1 云南师范大学物理与电子信息学院, 云南 昆明 650500
2 曲靖师范学院物理与电子工程学院, 云南 曲靖 655011
种子的萌发是种子生命历程中的主要组成部分之一, 了解种子萌发过程中经历的生理生化变化, 准确确定种子的活力, 对农业生产很重要, 因而, 研究种子萌发有重要意义。 采用傅里叶变换红外光谱结合曲线拟合研究不同萌发程度的水稻种子, 以探寻种子贮藏物质动员情况, 对不同萌发时间的水稻种子进行傅里叶变换红外光谱、 二阶导数光谱、 二维相关红外光谱和曲线拟合研究。 结果显示, 原始红外光谱整体相似, 光谱反映出水稻种子的主要贮藏物质为淀粉、 蛋白质和脂肪; 吸收峰强度比A1 659/A1 019, A1 740/A1 019, A1 157/A1 019, A1 157/A1 081随萌发时间的增加而降低。 814~1 000和1 028~1 340 cm-1范围内的二维相关红外光谱结果显示自动峰个数和最强自动峰的位置、 强度随种子萌发时间的增加而变化, 表明种子在萌发过程中糖类和蛋白质发生变化。 二阶导数光谱在1 200~950 cm-1范围内出现七个峰, 其中988 cm-1处的峰随萌发时间的增加向较高波数蓝移, 而1 053和1 158 cm-1处的峰向较低波数红移, 表明水稻种子在萌发过程中多糖的结构和含量可能发生了变化; 在1 700~1 600 cm-1范围内出现九个峰, 其中1 641和1 692 cm-1处的峰呈现随萌发时间的增加红移到较低波数的趋势, 表明水稻种子在萌发过程中蛋白质的结构和含量可能发生了变化; 在1 800~1 700 cm-1范围二阶导数光谱仅观察到1 712和1 744 cm-1处的两个峰, 其中1 744 cm-1由脂类物质C=O伸缩振动引起, 为脂肪的特征峰。 为进一步研究水稻种子萌发过程中贮藏物质的具体变化, 以二阶导数光谱确定的子峰位置和数目为依据, 对原始红外光谱的1 200~950与1 800~1 600 cm-1区域进行曲线拟合分析。 曲线拟合结果显示, 随萌发时间的增加, 多糖和蛋白质的相对含量总体上呈现下降趋势, 脂肪的相对含量先降后升。 研究表明, 傅里叶变换红外光谱结合曲线拟合可作为研究种子萌发的有效手段。
水稻种子 萌发 傅里叶变换红外光谱 二维相关红外光谱 曲线拟合 Rice seed Germination Fourier transform infrared spectroscopy Two-dimensional infrared correlation spectroscopy Curve fitting 光谱学与光谱分析
2022, 42(6): 1832
南京农业大学工学院, 江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
针对传统稻种发芽率检测效率低、 精度差、 专业化要求高等问题, 通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。 首先, 将连粳7号和武运粳均分别老化0~7 d后, 以5 min为间隔在纯净水中分别浸泡5~30 min。 然后用荧光光谱仪检测浸泡液的荧光光谱, 光谱数据经中心化后用集合经验模态分解(EEMD)去噪, 并通过主成分分析法提取441.5 nm的特征荧光波长。 最后, 利用偏最小二乘回归(PLSR), 反向传播神经网络(BPNN), 径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。 比较后得出, DBN模型在少数据、 弱信号情况下的预测精度最高, 预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。 同时, 通过分析混合稻种荧光数据Rp的变化趋势, 得到最佳浸泡时间为22.1 min, 实际上, 精确度超过0.95(Rp)需要5 min左右。 研究结果表明, 结合荧光光谱法和EEMD-DBN模型, 非破坏性地预测水稻种子发芽率具有可行性和高准确性, 并且适用于不同颜色和污染水平的水稻种子的检测。
荧光 稻种 发芽率 Fluorescence Rice seed Germination EEMD EEMD DBN DBN 光谱学与光谱分析
2018, 38(4): 1303
1 南京农业大学工学院/江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 远程测控技术江苏省重点实验室, 江苏 南京 210096
3 南京农业大学农学院/作物遗传与种质创新国家重点实验室, 江苏 南京 210095
基于稻种老化时间不同时的物理学和生理学差异, 提出一种基于红外热成像技术及广义回归神经网络的快速、 无损检测稻种发芽率的检测方法, 解决传统稻种发芽率检测方法操作复杂、 实验周期长等问题。 在温度为45 ℃、 湿度为90%的条件下, 将水稻种子依次老化0, 1, 2, 3, 4, 5, 6和7 d, 得到不同发芽率的种子; 采集稻种红外热图像, 然后提取稻种胚芽部位数据, 总计144份, 随机分为校正集和预测集, 其中校正集96份, 预测集48份; 分析和比较不同老化天数稻种红外热差异, 从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系, 结合偏最小二乘算法（partial least squares, PLS）、 BP（back propagation, BP）人工神经网络和广义回归神经网络(general regression neural network, GRNN), 建立稻种发芽率的红外热模型。 结果表明, 利用GRNN建立的发芽率预测模型效果最优, 其中校正集的RC（相关系数）和SEC（标准偏差）分别为0.932 0和2.056 0, 预测集RP（相关系数）和SEP（标准偏差）分别为0.900 3和4.101 2, 相关性均达到较高水平且校正集与预测集的标准偏差均较小。 实验结果表明, 采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的, 且所建模型在稻种发芽率快速测定方面有较高的精度。
红外热成像技术 稻种 发芽率 无损检测 Infrared thermal imaging technology Rice seed Germination rate Nondestructive detecting GRNN GRNN 光谱学与光谱分析
2016, 36(8): 2692
1 南京农业大学工学院, 江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 远程测控技术江苏省重点实验室, 江苏 南京 210096
3 南京农业大学农学院, 作物遗传与种质创新国家重点实验室, 江苏 南京 210095
针对目前传统稻种发芽率检测方法周期长、 精度低的问题, 提出新颖的基于连续偏振光谱技术实现稻种发芽率快速、 无损检测的方法。 以不同老化天数稻种为检测目标, 10 min为检测时间点, 使用起偏器将光纤准直光源调制成线偏振光垂直入射稻种浸出液, 而后以5°为间隔旋转检偏器, 并通过光纤光谱仪检测透射的光谱, 对检测的偏振光谱通过归一化预处理后, 根据不同发芽率稻种检测时偏振角及波长的贡献给出特征偏振角和特征波长, 特征偏振角为0°, 5°和25°, 特征波长为576, 620和788 nm, 将获取的连续偏振光谱以特征偏振角和特征波长处的透射率为输入, 构建稻种发芽率检测模型。 分别比较运用偏最小二乘法回归(partial least squares regression, PLSR)、 BP神经网络(back propagation neural network, BPNN)、 径向基神经网络(radial basis function neural network, RBFNN)三种建模方法建立稻种发芽率检测模型。 分别用老化天数为0, 2, 4, 6 d的稻种, 在不同的偏振角共测量1 520组实验数据, 其中912组数据作为校正集, 608组数据作为预测集, 建模结果表明三种模型预测精度较高, 其中RBFNN模型预测精度最高, 其相关系数r为0.976, 均方误差RMSE为0.785, 平均相对误差MRE为0.85%。 表明利用连续偏振光谱技术通过多维度光谱信息能够有效实现稻种发芽率的快速、 准确检测。
连续偏振光谱 稻种 发芽率 无损检测 Continuous polarization spectroscopy Rice seed Germination rate Nondestructive detection 光谱学与光谱分析
2016, 36(7): 2200
1 南京农业大学工学院江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 南京农业大学农学院作物遗传与种质创新国家重点实验室, 江苏 南京 210095
为实现稻种品质的快速鉴定，以稻种最重要的品质参数之一——发芽率作为主要评价指标，通过高光谱成像技术结合视觉词袋(BoVW)模型的方法进行稻种发芽率的分级评价。挑选Y 两优302、两优108 和内5 优8015 三个品种的杂交水稻种子各100 粒，在温度40 ℃、相对湿度100%条件下对三种稻种分别老化处理0、1、2、3、4 d，得到5 个活力梯度的稻种。采集300 粒稻种的高光谱图像，随机分为训练集(200 份)和测试集(100 份)。图像采集完毕后，进行稻种发芽实验，第14 天时计算发芽率。采用主成分分析(PCA)方法选取特征波长，利用密集尺度不变特征变换(SIFT)算法提取稻种图像局部特征，再根据K-means 算法聚类生成视觉词典。利用以径向基(RBF)核为核函数的支持向量机(SVM)分类器建立稻种发芽率分级预测模型，判别精度为95.65%。结果表明，采用高光谱成像技术结合视觉词袋模型进行水稻发芽率的快速、无损预测是可行的。
图像处理 高光谱成像 视觉词袋 稻种 发芽率 支持向量机 激光与光电子学进展
2016, 53(1): 011003
1 南京农业大学工学院江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 远程测控技术江苏省重点实验室, 江苏 南京 210096
3 中国科学院南京土壤研究所土壤与农业可持续发展国家重点实验室, 江苏 南京 210008
传统活力检测方法存在操作复杂、耗时长、可重复性差、对种子造成损伤且不可逆等不足，基于此，提出一种基于光声光谱结合最小二乘支持向量机回归(LS-SVR)的稻种活力快速、无损检测方法。在温度为45 ℃、相对湿度为90%的条件下，对南粳46(粳稻)和内5 优8015(杂交稻)进行高温高湿人工老化处理，依次老化0，24，48，72，96 h，获得不同活力的稻种；采集2类稻种光声光谱数据，总计100份，其中校正集样本60个，预测集样本40个；采用小波包对原始光谱数据进行预处理，通过协方差分析和主成分分析(PCA)对光谱进行降维；分别通过偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和LS-SVR 建立稻种活力预测模型。其中，采用协方差分析结合LS-SVR 建立的模型性能最优，该模型不仅适用于单一稻种，而且适用于不同种类稻种活力的预测。研究表明，采用光声光谱技术结合LS-SVR 对稻种活力进行测定是可行的，且所建模型在稻种活力预测方面具有较好的预测精度，为便携式水稻活力光声光谱仪的研制提供了理论依据。
光谱学 光声光谱 稻种 活力 小波包 最小二乘支持向量机回归 中国激光
2015, 42(11): 1115003
1 南京农业大学工学院江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 远程测控技术江苏省重点实验室, 江苏 南京 210096
3 南京农业大学农学院/作物遗传与种质创新国家重点实验室, 江苏 南京 210095
针对稻种发芽率传统检测方法周期长，近红外光谱检测技术等无损检测方法受稻种自然颜色及含水量影响大的问题，通过连续偏振光谱结合嵌入型灰色神经网络(IGNN)的方法建立稻种发芽率预测模型。对检测连续偏振光谱运用经典模式分解(EMD)和小波包变换进行去噪处理，根据去噪效果选择EMD 去噪。利用主成分分析(PCA)提取去噪后的连续偏振光谱特征，结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN 分别构建稻种发芽率预测模型，建模结果显示10 min 检测时间点IGNN 预测模型精度最高，预测集相关系数RP=0.985，预测集均方根误差(RMSEP)为0.771。研究结果表明基于连续偏振光谱技术结合嵌入型灰色神经网络的方法实现稻种发芽率快速无损检测是可行的且精度较高。
光谱学 连续偏振光谱技术 灰色神经网络 稻种 发芽率 光学学报
2015, 35(12): 1230001
1 南京农业大学工学院江苏省现代设施农业技术与装备工程实验室, 江苏 南京 210031
2 远程测控技术江苏省重点实验室, 江苏 南京 210096
3 南京农业大学农学院作物遗传与种质创新国家重点实验室, 江苏 南京 210095
基于老化不同时间的稻种的生理学和物理学特性，提出一种基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型，实现稻种发芽率的快速、无损检测，解决传统发芽实验法实验周期长、操作复杂等问题。从不同发芽率稻种的胚芽部位提取144组数据，通过多尺度小波变换，分析逼近信号和细节信号，得出第3层细节信号(d3) 贡献最大。以第3层细节信号作为模型的输入，随机分为校正集和预测集，校正集96组，预测集48组。分析和比较老化不同时间的稻种的红外热差异，通过偏最小二乘算法(PLS)、BP神经网络、径向基神经网络(RBFNN)和灰色神经网络(GNN)，建立稻种发芽率红外热预测模型。结果表明，GNN建立的稻种发芽率模型预测效果最优，其中校正集相关系数(RC)和标准偏差(SEC)分别为0.9619、2.5013，预测集相关系数(RP)和标准偏差(SEP)分别为0.9554、2.4172，相关性达到较高水平且误差较小。研究表明采用小波分解和灰色神经网络建立稻种发芽率红外热预测模型的方法是可行的。
测量 红外热 灰色神经网络 无损检测 稻种发芽率 多尺度小波变换 光学学报
2015, 35(10): 1012001
江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
水稻种子品种的单粒鉴别对于防止制种时的混杂、掺假现象，保证种子纯度具有重要意义。利用高光谱图像技术研究了水稻种子品种的单粒快速鉴别方法。采集了10 类水稻种子在400~1000 nm 范围内的高光谱反射图像并提取其光谱、纹理和形态特征；结合偏最小二乘判别分析模型比较了不同特征及其组合下的分类精度，并利用多次递进无信息变量消除算法结合偏最小二乘投影分析方法筛选最优波段。结果显示，在仅利用23 个最优波段情况下，融合均值、熵、能量和形态特征所建立的鉴别模型获得了令人满意的识别精度，其训练集、测试集精度分别为99.22%、96%。结果表明，高光谱特征融合可以在少量波段情况下有效地提高水稻种子品种单粒鉴别的精度，基本满足国家标准对种子纯度的检测要求。
图像处理 高光谱图像 特征融合 水稻种子 品种鉴别 偏最小二乘判别分析 激光与光电子学进展
2015, 52(2): 021001
1 中南大学信息物理工程学院, 湖南 长沙410083
2 中南林业科技大学林业遥感信息工程研究中心, 湖南 长沙410004
3 吉首大学生物资源与环境科学学院, 湖南 吉首416000
提出了一种基于可见-近红外光谱技术快速、 无损鉴定杂交稻种纯度的新方法。 以FieldSpec3地物光谱仪采集纯度在90%～99%范围内的杂交稻种（宜香725）光谱数据90份, 随机分成校正集（75份）和检验集（15份）。 根据其在380～2 400 nm的反射光谱, 以偏最小二乘算法（PLS）建立了回归模型, 并比较了不同光谱预处理方法对模型的影响。 分析表明采用一阶导数结合标准归一化处理能最有效地提取光谱信息, 此时PLS模型校正集决定系数与检验集决定系数分别为0.988 4与0.922 7, 校正标准误差（SEC）与预测标准误差（SEP）分别为0.002 5与0.006 6。 将经一阶导数结合标准归一化处理后的光谱进行PCA降维, 以前20个主成份（含原始光谱86.09%的特征信息）为输入变量, 建立杂交稻种纯度鉴定的BP-ANN模型。 分析表明BP-ANN模型校正集决定系数与检验集决定系数分别为0.995 2与0.936 9, SEC与SEP分别为0.001 7与0.006 1, 具有比PLS模型更高的精度。 结果表明以可见-近红外技术进行杂交稻种纯度的快速、 无损鉴定是可行的, 且PCA结合BP-ANN是一种优选方法。
可见-近红外光谱 杂交稻种 纯度 无损鉴定 偏最小二乘 BP-神经网络 Visible-near infrared reflectance spectra Hybrid rice seed Purity Noncontact measurement PLS BP-ANN 光谱学与光谱分析
2009, 29(11): 2962
