1 中国农业大学工学院, 北京 100083
2 山东农业工程学院, 山东 济南 250100
高丹草中粗蛋白质以及碳水化合物的含量丰富, 适合青贮处理。 优质的高丹草种子是发展畜牧业十分重要的前提, 发芽率是检验种子质量最常规的指标之一, 播前种子发芽率检测与筛选十分必要。 现阶段采用发芽试验法进行种子发芽率的检测, 周期长、 成本高。 基于此, 提出利用近红外光谱对高丹草种子进行发芽率的快速、 无损检测。 选择适量的高丹草种子样品, 采集近红外漫反射光谱, 进行一阶导和二阶导预处理以及对比分析$R^{2}_{c},R^{2}_{p}$, RESEC和RMSEP。 采用支持向量机(SVM)建模, 使用MATLAB中调用的LIBSVM软件包来实现SVM训练和检测过程, 以检测不同发芽率的高丹草种子。 对来自不同省份的100组高丹草种子先剔除种子内的杂物、 破损以及不能满足试验条件的种子后, 用人工气候培养箱进行种子发芽试验, 获得100组种子样本的发芽率, 其发芽率分布在41%~64%的范围。 采用美国Unity Scientific 2600XT近红外光谱仪对样本进行光谱扫描。 随机分成校正集70份和检验集30份。 分别采用一阶导和二阶导进行了高丹草种子光谱的预处理, 将预处理之后的数据采用支持向量机的方法建模, 并对其参数进行了分析和讨论。 结果表明, 近红外光谱预测模型训练集相关系数($R^{2}_{c}$)和测试集相关系数($R^{2}_{p}$)分别为0.94和0.92, 校正均方根误差(RMSEC)、 预测均方根误差(RMSEP)分别为0.21和0.25, 两个产地的高丹草种子数据采用一阶导预处理时模型最优。 支持向量机的方法建模采用Rbf核函数, 当支持向量机惩罚因子c=2 896.309 4和核函数g=0.5时, 测试集种子发芽率的检测准确率为96.666 7%(29/30)。 该模型预测种子发芽率是可行的, 可以作为初步检测高丹草种子发芽率快速无损检测的手段之一, 能够有效的促进种子生产。
近红外光谱 高丹草种子 发芽率 导数法 支持向量机 Near infrared spectroscopy Sorghum-sudan grass seed Germination rate Derivative method Support vector machine
1 浙江大学光电科学与工程学院光及电磁波研究中心, 浙江 杭州 310058
2 苏州瑞蓝环保科技有限公司, 江苏 常熟 215558
种子活性受到存储条件的影响很大。 收集了真实情况下受到不同存储条件影响的种子, 通过发芽实验验证了其成活率存在差异。 再从中选择适量的种子样本, 采集其单颗种子的可见-近红外反射光谱, 运用不同的光谱预处理技术, 结合不同的机器学习建模手段, 以区分不同成活率的种子。 比较了不同的光谱预处理方法, 比如标准反射光谱校正、 多元散射校正等。 从识别准确度的角度, 认为标准反射光谱校正的方法, 能够很大程度上提升不同存活率种子的光谱差异性, 从而经过机器学习判断达到更高的识别准确度。 同时比较了支持向量机、 K邻近和距离判别分析等机器监督学习建模方法, 发现利用标准反射光谱校正的方法结合距离判别分析, 能够对种子样本实现完全准确的判定。 更进一步, 为了满足实际运用中快速识别的要求, 将高分辨率的光谱数据压缩成为低分辨率多通道带通光谱数据, 这样可以大大降低的光谱数据长度, 节约各种机器学习器在训练和判断中所用的时间。 使用简化过后的多通道带通光谱数据判定种子存活率, 其识别准确度仍然接近90%。 充分说明了, 利用多通道宽带光谱数据, 并选择合适的机器学习建模方式, 足以满足实际选种产业的一般性需求, 有潜力作为未来粮种成活率快速鉴别的技术手段。 还采用了多种带通宽度以简化光谱, 分析比较不同带通宽度对识别精度的影响。 总体来说由于带宽增大, 数据量减少, 识别速度更快, 但是识别精度降低。 从10～50 nm改变光谱带宽, 标准反射校正后的简化光谱的识别精度从87.50%下降到58.75%。 在实际运用中, 需要权衡识别速率和预期识别精度, 合理的选择带宽。 验证了根据简化后的可见近红外反射光谱, 能够较快速且准确的识别水稻种子存活率, 为以后的基于带通滤波片的快速种子存活率识别奠定了基础。
水稻种子 可见近红外光谱 简化光谱 光谱预处理 机器学习 成活率 Rice seeds Visible-near-infrared spectra Simplified spectra Spectra pretreatment Machine learning Germination rate
1 山西师范大学现代文理学院, 山西 临汾 041004
2 山西师范大学生命科学学院, 山西 临汾 041004
翅果油树(Elaeagnus mollis Diels)为我国特有古生物植物, 其种子发芽率很低。实验探究不同时间He-Ne激光(波长为632.8 nm, 功率密度为8 mW/mm2)辐射处理对翅果油树种子发芽率的影响, 并对激光处理下种子活力、种子萌发过程中过氧化氢酶活性(CAT)及超氧化物歧化酶活性(SOD)进行了测定, 以了解He-Ne激光对种子萌发的生理效应。结果表明, 一定时间的 He-Ne激光辐照促进了CAT及SOD活性的提高, 保护了膜的完整性, 提高了种子活力, 从而提高了种子发芽率。最佳辐射处理时间为3 min, 此时发芽率最大。超过3 min, 种子活力、SOD和CAT酶活性明显降低, 种子萌发明显受到抑制。对He-Ne激光辐射对翅果油树种子萌发的生理效应的研究, 有望在实践中为提高翅果油树种子的发芽率提供更加有效的依据和方法, 从而更有效地保护这种珍稀的濒危植物。
He-Ne激光 翅果油树种子 发芽率 He-Ne laser Elaeagnus mollis Diels seed germination rate CAT CAT SOD SOD
1 北京工商大学计算机与信息工程学院, 北京 100048
2 土壤植物机器系统技术国家重点实验室, 北京 100083
3 中国农业机械化科学研究院, 北京 100083
为了提高近红外光谱技术快速测定小麦种子发芽率的准确度和稳健性, 比较分析了基于全光谱的单一偏最小二乘(PLS)模型和多模型共识PLS模型(cPLS)性能, 并提出了基于特征光谱的多模型共识PLS模型(Si-cPLS) 。 实验收集84份小麦种子, 通过SPXY法将样本集划分为训练集样本66个, 预测集样本18个。 从训练集中随机抽取50个样本作为校正集建立一系列PLS子模型, 选取其中性能较好100个子模型作为成员模型建立cPLS模型, 取成员模型预测结果的均值来分析未知样本。 在此基础上, 采用组合间隔偏最小二乘法(SiPLS)筛选特征谱区建立多模型共识PLS模型(Si-cPLS)。 各模型均采用均值中心化预处理方法, PLS模型、 cPLS模型以及Si-cPLS 模型对预测集的小麦种子发芽率进行50次重复预测的平均相关系数r分别为0.935, 0.949和0.967, 平均预测均方根误差RMSEP分别为13.735%, 12.533%和10.273%, RMSEP 的标准偏差分别为1.144%, 0.096%和0.08%。 实验结果表明cPLS模型较单一PLS模型更加稳定可靠, 而基于特征光谱的Si-cPLS模型则进一步提高了cPLS的稳定性与预测精度, 为建立性能优秀的小麦种子发芽率近红外模型提供了新思路。
近红外 特征光谱 多模型共识 发芽率 Near infrared spectroscopy Characteristic spectrum Consensus modeling Germination rate 光谱学与光谱分析
2017, 37(4): 1114
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 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
针对种子发芽率检测常用方法操作复杂、周期长、受种子休眠期影响等问题，提出了一种基于特征光谱和广义回归神经网络(GRNN)的糙米发芽率快速检测方法。在温度为45 ℃、湿度为90%的条件下，对稻种进行高温高湿人工老化，老化时间为0、24、48、72、96、120、144、168 h；人工去壳处理后，采集近红外光谱数据，将160 份糙米样品的光谱分为校正集(120 份)和预测集(40 份)；采用标准正态变换(SNV)、一阶导数(FD)对光谱数据进行预处理，提取特征波长，分析不同建模方法和不同贡献率的特征波长对模型的影响。结果表明，以688、1146、1346、1366、1396、1686 nm对应的光谱作为输入，通过GRNN 建立的模型最优，其校正集相关系数(RC)与标准偏差(SEC)分别为0.9743、1.9161，预测集相关系数(RP)与标准偏差(SEP)分别为0.9505、2.3423。研究表明，采用近红外光谱分析技术对糙米发芽率进行检测是可行的，能够从稻种生理学特性的角度揭示不同发芽率稻种的光谱差异，且所建模型在水稻发芽率预测方面有较好的预测能力，为便携式水稻发芽率光谱仪的研制提供了理论依据。
光谱学 近红外光谱 糙米 发芽率 预处理 广义回归神经网络 激光与光电子学进展
2015, 52(11): 113005
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
水稻是人类的主要粮食作物，其发芽率是评定水稻质量的重要指标之一。以南粳46 为研究对象，利用高光谱成像技术预测剥壳后的稻种(以下简称糙米)发芽率。在400~1000 nm 波长范围内，采集960 粒饱满、无霉变糙米的高光谱图像，提取感兴趣区域的平均光谱曲线，利用主成分分析(PCA)提取特征波长，再结合偏最小二乘法(PLS)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和广义回归网络(GRNN)4 种建模方法分别对糙米5 个区域特征波长的光谱数据建立预测模型并加以比较。4 种建模方法对糙米A 区域(含胚芽)的平均预测效果最好( Rp=0.970)，其中，GRNN 模型对该区域预测精度最高( Rp =0.982, fRMSEP =0.978)。研究结果表明利用高光谱成像技术并结合PCA和GRNN 检测糙米发芽率是可行的。
光谱学 高光谱成像 主成分分析 广义回归网络 发芽率 糙米 激光与光电子学进展
2015, 52(11): 113001
