封袋中置于4 ℃冰箱冷藏。

1.3 方法原理

兩個(gè)振動(dòng)方向互相垂直，沿同一方向傳播的同頻率線偏振光可以合成橢圓偏振光。連續(xù)偏振光譜技術(shù)在單色波橢圓偏振光的基礎(chǔ)上引入波長(zhǎng)變量，得出橢圓偏振光矢量軌跡方程。橢圓偏振光矢量為

(1)

式中，Ex和Ey均為光波段中沿同一方向傳播不同頻率不同振幅的振動(dòng)波Exi和Eyi的疊加，Ex和Ey振動(dòng)方向相互垂直。

(2)

(3)

式中ai和bi分別為兩種振動(dòng)方向垂直的光波中各單色波振幅；ωi為第個(gè)i個(gè)單色波的振動(dòng)頻率；n為波段中單色波的條數(shù)。

令kz1i=αi，kz2i=βi，由Exi和Eyi公式消去參數(shù)t，第i個(gè)單色波的橢圓偏振光矢量軌跡方程

(4)

式中，δi=βi-αi。

橢圓偏振光矢量軌跡方程由n條單色波的橢圓偏振光矢量軌跡方程復(fù)合而成

(5)

式(5)可知，橢圓偏振光矢量軌跡方程融入波長(zhǎng)頻率信息后，可表征不同波長(zhǎng)時(shí)的偏振特性，從而為稻種發(fā)芽率檢測(cè)提供更多的偏振信息。

1.4 光譜采集

實(shí)驗(yàn)裝置如圖1所示，由光譜儀、光纖、透鏡、光源、偏振片和檢測(cè)瓶(均勻玻璃材質(zhì)的扁平、無(wú)色玻璃瓶，容量25 mL)等組成。光譜儀采用美國(guó)海洋光學(xué)公司的USB4000型號(hào)光纖光譜儀。信噪比： 300∶1，靈敏度： 400 nm: 130 photons·count-1，600 nm： 60 photons·count-1，分辨率： 0.3～10.0 nm FWHM，波段： 200～1 100 nm。光源采用上海聞奕公司的鹵素?zé)?，兩個(gè)偏振片分別用作起偏器和檢偏器來(lái)檢測(cè)稻種浸出液的偏振信息。實(shí)驗(yàn)時(shí)室內(nèi)溫度為20 ℃。

對(duì)A，B，C和D四組不同老化天數(shù)稻種分別以十粒為樣本數(shù)獲取20組稻種樣本，共80組不同老化天數(shù)稻種樣本。將稻種樣本分別置于潔凈的30 mL玻璃燒杯中，加15 mL清水浸泡10 min后將稻種浸出液倒入新的玻璃燒杯中備用并做好標(biāo)記。將前面實(shí)驗(yàn)的稻種按照GB/T 3543.1～3543.7—1995發(fā)芽技術(shù)規(guī)程進(jìn)行發(fā)芽試驗(yàn)并測(cè)出發(fā)芽率。

如圖1所示，在檢測(cè)臺(tái)上放置裝有15 mL清水的檢測(cè)瓶，并與起偏器、檢偏器保持平行且中心在同一條直線上。打開(kāi)鹵素?zé)艄庠矗瑢⑵鹌?、檢偏器的偏振角設(shè)置為0°，調(diào)整光纖使光通過(guò)起偏器后垂直入射檢測(cè)瓶，利用光纖光譜儀檢測(cè)透射的光譜作為參考光譜用于后面的光譜歸一化。每次實(shí)驗(yàn)時(shí)先用純凈水清洗檢測(cè)瓶，并選取一組稻種樣本溶液倒入檢測(cè)瓶中置于檢測(cè)臺(tái)上固定位置，打開(kāi)鹵素?zé)艄庠?，?°開(kāi)始旋轉(zhuǎn)檢偏器，為簡(jiǎn)化實(shí)驗(yàn)以5°為間隔旋轉(zhuǎn)檢偏器，利用光纖光譜儀共獲取19個(gè)偏振角的偏振光譜。為保證獲取的稻種光譜不受到外界因素干擾，減小實(shí)驗(yàn)誤差，每次實(shí)驗(yàn)使用同一檢測(cè)瓶，每次實(shí)驗(yàn)結(jié)束后需洗凈檢測(cè)瓶備用。對(duì)每種老化稻種共采集20×19組光譜數(shù)據(jù)，其中隨機(jī)選取12×19組光譜數(shù)據(jù)作為校正集建立模型，剩余8×19組光譜數(shù)據(jù)用于預(yù)測(cè)集檢驗(yàn)?zāi)Ｐ停虼?種老化稻種共采集4×20×19組光譜數(shù)據(jù)，校正集共4×12×19組，預(yù)測(cè)集共4×8×19組。

圖1 實(shí)驗(yàn)裝置圖

1： Halogen lamp； 2： Polarizer； 3： Optical fiber； 4： Rice sample solution； 5： Analyser； 6： Lens； 7： USB4000 optical fiber spectrometer

1.5 發(fā)芽試驗(yàn)

經(jīng)過(guò)人工老化加速處理和光譜采集后，取不同老化天數(shù)稻種各200粒進(jìn)行發(fā)芽實(shí)驗(yàn)。實(shí)驗(yàn)過(guò)程中首先將不同老化天數(shù)稻種按組號(hào)放入裝有清水的200 mL燒杯中，在25 ℃恒溫條件下浸種2 d。浸種完成后，將不同老化天數(shù)稻種按組號(hào)順序依次放置在內(nèi)鋪兩層濾紙玻璃培養(yǎng)皿的相應(yīng)位置，加水濕潤(rùn)，每粒稻種之間留有稻種直徑5倍以上的間距，蓋好蓋子后放入25 ℃的智能人工氣候箱(型號(hào)： RXZ型(多段編程)，寧波江南儀器廠制造)中，按照GB/T 3543.1～3543.7—1995發(fā)芽技術(shù)規(guī)程[13]要求培養(yǎng)稻種14 d。每天記錄不同老化天數(shù)稻種的發(fā)芽情況，第14天計(jì)算發(fā)芽率。發(fā)芽率測(cè)試結(jié)果見(jiàn)表1，結(jié)果顯示同一老化天數(shù)稻種發(fā)芽率測(cè)試值最大差距為3.5%，發(fā)芽率測(cè)試數(shù)據(jù)符合研究要求。

表1 不同老化天數(shù)稻種發(fā)芽率

2 結(jié)果與討論

2.1 光譜預(yù)處理

對(duì)4×20×19條原始稻種偏振光譜以實(shí)驗(yàn)裝置光譜為參考進(jìn)行歸一化預(yù)處理。考慮到鹵素?zé)舻脑肼曈绊?，選取光譜573～883 nm波段附近為有效波段，得到稻種高質(zhì)量偏振光譜。

2.2 不同老化程度稻種三維光信息模型

分別將四組不同老化程度稻種偏振光譜數(shù)據(jù)融合，以偏振角、波長(zhǎng)和透射率為坐標(biāo)軸構(gòu)建不同老化程度稻種的三維光信息模型，如圖2所示。

圖2 不同老化程度稻種的三維光信息模型

分析圖2對(duì)比得知隨著稻種老化程度增加，稻種浸出液的透射率在波段各偏振角處均呈現(xiàn)下降趨勢(shì)。主要原因?yàn)椋?稻種老化程度與浸出液中部分可溶性物質(zhì)濃度及其吸光度呈正相關(guān)。劉春香等通過(guò)分析人工老化種子浸出液吸光度變化曲線表明發(fā)芽率高的種子浸出液吸光度均低于發(fā)芽率低的種子[14]，驗(yàn)證了這一看法； 不同老化天數(shù)稻種浸出液中可溶性糖因濃度差異有不同的構(gòu)像，不同構(gòu)像的手性碳原子數(shù)目不同進(jìn)而影響其旋光度且旋光度與可溶性糖濃度呈正相關(guān)。

2.3 光譜特征提取

利用Matlab計(jì)算各偏振角處不同老化程度稻種偏振光譜透射率差異貢獻(xiàn)值，通過(guò)比較差異貢獻(xiàn)值可獲取差異貢獻(xiàn)較高的特征偏振角。在各特征偏振角處分別計(jì)算不同老化程度稻種偏振光譜各波長(zhǎng)透射率差異貢獻(xiàn)，得出每個(gè)特征偏振角的敏感波段，并選取共有波長(zhǎng)作為特征波長(zhǎng)，完成不同老化程度稻種光譜的特征提取。

各偏振角差異貢獻(xiàn)及特征偏振角各波長(zhǎng)差異貢獻(xiàn)如圖3所示。由各偏振角差異貢獻(xiàn)數(shù)據(jù)可知0°，5°和25°偏振角處差異貢獻(xiàn)值最高，不同老化程度稻種偏振光譜差異最為明顯，因此選取0°，5°和25°為特征偏振角。由特征偏振角0°，5°和25°各波長(zhǎng)差異貢獻(xiàn)可知0°特征偏振角與5°特征偏振角各波長(zhǎng)處差異貢獻(xiàn)總體趨勢(shì)一致且波段平緩，敏感波段不明顯，因此特征波長(zhǎng)的選擇以25°特征偏振角處的敏感波段為主，根據(jù)各波長(zhǎng)差異貢獻(xiàn)數(shù)據(jù)選取576，620和788 nm為特征波長(zhǎng)。將三個(gè)特征偏振角同三個(gè)特征波長(zhǎng)進(jìn)行特征層融合，提取偏振光譜相應(yīng)位置的透射率組成不同老化程度稻種的特征集。

2.4 稻種發(fā)芽率檢測(cè)模型建立與驗(yàn)證

為優(yōu)選出預(yù)測(cè)能力最優(yōu)的稻種發(fā)芽率檢測(cè)模型，分別比較選用偏最小二乘法回歸(partial least squares regression，PLSR)、BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)和徑向基神經(jīng)網(wǎng)絡(luò)(radial basis function neural network，RBFNN)三種建模方法建立稻種發(fā)芽率檢測(cè)模型。通過(guò)對(duì)不同老化程度稻種偏振光譜進(jìn)行預(yù)處理和特征提取，共獲得80組特征集，其中48組作為模型的校正集，32組作為預(yù)測(cè)集對(duì)建立的預(yù)測(cè)模型進(jìn)行驗(yàn)證。

圖3 各偏振角及特征偏振角各波長(zhǎng)差異貢獻(xiàn)圖

2.4.1 偏最小二乘法回歸模型

偏最小二乘法回歸是多元線性回歸、典型相關(guān)分析和主成分分析的集成和發(fā)展，通過(guò)對(duì)數(shù)據(jù)進(jìn)行分解和篩選提取對(duì)系統(tǒng)解釋性最強(qiáng)的綜合變量并刪除冗余信息。單變量的偏最小二乘法回歸的思路是從自變量X中提取相互獨(dú)立的成分th(h=1, 2, …)，利用交叉有效性計(jì)算預(yù)測(cè)誤差平方和PRESS并確定所需成分?jǐn)?shù)建立模型。

(6)

式中yh(-i)為原始數(shù)據(jù)yi(i=1, 2, …n)在樣本i上的擬合值。PRESS的值越小，模型的擬合效果越好，PRESS值最小時(shí)提取的成分?jǐn)?shù)h為最佳成分?jǐn)?shù)。經(jīng)計(jì)算提取三個(gè)主成分時(shí)PLSR模型的PRESS最小，提取的主成分?jǐn)?shù)越多效果反而變差，因此選取前三個(gè)主成分建立稻種發(fā)芽率檢測(cè)模型。

2.4.2 BP神經(jīng)網(wǎng)絡(luò)模型

根據(jù)預(yù)處理和特征提取后獲得的樣本特征向量維數(shù)，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為9，輸出層節(jié)點(diǎn)為1。BP神經(jīng)網(wǎng)絡(luò)中隱含層數(shù)和隱含層節(jié)點(diǎn)數(shù)的選擇對(duì)其性能影響非常大。Malletx曾證明當(dāng)各節(jié)點(diǎn)具有不同的門限時(shí)，對(duì)于在任何閉區(qū)域內(nèi)的一個(gè)連續(xù)函數(shù)都可以用一個(gè)隱含層的網(wǎng)絡(luò)來(lái)逼近[15]，因此使用三層的BP神經(jīng)網(wǎng)絡(luò)完成輸入輸出映射。隱含層在BP神經(jīng)網(wǎng)絡(luò)中對(duì)輸入進(jìn)行特征提取，隱含層節(jié)點(diǎn)過(guò)少則局部極小值多，無(wú)法達(dá)到網(wǎng)絡(luò)訓(xùn)練的目的； 隱含節(jié)點(diǎn)過(guò)多會(huì)造成過(guò)擬合，這樣即使訓(xùn)練結(jié)果好但可能會(huì)導(dǎo)致驗(yàn)證結(jié)果很差[16]。隱含層節(jié)點(diǎn)數(shù)的確定方法是先使用估算公式得出初始節(jié)點(diǎn)數(shù)，而后依據(jù)訓(xùn)練結(jié)果動(dòng)態(tài)調(diào)節(jié)隱含層節(jié)點(diǎn)數(shù)直到最佳數(shù)目為止[17]。

節(jié)點(diǎn)估算公式

(7)

式中h為估算的隱含層節(jié)點(diǎn)數(shù)，m為輸入節(jié)點(diǎn)數(shù)，n為輸出節(jié)點(diǎn)數(shù)。經(jīng)過(guò)估算和調(diào)整后，BP神經(jīng)網(wǎng)絡(luò)模型的隱含節(jié)點(diǎn)數(shù)為8。

2.4.3 RBF神經(jīng)網(wǎng)絡(luò)模型

RBF神經(jīng)網(wǎng)絡(luò)是一種三層前向網(wǎng)絡(luò)，由輸入層、隱含層、輸出層組成，能夠逼近任意的非線性函數(shù)，具有較強(qiáng)的泛化能力和極快的學(xué)習(xí)收斂速度。RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)主要以三個(gè)參數(shù)為主，徑向基函數(shù)的中心、方差及隱含層到輸出層的權(quán)值，利用非監(jiān)督方法得到徑向基函數(shù)的中心和方差，利用監(jiān)督方法即最小均方誤差得到隱含層到輸出層的權(quán)值，確定權(quán)值后可解線性方程組完成網(wǎng)絡(luò)訓(xùn)練。線性方程組如下所示

(8)

式中n為輸入層、輸出層節(jié)點(diǎn)數(shù)，h為隱含層節(jié)點(diǎn)數(shù)，wij為隱含層到輸出層的權(quán)值，σ為徑向基函數(shù)方差。

2.4.4 PLSR，BPNN和RBFNN模型驗(yàn)證

為評(píng)價(jià)這三種預(yù)測(cè)模型的精度，采用相關(guān)系數(shù)(r)，均方根誤差(RMSE)及平均相對(duì)誤差(MRE)三項(xiàng)指標(biāo)對(duì)其進(jìn)行數(shù)學(xué)評(píng)價(jià)，結(jié)果如表2所示。三種模型預(yù)測(cè)結(jié)果如圖4所示。由圖表得知，RBFNN模型較PLSR模型、BPNN模型相關(guān)系數(shù)r最高，且均方根誤差RMSE和平均相對(duì)誤差MRE最低，RBFNN模型的可靠性、準(zhǔn)確性和穩(wěn)定性最好。

表2 不同模型預(yù)測(cè)精度

3 結(jié) 論

連續(xù)偏振光譜法是基于不同老化程度的稻種, 其膜結(jié)構(gòu)完整性差異造成稻種溢出電解質(zhì)濃度不同，通過(guò)檢測(cè)溶液偏振特性進(jìn)而檢測(cè)稻種發(fā)芽率的方法。已有生化分析表明，稻種浸出液電導(dǎo)率、可溶性糖和MDA含量隨老化程度增加，其中可溶性糖含量、MDA含量與發(fā)芽率呈極顯著的負(fù)相關(guān)，同時(shí)可溶性糖中葡萄糖和淀粉糖為右旋物質(zhì)，果糖為左旋物質(zhì)，稻種浸出液的透射光為多種線偏振光相位疊加而成的橢圓偏振光，利用連續(xù)偏振光譜技術(shù)對(duì)稻種進(jìn)行發(fā)芽率預(yù)測(cè)研究能夠更直觀地揭示不同老化程度稻種細(xì)胞膜通透性及內(nèi)部生化變化的生命信息。經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)四種老化程度稻種透射光偏振態(tài)幾乎全為正橢圓偏振光，因此選取0～90°偏振角范圍獲取連續(xù)偏振光譜進(jìn)行稻種發(fā)芽率檢測(cè)。

圖4 不同模型預(yù)測(cè)結(jié)果

引入光的偏振信息，提出利用連續(xù)偏振光譜技術(shù)檢測(cè)稻種發(fā)芽率。選取10 min為稻種發(fā)芽率的檢測(cè)時(shí)間點(diǎn)，同電導(dǎo)率法以4 h為種子活力檢測(cè)有效時(shí)間[19]相比實(shí)現(xiàn)稻種發(fā)芽率快速檢測(cè)。將獲取的連續(xù)偏振光譜作為模型輸入，分別利用PLSR，BPNN和RBFNN三種建模方法建立稻種發(fā)芽率檢測(cè)模型，建模結(jié)果顯示三種模型的相關(guān)系數(shù)均較高，均方根誤差和平均相對(duì)誤差低，其中RBFNN模型的預(yù)測(cè)精度最高，其相關(guān)系數(shù)r為0.976, 均方誤差RMSE為0.785，平均相對(duì)誤差MRE為0.85%，表明連續(xù)偏振光譜技術(shù)可實(shí)現(xiàn)稻種發(fā)芽率的快速準(zhǔn)確檢測(cè)。

同時(shí)根據(jù)不同發(fā)芽率稻種檢測(cè)時(shí)偏振角及波長(zhǎng)貢獻(xiàn)給出稻種發(fā)芽率檢測(cè)的特征偏振角和特征波長(zhǎng)，特征偏振角為0°，5°和25°，特征波長(zhǎng)為576，620和788 nm，為基于連續(xù)偏振光譜技術(shù)的稻種發(fā)芽率快速檢測(cè)儀器的研發(fā)提供了基礎(chǔ)。

[1] LI Yi-nian, JIANG Dan, LIU Ying-ying, et al(李毅念, 姜 丹, 劉瓔瑛, 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2014, 34(6): 1528.

[2] TAO Jia-ling, ZHENG Guang-hua(陶嘉齡, 鄭光華). Seed Vigor(種子活力). Beijing: Science Press(北京: 科學(xué)出版社), 1991.

[3] LI Yong-gang, WANG Zheng-xu, YANG Min-feng, et al(李永剛，王正旭，楊民峰，等). Journal of Anhui Agricultural Sciences(安徽農(nóng)業(yè)科學(xué))，2008，36(34)： 15052.

[4] ZHAO Xin-zi, WU Wei, SI Xiu-li, et al(趙新子, 吳 巍，司秀麗，等). Journal of Jilin Agricultural University(吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)), 2004, 26(5): 572.

[5] Olesen M H, Shetty N, Gislum R, et al. Journal of Near Infrared Spectroscopy, 2011, 19(3): 171.

[6] Kranner Ilse，Kastberger Gerald，Hartbauer Manfred，et al. PNAS, 2010, 107(8): 3913.

[7] DUAN Yong-hong, LI Xiao-xiang, LI Wei-hong(段永紅, 李小湘, 李衛(wèi)紅). Hunan Agricultural Sciences(湖南農(nóng)業(yè)科學(xué)), 2010, 23: 17.

[8] YANG Wei, GU Guo-hua, CHEN Qian, et al(楊 蔚, 顧國(guó)華, 陳 錢, 等). Infrared and Laser Engineering(紅外與激光工程), 2014, 43(8): 274.

[9] Tyo J Scott, Goldstein Dennis H, Chenault David B, et al. Appl. Optics, 2006, 45(22): 5451.

[10] Ahmed S, Gilerson A, Oo M, et al. Proc. SPIE, 2006, 6360： 636003.

[11] Hooper B A, Baxter B, Piotrowski C, et al. MTS/IEEE Conference, OCEANS 2009, 2009. 1.

[12] Rajan S Gurjar, Vadim Bachman，Lev T Perelman et al. Nature Medicine, 2001, 7(11): 1245.

[13] ZHI Ju-zhen, BI Xin-hua, DU Ke-min, et al(支巨振, 畢辛華, 杜克敏, 等). Rules for Agricultural Seed Testing-Germination Test(農(nóng)作物種子檢驗(yàn)規(guī)程-發(fā)芽試驗(yàn)). Beijing: Standards Press of China(北京： 中國(guó)標(biāo)準(zhǔn)出版社)，1995.

[14] LIU Chun-xiang, SUI Ming, HU Pan, et al(劉春香, 隋 銘, 胡 畔, 等). Seed(種子), 2013, 32(7): 18.

[15] Mallat S G. IEEE Trans Acoust Speech Signal Process, 1989, 37(12): 2091.

[16] ZHAO Xiao-yu, GUAN Yong, SHANG Ting-yi, et al(趙肖宇，關(guān) 勇，尚廷義，等). Acta Agriculturae Zhijiangensis(浙江農(nóng)業(yè)學(xué)報(bào)), 2011，23(4): 825.

[17] WANG Li-qi(王立琦). Food Science(食品科學(xué)), 2009, 30(4): 243.

(Received Mar. 30, 2015; accepted Jul. 22, 2015)

*Corresponding author

Study on the Prediction of Germination Rate of Rice Seeds with Continuous Polarization Spectroscopy

CHENG Yu-qiong1, LU Wei1, 2*, HONG De-lin3, DANG Xiao-jing3, LUO Hui1

1. College of Engineering, Jiangsu Province Engineering Laboratory of Modern Facility Agriculture Technology and Equipment, Nanjing Agricultural University, Nanjing 210031, China

2. Key Laboratory of Jiangsu Province for Remote Measurement and Control Technology, Nanjing 210096, China

3. College of Agriculture，State Key Laboratory of Crop Genetics & Germplasm Enhancement, Nanjing Agricultural University, Nanjing 210095, China

With respect to the problem of long period and low precision in using traditional methods to predict rice seeds germination rate, a novel method based on continuous polarization spectroscopy was proposed to achieve rapid and nondestructive prediction .The paper set different aging rice seeds as prediction targets and ten minutes as prediction time, using polarizer to modulate optical fiber collimating light source to linearly polarized light which issuing into rice seeds extract vertically before rotating the analyser every 5 degrees . The transmission spectrum was predicted through the optical fiber spectrometer. After normalization pretreatment to the polarization spectrum, the article gave the characteristics of polarization angel and wavelength by 0 degree, 5 degrees, 25 degrees, 620, 788 and 576 nm according to the contribution of polarization angel and wavelength when predicting different germination rate rice seeds and inputted obtained continuous polarization spectrum by wavelength, polarization angel, transmissivity to construct rice seeds germination rate prediction model using three modeling methods to build rice seeds germination rate prediction model in comparison, including Partial Least Squares Regression (PLSR), Back Propagation Neural Network (BPNN) and Radial Basis Function Neural Network (RBFNN).1 520 sets of experimental data were measured in total at different polarization angels through using rice seeds with different aging days (0, 2, 4, 6) respectively, setting 912 sets of data as calibration set and 608 sets of data as predicion set. The modeling results show that RBF model’s prediction accuracy is the highest. Its correlation coefficient is 0.976; the mean square is 0.785; and the average relative error is 0.85%. The research results show that the continuous polarization spectroscopy technique through multidimension spectral information can achieve rapid and accurate prediction of rice seeds germination rate.

Continuous polarization spectroscopy; Rice seed; Germination rate; Nondestructive detection

2015-03-30，

2015-07-22

國(guó)家自然科學(xué)基金青年基金項(xiàng)目(61401215)，江蘇省自然科學(xué)基金青年基金項(xiàng)目(BK20130696)，中央高?；究蒲袠I(yè)務(wù)經(jīng)費(fèi)項(xiàng)目(KYZ201427)，遠(yuǎn)程測(cè)控技術(shù)江蘇省重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目(YCCK201501)資助

程宇瓊，女，1995年生，南京農(nóng)業(yè)大學(xué)工學(xué)院本科生 e-mail： chengyuqiong_njau@126.com *通訊聯(lián)系人 e-mail: njaurobot@njau.edu.cn

S511

A

10.3964/j.issn.1000-0593(2016)07-2200-07