高光譜技術在常規水稻種子活力檢測中的應用

吳小芬 趙光武 祁亨年

摘要 [目的]實現常規水稻種子活力的快速自動化檢測。[方法]采用高光譜成像技術（波長范圍874～1 734 nm），提取甬秈69和中早39 2種常規水稻種子未老化、老化48 h和老化72 h的光譜反射率，在提取樣本光譜時采用小波變換（WT）剔除像素點光譜噪聲部分，并基于全波段光譜建立了支持向量機（SVM）判別分析模型。[結果]未老化種子與老化種子可以準確識別，而老化48 h種子與老化72 h種子之間無法準確識別，與基于種子活力參數的測量結果相符，且不同水稻品種對老化的反應存在差異。[結論]高光譜成像技術結合化學計量學方法用于種子活力的快速自動化無損檢測是可行的。

關鍵詞 常規水稻；種子活力；高光譜成像技術；支持向量機；特征波長

中圖分類號 S-3 文獻標識碼 A 文章編號 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

基金項目 浙江省自然科學基金項目（Y14C130046）；國家公益性行業（農業）科研專項（201303002）。

作者簡介 吳小芬（1983—），女，浙江臨安人，碩士研究生，研究方向：模式識別。*通訊作者，博士，博士生導師，從事模式識別、機器視覺研究。

收稿日期 2017-08-09

種子是農業生產的基本生產資料，種子活力是種子質量的重要指標，高活力種子具有更大的生長潛能和優勢。由于種子活力的特殊性，大多數的活力測定耗時、耗資，而且有的測定方法如四唑法要求操作者的經驗相當豐富，活力測定結果在實驗室間也往往不一致，這些不利的特點限制了活力測定在不發達國家的廣泛應用。因此，快速無損的種子活力檢測方法是未來的發展趨勢。

高光譜成像技術是一種結合了光譜和圖像技術的無損檢測技術，目前的研究主要集中在作物品種識別、果蔬品質以及精準農業中作物長勢監測上。Choudhary等[1]用小波紋理分析方法對小麥品種進行分類。有研究者通過挑選敏感波段，再采用圖像處理方法對小麥種子中的雜質進行在線識別[2]。黃敏等[3]利用高光譜成像技術對9個玉米品種真偽進行識別。朱啟兵等[4]利用高光譜成像系統對17類玉米品種進行識別。張初等[5]采用高光譜成像技術對西瓜品種進行鑒定。Tan等[6]利用高光譜成像技術對大豆品種進行分類。楊小玲等[7]利用高光譜成像技術對玉米成熟和未成熟種子進行分類。有關高光譜成像技術在種子活力檢測中的研究甚少，許思等[8]通過提取雜交水稻種子的光譜反射率對種子活力等級進行了分級探討，但常規水稻的活力快速無損檢測還有待于進一步研究。

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和產量上瓶頸問題的出現，近幾年常規稻越來越受到重視，鑒于常規稻的優良品質及遺傳的一致性，筆者以2種常規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，對不同活力水平的種子樣品進行圖像識別并測定其活力指標，建立了判別分析模型，研究了高光譜成像技術檢測常規水稻種子活力的可行性，以期為實現常規水稻種子活力的快速自動化無損檢測提供參考。

1 材料與方法

1.1 材料

試驗采用的是2016年收獲的常規水稻種子甬秈69和中早39。將收獲的水稻種子自然風干，從中選取1 g水稻種子（50粒左右）作為一個樣本（便于測量種子活力），每個品種分別采集90個樣本，編號后裝入塑封袋，密封。

1.2 方法

1.2.1 種子老化試驗。

種子老化試驗設計按照浙江農林大學農業與食品科學學院教授設計進行。在每個品種中，隨機選擇30個樣本于室溫（20 ℃，濕度60%）下放置，剩余60個樣本置于HL-150S人工老化箱（溫度45 ℃，濕度95%）中。老化48 h后，隨機取出30個樣本，置于室溫條件下，剩余30個樣本繼續放置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，其波長范圍為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，Finland），相機（Xeva 992；Xenics Infrared Solutions，Leuven，Belgium）以及鏡頭（OLES22；Specim，Spectral Imaging Ltd.，Oulu，Finland）用來獲取高光譜圖像，一個光源系統（3900 Lightsource，Illumination Technologies Inc.，Elbridge，USA）提供線光源，一個電移動平臺（Isuzu Optics Corp.，中國臺灣）用于移動樣本。在進行高光譜圖像采集時，高光譜成像系統的曝光時間設定為3 ms，平臺移動速度為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獲取的是原始高光譜圖像，無法直接進行處理，需要對原始圖像進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%的標準白板校正圖像；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波段的灰度圖像進行二值化構建掩膜圖像，樣本區域變為1，而背景區域變為0。將掩膜圖像應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為0，而樣本反射率保持不變。在進行高光譜圖像分析時，以每一粒水稻種子作為一個單獨樣本，以每一個樣本區域作為感興趣區域（ROI）提取光譜信息，每一個樣本所有像素點平均光譜作為該樣本光譜。在提取光譜信息前，考慮到像素點光譜存在較明顯的隨機噪聲，采用小波變換（WT）對像素點光譜進行預處理以去除噪聲，小波基函數選擇Daubechies 8，信號分解尺度選擇3。經過WT預處理后的像素點光譜，用于計算每個水稻種子的平均光譜。

1.2.4 數據處理方法。

1.2.4.1 判別分析模型。

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

1.2.4.2 數據分析軟件和模型評價。

高光譜圖像光譜數據提取、WT預處理、PCA、SVM建模采用Matlab 2010b（The Math Works，Natick，USA）實現，判別分析模型的判別效果由判別準確率進行評價。

1.2.5 種子老化程度可視化。

高光譜成像技術同時獲取樣本的光譜和圖像信息，在高光譜圖像中，每一個像素點都有1條光譜，而每一個光譜波段下都有1幅灰度圖。高光譜成像技術的優勢使其可以預測每一個像素點的理化特征和類別歸屬，從而得到預測圖（或可視化分布圖）。高光譜成像預測圖的流程：①對高光譜圖像進行預處理，提取樣本光譜信息；②結合理化特征或類別歸屬建立回歸或判別分析模型；③將建立的模型應用于像素點光譜預測。高光譜成像可視化有助于直觀地對種子老化程度進行判別，為種子老化程度實時在線的可視化檢測提供了技術支撐。

1.2.6 發芽試驗。

為保持前后數據的一致性，采用經高光譜采集后的種子進行發芽試驗。將種子均勻置于發芽盒后放入光照培養箱中發芽，培養箱條件設置為：黑暗條件（溫度20 ℃，時間16 h）和光照條件（溫度30 ℃，時間8 h，光照強度為12 000 lx）。第5天計算發芽勢，第14天計算發芽率和平均根長，計算種子活力指數。由表1可知，未老化種子和老化種子的活力等級差異較大。

2 結果與分析

2.1 光譜特征

高光譜成像系統采集的是樣本在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的光譜進行分析。由圖1可知，同一水稻品種的種子在不同的老化時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C和核函數寬度γ由網格搜索（grid-search）獲取。基于全波段光譜的判別分析結果如表2所示。基于甬秈69的SVM模型，建模集判別準確率達85.4%，預測集判別準確率僅為68.8%。而未老化的種子的判別準確率在98.9%以上，能夠與老化種子進行較好的判別。但老化48 h與老化72 h種子的判別準確率較低，有大量樣本錯判，原因是老化48 h和老化72 h種子的活力水平差異較小（表1）。基于中早39的SVM模型，建模集和預測集的整體判別準確率在73.8%以上，而未老化的種子的判別準確率在987%以上，能夠與老化種子進行較好的判別。但老化48 h與老化72 h種子的判別準確率較低，有大量樣本錯判，與基于甬秈69的SVM模型效果一致。研究結果表明，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 結論

采用近紅外高光譜成像技術（874～1 734 nm）對2個常規水稻品種（甬秈69和中早39）的種子老化程度進行了研究。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，發現不同水稻品種種子的判別結果存在差異，而對于每一個水稻品種而言，未老化種子與老化種子之間能夠準確判別，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。研究結果表明，高光譜成像技術結合化學計量學方法可用于種子活力的快速無損檢測，為保障種子供應提供了參考。

參考文獻

[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別[J].光子學報，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別[J].農業工程學報，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快速鑒別西瓜種子品種[J].農業工程學報，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.高光譜成像技術檢測玉米種子成熟度[J].光譜學與光譜分析，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檢測[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.支持向量機研究進展[J].計算機科學，2011，38（2）：14-17.