尹淑欣等

摘要 利用近紅外光譜和BP神經(jīng)網(wǎng)絡(luò)建立玉米種子活力的快速無損檢測模型。首先通過人工老化將樣本按老化程度分為3種級別，分別采集樣本的近紅外光譜。對原始光譜進行矢量歸一化預(yù)處理以消除光譜噪聲。然后利用主成分分析（PCA）方法提取光譜特征，作為BP神經(jīng)網(wǎng)絡(luò)的輸入，依據(jù)預(yù)處理及特征提取構(gòu)建出BP神經(jīng)網(wǎng)絡(luò)種子活力檢測模型。試驗結(jié)果表明，該識別方法的準(zhǔn)確率為90.3%，平均識別時間為27.36 ms。研究結(jié)果為玉米種子活力的快速無損檢測提供了理論依據(jù)和實用方法。

關(guān)鍵詞 近紅外光譜；玉米；種子活力；主成分分析；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號 S513；S-3；TP391.4 文獻標(biāo)識碼 A 文章編號 1007-5739（2015）13-0020-02

Application Study of Near Infrared Spectroscopy Technology in Maize Seed Vigor Detection

YIN Shu-xin 1 YANG Dong-feng 1 WANG Xiu-zhi 2 GAO Shu-ren 2 JIANG Li 1

（1 Department of Information Technology，Heilongjiang Bayi Agriculture University，Daqing Heilongjiang 163319； 2 Agronomy College，Heilongjiang Bayi Agriculture University）

Abstract In order to realize rapid nondestructive recognition of maize vigor，a maize vigor intelligent detection model was put forward by combining NIR and BP neural network.At first，test samples were aged into three grades by artificial aging，and near infrared spectroscopy of which was collected.The original data were prerated using statitics method of normalization in order to eliminate noise and improve the efficiency of models.Principal component analysis（PCA）was respectively used to extract spectral features which acted as the input of BP neural network and the model was constructed according to preprocessing and feature extraction.The results showed the accuracy rate of the model was 90.3% and its average identification time was 27.36 ms.This investigation provided the theoretical support and practical method for rapid nondestructive recognition of maize vigor.

Key words near infrared spectroscopy；maize；seed vigor；principal component analysis；BP neural network

我國是玉米生產(chǎn)和消費大國，玉米是國內(nèi)重要的糧、飼、經(jīng)三元作物，在我國糧食總產(chǎn)量中，玉米的產(chǎn)量占比約為1/3[1]?？梢哉f，玉米種子質(zhì)量的高低將直接影響到國家的糧食生產(chǎn)安全。當(dāng)前對玉米的種子質(zhì)量進行衡量的最主要的標(biāo)準(zhǔn)是種子活力，它不但可以對種子的出苗率及出苗數(shù)量有制約作用，也會對苗期的生長量及抵抗外界的能力產(chǎn)生直接的影響，甚至?xí)罱K影響玉米收獲時的產(chǎn)量。高活力種子具有生長勢強、出苗率高、生長快、抗逆性好等優(yōu)點，可以有效提高種子耐貯性，達到增產(chǎn)的效果[2]。然而種子在采收、干燥、包裝、運輸和存儲過程中，必然會受到各種自然條件（包括不可避免的時間因素）和人工條件的影響而導(dǎo)致種子發(fā)生老化、活力下降、生理特性發(fā)生改變的情況。因此，研究快速可靠的玉米種子活力檢測方法對保護農(nóng)民切身利益和保障國家糧食安全意義重大。

目前有很多對種子活力進行測定的方法，傳統(tǒng)的方法包括發(fā)芽速率測定、電導(dǎo)率測定和人工加速老化測定等，但這些方法均會對種子的本身造成傷害，并且有試驗周期較長、受自然條件限制等特點。因此，隨著人們對種子活力的重視程度越來越高，迫切需要研究出一套檢測速度快且不會對種子活力進行破壞的檢測方法。

近紅外光譜（NIR）分析方法屬于物理測定方法，具有無損、無污染、不破壞樣品、成本低、速度快、測量方便等特點，NIR的主要信息來源是含氫基因O-H、N-H、C-H、S-H和P-H的倍頻和合頻吸收峰組成，光譜信息豐富、適合多組分測定。結(jié)合模式識別的方法在中草藥、食品、農(nóng)產(chǎn)品的鑒別和分類方面的應(yīng)用[3-8]也在不斷深入。近紅外光譜分析技術(shù)為種子活力的快速測定提供了新的思路和方法。

1 材料與方法

1.1 試驗材料

研究樣本為2014年收獲的綏玉7號半馬齒型玉米種子。首先隨機選取發(fā)育良好、形態(tài)完整的玉米種子，精細挑選出600粒備用。采用人工加速老化的方法促使種子不同程度地發(fā)生劣變，以得到活力水平不同的玉米種子。

1.2 老化方法

試驗中精選的600粒種子隨機平均分成3組，其中第1組不進行任何老化處理，第2組和第3組進行不同程度的人工加速老化處理。在進行人工老化前，必須對種子的含水量進行測定，因為種子的含水量不同會對種子的老化效果產(chǎn)生影響，必須把種子的含水量調(diào)到10%～14%。調(diào)整種子含水量的方法參照Wang的方法直接將種子裝入鋁箔袋中并加入達到相應(yīng)含水量所需的蒸餾水量并立即密封好鋁箔袋，在5～10 ℃條件下放置18～24 h也可以達到規(guī)定范圍內(nèi)的水分含量[9]。

將種子處理好用干燥篩封裝好后，在密封的容器內(nèi)均勻地擺放，密封前應(yīng)加入無菌水。然后將容器置于相對濕度100%、溫度45 ℃的智能老化箱中。第2組、第3組處理的時間分別為24、48 h。取出老化種子放置在室內(nèi)通風(fēng)條件良好的地方，待其恢復(fù)后備用。分別從3組老化程度不同的種子中隨機選取100粒，采用標(biāo)準(zhǔn)發(fā)芽試驗進行種子活力測定。樣品的人工老化溫度、時間及樣本數(shù)量見表1。

1.3 光譜測量

近紅外儀器采用德國BRUKER公司的VECTOR22/N型近紅外光譜儀，掃描范圍：833～2 500 nm；掃描次數(shù)為64次；掃描步長為0.8 nm。對玉米籽粒進行單籽粒測定，使用小型樣品池改善測量光譜的質(zhì)量，試驗保持室內(nèi)溫度和濕度基本一致。

從3組處理的玉米種子中隨機選80粒（共240個樣本），并隨機按照1～80 進行編號。為了充分地對種子的老化信息進行采集，應(yīng)保證胚正對著光源進行光譜的測量。每粒種子測4 條光譜，每次測量后，將種子的尖部依次轉(zhuǎn)動90°后重復(fù)測量，測量后取平均值。若使用的是小樣品池，可將玉米籽粒置于池中，為了避免光線射出，可用鍍金小蓋將池遮住。

1.4 智能檢測方法

1.4.1 光譜預(yù)處理。在3種不同老化程度的玉米種子中分別取10粒譜線進行對比。得到的原始光譜采用矢量歸一化方法進行預(yù)處理。

1.4.2 光譜特征提取。在對原始光譜進行預(yù)處理后，對可表征品種類別的分布特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入。本試驗進行特征提取采用的方法為主成分分析方法。該方法的目的是將數(shù)據(jù)降維，以將大量信息中共存、重疊的部分予以消除。

1.4.3 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建。經(jīng)過預(yù)處理和特征提取后，得到模型的特征輸入數(shù)據(jù)共80組，模型的特征輸入向量維數(shù)為9（由主成分分析得出）。神經(jīng)網(wǎng)絡(luò)輸入節(jié)點數(shù)目的維數(shù)與特征向量相同。輸出節(jié)點數(shù)對應(yīng)著種子的老化等級，故輸出節(jié)點為3個。

本研究中對隱含層節(jié)點進行確定的方法是先計算出初始節(jié)點數(shù)，估算公式見式（1），然后結(jié)合訓(xùn)練的實際情況對隱含層節(jié)點數(shù)目進行動態(tài)調(diào)整，直至達到最佳數(shù)目。

節(jié)點估算公式如下：

h=■+0.51（1）

式（1）中，h、m、n分別表示估算的隱含層節(jié)點數(shù)、輸入節(jié)點數(shù)及輸出節(jié)點數(shù)。經(jīng)過分析，模型的隱含節(jié)點數(shù)為12個。本研究中，激活隱含層神經(jīng)元、輸出層選用的函數(shù)分別為logsic（）、pureline（）。采用Delta學(xué)習(xí)規(guī)則，調(diào)整權(quán)值根據(jù)誤差函數(shù)梯度下降的方向進行。

2 結(jié)果與分析

樣本材料的發(fā)芽率見表2。由表2可知，不同老化程度的種子活力差別比較明顯，可以作為近紅外光譜檢測的樣本。

光譜曲線見圖1。從圖1可以看出，不同處理的玉米種子譜線總的趨勢和特征吸收峰幾乎無區(qū)別，但移動籽粒時，位置和角度細微的差別會引起隨機誤差和譜線漂移，因此需要對原始光譜進行預(yù)處理。

光譜數(shù)據(jù)共有2 083個數(shù)據(jù)點，利用Matlab中的主成分分析函數(shù)princomp（）對數(shù)據(jù)矩陣X240×203進行主成分分析，分析結(jié)果見表3。由表3可知，11個主成分中的前9個累積可信度超過99%，可對大部分的光譜數(shù)據(jù)特性進行反映。因此，本研究將主成分中的前9個特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量。從預(yù)處理及特征提取后的輸入數(shù)據(jù)集中按3種老化程度各取出40組作為各模型的訓(xùn)練數(shù)據(jù)。系統(tǒng)設(shè)置訓(xùn)練總步長為840，每隔4步顯示1次。模型的平均識別時間為27.36 ms，得到的均方誤差為0.336 5。

將模型剩余的數(shù)據(jù)作為驗證數(shù)據(jù)，輸入到訓(xùn)練好的BP網(wǎng)絡(luò)中，將結(jié)果與已知的老化等級進行比較，計算出模型的識別準(zhǔn)確率為90.3%。

從驗證結(jié)果看，在主成分分析過程中進行特征的提取時應(yīng)對數(shù)據(jù)的內(nèi)部結(jié)構(gòu)關(guān)系進行充分考慮，能體現(xiàn)出光譜數(shù)據(jù)的差別。在具有相同神經(jīng)網(wǎng)絡(luò)層數(shù)的條件下，識別時間的長短主要與各層的節(jié)點數(shù)目多少相關(guān)。

3 結(jié)論

研究采用近紅外光譜測量了經(jīng)人工老化處理為不同活力等級的玉米種子的光譜數(shù)據(jù)，利用矢量歸一化方法對原始光譜數(shù)據(jù)進行預(yù)處理。然后利用主成分分析方法提取光譜特征，建立BP神經(jīng)網(wǎng)絡(luò)種子活力檢測模型。結(jié)果表明，模型的識別精度都達到了90.3%。本研究是玉米種子活力快速無損檢測的一次成功嘗試，為種子活力檢測方法提供了新思路[10-14]。

4 參考文獻

[1] 張曉芳.玉米種質(zhì)資源品質(zhì)性狀的鑒定與評價[J].玉米科學(xué)，2006，14（1）：18-20.

[2] 顏啟傳.種子學(xué)[M].北京：中國農(nóng)業(yè)出版社，2001.

[3] 陸艷婷，張小明，葉勝海，等.稻米品質(zhì)近紅外光譜法分析中定標(biāo)樣品選擇與模型優(yōu)化[J].核農(nóng)學(xué)報，2008，22（6）：823-828.

[4] 曹芳，吳迪，何勇.基于可見一近紅外反射光譜技術(shù)的葡萄品種鑒別方法的研究[J].光學(xué)學(xué)報，2009，29（2）：537-540.

[5] 張薇，耿雷躍，楊雅華，等.水稻種子活力的快速測定方法[J].現(xiàn)代農(nóng)業(yè)科技，2015（8）：29-32.

[6] 陳蘭珍，孫謙，葉志華，等.基于神經(jīng)網(wǎng)絡(luò)的近紅外光譜鑒別蜂蜜品種研究[J].食品科技，2009，34（8）：287-290.

[7] 洪慶紅，李丹婷，郝朝運.應(yīng)用FTIR直接測定法鑒定大豆的品種[J].光譜學(xué)與光譜分析，2005，25（8）：1246-1249.

[8] 周健，成浩，曾建明，等.基于近紅外的多相偏最小二乘模型組合分析實現(xiàn)茶葉原料品種鑒定與溯源的研究[J].光譜學(xué)與光譜分析，2010，30（10）：2650-2653.

[9] 韓亮亮，毛培勝，王新國，等.近紅外光譜技術(shù)在燕麥種子活力測定中的應(yīng)用研究[J].紅外與毫米波學(xué)報，2008，27（2）：86-89.

[10] 孟兆芳，趙龍蓮，程奕，等.近紅外光譜法測定玉米品質(zhì)指標(biāo)的研究[J].華北農(nóng)學(xué)報，2008（2）：147-150.

[11] 林敏，呂進.基于神經(jīng)網(wǎng)絡(luò)與近紅外光譜的玉米成分檢測方法[J].紅外技術(shù)，2004（3）：78-81.

[12] 芮玉奎，羅云波，黃昆侖，等.近紅外光譜在轉(zhuǎn)基因玉米檢測識別中的應(yīng)用[J].光譜學(xué)與光譜分析，2005（10）：1581-1583.

[13] 魏良明，姜海鷹，李軍會，等.玉米雜交種品質(zhì)性狀的近紅外光譜分析技術(shù)研究[J].光譜學(xué)與光譜分析，2005（9）：1404-1407.

[14] 魏良明，嚴(yán)衍祿，戴景瑞.近紅外反射光譜測定玉米完整籽粒蛋白質(zhì)和淀粉含量的研究[J].中國農(nóng)業(yè)科學(xué)，2004（5）：630-633.