1 华南农业大学电子工程学院(人工智能学院), 国家精准农业航空施药技术国际联合研究中心, 广东 广州 510642
2 华南农业大学电子工程学院(人工智能学院), 国家精准农业航空施药技术国际联合研究中心, 广东 广州 510642岭南现代农业科学与技术广东省实验室, 广东 广州 510642
3 华南农业大学电子工程学院(人工智能学院), 国家精准农业航空施药技术国际联合研究中心, 广东 广州 510642岭南现代农业科学与技术广东省实验室, 广东 广州 510642农业农村部华南智慧农业公共研发中心, 广东 广州 510520
随着杂交水稻育种技术的快速发展, 杂交水稻品种日益繁多, 品质与价格也千差万别, 利用智能化手段对杂交水稻种子进行快速分类、 分级和品质检测成为杂交水稻研究领域的热点。 首先研究了不同预处理方式对基于近红外光谱的一维卷积神经网络分类模型对杂交水稻种子的分类效果的影响, 研究结果表明利用Savitzky-Golay卷积平滑算法预处理后的一维卷积神经网络分类模型可获得最佳的分类效果, 其验证集与测试集的分类精度为95.4%和92.9%。 利用随机森林特征波长选择算法选取3个最重要的特征波长分别构建基于单波长灰度图像数据集和基于3波长重构的伪彩色图像数据集, 研究了基于图像数据集的卷积神经网络VGG和残差网络ResNet的杂交水稻种子分类模型, 其研究结果表明基于伪彩色图像数据集的VGG卷积神经网络模型能够获得最优的分类效果, 其验证集与测试集的分类精度分别为92.8%和92.8%, 相比基于伪彩色图像数据集的ResNet分类模型, 其验证集提升3.6%, 测试集提升4.9%。 为了进一步提高分类的精度, 提出了一种图像信息与光谱信息融合的杂交水稻种子分类方法, 该方法利用1D-CNN网络分支提取种子的光谱特征, 利用2D-CNN网络分支提取种子图像的空间维度特征, 最终构建基于图谱融合的2Branch-CNN卷积神经网络分类模型, 其验证集与测试集的分类精度都得到明显改善, 分别达到98%和96.7%。 并利用混淆矩阵评估了2Branch-CNN分类模型对于各个种类的杂交水稻种子的分类效果。 研究结果表明通过图谱融合能有效提升卷积神经网络模型的分类精度, 构建基于光谱与图像数据融合的二分支卷积神经网络模型将为杂交品种的种子快速筛选与分级提供新思路。
深度学习 近红外高光谱 杂交水稻种子 特征融合 Deep learning Near-infrared hyperspectrum Hybrid rice seeds Feature fusion 光谱学与光谱分析
2023, 43(9): 2935
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
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
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
南京农业大学工学院, 江苏省高等学校智能化农业装备重点实验室, 江苏 南京210031
现阶段水稻种子发芽率测试仍然按照传统的农作物种子发芽技术规定进行发芽试验, 此方法存在试验周期长、 成本高、 专业性要求高等缺点, 本研究提出一种基于近红外光谱技术的快速、 无损测试杂交水稻种子发芽率的新方法。 采用人工老化方法在温度45 ℃、 湿度100%的条件下分别老化处理2个品种杂交水稻种子0, 24, 48, 72, 96, 120, 144 h; 用近红外光谱仪分别采集2个品种不同老化时间段杂交水稻种子光谱数据共280份, 随机分成校正集（168份）和检验集（112份）; 测试不同老化时间段的水稻种子发芽率; 以偏最小二乘算法（PLS）建立了回归模型, 分析不同光谱波段和比较不同光谱预处理方法对模型精度的影响。 2个品种的水稻种子光谱数据采用全波段和标准化＋正交信号校正预处理时模型最优, 模型校正集决定系数（RC）与验证集相关系数（RP）分别为0.965和0.931, 校正标准误差（SEC）与预测标准误差（SEP）分别为1.929和2.899, 验证集预测值与真实值之间的相对误差在4.2%以内。 研究结果表明利用近红外光谱分析技术进行杂交水稻种子发芽率的快速无损检测是可行的。
杂交水稻种子 发芽率 近红外光谱 偏最小二乘法 Hybrid rice seeds Germination rate Near-infrared spectroscopy Partial least squares(PLS) 光谱学与光谱分析
2014, 34(6): 1528
中国科学院合肥物质科学研究院技术生物与农业工程研究所, 合肥 230031
本文用MPA傅立叶变换近红外光谱仪研究了单粒水稻种子的漫反射光谱特征, 发现颖壳对光谱扫描有影响, 为了尽量消除这种影响, 保证光谱的代表性, 应对其上下表面分别进行多次光谱采集, 取它们的平均光谱。本文利用种子品种特有的光谱特性, 结合不同光谱预处理方法建立了多个聚类分析模型, 比较它们对杂交F1代种子“03S/0412”和其父本种子“0412”的鉴别效果。结果显示: 选择4000～8900 cm-1光谱范围, 通过“无预处理”、“矢量归一化”、“二阶导数（25点平滑）”和“二阶导数（25点平滑）+矢量归一化”建立的模型校正集正确率分别为52.4%、65.2%、75.2%和100%, 可见, 相比无预处理, 经过各种预处理后正确率都有提高, 其中“二阶导数（25点平滑）+矢量归一化”建立的模型最好, 用该模型对预测集预测, 分类正确率也为100%, 具有很好的预测性能。这说明近红外光谱技术可用于单粒水稻种子品种真伪性鉴别。
近红外光谱仪 单粒 水稻种子 聚类分析 真伪性鉴别 FT-NIR spectroscopy Single grain Rice seeds Clustering analysis Authenticity identification
