吳小芬 趙光武 祁亨年

摘要 [目的]實(shí)現(xiàn)常規(guī)水稻種子活力的快速自動(dòng)化檢測(cè)。[方法]采用高光譜成像技術(shù)（波長(zhǎng)范圍874～1 734 nm），提取甬秈69和中早39 2種常規(guī)水稻種子未老化、老化48 h和老化72 h的光譜反射率，在提取樣本光譜時(shí)采用小波變換（WT）剔除像素點(diǎn)光譜噪聲部分，并基于全波段光譜建立了支持向量機(jī)（SVM）判別分析模型。[結(jié)果]未老化種子與老化種子可以準(zhǔn)確識(shí)別，而老化48 h種子與老化72 h種子之間無法準(zhǔn)確識(shí)別，與基于種子活力參數(shù)的測(cè)量結(jié)果相符，且不同水稻品種對(duì)老化的反應(yīng)存在差異。[結(jié)論]高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法用于種子活力的快速自動(dòng)化無損檢測(cè)是可行的。

關(guān)鍵詞 常規(guī)水稻；種子活力；高光譜成像技術(shù)；支持向量機(jī)；特征波長(zhǎng)

中圖分類號(hào) S-3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 0517-6611（2017）29-0012-03

Inspect Rice Seed Vigor of Conventional Rice by Hyperspectral Imaging with Chemometric Methods

WU Xiaofen1， ZHAO Guangwu2，QI Hengnian1*

（1.School of Information Engineering，Huzhou University，Huzhou， Zhejiang 313000；2.Key Laboratory of Agricultural Products Quality Improvement Technology in Zhejiang Province， Faculty of Agricultural and Food Science，Zhejiang A&F University，Linan，Zhejiang 311300）

Abstract [Objective]The aim was to realize fast and automatic dection of rice seed vigor.[Method]Hyperspectral imaging covering the spectral range of 874-1 734 nm was applied to detect conventional rice seed vigor. Two rice seed cultivars （named Yongxian69 and Zhongzao 39） were used for analysis. Spectral information of untreated rice seeds， rice seeds accelerated aging for 48 hours and 72 hours was extracted from hyperspectral images. Wavelet transform was applied to eliminate obvious random noises of pixelwise spectra before spectra extraction. Support vector machine （SVM） was applied to build discriminant models using full spectra. The SVM models of the two rice cultivars showed acceptable results. [Result]The untreated seeds and treated seeds could be accurately discriminated， while seeds accelerated aging for 48 hours and 72 hours could not be discriminated. The results matched with the vigor test by traditional methods， and the accelerated aging showed differences on different seed cultivars. [Conclusion]The hyperspectral imaging combined with chemometric methods could be used for fast， automatic and noninvasive detection of rice seed vigor.

Key words Conventional rice；Rice seed vigor；Hyperspectral imaging technology；SVM；Characteristic wavebands

基金項(xiàng)目 浙江省自然科學(xué)基金項(xiàng)目（Y14C130046）；國家公益性行業(yè)（農(nóng)業(yè)）科研專項(xiàng)（201303002）。

作者簡(jiǎn)介 吳小芬（1983—），女，浙江臨安人，碩士研究生，研究方向：模式識(shí)別。*通訊作者，博士，博士生導(dǎo)師，從事模式識(shí)別、機(jī)器視覺研究。

收稿日期 2017-08-09

種子是農(nóng)業(yè)生產(chǎn)的基本生產(chǎn)資料，種子活力是種子質(zhì)量的重要指標(biāo)，高活力種子具有更大的生長(zhǎng)潛能和優(yōu)勢(shì)。由于種子活力的特殊性，大多數(shù)的活力測(cè)定耗時(shí)、耗資，而且有的測(cè)定方法如四唑法要求操作者的經(jīng)驗(yàn)相當(dāng)豐富，活力測(cè)定結(jié)果在實(shí)驗(yàn)室間也往往不一致，這些不利的特點(diǎn)限制了活力測(cè)定在不發(fā)達(dá)國家的廣泛應(yīng)用。因此，快速無損的種子活力檢測(cè)方法是未來的發(fā)展趨勢(shì)。

高光譜成像技術(shù)是一種結(jié)合了光譜和圖像技術(shù)的無損檢測(cè)技術(shù)，目前的研究主要集中在作物品種識(shí)別、果蔬品質(zhì)以及精準(zhǔn)農(nóng)業(yè)中作物長(zhǎng)勢(shì)監(jiān)測(cè)上。Choudhary等[1]用小波紋理分析方法對(duì)小麥品種進(jìn)行分類。有研究者通過挑選敏感波段，再采用圖像處理方法對(duì)小麥種子中的雜質(zhì)進(jìn)行在線識(shí)別[2]。黃敏等[3]利用高光譜成像技術(shù)對(duì)9個(gè)玉米品種真?zhèn)芜M(jìn)行識(shí)別。朱啟兵等[4]利用高光譜成像系統(tǒng)對(duì)17類玉米品種進(jìn)行識(shí)別。張初等[5]采用高光譜成像技術(shù)對(duì)西瓜品種進(jìn)行鑒定。Tan等[6]利用高光譜成像技術(shù)對(duì)大豆品種進(jìn)行分類。楊小玲等[7]利用高光譜成像技術(shù)對(duì)玉米成熟和未成熟種子進(jìn)行分類。有關(guān)高光譜成像技術(shù)在種子活力檢測(cè)中的研究甚少，許思等[8]通過提取雜交水稻種子的光譜反射率對(duì)種子活力等級(jí)進(jìn)行了分級(jí)探討，但常規(guī)水稻的活力快速無損檢測(cè)還有待于進(jìn)一步研究。

水稻是我國主要的糧食作物之一，隨著我國雜交水稻育種在品質(zhì)和產(chǎn)量上瓶頸問題的出現(xiàn)，近幾年常規(guī)稻越來越受到重視，鑒于常規(guī)稻的優(yōu)良品質(zhì)及遺傳的一致性，筆者以2種常規(guī)稻品種的不同老化程度的種子為材料，通過近紅外高光譜成像儀，對(duì)不同活力水平的種子樣品進(jìn)行圖像識(shí)別并測(cè)定其活力指標(biāo)，建立了判別分析模型，研究了高光譜成像技術(shù)檢測(cè)常規(guī)水稻種子活力的可行性，以期為實(shí)現(xiàn)常規(guī)水稻種子活力的快速自動(dòng)化無損檢測(cè)提供參考。

1 材料與方法

1.1 材料

試驗(yàn)采用的是2016年收獲的常規(guī)水稻種子甬秈69和中早39。將收獲的水稻種子自然風(fēng)干，從中選取1 g水稻種子（50粒左右）作為一個(gè)樣本（便于測(cè)量種子活力），每個(gè)品種分別采集90個(gè)樣本，編號(hào)后裝入塑封袋，密封。

1.2 方法

1.2.1 種子老化試驗(yàn)。

種子老化試驗(yàn)設(shè)計(jì)按照浙江農(nóng)林大學(xué)農(nóng)業(yè)與食品科學(xué)學(xué)院教授設(shè)計(jì)進(jìn)行。在每個(gè)品種中，隨機(jī)選擇30個(gè)樣本于室溫（20 ℃，濕度60%）下放置，剩余60個(gè)樣本置于HL-150S人工老化箱（溫度45 ℃，濕度95%）中。老化48 h后，隨機(jī)取出30個(gè)樣本，置于室溫條件下，剩余30個(gè)樣本繼續(xù)放置24 h，最終得到未老化、老化48 h和老化72 h的水稻種子，將2個(gè)水稻品種種子中未老化、老化48 h、老化72 h的樣本分別賦予類別值1、2、3。

1.2.2 高光譜圖像采集。

采用地面近紅外高光譜成像系統(tǒng)，其波長(zhǎng)范圍為874～1 734 nm，光譜分辨率為5 nm。其中，成像光譜儀N17E（ImSpector N17E；Spectral Imaging Ltd.，Oulu，F(xiàn)inland），相機(jī)（Xeva 992；Xenics Infrared Solutions，Leuven，Belgium）以及鏡頭（OLES22；Specim，Spectral Imaging Ltd.，Oulu，F(xiàn)inland）用來獲取高光譜圖像，一個(gè)光源系統(tǒng)（3900 Lightsource，Illumination Technologies Inc.，Elbridge，USA）提供線光源，一個(gè)電移動(dòng)平臺(tái)（Isuzu Optics Corp.，中國臺(tái)灣）用于移動(dòng)樣本。在進(jìn)行高光譜圖像采集時(shí)，高光譜成像系統(tǒng)的曝光時(shí)間設(shè)定為3 ms，平臺(tái)移動(dòng)速度為20 mm/s，鏡頭距離樣本的高度為22.5 cm。

該近紅外高光譜成像系統(tǒng)獲取的是原始高光譜圖像，無法直接進(jìn)行處理，需要對(duì)原始圖像進(jìn)行校正得到反射高光譜圖像[9]。高光譜圖像的校正基于以下公式：

IR=Iraw-IdIw-Id（1）

式（1）中，IR為校正后的圖像；Iraw為校正前的原始圖像；Iw為反射率接近100%的標(biāo)準(zhǔn)白板校正圖像；Id為反射率接近于0的黑板校正圖像。

1.2.3 光譜信息提取。

校正后的高光譜圖像，首先基于1 200 nm波段的灰度圖像進(jìn)行二值化構(gòu)建掩膜圖像，樣本區(qū)域變?yōu)?，而背景區(qū)域變?yōu)?。將掩膜圖像應(yīng)用于所有波段的灰度圖像，從而使高光譜圖像背景反射率變?yōu)?，而樣本反射率保持不變。在進(jìn)行高光譜圖像分析時(shí)，以每一粒水稻種子作為一個(gè)單獨(dú)樣本，以每一個(gè)樣本區(qū)域作為感興趣區(qū)域（ROI）提取光譜信息，每一個(gè)樣本所有像素點(diǎn)平均光譜作為該樣本光譜。在提取光譜信息前，考慮到像素點(diǎn)光譜存在較明顯的隨機(jī)噪聲，采用小波變換（WT）對(duì)像素點(diǎn)光譜進(jìn)行預(yù)處理以去除噪聲，小波基函數(shù)選擇Daubechies 8，信號(hào)分解尺度選擇3。經(jīng)過WT預(yù)處理后的像素點(diǎn)光譜，用于計(jì)算每個(gè)水稻種子的平均光譜。

1.2.4 數(shù)據(jù)處理方法。

1.2.4.1 判別分析模型。

支持向量機(jī)（SVM）是一種應(yīng)用廣泛的有監(jiān)督判別分析方法。SVM通過將數(shù)據(jù)從原始空間映射到高維空間，在高維空間中構(gòu)建1個(gè)或一系列的超平面，使不同類別樣本在高維空間中與超平面的距離最遠(yuǎn)，從而使判別誤差最小[10]。SVM中數(shù)據(jù)的映射需要核函數(shù)實(shí)現(xiàn)，徑向基核函數(shù)（RBF）是最常用的核函數(shù)，具有良好的非線性映射能力。

1.2.4.2 數(shù)據(jù)分析軟件和模型評(píng)價(jià)。

高光譜圖像光譜數(shù)據(jù)提取、WT預(yù)處理、PCA、SVM建模采用Matlab 2010b（The Math Works，Natick，USA）實(shí)現(xiàn)，判別分析模型的判別效果由判別準(zhǔn)確率進(jìn)行評(píng)價(jià)。

1.2.5 種子老化程度可視化。

高光譜成像技術(shù)同時(shí)獲取樣本的光譜和圖像信息，在高光譜圖像中，每一個(gè)像素點(diǎn)都有1條光譜，而每一個(gè)光譜波段下都有1幅灰度圖。高光譜成像技術(shù)的優(yōu)勢(shì)使其可以預(yù)測(cè)每一個(gè)像素點(diǎn)的理化特征和類別歸屬，從而得到預(yù)測(cè)圖（或可視化分布圖）。高光譜成像預(yù)測(cè)圖的流程：①對(duì)高光譜圖像進(jìn)行預(yù)處理，提取樣本光譜信息；②結(jié)合理化特征或類別歸屬建立回歸或判別分析模型；③將建立的模型應(yīng)用于像素點(diǎn)光譜預(yù)測(cè)。高光譜成像可視化有助于直觀地對(duì)種子老化程度進(jìn)行判別，為種子老化程度實(shí)時(shí)在線的可視化檢測(cè)提供了技術(shù)支撐。

1.2.6 發(fā)芽試驗(yàn)。

為保持前后數(shù)據(jù)的一致性，采用經(jīng)高光譜采集后的種子進(jìn)行發(fā)芽試驗(yàn)。將種子均勻置于發(fā)芽盒后放入光照培養(yǎng)箱中發(fā)芽，培養(yǎng)箱條件設(shè)置為：黑暗條件（溫度20 ℃，時(shí)間16 h）和光照條件（溫度30 ℃，時(shí)間8 h，光照強(qiáng)度為12 000 lx）。第5天計(jì)算發(fā)芽勢(shì)，第14天計(jì)算發(fā)芽率和平均根長(zhǎng)，計(jì)算種子活力指數(shù)。由表1可知，未老化種子和老化種子的活力等級(jí)差異較大。

2 結(jié)果與分析

2.1 光譜特征

高光譜成像系統(tǒng)采集的是樣本在874～1 734 nm的光譜信息，考慮到由于儀器和環(huán)境的影響，在首尾兩端均存在較明顯的噪聲，所以選擇975.01～1 611.96 nm的光譜進(jìn)行分析。由圖1可知，同一水稻品種的種子在不同的老化時(shí)間下光譜無明顯差異，在反射率上存在一定差異；不同水稻品種的光譜曲線一致，而光譜反射率上存在差異。

2.2 基于全譜的判別分析模型

基于2個(gè)不同品種老化與未老化的水稻種子全波段光譜，分別建立SVM模型。SVM模型中懲罰系數(shù)C和核函數(shù)寬度γ由網(wǎng)格搜索（grid-search）獲取?；谌ǘ喂庾V的判別分析結(jié)果如表2所示?；陴i69的SVM模型，建模集判別準(zhǔn)確率達(dá)85.4%，預(yù)測(cè)集判別準(zhǔn)確率僅為68.8%。而未老化的種子的判別準(zhǔn)確率在98.9%以上，能夠與老化種子進(jìn)行較好的判別。但老化48 h與老化72 h種子的判別準(zhǔn)確率較低，有大量樣本錯(cuò)判，原因是老化48 h和老化72 h種子的活力水平差異較?。ū?）。基于中早39的SVM模型，建模集和預(yù)測(cè)集的整體判別準(zhǔn)確率在73.8%以上，而未老化的種子的判別準(zhǔn)確率在987%以上，能夠與老化種子進(jìn)行較好的判別。但老化48 h與老化72 h種子的判別準(zhǔn)確率較低，有大量樣本錯(cuò)判，與基于甬秈69的SVM模型效果一致。研究結(jié)果表明，不同品種水稻種子的光譜存在差異，未老化種子與老化種子之間差異明顯，而老化48 h與老化72 h水稻種子光譜的信息差異并不明顯，活力水平差異也不明顯。

3 結(jié)論

采用近紅外高光譜成像技術(shù)（874～1 734 nm）對(duì)2個(gè)常規(guī)水稻品種（甬秈69和中早39）的種子老化程度進(jìn)行了研究。采用人工加速老化方法，分別獲取老化48 h和老化72 h樣本，提取種子光譜信息。基于全譜建立了SVM判別分析模型，發(fā)現(xiàn)不同水稻品種種子的判別結(jié)果存在差異，而對(duì)于每一個(gè)水稻品種而言，未老化種子與老化種子之間能夠準(zhǔn)確判別，老化48 h以及老化72 h種子因種子活力水平差異較小，誤判為彼此的誤判率較高。研究結(jié)果表明，高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法可用于種子活力的快速無損檢測(cè)，為保障種子供應(yīng)提供了參考。

參考文獻(xiàn)

[1] CHOUDHARY R，MAHESH S，PALIWAL J，et al.Identification of wheat classes using wavelet features from near infrared hyperspectral images of bulk samples[J].Biosystems engineering，2009，102（2）：115-127.

[2] WALLAYS C，MISSOTTEN B，DE BAERDEMAEKER J，et al.Hyperspectral waveband selection for online measurement of grain cleanness[J].Biosystems engineering，2009，104（1）：1-7.

[3] 黃敏，朱曉，朱啟兵，等.基于高光譜圖像的玉米種子特征提取與識(shí)別[J].光子學(xué)報(bào)，2012，41（7）：868-873.

[4] 朱啟兵，馮朝麗，黃敏，等.基于圖像熵信息的玉米種子純度高光譜圖像識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（23）：271-276.

[5] 張初，劉飛，孔汶汶，等.利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（20）：270-277.

[6] TAN K Z，CHAI Y H，SONG W X，et al.Identification of soybean seed varieties based on hyperspectral image[J].Transactions of the Chinese society of agricultural engineering，2014，30（9）：235-242.

[7] 楊小玲，由昭紅，成芳.高光譜成像技術(shù)檢測(cè)玉米種子成熟度[J].光譜學(xué)與光譜分析，2016，36（12）：4028-4033.

[8] 許思，趙光武，鄧飛，等.基于高光譜的水稻種子活力無損分級(jí)檢測(cè)[J].種子，2016，35（4）：34-40.

[9] WU D，WANG S J，WANG N F，et al.Application of time series hyperspectral imaging（TSHSI）for determining water distribution within beef and spectral kinetic analysis during dehydration[J].Food and bioprocess technology，2013，6（11）：2943-2958.

[10] 顧亞祥，丁世飛.支持向量機(jī)研究進(jìn)展[J].計(jì)算機(jī)科學(xué)，2011，38（2）：14-17.