祝子涵, 譚 峰, 田芳明,2, 高嘉欣, 白 楠

(黑龍江八一農(nóng)墾大學(xué)信息與電氣工程學(xué)院1,大慶 163319)

(農(nóng)業(yè)部農(nóng)產(chǎn)加工品質(zhì)量監(jiān)督檢驗(yàn)測(cè)試中心2,大慶 163316)

水稻是人類(lèi)最重要的糧食作物之一。因不同稻區(qū)的天氣溫度、天氣濕度、降雨量、土壤成分、日照程度等自然生態(tài)環(huán)境因素有著明顯差異,為使水稻種植地區(qū)的水稻產(chǎn)量最大化,將合適的水稻品種種植到對(duì)應(yīng)的水稻種植區(qū)域顯得尤為重要[1]。但因種子市場(chǎng)不規(guī)范操作,由種子品種選購(gòu)錯(cuò)選問(wèn)題產(chǎn)生的種子發(fā)芽率低、產(chǎn)量低等一系列糾紛時(shí)常發(fā)生。因此,針對(duì)不同水稻種植區(qū)域的水稻種子品種快速鑒定識(shí)別對(duì)現(xiàn)在的農(nóng)業(yè)生產(chǎn)具有重要實(shí)際意義。

目前國(guó)內(nèi)外水稻種子鑒別的方法主要包括形態(tài)學(xué)方法、田間種植法、化學(xué)鑒定法、電泳法、分子標(biāo)記法、電子鼻法和理化檢測(cè)法等[2,3],形態(tài)學(xué)方法效率低速度慢且較為主觀。田間種植鑒定法鑒別精度不高、周期長(zhǎng)且受環(huán)境影響過(guò)大,耗費(fèi)大量人力物力?；瘜W(xué)鑒定法雖然鑒別精度高,但耗時(shí)過(guò)多,對(duì)樣品有損傷,需要專(zhuān)門(mén)的操作人員。電泳法中蛋白質(zhì)電泳法較為常見(jiàn),圖譜對(duì)水稻品種的鑒別因基因的表達(dá)有時(shí)受發(fā)育階段的環(huán)境因素的影響,某些品種因基因組相近無(wú)法找到特異性蛋白而影響判別正確率。分子標(biāo)記法中常用SSR分子標(biāo)記法,其方法雖然測(cè)量水稻品種較為可靠,但操作難度較高且對(duì)操作人員水平要求較高,無(wú)法大規(guī)模作業(yè)。電子鼻法主要通過(guò)辨別氣味來(lái)實(shí)現(xiàn)品種鑒別,受環(huán)境因素影響過(guò)大,識(shí)別率不高,存在明顯的弊端。而理化檢測(cè)法中的光譜測(cè)定法依靠其無(wú)損、快速、便捷、客觀、準(zhǔn)確、高效、操作簡(jiǎn)單、不受環(huán)境影響等優(yōu)勢(shì),迅速在品種鑒別方面得到廣泛發(fā)展。因此,探究基于快速檢測(cè)的種子品種鑒別方法對(duì)于深化該領(lǐng)域的研究具有重要的理論意義。

拉曼光譜分析技術(shù)是以光學(xué)質(zhì)譜方法為基礎(chǔ),在待測(cè)樣品的屬性值和拉曼光譜數(shù)據(jù)之間建立分類(lèi)或回歸模型。由于拉曼光譜技術(shù)具有速度快、測(cè)量方便、成本低、無(wú)破壞等優(yōu)點(diǎn),已經(jīng)被廣泛應(yīng)用于農(nóng)業(yè)[4]、食品[5]、石化[6]、醫(yī)藥[7]等各個(gè)方面。

目前,基于拉曼光譜技術(shù)的水稻品種鑒別主要是以國(guó)內(nèi)水稻的粗分類(lèi)、少品種、小范圍進(jìn)行分類(lèi)鑒別。沙敏等[8]對(duì)粳稻、秈稻和糯稻進(jìn)行粗分類(lèi)區(qū)分,雖然取得良好鑒別效果,但分類(lèi)過(guò)于簡(jiǎn)單,需對(duì)具體水稻品種間的鑒別進(jìn)行進(jìn)一步研究。孫娟等[9]采用拉曼光譜技術(shù)結(jié)合化學(xué)計(jì)量法雖然能更精準(zhǔn)實(shí)現(xiàn)對(duì)水稻品種間的鑒別,但是鑒別水稻品種較少僅為4種,需對(duì)多品種水稻種子鑒別進(jìn)一步探究。朱培培等[10]采用拉曼光譜技術(shù)可以快速、準(zhǔn)確、便捷、高效的針對(duì)粳稻種子多品種鑒別,但是鑒別地域僅為寒地水稻,地域較為狹小單一,需對(duì)地域分布更為廣泛的粳稻種子鑒別進(jìn)行進(jìn)一步研究。因此,實(shí)驗(yàn)提出基于拉曼光譜技術(shù)針對(duì)多地區(qū)多品種粳稻種子的鑒別方法研究具有重要意義。

1 材料與方法

1.1 實(shí)驗(yàn)材料

粳稻的主要產(chǎn)地為長(zhǎng)江以北地區(qū),為使研究具有一定的地域代表性,按照東北(黑龍江)、華北(天津)、華中(河南)、華東(山東、江蘇)地區(qū)來(lái)選擇粳稻種子進(jìn)行研究[11,12]。實(shí)驗(yàn)選用黑龍江、天津、山東、河南、江蘇5個(gè)產(chǎn)地的20個(gè)不同品種粳稻種子作為樣品,其中包含黑龍江6個(gè)品種,天津、山東各3個(gè)品種,河南、江蘇各4個(gè)品種。樣本信息如表1所示。

表1 水稻樣本信息表

1.2 儀器與軟件

光譜采集采取操作Advantage 532拉曼光譜儀,光譜測(cè)量波長(zhǎng)范圍為200～3 400 cm-1,激發(fā)波長(zhǎng)為532 nm,激發(fā)功率為100 mW,積分時(shí)間為1～6 s,分辨率為1.4 cm-1,結(jié)合ProScope HR軟件獲取樣品光譜信息。實(shí)驗(yàn)使用LJJM-2011精米機(jī)對(duì)水稻種子進(jìn)行脫殼處理,脫殼率≥99%,工作電壓為220 V,工作頻率為50 Hz,電機(jī)功率為750 W,1次工作時(shí)間為50～80 s可調(diào),1次實(shí)驗(yàn)用量為50～170 g。數(shù)據(jù)分析軟件采用MatlabR2018a實(shí)現(xiàn)。

1.3 光譜的獲取

對(duì)脫殼后的樣本進(jìn)行挑選,剔除有破損、堊白度高、干癟畸形等問(wèn)題的種子,將挑選后的粳稻種子樣品按1～20編號(hào)存放在的密封袋中并標(biāo)記對(duì)應(yīng)地區(qū)和品種。為保證實(shí)驗(yàn)結(jié)果不受到外界因素的影響,測(cè)量前將全部粳稻種子樣本與光譜儀放在同一室內(nèi)環(huán)境下靜置24 h, 確保樣本的環(huán)境條件與儀器環(huán)境條件相同。每個(gè)品種的粳稻種子均隨機(jī)選取15個(gè)作為該品種的實(shí)驗(yàn)樣本集,20個(gè)不同品種共計(jì)300個(gè)種子樣本集。在產(chǎn)地和品種分類(lèi)鑒別中,選擇每個(gè)品種樣本集的4/5用作訓(xùn)練集,剩余1/5的樣本集作為測(cè)試集,即訓(xùn)練集樣本數(shù)為240個(gè),測(cè)試集樣本數(shù)為60個(gè)。

1.4 光譜的預(yù)處理

拉曼光譜檢測(cè)由于樣本因素、環(huán)境因素、儀器因素等因素影響,產(chǎn)生的無(wú)關(guān)信息和背景噪聲對(duì)分析結(jié)果會(huì)產(chǎn)生很大影響。因此,為了得到準(zhǔn)確的光譜信息,需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理以減少影響。實(shí)驗(yàn)采得所有粳稻種子樣品光譜信息范圍為200～3 400 cm-1,但是光譜曲線在3 200～3 400 cm-1范圍內(nèi)沒(méi)有特征峰值,且在200～400 cm-1范圍內(nèi)僅有1個(gè)特征峰值在269 cm-1,所有大米種子均有這一特征,可知這一特征光譜為C骨架振動(dòng)歸屬為淀粉[13]。為提高模型運(yùn)行速度減少運(yùn)行時(shí)間,將這兩個(gè)波段截除掉,只保留400～3 200 cm-1的光譜信息作為初始光譜信息。對(duì)比SG平滑、一階導(dǎo)數(shù)(1-Der)、二階導(dǎo)數(shù)(2-Der)、迭代自適應(yīng)加權(quán)懲罰最小二乘法(AIRPLS)、多元散射校正(MSC)和標(biāo)準(zhǔn)正態(tài)變量變換(SNV)6種數(shù)據(jù)預(yù)處理方法對(duì)分類(lèi)結(jié)果的影響。原始光譜數(shù)據(jù)及其6種預(yù)處理方法后的光譜數(shù)據(jù)如圖1所示。選取對(duì)模型識(shí)別準(zhǔn)確率提升最大的方法作為最終預(yù)處理方法。

圖1 粳稻種子樣本原始光譜數(shù)據(jù)與預(yù)處理后光譜數(shù)據(jù)

1.5 光譜的特征波段提取

由于預(yù)處理后的光譜數(shù)據(jù)量仍較大,為了減少建模數(shù)據(jù)量,提升模型運(yùn)行速度,實(shí)驗(yàn)采用篩選強(qiáng)度較低的競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法(CARS)和篩選強(qiáng)度較高的連續(xù)投影算法(SPA)對(duì)粳稻種子光譜數(shù)據(jù)進(jìn)行特征波段篩選,以提高模型效率[14]。CARS和SPA 2種特征波段提取算法都是采取計(jì)算均方根誤差(RMSE),并選擇與均方根誤差最小值相對(duì)應(yīng)的波段變量子集,將所提取出來(lái)的波段變量子集作為拉曼光譜信息的特征波段。

1.5.1 CARS提取特征波段

實(shí)驗(yàn)使用CARS方法對(duì)預(yù)處理優(yōu)化后的拉曼光譜數(shù)據(jù)進(jìn)行特征篩選,篩選過(guò)程如圖2所示。在實(shí)驗(yàn)過(guò)程中,將蒙特卡洛采樣次數(shù)設(shè)置為50。從圖2中的波段數(shù)曲線可以看出,運(yùn)行次數(shù)增加的過(guò)程中,光譜特征波段數(shù)量迅速減少,隨后曲線逐漸變得平緩,速度由快到慢表示選取過(guò)程由海選變?yōu)榫x。運(yùn)行次數(shù)增加的過(guò)程中,交互驗(yàn)證均方根誤差RMSECV的值呈現(xiàn)先低速下降隨后相對(duì)迅速上升的趨勢(shì),表明選取過(guò)程由無(wú)用信息被逐漸剔除到有用信息也被剔除。圖2中回歸系數(shù)路徑曲線是波段提取過(guò)程中每次采樣中每個(gè)波段變量的回歸系數(shù)路徑。當(dāng)采樣次數(shù)為18時(shí)RMSECV獲得最小值,此時(shí)對(duì)應(yīng)的特征波段數(shù)量用于檢測(cè)粳稻種子模型分類(lèi)的效果最好,相應(yīng)的最佳特征波段數(shù)為248。因此,選取該248個(gè)特征波段對(duì)應(yīng)的強(qiáng)度值作為后續(xù)建模數(shù)據(jù)。

圖2 變量變化、五折交互驗(yàn)證及變量回歸系數(shù)變化路徑與運(yùn)行次數(shù)關(guān)系曲線

1.5.2 SPA提取特征波段

采用SPA方法對(duì)預(yù)處理優(yōu)化過(guò)后的拉曼光譜數(shù)據(jù)進(jìn)行特征波段提取,基于最小均方根誤差RMSEP值確定特征波段的最佳數(shù)目。由圖3可見(jiàn),最佳特征波段數(shù)對(duì)應(yīng)均方根誤差(RMSE)為0.703 88,特征波數(shù)為14。選取該14個(gè)特征波段對(duì)應(yīng)的強(qiáng)度值作為后續(xù)建模數(shù)據(jù)。

圖3 SPA提取特征波段

1.6 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

誤差反向傳播(Back Propagation, BP) 神經(jīng)網(wǎng)絡(luò)是當(dāng)今使用最普遍的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)之一,是一種按照信號(hào)前向傳播、誤差逆向傳播方式訓(xùn)練的多層前反饋神經(jīng)網(wǎng)絡(luò),BP神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的解決擬合回歸問(wèn)題能力和解決復(fù)雜度高的分類(lèi)問(wèn)題能力。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)包括3層結(jié)構(gòu),即輸入層、隱藏層和輸出層。原始光譜數(shù)據(jù)裁剪后有2 801個(gè)節(jié)點(diǎn),水稻產(chǎn)地共有5個(gè)類(lèi)別,隱含層設(shè)置為單層,根據(jù)經(jīng)驗(yàn)公式[15]神經(jīng)元個(gè)數(shù)初始設(shè)置為4。因此BP神經(jīng)網(wǎng)絡(luò)有2 801個(gè)節(jié)點(diǎn)在輸入層, 設(shè)置4個(gè)節(jié)點(diǎn)在隱含層,輸出層有5個(gè)節(jié)點(diǎn)。使用默認(rèn)的S型函數(shù)在隱含層作為傳遞函數(shù),輸出層使用默認(rèn)的線性函數(shù),網(wǎng)絡(luò)指定參數(shù)中學(xué)習(xí)率為0.001,目標(biāo)誤差為0.001,最大迭代次數(shù)設(shè)為1 000。最終得到一個(gè)初始結(jié)構(gòu)為3層拓?fù)浣Y(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型。

BP神經(jīng)網(wǎng)絡(luò)雖然能夠有效地適用于分類(lèi)、擬合等任務(wù),但在尋求最優(yōu)解的時(shí)候,很有可能陷入局部最優(yōu)、預(yù)測(cè)誤差較大的情況[16];而遺傳算法則是一種通過(guò)對(duì)自然進(jìn)化過(guò)程的模擬來(lái)尋求最優(yōu)解的方法。所以構(gòu)建遺傳算法(Genetic Algorithm, GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值進(jìn)行優(yōu)化,使被優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)可以更好地實(shí)現(xiàn)對(duì)函數(shù)的輸出。

采用GA算法優(yōu)化BP模型,遺傳算法優(yōu)化后的個(gè)體適應(yīng)度變化曲線如圖4所示,其終止迭代次數(shù)為100。平均適應(yīng)度與最佳適應(yīng)度隨著進(jìn)化代數(shù)不斷提升,說(shuō)明GA算法能夠?qū)P模型原算法進(jìn)行優(yōu)化。結(jié)果表明,當(dāng)進(jìn)化次數(shù)達(dá)到70時(shí),個(gè)體達(dá)到最佳適應(yīng)度。

圖4 個(gè)體適應(yīng)度變化曲線

2 結(jié)果與分析

2.1 不同產(chǎn)地粳稻種子快速分類(lèi)鑒別

水稻的質(zhì)量和風(fēng)味不僅受到父本母本遺傳給自身的基因影響,還受到地理?xiàng)l件包括土壤質(zhì)量、水源質(zhì)量等和氣候環(huán)境包括降雨量、日照時(shí)間、日照強(qiáng)度等的影響,因此不同產(chǎn)地的水稻品質(zhì)相差明顯。由于其相似的外觀,肉眼很難將其分辨,所以利用拉曼光譜技術(shù),針對(duì)黑龍江、天津、山東、河南、江蘇5個(gè)地區(qū)20種不同品種粳稻種子,進(jìn)行光譜采集,對(duì)采集的粳稻種子光譜數(shù)據(jù)進(jìn)行預(yù)處理、特征波段提取操作,建立BP神經(jīng)網(wǎng)絡(luò)模型后,用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型提升模型運(yùn)行效率,達(dá)到快速區(qū)分不同產(chǎn)地粳稻種子目的。

2.1.1 預(yù)處理結(jié)果

預(yù)處理結(jié)果如表2所示。未進(jìn)行預(yù)處理的光譜在BP神經(jīng)網(wǎng)絡(luò)模型中的識(shí)別準(zhǔn)確率為85%,經(jīng)過(guò)SG、1-Der、2-Der、Airpls、MSC和SNV預(yù)處理之后的光譜在BP分類(lèi)模型中的識(shí)別準(zhǔn)確率分別為90.00%、86.67%、80.00%、83.33%、83.33%和85.00%,其中SG平滑識(shí)別準(zhǔn)確率最高,達(dá)到90.00%。因此在后續(xù)實(shí)驗(yàn)研究中,選擇SG平滑的預(yù)處理方法進(jìn)行深入建模分析。

表2 不同預(yù)處理方法建模鑒別結(jié)果

2.1.2 特征波段提取結(jié)果

在SG平滑處理原始光譜基礎(chǔ)上,特征波段提取如表3所示。雖然2種方法均減少建模數(shù)據(jù)量,減少模型運(yùn)行時(shí)間,但SPA方法對(duì)模型識(shí)別準(zhǔn)確率較使用之前有所下降,CARS方法相比于使用之前對(duì)模型的運(yùn)行速度和識(shí)別準(zhǔn)確率均有提升,模型運(yùn)行時(shí)間為40s,識(shí)別準(zhǔn)確率為91.67%。因此在后續(xù)實(shí)驗(yàn)研究中,選擇CARS的特征波段提取方法進(jìn)行深入建模分析。

表3 不同特征波段提取方法建模鑒別結(jié)果

2.1.3 遺傳算法優(yōu)化結(jié)果

根據(jù)經(jīng)驗(yàn)公式[17]優(yōu)化隱含層神經(jīng)元個(gè)數(shù),不同隱含層神經(jīng)元個(gè)數(shù)建模鑒別結(jié)果如表4所示。確定選取26為最佳隱含層神經(jīng)元個(gè)數(shù)后,將BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值閾值用遺傳算法優(yōu)化,GA-BP模型對(duì)不同產(chǎn)地粳稻種子識(shí)別準(zhǔn)確率由98.33%提升至100.00%,運(yùn)行時(shí)間由74 s提升至26 s。說(shuō)明建立的BP神經(jīng)網(wǎng)絡(luò)分析模型的預(yù)測(cè)精準(zhǔn)度高、運(yùn)行速度快,對(duì)不同產(chǎn)地粳稻種子能實(shí)現(xiàn)快速分類(lèi)鑒別效果。

表4 不同隱含層神經(jīng)元個(gè)數(shù)建模鑒別結(jié)果

2.2 相同產(chǎn)地不同品種粳稻種子快速分類(lèi)鑒別

為進(jìn)一步研究同為粳稻、相同產(chǎn)地,但不同品種的大米之間的分類(lèi)效果,分別以黑龍江6個(gè)品種之間、天津3個(gè)品種之間、山東3個(gè)品種之間、河南4個(gè)品種之間、江蘇4個(gè)品種之間為研究對(duì)象,進(jìn)行光譜采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)特征波段提取、建立BP神經(jīng)網(wǎng)絡(luò)分析模型并用遺傳算法優(yōu)化,達(dá)到快速區(qū)分相同產(chǎn)地不同品種粳稻種子目的。

2.2.1 黑龍江地區(qū)

以黑龍江地區(qū)的龍稻3、龍稻4、龍稻6、龍粳29、龍粳39、龍粳1624共6個(gè)品種粳稻種子采用2.1.1優(yōu)選SG平滑預(yù)處理方法、2.1.2優(yōu)選CARS特征波段提取方法、選取最佳隱含層神經(jīng)元個(gè)數(shù)后,用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值閾值,建立網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為136-19-6的最佳GA-BP神經(jīng)網(wǎng)絡(luò)模型。最終模型識(shí)別準(zhǔn)確率為94.44%,運(yùn)行時(shí)間為4s。說(shuō)明建立的BP神經(jīng)網(wǎng)絡(luò)分析模型的預(yù)測(cè)精準(zhǔn)度高、運(yùn)行速度快,對(duì)黑龍江地區(qū)不同品種粳稻種子能實(shí)現(xiàn)快速分類(lèi)鑒別效果。

2.2.2 天津地區(qū)

以天津地區(qū)的金粳18、金粳818、津稻372共3個(gè)品種粳稻種子采用2.1.1優(yōu)選SG平滑預(yù)處理方法、2.1.2優(yōu)選CARS特征波段提取方法、選取最佳隱含層神經(jīng)元個(gè)數(shù)后,用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值閾值,建立網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為100-15-3的最佳GA-BP神經(jīng)網(wǎng)絡(luò)模型。最終模型識(shí)別準(zhǔn)確率為100%,運(yùn)行時(shí)間為1 s。說(shuō)明建立的BP神經(jīng)網(wǎng)絡(luò)分析模型的預(yù)測(cè)精準(zhǔn)度高、運(yùn)行速度快,對(duì)天津地區(qū)不同品種粳稻種子能實(shí)現(xiàn)快速分類(lèi)鑒別效果。

2.2.3 山東地區(qū)

以山東地區(qū)的圣香66、圣稻16、臨稻13號(hào)共3個(gè)品種粳稻種子采用2.1.1優(yōu)選SG平滑預(yù)處理方法、2.1.2優(yōu)選CARS特征波段提取方法、選取最佳隱含層神經(jīng)元個(gè)數(shù)后,用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值閾值,建立網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為86-10-3的最佳GA-BP神經(jīng)網(wǎng)絡(luò)模型。最終模型識(shí)別準(zhǔn)確率為100%,運(yùn)行時(shí)間為1 s。說(shuō)明建立的BP神經(jīng)網(wǎng)絡(luò)分析模型的預(yù)測(cè)精準(zhǔn)度高、運(yùn)行速度快,對(duì)山東地區(qū)不同品種粳稻種子能實(shí)現(xiàn)快速分類(lèi)鑒別效果。

2.2.4 河南地區(qū)

以河南地區(qū)的鄭旱2號(hào)、鄭旱6號(hào)、鄭旱10號(hào)、洛稻998號(hào)共4個(gè)品種粳稻種子采用2.1.1優(yōu)選SG平滑預(yù)處理方法、2.1.2優(yōu)選CARS特征波段提取方法、選取最佳隱含層神經(jīng)元個(gè)數(shù)后,用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值閾值,建立網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為86-14-4的最佳GA-BP神經(jīng)網(wǎng)絡(luò)模型。最終模型識(shí)別準(zhǔn)確率為91.67%,運(yùn)行時(shí)間為3 s。說(shuō)明建立的BP神經(jīng)網(wǎng)絡(luò)分析模型的預(yù)測(cè)精準(zhǔn)度高、運(yùn)行速度快,對(duì)河南地區(qū)不同品種粳稻種子能實(shí)現(xiàn)快速分類(lèi)鑒別效果。

2.2.5 江蘇地區(qū)

以江蘇地區(qū)的南粳46、南粳58、南粳5055、南粳9108共4個(gè)品種粳稻種子采用2.1.1優(yōu)選SG平滑預(yù)處理方法、2.1.2優(yōu)選CARS特征波段提取方法、選取最佳隱含層神經(jīng)元個(gè)數(shù)后,用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值閾值,建立網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為86-12-4的最佳GA-BP神經(jīng)網(wǎng)絡(luò)模型。最終模型識(shí)別準(zhǔn)確率為91.67%,運(yùn)行時(shí)間為1 s。說(shuō)明建立的BP神經(jīng)網(wǎng)絡(luò)分析模型的預(yù)測(cè)精準(zhǔn)度高、運(yùn)行速度快,對(duì)江蘇地區(qū)不同品種粳稻種子能實(shí)現(xiàn)快速分類(lèi)鑒別效果。

3 結(jié)論

選用黑龍江、天津、山東、河南、江蘇5個(gè)不同地區(qū)20個(gè)不同品種的粳稻種子進(jìn)行分類(lèi)鑒別方法研究。在對(duì)比實(shí)驗(yàn)6種預(yù)處理方法對(duì)模型建模及判別影響中,SG平滑預(yù)處理方法在判別模型中識(shí)別準(zhǔn)確率高于其他5種預(yù)處理方法。在探究光譜特征波段提取方法對(duì)模型建模及判別影響中,針對(duì)預(yù)測(cè)效果和運(yùn)行速度綜合考慮,CARS特征提取方法提取的光譜特征優(yōu)于SPA特征提取方法。GA算法也加快了BP神經(jīng)網(wǎng)絡(luò)模型的運(yùn)行速度,提高了模型識(shí)別準(zhǔn)確率。

在SG平滑預(yù)處理、CARS特征波段提取拉曼光譜數(shù)據(jù)和GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型后建立最佳GA-BP神經(jīng)網(wǎng)絡(luò)模型。其中,不同產(chǎn)地(黑龍江、天津、山東、河南、江蘇)粳稻種子模型識(shí)別準(zhǔn)確率達(dá)到100%,運(yùn)行時(shí)間為26 s;相同產(chǎn)地不同品種粳稻種子模型識(shí)別準(zhǔn)確率均在90%以上,平均識(shí)別準(zhǔn)確率為95.56%,平均運(yùn)行時(shí)間為2 s。說(shuō)明拉曼光譜技術(shù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)判別分析模型能夠有效快速準(zhǔn)確鑒別粳稻種子的產(chǎn)地和品種。