基于近红外超连续激光光谱的水稻种子活力无损分级检测研究 下载: 872次
1 引 言
近红外光谱(Near Infrared Spectroscopy, NIRS)分析作为一种先进的快速无损检测手段,通过测量物质发射、吸收或散射光的波长和强度,可以对物质进行定性和定量分析。自20世纪80年代后期以来,近红外光谱分析技术已经在矿物分析[1]、农业食品[2]及石油化工[3]等领域取得了许多令人瞩目的应用成就。
水稻是我国第一大粮食作物,占粮食总产量的42%[4],是我国农业领域在国际市场唯一具有较强优势的产业。然而,水稻产业一直面临着种子质量不高、库存积压严重等问题,而水稻种子的优劣又直接影响水稻的产量与质量。在我国,每年因为作物种子选育不当造成的农产品减产比例在10%~20%之间[5]。因此,水稻种子的活力检测至关重要。另一方面,通过在积压的种子中筛选高活力种子,可以大大降低经济损失。此外,由于种子活力的高遗传性,选用高活力的水稻种子进行杂交可以从遗传层面对种子的活力进行改良,进而选育高活力的新品种[6-7]。因此,对水稻种子活力的高精准度检测需求十分迫切。
传统检测方法主要包括感官与物理检测、生理检测及化学检测等,这些方法通过测量种子与苗的外形尺寸或电导率等参数进行活力判断,往往需要投入大量的人力物力,且检测周期长,主观性强,容易对种子造成损伤,难以满足现代农业生产对自动化、高通量种子活力检测的需求。近年来,国际上提出了种子活力的光谱学检测方法,利用种子内部物质对光谱的吸收表征其含量变化。该方法无需对水稻种子进行预处理,经过筛选的种子样品仍可用于生产或继续储藏。迄今为止,国内外研究人员已经取得了许多研究进展。例如,Ambrose等[2]采用拉曼光谱检测和傅立叶红外光谱检测,通过主成分分析法和偏最小二乘判别分析法对玉米种子进行活力判定,预测准确率达100%;朱银等[8]利用偏最小二乘算法结合傅立叶变换近红外光谱分析技术,对小麦种子的发芽率进行判定,得到的小麦种子发芽率的预测值和标准值有很高的相关性。在水稻检测方面,李欢欢等[9]利用声光光谱技术结合最小二乘支持向量机回归(LS-SVR)对糙米活力进行测定,为便携式水稻活力光声光谱仪的研制提供了理论依据;李美凌等[10]通过高光谱成像仪采集了240粒不带壳水稻种子的光谱图像,采用支持向量机建立水稻种子活力鉴别模型,区分不同活力的种子;宋乐等[11]采用近红外光谱分析技术,通过漫反射积分球采集4种水稻种子光谱,并对光谱建立主成分分析模型,成功区分出种子是否具有发芽潜力。国内外已进行的选种分级方面的研究具有以下特点:首先,国外大部分活力检测分析的研究对象都是小麦玉米等谷物的种子,鲜有水稻种子活力分析的报道,而国内大部分活力分析模型的研究对象都是针对不带稃壳的糙米种子;其次,针对水稻种子活力的鉴别一般将种子分成发芽与未发芽两类,没有对具有活力的种子进行细化分级。近年来,农业种植技术的快速发展对于大规模种子活力的精细判断提出了新的要求,迫切需要对大量带有稃壳的水稻种子进行分级检测,以避免因种子内部器官受到病虫等的损伤而影响发芽率。同时需要对种子活力进行级别精细化检测,加强对幼苗强壮程度的预判,以适用于不同的种植需求,从而进一步提高水稻产量。
本论文基于近红外光谱检测技术,分析了带有稃壳的水稻种子的吸收光谱特性,通过化学计量学算法建立了活力分析模型,完成了水稻种子的活力分级检测。
2 水稻种子活力检测原理与检测系统设计
2.1 水稻种子活力近红外光谱检测原理
物质中的不同组分或同一组分的不同基团在近红外(NIR)光谱区域具有丰富的光谱特征,因此,近红外光谱能反映物质内部成分的结构和组成信息。水稻种子在储藏的过程中,其内部的物质成分会发生变化,导致生物大分子的含量也随之变化,进而引起活力的变化[10],这种变化可以通过近红外光谱检测中物质对光的能量吸收特性进行检测和表征。水稻种子的蛋白质、淀粉、脂肪、纤维素等有机化合物中均具有丰富的含氢基团,如C-H(脂肪烃)、C-H(芳香烃)、C=O(羧基)、O-H(羟基)及N-H(氨基)等,这些含氢基团在近红外光谱区具有较强的吸收。水稻种子中的有机分子在近红外区的光谱吸收特征因其所含基团的种类和振动模式不同,导致吸收波长与强度都有明显差别。因此,利用水稻种子的近红外吸收光谱,可以对种子中的物质组成与含量进行表征,从而对种子的活力进行鉴定。
当水稻种子中的有机分子受到近红外区域的电磁辐射时,分子中基团原子间振动的非谐振性使分子振动从基态向高能级跃迁,从而选择性吸收对应频率的光。而近红外光谱主要反映含氢基团基频振动的倍频和组合频的吸收情况,有机分子在近红外区的这种特有的吸收模式,可以表达被测种子的化学成分信息。基团效应是近红外光谱中最主要的效应,文献[12]中示出了分子中各种基团在近红外光谱区的倍频与组合频光谱分布。同时,由于光谱的能量与波长成反比,相较于中长波红外波段,近红外光更容易透过稃壳,获得种子内部的光谱信息[13-14]。因此,采用近红外光谱检测方法可以有效获取种子的活力信息。
2.2 活力光谱检测系统设计
水稻种子由稃壳和糙米两部分组成,在物理角度,稃壳和糙米的颜色、密度和形态均有不同,在化学角度,稃壳和糙米的蛋白质、脂肪、淀粉、纤维素等化学物质的组成也不同,而对水稻种子活力起主要作用的物质是种子内部糙米中的化学成分,因此在种子活力检测中要尽量增强糙米的信息而减少稃壳对测量的影响[15]。近红外光谱检测一般采用反射光谱法或透射光谱法[16-17]。对带稃壳的水稻种子进行活力测量的反射法与透射法分别如
图 1. (a)反射式光谱检测方法与(b)透射式光谱检测方法测量原理示意图
Fig. 1. Schematic diagram of (a) reflection type spectral detection method, and (b) transmission type spectral detection method
基于以上分析,本文设计了水稻种子活力的透射光谱检测系统。该系统由超连续激光光源,准直镜,孔径光阑,聚焦镜,石英光纤及光栅光谱仪几部分组成,其中聚焦镜包括两块材料分别为熔融石英(Fused Silica)和氟化钙(CaF2)的双透镜组。其工作原理如
采用具有宽谱段高能量密度的超连续激光光源(NKT SuperK Compact)作为入射光,相较于传统近红外光谱检测中常用的卤钨灯光源,其具有更均匀的输出光谱,在保证光源谱带足够宽的同时,光功率输出比卤钨灯高出103数量级,能够实现带有稃壳水稻种子宽波段高信噪比的光谱测量[19]。为了防止光源的入射光直接进入光谱仪,在光源和种子之间设置尺寸小于水稻种子的孔径光阑。同时,为了避免光阑对种子内部透射光的阻挡,光源采用自下而上照射,依次经过光阑和种子。入射到种子中的光在种子内部经过多次吸收反射后,便携带了种子内部的组成和结构信息,并以一定发散角出射,经过聚焦镜被耦合到光纤中,最终由光谱仪(NIR Quest 512-2.5)采集。根据光谱仪中光栅的色散,在阵列探测器上获得不同波长处的吸收光谱信息,由吸收光谱曲线便可以对水稻种子的活力进行表征。
3 水稻种子光谱测量与分析
用
表 1. 筛选前水稻种子的活力情况
Table 1. The seed vigor parameters of rice seeds before selecting
|
由于光谱仪测量波段两端的仪器噪声较大,故选取1100~2100 nm波段光谱数据进行特性分析,根据发芽结果对不同活力水平种子的平均光谱进行对比,如
图 3. 水稻种子的近红外吸收光谱图。(a)不同活力的水稻种子近红外光谱平均曲线;(b) 高活力水稻种子近红外吸收光谱
Fig. 3. Near-infrared absorption spectrum of rice seeds. (a) The average curves of transmission spectra of rice seeds with different vigors. (b) Near-infrared absorption spectrum of high vigor seeds
从水稻种子的近红外吸收光谱
4 光谱处理与数据分析
4.1 光谱信号校正
在红外光谱测量过程中,光的散射、样品的粒度及仪器噪声等因素会对近红外光谱仪器所采集的光谱产生影响,从而使采集的光谱除包含样品自身成分信息外还包含其他无关信息和噪声。为了消除系统或环境的影响,在建立判别模型之前需要对原始光谱进行一定的预处理[24-25]。由于种子形貌、颜色等的差异会对光谱基线产生影响,从
图 4. 二阶导数处理后的光谱信息
Fig. 4. The absorption spectrum of rice seed after second derivative processing
由
图 5. 两种预处理方法结果对比。(a)正交信号校正处理后的光谱;(b)标准正态变量校正后的光谱
Fig. 5. Comparison of absorption spectrum of rice seed processed by two pretreatment methods. (a) Orthogonal signal correction; (b) standard normal variate correction
可以看出,对于该种类型的光谱,正交信号校正后的光谱较标准正态变量校正后的光谱谱线特征更明显。虽然对光谱进行校正能以较低的校正误差或简单的校正模型来描述待测目标,但由于不同类型的光谱特性不同,没有通用的校正方法,需要对几种预处理方法进行组合,筛选出最适合的模型[28]。采用准确率来判断模型效果,判别结果的准确率表示模型能够正确筛选出的高活力、低活力及不发芽水稻种子总数占被测种子数量的百分率。几种预处理方法的建模筛选结果如
表 2. 不同预处理方法对样品的活力鉴别情况
Table 2. The vitality identification results of samples by different pretreatment methods
|
4.2 主成分分析
选取最优的预处理方法对光谱数据进行处理后,还要进行建模分析,如果变量太多会增加计算的复杂性,更容易引入与类别无关的变量从而使模型失真。水稻种子中很多物质成分含量间具有一定相关性,当一个变量可以投影到其它变量上时,可以解释为光谱信息有一定的重叠。主成分分析(PCA)可以从光谱数据中提取出所有变量,将具有线性相关的变量删掉,其可以在减少需要分析指标数量的同时避免损失主要光谱信息,从而尽可能多地保留反应种子物质信息含量光谱的原有信息。
主成分分析将原始光谱矩阵
其中,
式中,
则这些特征值对应的特征向量
选用4.1中的最优光谱预处理方法对水稻种子光谱进行预处理后,用PCA提取数据主成分,不同主成分数对原始水稻种子光谱的解释情况如
表 3. 主成分数与模型贡献率
Table 3. Number of principal components and model contribution rate
|
4.3 基于水稻种子红外光谱信息的活力判别分析
4.3.1 PLS-DA判别分析
对种子光谱数据进行预处理并选取了最优主成分数之后,采用偏最小二乘判别分析(PLS-DA)法对水稻种子进行活力分类。偏最小二乘判别分析根据种子活力梯度的类别进行数值变量标定,结合种子近红外光谱特征采用偏最小二乘法(PLS)建立校正模型,对种子活力进行判别。
PLS-DA方法是基于PLS回归方法进行种子分类和识别的,将种子的光谱数据看作自变量
PLS-DA法利用PLS算法将种子光谱矩阵
其中,
PLS-DA可同时提取光谱矩阵
4.3.2 PLS-DA判别分析结果
将全部1152份样本按3:1分为建模集和验证集。所有的样本光谱经过归一化+SD+OSC预处理后,在1100-2100 nm光谱范围内建立偏最小二乘判别分析模型,在特征波段上分析水稻种子活力情况,2016、2017、2018及混合年份的水稻种子活力分级结果如
图 6. PLS-DA模型对2018年(a)、2017年(b)、2016年(c)及随机混合(d)的水稻种子活力判别结果
Fig. 6. Evaluation results of vigor of the rice seed in 2018 (a)、2017 (b)、2016 (c) and random mixing (d) determined by PLS-DA model
对不同年份水稻种子的光谱数据与活力类别建立偏最小二乘判别分析模型,通过识别检测样本的准确率判断模型的预测精度,分类后种子的发芽率如
表 4. PLS-DA模型判别准确率及筛选后种子发芽率
Table 4. Total accuracy of PLS-DA model and seed germination of rice seeds after screening
|
5 结 论
为了实现带稃壳水稻种子的活力分级,本文设计并搭建了一套透射式近红外光谱检测系统,获取了3种不同年分的日本晴水稻种子在1100~2100 nm波段内的近红外光谱信息。光谱分析结果表明:水稻种子的活力梯度与其近红外吸收光谱的吸收峰值相关。结合光谱特性建立了主成分分析模型,主成分数目为3时模型累积贡献率为93.5%,此时水稻的近红外吸收光谱与其振动吸收特性有较好的一致性。最后,通过采用偏最小二乘方法建立了不同年份水稻种子的活力判别模型。结果表明:相较于SNV、MSC等算法,采用归一化、SD和OSC算法对原始光谱进行校正后,再利用PLS-DA模型对不同年份水稻种子活力梯度的分级具有较高的预测能力,校正集和验证集的分级准确率均可达到90%以上,筛选后水稻种子的发芽率可达95%以上。利用本论文设计的检测系统与优化的光谱处理方法实现了不同活力水稻种子的快速无损分类,为提高苗的质量、积压种子的筛选、优质水稻选育生产等应用需求提供了一种有效的技术手段。
[1] 杨振发, YANG ZH F, 肖航, XIAO H, 张雷, ZHANG L. Rapid determination of oxides content in cement raw meal based on near infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2020, 48(2): 275-281.
[2] AMBROSE A, LOHUMI S, LEE W H. Comparative nondestructive measurement of corn seed viability using fourier transform near-infrared (FT-NIR) and raman spectroscopy[J]. Sensors and Actuators B: Chemical, 2015, 224: 500-506.
[3] 李茂刚, LI M G, 闫春华, YAN CH H, 薛佳, XUE J. Rapid quantitative analysis of methanol content in methanol gasoline by near infrared spectroscopy coupled with wavelet transform-random forest[J]. Chinese Journal of Analytical Chemistry, 2019, 47(12): 1995-2003.
[4] 何龙生. 水稻种子活力测定方法的初步研究[D]. 杭州: 浙江农林大学, 2018: 12.HE L SH. The preliminary study on methods f determination of rice seed vig[D]. Hangzhou: Zhejiang A&F University, 2018. (in Chinese)
[5] 王岳含. 我国种子质量可追溯系统研究[D]. 北京: 中国农业科学院, 2016.WANG Y H. Seed quality tracing system of china research[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016. (in Chinese)
[6] 牟致远, MU ZH Y. Seedling vigor and genetic analysis in wheat varieties[J]. Journal of Southwest Agricultural University, 1987, 9(4): 421-425.
[8] 朱银, ZHU Y, 颜伟, YAN W, YANG X, 杨欣. Test of germination rate of wheat seeds based on near infrared spectroscopy[J]. Jiangsu Agricultural Sciences, 2015, 43(12): 111-113.
[13] 史永刚, 栗斌, 田高友, 等. 化学计量学方法及MATLAB实现[M]. 北京: 中国石化出版社, 2010.SHI Y G, LI B, TIAN G Y, et al.. Chemometrics Method MATLAB Implementation[M]. Beijing: China Petrochemical Press, 2010. (in Chinese)
[15] 王纯阳. 基于近红外光谱的单籽粒水稻种子品质检测的方法研究[D]. 合肥: 中国科学技术大学, 2017.WANG CH Y. The nondestructive quality analysis of single rice seed using near infrared spectroscopy[D]. Hefei: University of Science Technology of China. (in Chinese)
[16] 高升, GAO SH, 王巧华, WANG Q H, 李庆旭, LI Q X. Non-destructive detection of vitamin C, sugar content and total acidity of red globe grape based on near-infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2019, 47(6): 941-949.
[17] 付丹丹, FU D D, 王巧华, WANG Q H, 高升, GAO SH. Analysis of S-Ovalbumin content of different varieties of eggs during storage and its nondestructive testing model by visible-near infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2020, 48(2): 289-297.
[23] 褚小立. 化学计量学方法与分子光谱分析技术[M]. 北京: 化学工业出版社, 2011.CHU X L. Molecular Spectroscopy Analytical Technology Combined with Chemometrics Its Applications[M]. Beijing: Chemical Industry Press, 2011. (in Chinese)
[26] 高升, GAO SH, WANG Q H, 王巧华, 付丹丹, FU D D. Nondestructive detection of sugar content and firmness of red globe grape by hyperspectral imaging[J]. Acta Optica Sinica, 2019, 39(10): 355-364.
[27] 范雪婷, FAN X T, 朱明东, ZHU M D, 杨晨光, YANG CH G. Assessment of rice seed vigor using near infrared spectroscopy[J]. Hybrid Rice, 2019, 34(4): 62-67.
[29] LIU D L, WU Y X, GAO Z M. Comparative non-destructive classification of partial waxy wheats using near-infrared and raman spectroscopy[J]. Crop & Pasture Science, 2019, 70(5): 437-441.
Article Outline
金文玲, 曹乃亮, 朱明东, 陈伟, 张佩光, 赵庆磊, 梁静秋, 余应弘, 吕金光, 阚瑞峰. 基于近红外超连续激光光谱的水稻种子活力无损分级检测研究[J]. 中国光学, 2020, 13(5): 1032. Wen-ling JIN, Nai-liang CAO, Ming-dong ZHU, Wei CHEN, Pei-guang ZHANG, Qing-lei ZHAO, Jing-qiu LIANG, Ying-hong YU, Jin-guang LV, Rui-feng KAN. Nondestructive grading test of rice seed activity using near infrared super-continuum laser spectrum[J]. Chinese Optics, 2020, 13(5): 1032.