石睿 羅斌 張晗 侯佩臣 周亞男 王成
石 睿,羅 斌,張 晗,等. 種子活力性狀無損速測技術(shù)研究進(jìn)展[J]. 江蘇農(nóng)業(yè)科學(xué),2024,52(7):1-10.
doi:10.15889/j.issn.1002-1302.2024.07.001
(1.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心/北京市農(nóng)林科學(xué)院信息技術(shù)研究中心,北京 100097;2.江蘇大學(xué)農(nóng)業(yè)工程學(xué)院,江蘇鎮(zhèn)江 212013)
摘要:種子是農(nóng)業(yè)生產(chǎn)中最重要的生產(chǎn)資料,其品質(zhì)直接關(guān)系到整個生產(chǎn)活動的豐歉?;盍κ欠N子的重要評價指標(biāo),高活力的種子不僅田間表現(xiàn)優(yōu)秀、抵抗逆境能力強,還更利于長時間儲藏。傳統(tǒng)的種子活力檢測多在實驗室內(nèi)進(jìn)行,采用的發(fā)芽試驗等方法精度較高、科學(xué)性強,但有損檢測且效率較低。近年來,光譜及成像技術(shù)以其快速、無損等優(yōu)勢,在種子檢測領(lǐng)域中得到了廣泛關(guān)注和應(yīng)用。首先,歸納傳統(tǒng)種子活力檢測方法的檢測原理和判定方法,并總結(jié)傳統(tǒng)方法存在的共性問題;其次,綜述無損速測技術(shù)在種子活力檢測領(lǐng)域的應(yīng)用和進(jìn)展,對比分析各種技術(shù)的工作原理和檢測策略,重點就近紅外光譜技術(shù)和高光譜成像技術(shù)的應(yīng)用展開討論;最后,在此基礎(chǔ)上結(jié)合種子活力的實際檢測要求,探討目前無損速測技術(shù)在種子活力檢測應(yīng)用領(lǐng)域存在的問題,總結(jié)當(dāng)前無損速測檢測技術(shù)呈現(xiàn)多技術(shù)融合、精選分級、高通用性和多元發(fā)展的發(fā)展趨勢,以期為種子活力性狀的無損速測技術(shù)提供參考。
關(guān)鍵詞:種子;活力性狀;近紅外光譜;高光譜成像;X射線成像;圖像處理;無損速測技術(shù);研究進(jìn)展
中圖分類號:S330.2 ?文獻(xiàn)標(biāo)志碼:A??文章編號:1002-1302(2024)07-0001-09
種子是農(nóng)業(yè)生產(chǎn)中最重要的生產(chǎn)資料,其品質(zhì)直接影響農(nóng)業(yè)生產(chǎn)活動的產(chǎn)量和質(zhì)量。種子活力是評價種子品質(zhì)的重要指標(biāo)之一,最先由國際種子檢驗協(xié)會(ISTA)提出,其將種子活力定義為決定種子和種子批在發(fā)芽和出苗期間的活性水平和行為的那些種子特性的綜合表現(xiàn)[1-2]。影響種子活力的因素可分為內(nèi)因和外因2個方面,內(nèi)因主要是指種子品種及自身個體發(fā)育情況,外因則是在收獲、加工過程中所受到的一系列機械損傷以及貯藏期間環(huán)境變化帶來的影響[3]。選用高活力的種子進(jìn)行播種,能更好地保證田間幼苗茁壯、出苗整齊和長勢均勻,且面對逆境時幼苗抵抗能力強,同時高活力的種子貯藏價值也更高[4]。因此,如何選取高活力種子成為農(nóng)業(yè)生產(chǎn)活動中的重要一環(huán)。傳統(tǒng)的種子活力檢測方法可分為直接測定和間接測定2種,直接測定即檢測種子在逆境環(huán)境下的發(fā)芽和成苗能力,包括加速老化測定、冷凍測定等;間接測定即通過生理指標(biāo)側(cè)面反映種子活力,包括電導(dǎo)率測定、氯化三苯四氮唑(TTC)染色測定等。盡管這些傳統(tǒng)方法評定結(jié)果直觀、科學(xué)性強,但存在對操作人員專業(yè)能力要求高、試驗周期長、對種子有破壞性等缺點,難以滿足現(xiàn)代農(nóng)業(yè)成批量、快速、無損檢測的需要[5-6]。近年來,隨著化學(xué)計量學(xué)和計算機技術(shù)的發(fā)展,許多研究人員開始將光譜及成像技術(shù)應(yīng)用在種子活力檢測領(lǐng)域。無損速測技術(shù)作為快速、無損的檢測技術(shù),不僅可以反映種子的內(nèi)部信息和化學(xué)組成,還可以和化學(xué)計量學(xué)方法搭配建立活力預(yù)測模型,快速生成檢測結(jié)果;此技術(shù)克服了傳統(tǒng)檢測方法的諸多缺點,在降低成本、提高效率的基礎(chǔ)上,可以更好地滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)的要求。本研究主要綜述近年來無損速測技術(shù)在種子活力檢測方面的研究進(jìn)展,分析對比各技術(shù)的工作原理、檢測策略和優(yōu)缺點,重點就近紅外光譜技術(shù)和高光譜成像技術(shù)展開談?wù)?,并基于種子活力檢測的發(fā)展需求和應(yīng)用場景,展望無損速測技術(shù)在此領(lǐng)域未來的發(fā)展方向,以期推動無損速測技術(shù)在種子活力檢測方面的應(yīng)用和發(fā)展。
1 傳統(tǒng)檢測技術(shù)
由于檢測原理和判定方式不同,傳統(tǒng)檢測技術(shù)可大致分為直接測定法和間接測定法2類,目前5種主要傳統(tǒng)檢測技術(shù)的檢測原理和判定方式見表1。雖然各項技術(shù)間有較大差別,但都需要由專業(yè)的操作人員完成,且需要一定的試驗周期;同時這些技術(shù)會破壞種子的完整性,檢測后的種子也無法繼續(xù)應(yīng)用到農(nóng)業(yè)生產(chǎn)中,所以無損速測技術(shù)作為一種新型檢測技術(shù)正逐步應(yīng)用到種子活力檢測領(lǐng)域。
2 無損速測技術(shù)
無損速測技術(shù)以先進(jìn)的無損檢測設(shè)備為基礎(chǔ),配合機器學(xué)習(xí)算法,通過建立預(yù)測模型完成種子活力性狀的快速檢測。由表2可知,傳統(tǒng)檢測技術(shù)需要根據(jù)不同的檢測原理進(jìn)行種子活力檢測,試驗結(jié)果科學(xué)直觀,但試驗過程紛繁復(fù)雜,需要專門的技術(shù)人員操作,且試驗周期長,對種子造成的破壞不可逆。近年來,無損速測技術(shù)因其快速、無損的特點在種子活力檢測方面發(fā)展迅速,通過所建立的算法模型可以快速實現(xiàn)種子活力的分類、分級,同時檢測過程中幾乎不會對種子造成損傷,所檢種子可以繼續(xù)投入到農(nóng)業(yè)生產(chǎn);但該技術(shù)目前大多停留在實驗室階段,還未大規(guī)模應(yīng)用,同時所建立的算法模型大多只能滿足特定種子品種的檢測要求,泛化能力欠佳。
2.1 近紅外光譜技術(shù)
當(dāng)近紅外光透過物質(zhì)時,分子振動的非諧振性使分子振動狀態(tài)發(fā)生變化,此時物質(zhì)吸收對應(yīng)波長的光從而形成近紅外光譜,其主要反映的是各種含氫基團基頻振動的倍頻和合頻吸收情況[16-17]。由圖1可知,種子中含有大量有機分子,各種有機分子在近紅外區(qū)的光譜吸收特征因其所含基團種類和振動模式的不同而不同,故可利用近紅外光譜對種子的活力開展定性和定量分析[18]。
白京等基于主成分分析(principal component analysis,PCA)算法建立有關(guān)玉米種子活力的支持向量機(support vector machine,SVM)檢測模型,該分類模型校正集和預(yù)測集的準(zhǔn)確率分別是9556%、86.68%[19]。Yasmin等以自然陳化4年的西瓜種子為對象,建立偏最小二乘法判別分析(partial least squares-discriminant analysis,PLS-DA)檢測模型對有活力種子和無活力種子進(jìn)行分類,其準(zhǔn)確率分別為87.7%、82.0%[20]。
上述檢測模型皆為二分類模型,即判斷種子是否具有活力,也有學(xué)者嘗試種子活力分級或剔除空種子,這些功能的實現(xiàn)都有助于滿足種子活力檢測的現(xiàn)實需求。Fan等針對3種老化程度的小麥種子,將PCA算法和連續(xù)投影(successive projections algorithm,SPA)算法2種特征波長提取算法分別同極限學(xué)習(xí)機(extreme learning machine,ELM)算法和隨機森林(random forest,RF)算法結(jié)合,所建立的PCA-ELM和SPA-RF檢測模型準(zhǔn)確率分別為88.9%、88.5%[21]。Tigabu等嘗試鑒別杉木活種子、死種子和空種子,建立的正交偏最小二乘判別分析(orthogonal projection to latent structures-discriminant analysis,OPLS-DA)模型在較短的近紅外區(qū)域(780~1 100 nm)性能最優(yōu),平均分類準(zhǔn)確率為100%[22]。
種子的生理生化指標(biāo)也能反映其活力,通過建立有關(guān)指標(biāo)的定量模型也可以完成種子活力的檢測。李武等將發(fā)芽率、發(fā)芽指數(shù)和活力指數(shù)3個指標(biāo)作為建模對象,利用偏最小二乘法回歸(partial least squares regression,PLSR)算法建立有關(guān)3個指標(biāo)的定量檢測模型,該模型能夠較好地篩選出高活力甜玉米種子[23]。曲歌用發(fā)芽率作為衡量種子活力的指標(biāo),將BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)同偏最小二乘(partial least squares,PLS)算法相結(jié)合建立水稻種子活力檢測模型,該模型的R2c、RMSEC、R2p、RMSEP和RPD分別為0.86、1.99、0.83、2.01、2.55[24]。
傳統(tǒng)機器學(xué)習(xí)分類模型受算法原理影響,可能存在準(zhǔn)確率不理想或丟失相關(guān)特征的情況,故有學(xué)者開始將近紅外技術(shù)同深度學(xué)習(xí)算法結(jié)合,旨在提高模型的準(zhǔn)確率。Liu等分別建立5種樹木種子的PLS-DA、SVM和深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)分類模型,結(jié)果表明,所建的DNN模型性能最優(yōu)[6]。
近紅外光譜技術(shù)快速、無損、無污染的特點使它在種子活力檢測領(lǐng)域發(fā)展迅速,產(chǎn)出了一大批科研成果,有著巨大的發(fā)展前景。但目前的研究所建立的算法模型以二分模型為主,多級分類模型較少;實際檢測場景也以實驗室為主。隨著研究的深入,近紅外光譜技術(shù)會同更多的算法相結(jié)合,近紅外光譜數(shù)據(jù)也可以被更充分地挖掘和利用;同時,檢測場景不再局限在實驗室中,可以實現(xiàn)便捷、快速的種子活力檢測,也可推動種子活力檢測朝著成批量、產(chǎn)業(yè)化的方向發(fā)展。
2.2 高光譜成像技術(shù)
由圖2可知,高光譜成像技術(shù)1次獲取1個數(shù)據(jù)立方體[25-26],其包含每個窄波片段的圖像信息以及單個像素點在連續(xù)波段下的光譜信息,具有“圖譜合一”的特點[27]。圖像信息可以反映樣品的形狀、缺陷等外在特征,而光譜信息因為不同物質(zhì)反射率的不同,可以反映樣品的組成結(jié)構(gòu)、化學(xué)成分等內(nèi)在特征[28]。基于這種優(yōu)勢,高光譜成像技術(shù)在種子活力檢測方面有著極大的潛力。根據(jù)建立模型所使用的數(shù)據(jù)類型,高光譜成像技術(shù)在種子活力檢測方面可分為單一特征分類和圖譜結(jié)合分類。
2.2.1 單一特征分類
通過算法處理高光譜成像技術(shù)帶來的龐大數(shù)據(jù)集,將光譜信息或圖像信息作為模型的輸入,用輸出的分類值表示種子的活力等級。
2.2.1.1 傳統(tǒng)機器學(xué)習(xí)算法
高光譜成像技術(shù)因其工作原理所產(chǎn)生的數(shù)據(jù)集通常十分龐大,為了有效利用龐大的數(shù)據(jù)集并建立可行高效的種子活力檢測模型,傳統(tǒng)機器學(xué)習(xí)分類算法成為最先被選用的建模方式。此方法基于每個種子的平均光譜數(shù)據(jù)并結(jié)合發(fā)芽試驗結(jié)果完成模型的建立。Nansen等運用線性判別分析(linear discriminant analysis,LDA)算法建立3種澳洲本土植物種子[考氏相思(Acacia cowleana?Tate)、橙黃佛塔樹(Banksia prionotes?L.F.)和美葉桉(Corymbia calophylla)]的活力檢測模型,結(jié)果顯示關(guān)于考氏相思和美葉桉的準(zhǔn)確率可以超過85%,關(guān)于橙黃佛塔樹的準(zhǔn)確率約為80%[29]。Dumont等嘗試區(qū)分挪威云杉的活種子、空種子和無活力種子,基于可見光及近紅外波段(400~1 000 nm)光譜數(shù)據(jù)建立的SVM判別模型在僅選用3個特征波段的情況下準(zhǔn)確率為93%[30]。He等運用多項式平滑(savitzky-golay,SG)算法結(jié)合ELM算法,以93.67%的準(zhǔn)確率完成對3個不同年份水稻種子的快速分類[31]。
上述模型皆為定性分類模型,同時也有學(xué)者嘗試用特定的指標(biāo)量化種子活力概念,并建立相關(guān)的定量檢測模型。Cui等將甜玉米種子的苗長和根長作為種子活力的評判標(biāo)準(zhǔn),利用最高相關(guān)系數(shù)(highest correlation coefficient,HCC)[JP2]和核主成分回歸(kernel principal component regression,KPCR)算法建立的根長預(yù)測模型相關(guān)系數(shù)為0.780 5,基于SPA算法建立的苗長預(yù)測模型相關(guān)系數(shù)為0607 4[32]。Zhang等將發(fā)芽率、發(fā)芽勢和簡單活力指數(shù)3個指標(biāo)作為評估種子活力的重要參數(shù),采用回歸系數(shù)結(jié)合PLS-R算法分別建立有關(guān)小麥種子活力的3個定量檢測模型,該模型預(yù)測集的R2分別為0.921、0.907、0.886,RMSE值分別為4.113%、5.137%、2.400%[33]。
2.2.1.2 運用深度學(xué)習(xí)算法建立模型
深度學(xué)習(xí)作為近年來新興的人工智能算法,在處理龐大數(shù)據(jù)集方面具有獨特的優(yōu)勢,更適合用于高光譜數(shù)據(jù)的處理;同時,深度學(xué)習(xí)算法可以實現(xiàn)基于一維光譜數(shù)據(jù)和二維光譜圖像的建模,為高光譜成像技術(shù)在種子活力檢測帶來更多的可能。張林基于堆疊自動編碼器(stacked auto-encoder,SAE)提取的深度光譜特征建立SVM分類模型,并使用改進(jìn)灰狼優(yōu)化算法(differential evolution-greywolf optimizer,DE-GWO)優(yōu)化該模型,優(yōu)化后的模型對3種活力等級的水稻種子分類準(zhǔn)確率可達(dá)99.25%[34]。Ma等將PC評分圖和SVM活力映射圖作為卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)模型的輸入,建立有關(guān)日本芥菜種子活力的CNN模型分類準(zhǔn)確率達(dá)90%[35]。Yang等直接將水稻種子的高光譜圖像作為CNN模型的輸入,準(zhǔn)確率可達(dá)99.5%[36]。Zhang等建立深度森林(deep forests,DF)模型來區(qū)分6種不同霜害程度的水稻種子,該模型在小尺度樣本中的性能明顯優(yōu)于作為對比的3種傳統(tǒng)機器學(xué)習(xí)模型(決策樹、K最近鄰和SVM)[37]。Wu等針對實際生產(chǎn)中可能出現(xiàn)的樣品數(shù)量不平衡問題,提出一種加權(quán)損失深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolution neural network,DCNN),該模型區(qū)分3種活力等級水稻種子的準(zhǔn)確率為97.69%[38]。
2.2.2 圖譜結(jié)合分類
高光譜成像技術(shù)可以同時獲得待測種子的光譜信息和圖像信息,圖譜結(jié)合分類法便是同時利用這2種信息檢測種子活力。圖譜結(jié)合分類可以分為像素級和對象級2種方法,像素級方法是通過圖像中個別像素的光譜數(shù)據(jù)檢測整個種子的活力,對象級則是綜合整個種子像素的光譜數(shù)據(jù)檢測種子活力。目前國內(nèi)外學(xué)者普遍認(rèn)為種子活力是一個有關(guān)整個種子的概念,因此采用對象級方法是一種更為合理、有效的方法[39]。
對象級方法有以下2種主流思路:一是利用整體圖檢測,即單個種子圖像對應(yīng)1個分類值;二是利用像素圖檢測,即單個種子圖像的每1個像素都對應(yīng)1個分類值[40]。有學(xué)者對這2種思路進(jìn)行分析對比,結(jié)果見圖3。Zhang等運用PLS-DA算法區(qū)分3種不同凍害程度的玉米種子,同時基于模型的分類值比較M2M(整體圖)和M2P(像素圖)2種方法的分類效果,結(jié)果顯示,此情況下的M2P方法優(yōu)于M2M方法[41]。
也有學(xué)者基于像素圖開展了一系列的研究。如圖4所示,Wakholi等將有關(guān)玉米種子活力的SVM分類模型回歸系數(shù)同高光譜圖像結(jié)合獲得偽彩圖,并使用閾值將其轉(zhuǎn)化為二值圖像,其中值為1的像素對應(yīng)有活力,值為0的像素對應(yīng)無活力[42]。Baek等利用PLS-DA算法對大豆種子圖像每個像素進(jìn)行分類,并結(jié)合閾值法獲得二值圖像;在單個種子圖像中,代表活種子的像素數(shù)占總像素數(shù)的百分比大于預(yù)先設(shè)置的檢出率時,該種子便被認(rèn)定為有活力,此方案的準(zhǔn)確率為95%[39]。
高光譜成像技術(shù)“圖譜合一”的特點使其在種子活力檢測方面有著巨大的優(yōu)勢。較前的研究多集中在光譜數(shù)據(jù)的研究上,基于每個種子的平均光譜,使用機器學(xué)習(xí)算法建立分類模型來檢測種子活力。近年來,隨著研究的不斷深入,國內(nèi)外學(xué)者開始使用深度學(xué)習(xí)算法處理高光譜成像技術(shù)帶來的龐大立方體數(shù)據(jù),深度學(xué)習(xí)算法在處理龐大數(shù)據(jù)方面的優(yōu)勢使得運用該類型算法所建立的分類模型較大多數(shù)傳統(tǒng)機器學(xué)習(xí)算法模型具有更好的檢測效果,且可以完成一定程度的種子活力分級;同時學(xué)者開始注重二維圖像的利用,不論是基于單個像素[21]的光譜研究還是多個波段的圖像研究,都開始將二維圖像信息同一維光譜數(shù)據(jù)相結(jié)合,使種子活力檢測效果有了明顯的提升。高光譜成像技術(shù)所具有的成像功能也使檢測結(jié)果更直觀地體現(xiàn),有利于實現(xiàn)流水線檢測。綜合來看,高光譜成像技術(shù)所具有的特點使它在種子活力檢測方面有著極大的潛力,也使未來成批量檢測種子活力的商業(yè)化成為可能。
2.3 X射線成像技術(shù)
X射線成像技術(shù)是醫(yī)學(xué)診斷中最重要的技術(shù)之一,X射線的波長在0.01~10 nm之間,其中0.1~10 nm之間的部分被稱為軟X射線,由圖5可見,軟X射線穿透能力較低且能夠揭示物體內(nèi)部的情況,因此適用于種子活力檢測[43]。Araújo等利用X射線檢測種子干燥過程中產(chǎn)生的內(nèi)部裂紋和自由空間,這些形態(tài)變化與種子活力降低密切相關(guān)[44]。Abud等認(rèn)為,X射線成像技術(shù)可以有效地評估西蘭花種子的內(nèi)部形態(tài),并將其與幼苗種子長度聯(lián)系起來,從而可以完成種子活力檢測[45]。Pinheiro等利用X射線成像技術(shù)結(jié)合圖像處理軟件,根據(jù)種子組織的物理完整性評估種子的活力[46]。de Medeiros等通過X射線圖像獲得有關(guān)種子的形態(tài)計量參數(shù)和組織完整性信息,并將這些特征同機器學(xué)習(xí)算法相結(jié)合,提出一種鑒定麻瘋樹種子發(fā)芽能力的LDA模型,對種子活力和幼苗活力的鑒定準(zhǔn)確率分別為94.36%、89.72%;接著又運用CNN算法建立海甘藍(lán)(Crambe abyssinica)種子活力鑒定模型,該模型準(zhǔn)確率為82%[47-48]。X射線成像技術(shù)可以發(fā)現(xiàn)種子內(nèi)部裂紋、直接損傷和蟲蛀等情況,這些信息可以為種子活力檢測提供重要依據(jù)。
2.4 自體熒光光譜成像技術(shù)
種子中含有大量的熒光化合物(即熒光團),這些[CM(21]化合物被特定波段的光激發(fā)后會發(fā)出熒光,這種熒光被稱為自體熒光。熒光團包括葉綠素、木質(zhì)素等化合物,這些化合物和種子活力密切相關(guān)。自體熒光光譜成像技術(shù)可以獲取每個圖像像素的高分辨率光譜,并提供同一物體在特定波段下的一組圖像[49]。因此,利用自體熒光光譜成像技術(shù)結(jié)合機器學(xué)習(xí)算法可以建立各熒光團與其對應(yīng)波長的聯(lián)系,實現(xiàn)種子活力的檢測。de Silva等以大豆種子為檢測對象,運用365 nm/400 nm的激發(fā)/發(fā)射組合的自體熒光信號,分別運用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、SVM和LDA算法建立種子活力判別模型,發(fā)現(xiàn)3個模型都可以很好地區(qū)別高活力種子和低活力種子,準(zhǔn)確率達(dá)到99%[50]。如圖6所示,Batista等運用不同的激發(fā)/發(fā)射組合分別提取R7.1(開始成熟)、R7.2(大量成熟)、R7.3(種子與母株分離)、R8(收獲點)和R9(最終成熟)5個成熟階段的大豆種子自體熒光信號,基于此運用RF、神經(jīng)網(wǎng)絡(luò)(neural network,NN)和SVM算法分別建立分類模型,發(fā)現(xiàn)利用葉綠素a(660 nm/700 nm)和葉綠素b(405 nm/600 nm)的激發(fā)/發(fā)射組合,可以很好地完成5個成熟階段的分類[51]。
根據(jù)現(xiàn)有的科研成果可以發(fā)現(xiàn)自體熒光成像技術(shù)的檢測效果很理想,具有很大的發(fā)展價值,但該技術(shù)在種子活力檢測方面仍處于初步探索階段,已有的科研成果較少,且相關(guān)檢測設(shè)備昂貴,試驗干擾因素多,操作要求也較嚴(yán)苛。
2.5 多技術(shù)融合檢測方法
目前,多技術(shù)融合檢測方法因其較高的檢測精度正成為種子活力檢測新的發(fā)展趨勢。de Medeiros等同時使用近紅外光譜技術(shù)和X射線技術(shù),測得臂形草(Urochloa brizantha)種子的近紅外光譜數(shù)據(jù)和X射線數(shù)據(jù),同時將2類數(shù)據(jù)作為模型的輸入,運用5種傳統(tǒng)機器學(xué)習(xí)算法建立種子活力分類模型,并將這5種模型運用一種數(shù)據(jù)所建立的模型進(jìn)行性能對比,發(fā)現(xiàn)此類融合技術(shù)在檢測種子活力方面是可靠的,可以保證一定的準(zhǔn)確率[52]。de Jesus Martins Bianchini等將多光譜技術(shù)和X射線技術(shù)融合,使用LDA算法建立有關(guān)麻瘋樹種子活力的分類模型,發(fā)現(xiàn)使用2種數(shù)據(jù)建立的模型性能明顯優(yōu)于使用單類型數(shù)據(jù)建立的模型,準(zhǔn)確率可達(dá)98%,具有良好的分類效果[53]。多技術(shù)融合檢測方法是近2年才開始運用的方法,目前科研成果較少。但此方法為種子活力檢測提供了一個全新的視角,具有巨大的潛力,是一個值得嘗試的新方向。
3 結(jié)論與展望
本研究綜述了近年來無損速測技術(shù)在種子活力檢測領(lǐng)域的研究進(jìn)展,分析對比各種無損速測技術(shù)的檢測原理和檢測策略,闡述這些技術(shù)目前的優(yōu)勢和不足,重點就近紅外技術(shù)和高光譜成像技術(shù)展開了討論??傮w而言,無損速測技術(shù)具有快速、無損、準(zhǔn)確和高效的特點,可以更好地滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)的要求,且近年來的眾多研究成果也驗證了該技術(shù)在種子活力檢測領(lǐng)域的可行性。為使無損速測技術(shù)未來能更好地應(yīng)用于種子活力檢測,主要提出以下幾點建議:第一,增強多技術(shù)融合。目前各類型無損速測技術(shù)的運用相對獨立且逐漸模板化,可以嘗試結(jié)合多種無損速測技術(shù),利用算法將各類檢測信息整合,加強有效信息的利用,進(jìn)一步提高分類模型的準(zhǔn)確率。第二,加強種子活力精選分級方面的研究。目前大多數(shù)研究僅能完成種子有無活力的區(qū)分,有關(guān)種子活力分級的研究報道較少,已報道的分級效果大多也不理想。但種子活力分級是現(xiàn)代農(nóng)業(yè)生產(chǎn)的現(xiàn)實需求。因此,開發(fā)出效果更好的種子活力分級模型迫在眉睫。第三,豐富數(shù)據(jù)庫,提高模型通用性。目前無損速測技術(shù)搭配化學(xué)計量學(xué)方法所建立的算法模型基本都只適用于單個品種種子,通用性和轉(zhuǎn)移性很差。因此,豐富現(xiàn)有的種子活力特性數(shù)據(jù)庫,研究模型轉(zhuǎn)移算法,開發(fā)同時適用于多個品種的模型是無損速測技術(shù)在種子活力檢測領(lǐng)域的一個重要發(fā)展趨勢。第四,打破檢測場地限制,實現(xiàn)多元化發(fā)展。目前相關(guān)研究大多局限在實驗室內(nèi),且成熟的檢測設(shè)備較少,可以開發(fā)不同的檢測設(shè)備以滿足各類使用場景,如便攜式設(shè)備或適合成批量檢測的流水線設(shè)備。
參考文獻(xiàn):
[1]ElMasry G,Mandour N,Al-Rejaie S,et al. Recent applications of multispectral imaging in seed phenotyping and quality monitoring:an overview[J]. Sensors,2019,19(5):1090.
[2]Wang D,Wang K,Wu J Z,et al. Progress in research on rapid and non-destructive detection of seed quality based on spectroscopy and imaging technology[J]. Spectroscopy and Spectral Analysis,2021,41(1):52-59.
[3]段潔利,王韜隱,付 函,等. 光譜及成像技術(shù)在種子活力檢驗中的應(yīng)用研究進(jìn)展[J]. 現(xiàn)代農(nóng)業(yè)裝備,2020,41(2):2-7.
[4]Priya T S R,Manickavasagan A.Characterising corn grain using infrared imaging and spectroscopic techniques:a review[J]. Journal of Food Measurement and Characterization,2021,15(4):3234-3249.
[5]李孝凡,王 成,宋 鵬,等. 種子活力無損檢測方法研究進(jìn)展[J]. 種子,2019,38(6):61-65.
[6]Liu W J,Liu J,Jiang J M,et al. Comparison of partial least squares-discriminant analysis,support vector machines and deep neural networks for spectrometric classification of seed vigour in a broad range of tree species[J]. Journal of Near Infrared Spectroscopy,2021,29(1):33-41.
[7]Wang W Q,Liu S J,Song S Q,et al. Proteomics of seed development,desiccation tolerance,germination and vigor[J]. Plant Physiology and Biochemistry,2015,86:1-15.
[8]Sharma A D,Rathore S V S,Srinivasan K,et al. Comparison of various seed priming methods for seed germination,seedling vigour and fruit yield in okra (Abelmoschus esculentus?L. Moench) [J]. Scientia Horticulturae,2014,165:75-81.
[9]Demirkaya M. Relationships between antioxidant enzymes and physiological variations occur during ageing of pepper seeds[J]. Horticulture,Environment,and Biotechnology,2013,54(2):97-102.
[10]Qin P,Kong Z Y,Liao X H,et al. Effects of accelerated aging on physiological and biochemical characteristics of waxy and non-waxy wheat seeds[J]. Journal of Northeast Agricultural University,2011,18(2):7-12.
[11]任利沙,顧日良,賈光耀,等. 種子出苗率對玉米個體生長和群體產(chǎn)量的影響[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報,2017,22(4):10-15.
[12]Ma W G,Zhang Z H,Zheng Y Y,et al. Determination of tobacco (Nicotiana tabacum) seed vigour using controlled deterioration followed by a conductivity test[J]. Seed Science and Technology,2020,48(1):1-10.
[13]Lazar S L,Mira S,Pamfil D,et al. Germination and electrical conductivity tests on artificially aged seed lots of 2 wall-rocket species[J]. Turkish Journal of Agriculture and Forestry,2014,38:857-864.
[14]喻方圓,唐燕飛. 四唑染色法快速測定任豆種子生活力的研究[J]. 種子,2004,23(7):40-42.
[15]盛海平,汪為民,劉華開,等. 水稻種子生活力四唑測定值與發(fā)芽率間的相關(guān)性[J]. 種子,2000,19(2):30-31.
[16]Lestander T A,Geladi P.NIR spectral information used to predict water content of pine seeds from multivariate calibration[J]. Canadian Journal of Forest Research,2005,35(5):1139-1148.
[17]Kusumaningrum D,Lee H,Lohumi S,et al. Non-destructive technique for determining the viability of soybean (Glycine max) seeds using FT-NIR spectroscopy[J]. Journal of the Science of Food and Agriculture,2018,98(5):1734-1742.
[18]金文玲,曹乃亮,朱明東,等. 基于近紅外超連續(xù)激光光譜的水稻種子活力無損分級檢測研究[J]. 中國光學(xué),2020,13(5):1032-1043.
[19]白 京,彭彥昆,王文秀. 基于可見近紅外光譜玉米種子活力的無損檢測方法[J]. 食品安全質(zhì)量檢測學(xué)報,2016,7(11):4472-4477.
[20]Yasmin J,Ahmed M R,Lohumi S,et al. Classification method for viability screening of naturally aged watermelon seeds using FT-NIR spectroscopy[J]. Sensors,2019,19(5):1190.
[21]Fan Y M,Ma S C,Wu T T. Individual wheat kernels vigor assessment based on NIR spectroscopy coupled with machine learning methodologies[J]. Infrared Physics & Technology,2020,105:103213.
[22]Tigabu M,Daneshvar A,Wu P F,et al. Rapid and non-destructive evaluation of seed quality of Chinese fir by near infrared spectroscopy and multivariate discriminant analysis[J]. New Forests,2019,51:395-408.
[23]李 武,李 妍,李高科,等. 高溫老化下甜玉米種子活力近紅外光譜檢測技術(shù)研究[J]. 核農(nóng)學(xué)報,2018,32(8):1611-1618.
[24]曲 歌. 基于近紅外光譜數(shù)據(jù)的水稻種子活力預(yù)測模型研究[D]. 大慶:黑龍江八一農(nóng)墾大學(xué),2019.
[25]Pang L,Men S,Yan L,et al. Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques[J]. IEEE Access,2020,8:123026-123036.
[26]Seo Y,Lee H,Bae H J,et al. Optimized multivariate analysis for the discrimination of cucumber green mosaic mottle virus-infected watermelon seeds based on spectral imaging[J]. Journal of Biosystems Engineering,2019,44(2):95-102.
[27]Zhou X,Sun J,Tian Y,et al. Development of deep learning method for lead content prediction of lettuce leaf using hyperspectral images[J]. International Journal of Remote Sensing,2020,41(6):2263-2276.
[28]Matzrafi M,Herrmann I,Nansen C,et al. Hyperspectral technologies for assessing seed germination and trifloxysulfuron-methyl response in Amaranthus palmeri (palmer amaranth) [J]. Frontiers in Plant Science,2017,8:474.
[29]Nansen C,Zhao G P,Dakin N,et al. Using hyperspectral imaging to determine germination of native Australian plant seeds[J]. Journal of Photochemistry and Photobiology(B:Biology),2015,145:19-24.
[30]Dumont J,Hirvonen T,Heikkinen V,et al. Thermal and hyperspectral imaging for Norway spruce (Picea abies) seeds screening[J]. Computers and Electronics in Agriculture,2015,116:118-124.
[31]He X T,F(xiàn)eng X P,Sun D W,et al. Rapid and nondestructive measurement of rice seed vitality of different years using near-infrared hyperspectral imaging[J]. Molecules,2019,24(12):2227.
[32]Cui H W,Cheng Z S,Li P,et al. Prediction of sweet corn seed germination based on hyperspectral image technology and multivariate data regression[J]. Sensors,2020,20(17):4744.
[33]Zhang T T,F(xiàn)an S X,Xiang Y Y,et al. Non-destructive analysis of germination percentage,germination energy and simple vigour index on wheat seeds during storage by Vis/NIR and SWIR hyperspectral imaging[J]. Spectrochimica Acta(Part A:Molecular and Biomolecular Spectroscopy),2020,239:118488.
[34]張 林. 基于高光譜圖像技術(shù)的水稻種子品種及活力等級檢測研究[D]. 鎮(zhèn)江:江蘇大學(xué),2021.
[35]Ma T,Tsuchikawa S,Inagaki T.Rapid and non-destructive seed viability prediction using near-infrared hyperspectral imaging coupled with a deep learning approach[J]. Computers and Electronics in Agriculture,2020,177:105683.
[36]Yang Y,Chen J P,He Y,et al. Assessment of the vigor of rice seeds by near-infrared hyperspectral imaging combined with transfer learning[J]. RSC Advances,2020,10(72):44149-44158.
[37]Zhang L,Sun H,Rao Z H,et al. Hyperspectral imaging technology combined with deep forest model to identify frost-damaged rice seeds[J]. Spectrochimica Acta(Part A:Molecular and Biomolecular Spectroscopy),2020,229:117973.
[38]Wu N,Weng S Z,Chen J X,et al. Deep convolution neural network with weighted loss to detect rice seeds vigor based on hyperspectral imaging under the sample-imbalanced condition[J]. Computers and Electronics in Agriculture,2022,196:106850.
[39]Baek I,Kusumaningrum D,Kandpal L M,et al. Rapid measurement of soybean seed viability using kernel-based multispectral image analysis[J]. Sensors,2019,19(2):271.
[40]Akbar F M,Mukasa P,Santosh L,et al. Online application of a hyperspectral imaging system for the sorting of adulterated almonds[J]. Applied Sciences,2020,10(18):65-69.
[41]Zhang J,Dai L M,Cheng F.Classification of frozen corn seeds using hyperspectral VIS/NIR reflectance imaging[J]. Molecules,2019,24(1):149.
[42]Wakholi C,Kandpal L M,Lee H,et al. Rapid assessment of corn seed viability using short wave infrared line-scan hyperspectral imaging and chemometrics[J]. Sensors and Actuators(B:Chemical),2018,255:498-507.
[43][JP2]de Medeiros A D,Bernardes R C,da Silva L J,et al. Deep learning-[JP]based approach using X-ray images for classifying Crambe abyssinica?seed quality[J]. Industrial Crops and Products,2021,164:113378.
[44]Leo-Araújo ?F,Gomes F G Jr,de Silva A R,et al. Evaluation of the desiccation of Campomanesia adamantium?seed using radiographic analysis and the relation with physiological potential[J]. Agronomy Journal,2019,111(2):592-600.
[45]Abud H F,Cícero S M,Gomes F G Jr.Radiographic images and relationship of the internal morphology and physiological potential of broccoli seeds[J]. Acta Scientiarum Agronomy,2018,40(1):34950.
[46]Pinheiro D T,Capobiango N P,de Medeiros A D,et al. Assessment of the physical and physiological quality of Piptadenia gonoacantha seeds (Mart.) J.F.Macbr.using image analysis[J]. Revista árvore,2020,44:e4426.
[47]de Medeiros A D,Pinheiro D T,Xavier W A,et al. Quality classification of Jatropha curcas?seeds using radiographic images and machine learning[J]. Industrial Crops and Products,2020,146:112162.
[48][JP2]de Medeiros A D,Bernardes R C,da Silva L J,et al. Deep learning-[JP]based approach using X-ray images for classifying Crambe abyssinica?seed quality[J]. Industrial Crops and Products,2021,164:113378.
[49]Galletti P A,Carvalho M E A,Hirai W Y,et al. Integrating optical imaging tools for rapid and non-invasive characterization of seed quality:tomato (Solanum lycopersicum?L.) and carrot (Daucus carota?L.) as study cases[J]. Frontiers in Plant Science,2020,11:577851.
[50]da Silva C B,Oliveira N M,de Carvalho M E A,et al. Autofluorescence-spectral imaging as an innovative method for rapid,non-destructive and reliable assessing of soybean seed quality[J]. Scientific Reports,2021,11:17834.
[51]BatistaB,Mastrangelo C B,de Medeiros A D,et al. A reliable method to recognize soybean seed maturation stages based on autofluorescence-spectral imaging combined with machine learning algorithms[J]. Frontiers in Plant Science,2022,13:914287.
[52]de Medeiros A D,da Silva L J,Ribeiro J P O,et al. Machine learning for seed quality classification:an advanced approach using merger data from FT-NIR spectroscopy and X-ray imaging[J]. Sensors,2020,20(15):4319.
[53]de Jesus Martins Bianchini V,Mascarin G M,Silva L C A S,et al. Multispectral and X-ray images for characterization of Jatropha curcas?L. seed quality[J]. Plant Methods,2021,17(1):1-13.
基金項目:廣東省重點領(lǐng)域研發(fā)計劃(編號:2022B0202110003);“科技創(chuàng)新2030”重大項目(編號:2022ZD0115701)。
作者簡介:石 睿(1998—),男,江蘇無錫人,碩士研究生,主要從事種子活力無損檢測講究。E-mail:993499350@qq.com。
通信作者:王 成,博士,研究員,主要從事農(nóng)業(yè)智能裝備研究。E-mail:wangc@nercita.org.cn。