基于高光譜技術(shù)與主成分分析的稻種品種識(shí)別研究

摘要：為快速精準(zhǔn)識(shí)別水稻種質(zhì)資源，開發(fā)一種基于高光譜的高效識(shí)別方法。以9種稻種為試驗(yàn)樣品，利用光譜儀測定2 700顆種子的高光譜反射率，利用主成分分析法（principal component analysis，PCA）對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理。為探討PCA最佳的主成分個(gè)數(shù)，比較了不同主成分個(gè)數(shù)與判別分析法（線性判別、二次判別和馬氏距離判別）組合在基于種子高光譜數(shù)據(jù)建立水稻品種識(shí)別模型中的效果。對(duì)全波段數(shù)據(jù)樣本進(jìn)行主成分分析，以2～20個(gè)主成分個(gè)數(shù)作為特征變量，以預(yù)測集正確率為評(píng)價(jià)指標(biāo)，建立3個(gè)品種判別模型，并比較其預(yù)測效果。結(jié)果表明，以累積貢獻(xiàn)率≥85% 為評(píng)價(jià)標(biāo)準(zhǔn)，選擇2 個(gè)主成分，3 種模型預(yù)測集正確率分別為32.14%、38.69%和33.73%；以特征值≥1為標(biāo)準(zhǔn)，選擇11個(gè)主成分，預(yù)測集正確率為68.21%、87.33%和83.18%；若考慮模型的正確率，選擇20個(gè)主成分，預(yù)測集正確率分別為84.99%、95.71%和95.32%。利用主成分分析+判別分析方法的稻種高光譜品種識(shí)別模型可行，但主成分個(gè)數(shù)不同，判別分析法的評(píng)價(jià)標(biāo)準(zhǔn)不同，識(shí)別效果差異大。當(dāng)主成分個(gè)數(shù)相同時(shí)，3種判別標(biāo)準(zhǔn)中二次判別分析方法的識(shí)別效果最佳，最佳組合為20個(gè)主成分個(gè)數(shù)+二次判別分析法，預(yù)測集正確率為95.71%。研究結(jié)果表明基于高光譜技術(shù)與主成分分析的識(shí)別方法可快速識(shí)別不同稻種，具有較高的應(yīng)用價(jià)值。

關(guān)鍵詞：稻種；高光譜技術(shù)；主成分分析；品種識(shí)別

doi：10.13304/j.nykjdb.2023.0640

中圖分類號(hào)：S126 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：10080864（2025）03010408

水稻品種繁多，不同品種稻種存在差異，有的品種間差異大，有的品種間差異并不十分明顯[1-3]。隨著水稻品種數(shù)量增加，在種子種植、運(yùn)輸和儲(chǔ)藏過程中易發(fā)生混雜和種質(zhì)質(zhì)量降低現(xiàn)象，造成利益損失。稻種品種分類主要有電泳法、分子標(biāo)記法及基于人工嗅覺、拉曼光譜及近紅外光譜的識(shí)別技術(shù)[34]。其中，人工嗅覺識(shí)別技術(shù)誤差較大，電泳法、 分子標(biāo)記法、拉曼光譜技術(shù)以及近紅外光譜技術(shù)存在樣品準(zhǔn)備工作繁瑣、耗時(shí)長、不能無損檢測等缺陷。高光譜技術(shù)可在一系列波長下獲取被測對(duì)象光譜信息，對(duì)被測物外部特性和內(nèi)部成分進(jìn)行綜合分析[4]，廣泛用于農(nóng)產(chǎn)品品種分類、損傷識(shí)別以及安全檢測等領(lǐng)域[56]。

利用高光譜技術(shù)進(jìn)行農(nóng)業(yè)物料品種識(shí)別的研究主要集中在大豆、玉米、小麥等作物。楊歡等[7]基于高光譜技術(shù)提出無損、快速的玉米種子純度識(shí)別方法；黃敏等[8]利用高光譜技術(shù)結(jié)合多尺度三維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建小麥種子的品種快速識(shí)別模型；段丁丁等[9]基于冠層光譜數(shù)據(jù)進(jìn)行不同馬鈴薯品種區(qū)分研究。由于高光譜數(shù)據(jù)為高維非線性數(shù)據(jù)，具有數(shù)據(jù)量大、噪聲、冗余和多重共線性等問題。因此，利用高光譜技術(shù)進(jìn)行品種分類時(shí)降低數(shù)據(jù)維度、提高模型分類準(zhǔn)確率和計(jì)算效率成為了關(guān)鍵。主成分（principal componentsanalysis，PCA）分析法具有減少原始數(shù)據(jù)信息損失、簡化數(shù)據(jù)結(jié)構(gòu)、避免主觀隨意性等優(yōu)點(diǎn)，可將多個(gè)存在相關(guān)關(guān)系的性狀指標(biāo)簡化為幾個(gè)能反映原來主要性狀指標(biāo)的綜合指標(biāo)[10]，因而在許多領(lǐng)域的綜合評(píng)價(jià)中被廣泛應(yīng)用。本課題組前期利用主成分分析方法對(duì)雜交稻芽種物理特性進(jìn)行評(píng)價(jià)，構(gòu)建了科學(xué)評(píng)價(jià)體系，初步判定各種雜交稻種樣本的綜合得分，表明主成分分析方法具備構(gòu)建科學(xué)的量化評(píng)價(jià)體系能力[11]。

為此，本文基于高光譜技術(shù)與主成分分析開發(fā)一種水稻品種識(shí)別方法。該方法利用光譜儀測定種子高光譜反射率，結(jié)合主成分分析法對(duì)高光譜數(shù)據(jù)進(jìn)行降維，確定最佳主成分個(gè)數(shù)，并比較不同主成分個(gè)數(shù)與3種判別分析法（線性判別、二次判別和馬氏距離判別）組合在基于種子高光譜數(shù)據(jù)建立的水稻品種識(shí)別模型中的效果，以期為開發(fā)水稻品種及品質(zhì)快速無損檢測的專用儀器提供理論支持。

1 材料與方法

1.1 供試材料

選用華南稻區(qū)的9種水稻為試驗(yàn)樣品，由華南農(nóng)業(yè)大學(xué)和廣東省金稻種業(yè)有限公司提供，分別是五優(yōu)1179、五優(yōu)6133、泰豐優(yōu)208、順兩優(yōu)1179、培雜泰豐、特優(yōu)2068、恒豐優(yōu)1179、軟華優(yōu)1179、軟華優(yōu)6100。試驗(yàn)于2022年12月至2023年2月在桂林廣西師范大學(xué)機(jī)械工程中心實(shí)驗(yàn)室進(jìn)行。

1.2 數(shù)據(jù)采集及試驗(yàn)樣本劃分

篩選顆粒飽滿種子，采用高溫烘干法測定含水率[11]，得到種子含水率分布在39.7%～52.1%。將手持式物料光譜探測針放在每顆所測種子測定部位處，如圖1所示，在護(hù)穎、內(nèi)穎、外穎以及稃尖4個(gè)部位測量光譜數(shù)據(jù)，數(shù)據(jù)經(jīng)斷點(diǎn)校正之后，取均值作為該種子的光譜數(shù)據(jù)。為消除光譜數(shù)據(jù)在采集時(shí)首端與末端產(chǎn)生的噪音，選擇400～2 300 nm的光譜數(shù)據(jù)進(jìn)行分析。