1 黑龙江八一农垦大学信息与电气工程学院, 黑龙江 大庆 163319
2 黑龙江八一农垦大学工程学院, 黑龙江 大庆 163319
目前, 近红外光谱(NIRS)可以实现种子活力的快速、 无损检测, 但区分的活力等级一般少于3级且精度不高。 建立种子活力多等级、 高精度的NIRS检测模型, 解决活力等级增加与预测模型精度之间的矛盾是现阶段近红外种子活力检测的主要任务。 以玉米种子为研究对象, 采用人工老化的方法获得5种活力等级的种子样本并采集对应的光谱数据建立反向神经网络(BP)预测模型。 为了提高模型的精度和稳健性, 提出一种耦合平均影响值-连续投影特征波长提取算法(MIVopt-SPAsa)。 该算法针对连续投影算法(SPA)耗时过长的问题, 采用平均影响值算法(MIV)对其预降维。 MIV方法实现了对波长影响值的排序, 但缺乏选取波长影响阈值的指标, 因此引入相对距离比对MIV算法进行优化(MIVopt), 实现特征波长范围的有效分割。 针对SPA提取特征变量数目确定的问题, 设定了特征波长数目范围并在此范围内优中选优, 实现了自适应的SPA(SPAsa)特征提取。 使用耦合MIVopt-SPAsa算法对具有1 845个波长的玉米种子近红外全谱数据进行特征提取, 提取出特征波长37个, 主要分布在玉米种子近红外光谱的7个主要吸收峰附近, 表明该算法可以有效提取出与玉米种子生化物质近红外吸收特性一致的特征波长。 为了测试该算法对模型性能的影响, 建立了全谱BP模型、 MIV-BP模型、 SPAsa-BP模型、 MIVopt-SPAsa-BP模型和竞争自适应重加权CARS-BP模型对5个等级的玉米种子活力进行分级, MIVopt-SPAsa-BP模型的预测平均准确率可达99.1%, 预测精度高于其他模型; 其计算平均时间为14.382 s, 低于MIV-BP模型的计算时间(24.523 s)、 CARS-BP模型的计算时间(97.226 s)和SPAsa-BP模型的计算时间(101.224 s), 但高于全谱模型的平均计算时间(0.253 1 s); 其最佳表现交叉熵为0.007 892, 远远低于另外4个模型。 实验结果表明: MIVopt-SPAsa算法可以有效地提高玉米种子活力近红外检测模型的精度, 实现种子活力多等级、 精确、 无损检测, 为种子活力检测模型的优化提供参考。
近红外光谱 种子活力 玉米 平均影响值算法 连续投影算法 Near infrared spectroscopy Seed vigor Maize Mean impact value Successive projection algorithm 光谱学与光谱分析
2022, 42(10): 3135
1 河南科技大学农业装备工程学院, 河南 洛阳 471003
2 2. Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, 56199-11367, Ardabil, Iran
3 上海交通大学机械与动力工程学院, 上海 200240
在小麦分蘖期内, 适时适量追施氮肥可显著改善小麦茎蘖群体结构、 提高产量。 但经验性的均一施肥往往导致氮肥过度施用及农学效率偏低等问题, 而基于小麦茎蘖的实际发育状况进行变量施肥, 有助于解决小麦茎蘖个体发育与群体结构之间的矛盾。 通过变量追施氮肥作业调控小麦茎蘖群体、 提高小麦产量的技术关键, 在于准确获取田块尺度的小麦茎蘖密度(单位面积内的小麦茎蘖数量)信息。 传统的通过人工田间调查获取小麦茎蘖密度信息的方法, 时效性与精准度不足, 工作量大、 效率低, 而且稀疏的点源统计数据无法精准反映田块内部的小麦茎蘖密度空间差异状况。 因此, 为满足变量追施氮肥作业对田块尺度的小麦茎蘖密度专题图的需求, 使用大疆Mini 2航拍无人机, 在小麦分蘖期获取试验田的可视光波段遥感图像。 使用Matlab相机标定工具箱, 完成无人机遥感图像校正, 提取蓝、 绿、 红三个可视光波段的图像分量。 基于植被与土壤在可见光波段的光谱响应特性, 选取可以较好地突出植被特征、 减轻光照强度对遥感图像质量造成影响的4种比值类型植被指数, 即可见光波段差分植被指数(VDVI)、 归一化绿红差分指数(NGRDI)、 归一化绿蓝差分指数(NGBDI)、 绿红比值指数(RGRI)。 在此基础上, 利用VDVI专题图, 计算小麦试验田的植被覆盖度(FVC)。 进一步以FVC, VDVI, NGRDI, NGBDI及RGRI平均值为5节点输入层, 小麦茎蘖密度地面真值为单节点输出层, 建立一个单隐含层、 5输入、 单输出的3层BP神经网络预测模型, 用以定量反演小麦茎蘖密度指标。 精度验证数据表明: 该神经网络模型的预测结果与相应的小麦茎蘖密度地面真值之间的均方根误差(RMSE)及平均绝对百分比误差(MAPE)分别为19及3.62%, 因此该模型具有较高的小麦茎蘖密度预测精度。 田块尺度的小麦茎蘖密度反演专题图的统计数据显示: 小麦茎蘖密度低于500株·m-2、 介于501~800株·m-2之间、 以及高于800株·m-2的地块面积分别占比6.67%, 74.67%和18.66%, 为变量追施氮肥提供数据支持。 利用商业航拍无人机获取小麦的可视光波段遥感图像, 代替价格昂贵、 辐射标定复杂的多光谱遥感相机, 在田块尺度上实现对小麦茎蘖密度的定量反演, 是推进变量追施氮肥作业、 精准农业大田信息获取及农业数字化建设的现实需求。 研究成果为小麦长势的遥感检测提供理论依据与数据支持, 具有重要的科学意义。
无人机 农业遥感 小麦长势 小麦分蘖 植被指数 植被覆盖度 Drone Agricultural remote sensing Wheat vigor Wheat tiller Vegetation index Fractional vegetation coverage 光谱学与光谱分析
2021, 41(12): 3828
1 北京工商大学食品安全大数据技术北京市重点实验室, 北京 100048
2 中国农业科学院作物科学研究所, 北京 100081
应用太赫兹时域光谱反射成像技术结合广义二维相关光谱法探索玉米种子活力敏感太赫兹波段, 并结合支持向量机建立快速无损判别种子活力的分析模型。 实验以中地77玉米种子为例, 采用人工老化方式（40 ℃, 100%相对湿度）将种子样本分批老化0, 1, 2, 3, 4天制备不同活力的种子样本, 并按照GB/T 3543.4—1995进行种子发芽实验; 同时采用Terapluse 4000太赫兹时域光谱仪及反射成像附件采集上述不同老化程度种子样本的太赫兹光谱图像。 由于玉米种子的胚乳和种胚的成分差异显著, 为探究种子不同组织在老化过程中与活力的相关性, 本实验首先采用双高斯滤波器对THz图像中的像素点光谱消噪、 峰峰值差分重构图像增强以及阈值分割等预处理无损提取玉米种子不同组织太赫兹吸光度谱。 然后以老化天数为扰动量, 针对上述提取的样本胚乳和种胚光谱分别作广义二维相关分析, 根据实验中同步谱和异步谱中自动峰与交叉峰位置初步解析, 可得到与种子活力关系密切的THz波段主要集中在75和36 cm-1区域, 同时75和36 cm-1处的光谱信息存在强烈的协同变化且变化方向一致。 种子活力与老化天数密切相关, 因此根据老化天数分别建立了基于胚乳和种胚吸光度谱的五分类支持向量机模型用于种子活力定性判别, 但是其判别准确率仅为59.34%和71.28%, 表明该模型无法精细划分种子五个活力等级; 实验进一步根据GB4401.1—2008以玉米种子发芽率85%为阈值划分活力高低等级, 建立二分类种子活力判别模型, 可得胚乳和种胚测试集识别准确率分别可达88.61%和91.73%, 模型性能显著提升, 增强了THz技术用于种子活力无损粗筛的可行性。 实验结果表明: 太赫兹反射成像技术以其丰富的指纹谱、 低能安全以及图谱合一等特性, 有望成为单粒种子活力快速无损测定领域一项崭新、 有力的补充技术。
玉米种子 种子活力 太赫兹时域光谱反射成像 二维相关光谱 支持向量机 Corn seed Seed vigor Terahertz time-domain spectral reflection imaging Generalized two-dimensional correlation spectrosco Support vector machine 光谱学与光谱分析
2020, 40(9): 2840
1 中国科学院 长春光学精密机械与物理研究所 应用光学国家重点实验室，吉林 长春 130033
2 中国科学院大学，北京 100049
3 湖南省水稻研究所，湖南 长沙 410125
4 湖南省农业科学院，湖南 长沙 410125
针对目前农业种植选种应用对于带稃壳水稻种子活力分级检测的迫切需求，以及现有通用的糙米检测技术存在的问题，本文提出一种基于近红外超连续激光光谱的水稻种子活力透射光谱检测方法。首先，设计了种子活力近红外吸收光谱检测系统，测量了3种不同年份的带稃壳的水稻种子的近红外吸收光谱，结果显示，水稻种子的活力梯度与近红外吸收光谱的特征吸收峰值相关。然后，采用归一化、二阶导数校正法和正交信号校正相结合优化了种子光谱的预处理算法。最后，建立主成分分析(PCA)模型，对光谱进行降维，确定最佳主成分数目，应用偏最小二乘判别分析(PLS-DA)建立了水稻种子活力分析鉴别模型。分析结果表明，本文设计的透射式吸收光谱检测系统结合PLS-DA判别模型可对不同活力的水稻种子进行分类，校正集和验证集的准确率分别为94.44%和95.92%，筛选后水稻种子的发芽率可达97.17%。研究结果表明，本文提出的基于近红外光谱信息实现水稻种子活力无损分级的方法可行，且具有较高的预测精度。
近红外光谱 种子活力 偏最小二乘判别分析 主成分分析 near-infrared spectroscopy seed vigor partial least-squares discriminant analysis principal component analysis
1 湖州师范学院信息工程学院, 浙江 湖州 313000
2 浙江农林大学农业与食品科学学院, 浙江 杭州 311000
3 中国科学院长春光学精密机械与物理研究所应用光学国家重点实验室, 吉林 长春 130033
如何快速、无损地检测种子活力是目前种子研究领域的热点和难点。基于种子呼吸与种子活力的关系搭建了基于可调谐半导体激光吸收高光谱(TDLAS)技术的种子活力快速无损检测系统,该系统主要由分布反馈式激光器及其控制电路、光电转换及放大电路、数据采集电路、上位机软件以及基于多次反射池结构的种子呼吸CO2浓度检测池构成。检测池的容积为1.5 L,光程为16 m,激光光源波段为2004 nm。基于朗伯比尔定律,采用波长调制吸收光谱技术利用二次谐波反演出种子呼吸过程中产生的CO2浓度。根据种子呼吸CO2浓度的大小确定种子活力的强弱,并将其与发芽出苗实验获得的活力指数进行对比。实验结果表明:CO2呼吸强度的变化量与种子活力等级指数的相关性在0.9以上,即基于TDLAS技术的种子活力快速无损检测系统能够精准、无损、高效地反映种子活力的强弱。这一研究为采用TDLAS技术进行种子活力无损检测分级提供了有益探索。
光谱学 可调谐半导体激光吸收高光谱 无损检测 种子活力 呼吸强度 二氧化碳
1 中国农业大学农学院植物遗传育种与种子科学系, 农业部农作物种子全程技术研究北京创新中心, 北京市作物遗传改良重点实验室, 北京 100193
2 中国农业大学理学院, 北京 100083
种子活力对于农业发展至关重要, 而甜玉米种子普遍存在活力较低且不耐贮藏的问题。 因此, 及时准确地对甜玉米种子活力进行检测尤为重要。 电导率测定法作为一种传统的种子活力检测方法, 存在对种子有一定破坏性、 耗时较长、 重复性不佳等缺点。 针这些问题, 尝试利用可见-近红外(VIS-NIR)高光谱成像系统结合化学计量学算法建立甜玉米种子电导率快速、 无损且精确的检测方法。 以高温高湿老化的绿色超人甜玉米种子为试验材料, 先通过可见-近红外高光谱成像系统采集种子的高光谱图像和进行电导率测定试验, 随后对高光谱图像进行黑白板校正、 提取感兴趣区域, 获取光谱反射率数据。 利用多种预处理方法分别为标准正态变量变换(SNV)、 二阶导(SD)、 一阶导(FD)、 和多元散射校正(MSC)建立甜玉米种子电导率的偏最小二乘回归(PLSR)模型, 比较分析并筛选出最适预处理方法。 再通过连续投影算法(SPA)及遗传算法(GA)对MSC预处理后的高光谱波段进行筛选提取, 基于选出的特征波段建立PLSR模型, 并与全波段(Full)PLSR模型进行对比分析, 得到与甜玉米种子电导率相关性最高的高光谱波段组合, 最终确立一种能够预测甜玉米种子电导率的方法体系。 实验结果显示: 不同预处理方法(SNV, FD, SD和MSC)建立的PLSR模型性能有所差异, 其中MSC-PLSR模型的表现最优秀, 其校正决定系数和预测决定系数分别为0.983和0.974, 相应的校正均方根误差和预测均方根误差分别为0.165和0.226。 进一步分析MSC-Full-PLSR, MSC-SPA-PLSR和MSC-GA-PLSR模型, 发现GA能够将全光谱的853个波段压缩至25个有效波段, 所建立的MSC-GA-PLSR模型仍表现优秀, 其校正决定系数和预测决定系数分别为0.976和0.973, 相应的校正均方根误差和预测均方根误差分别为0.194和0.212。 实验结果表明: 基于可见-近红外(VIS-NIR)高光谱成像系统结合化学计量学算法实现对甜玉米种子电导率的预测存在一定的可行性。 该研究为甜玉米种子电导率的快速、 无损且精确的检测提供一定的理论支持。
高光谱技术 电导率 甜玉米种子 特征波段 偏最小二乘回归 Hyperspectral technology Sweet corn seed Vigor Characteristic wavelength Partial least squares regression(PLSR) 光谱学与光谱分析
2019, 39(8): 2608
1 石河子大学机械电气工程学院, 新疆 石河子 832000
2 石河子大学信息科学与技术学院, 新疆 石河子 832000
为了寻求一种快速、 无损检测脱绒棉种活力的方法, 提出基于高光谱技术预测脱绒棉种电导率。 采集了新陆早50、 新陆早57、 新陆早62三个品种且不同老化程度下共810粒脱绒棉种高光谱图像(400~1 000 nm), 通过组合不同预处理方法, 采用chauvenet检测方法剔除异常值后建立了偏最小二乘法(PLS)、 逐步多元线性回归(SMLR)、 主成分回归(PCR)模型。 结果表明, 采用变量标准化(SNV)、 卷积平滑(Savitzky-Golay)、 一阶微分(First derivative)和norris微分平滑组合的预处理方法, 波段范围为480~530, 650~980 nm下建立的PLS模型效果最佳; 其中PLS模型得到新陆早50、 新陆早57、 新陆早62的预测集相关系数和校正集相关系数分别为0.88, 0.90, 0.92, 0.91, 0.89, 0.90; 预测集均方根误差(RMSEP)和校正集均方根误差(RMSEC)分别为44.3, 38.4, 37.8, 46.5, 43.5和40.8 μS·cm-1。 研究结果表明, 采用高光谱技术预测脱绒棉种电导率具有一定的可行性, 也为其他种子的活力检测奠定了良好的基础。
高光谱技术 快速无损检测 脱绒棉种活力 电导率 Hyperspectral image technique Rapid and non-destructive detection Delinted cottonseeds vigor Conductivity 光谱学与光谱分析
2017, 37(5): 1437
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
湖南师范大学生命科学学院, 湖南 长沙 410081
目的: 探讨miRNA的表达差异与水稻种子活力的相关性。方法: 通过人工老化处理获得不同活力的水稻种子, 然后运用real time qPCR技术, 对不同活力种子的胚中miR164c和miR168b的表达量进行相对定量分析。结果: 水稻种子随活力下降至丧失活力以前, miR164c的表达量也相应下降; 但丧失活力的种子中, miR164c的表达量显著回升。miR168b的表达量则随着种子活力的降低而呈先升后降的模式; 在死种子中, miR168b的表达量维持在较低的水平。结论: 初步推测miR164c和miR168b的表达量与调控水稻种子活力的变化相关, 但它们的调控机制可能存在差异。
水稻 种子活力 miR164c miR164c miR168b miR168b rice seed vigor
1 长春理工大学光电工程学院， 吉林 长春 130022
2 北京农业信息技术研究中心， 北京 100011
激光散斑成像技术在医学和生物等领域得到广泛应用，照射对象内部变化可以产生动态变化的散斑图像。利用待测对象内部的散射粒子的动态变化与激光散斑变化的对应关系，结合激光散斑的统计学特性模拟相应算法，通过图像处理技术分辨出待测对象内部的动态变化程度。农作物种子内部粒子的活跃程度体现种子的活力，所以可以通过激光散斑技术的这个特点结合种子自身特性来分辨出作物种子的活力区域与非活力区域。
激光散斑成像 动态散斑 图像处理算法 种子活力 laser speckle imaging dynamic speckle imaging processing algorithms seed vigor
