光譜技術(shù)在水稻品種鑒別中的應(yīng)用

田容才 盧俊瑋

[摘要]水稻品種鑒別一直是農(nóng)業(yè)生產(chǎn)、種子檢測和作物育種上的重要問題。傳統(tǒng)的鑒別方法過程繁瑣、耗時長、效率低，光譜技術(shù)為水稻品種的快速、無損、準(zhǔn)確鑒別提供了新途徑。文章從非成像光譜技術(shù)和成像光譜技術(shù)兩方面總結(jié)了光譜技術(shù)在水稻品種鑒別中的國內(nèi)外研究進(jìn)展，分析其存在的問題，并提出了一些今后研究的設(shè)想。

[關(guān)鍵詞]光譜技術(shù);水稻;品種鑒別

中圖分類號：S511 ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ?DOI：10.16465/j.gste.cn431252ts.20190716

水稻是中國最重要的糧食作物之一，其種子質(zhì)量的好壞直接關(guān)系到水稻產(chǎn)量的高低及品質(zhì)的優(yōu)劣，因此，對其品種鑒別一直是農(nóng)業(yè)生產(chǎn)、種子檢測和新品種選育上的重要問題。目前常用的水稻品種鑒別方法有形態(tài)觀察法、田間種植法、理化檢測法、分子標(biāo)記法、電子鼻法、電泳法等[1-5]。形態(tài)觀察法、田間種植法鑒別精度不高、主觀性強(qiáng)、周期長且易受環(huán)境影響。理化檢測法、分子標(biāo)記法和電泳法雖鑒別精度高，但耗時、有損、需專門操作人員且無法批量分析。電子鼻法主要通過辨別氣味來實現(xiàn)品種鑒別，存在顯著的弊端[6]。因此，找尋快速、高效、簡便的水稻品種鑒別方法具有重要意義。

光譜技術(shù)借助光學(xué)儀器獲取被測物在不同波段下的反射、吸收、透射等光譜數(shù)據(jù)，通過分析方法對數(shù)據(jù)進(jìn)行預(yù)處理和特征信息提取，再結(jié)合數(shù)學(xué)算法建立模型，從而實現(xiàn)品種鑒別，為水稻品種快速、無損鑒別提供了新途徑[7]。

1? 非成像光譜技術(shù)鑒別水稻品種

光譜是電磁輻射按照波長的有序排列，主要包括紫外線（0.01～0.38 μm）、可見光（0.38～0.76 μm）、紅外線（0.76～1 000 μm）和微波（1 mm～1 m），其中紅外線又細(xì)分為近紅外（0.76～3 μm）、中紅外（3～6 μm）、遠(yuǎn)紅外（6～15 μm）和超遠(yuǎn)紅外（15～1 000 μm）4類。由于水稻品種基因型的差異，以及在生長過程中受環(huán)境影響產(chǎn)生的差異，導(dǎo)致其葉綠素濃度、木質(zhì)素含量、植株高度、葉片形狀和大小等也存在細(xì)微差異，這些差異在光譜特征上均有體現(xiàn)，為利用光譜技術(shù)識別水稻品種提供了可能[8]。利用非成像光譜技術(shù)實現(xiàn)水稻品種鑒別多采用近紅外光譜技術(shù)，這是因為近紅外光譜分析技術(shù)根據(jù)不同種類物質(zhì)所含化學(xué)成分的不同，通過獲取含氫基團(tuán)X-H（X=C、N、O）振動基頻在光譜中倍頻與和頻的差異吸收情況，從而實現(xiàn)對物質(zhì)的定性或定量分析[9]。

梁亮等[10]采用ASD Field Spec3地物光譜儀收集了5種稻米的反射光譜數(shù)據(jù)，通過S-G平滑和標(biāo)準(zhǔn)歸一化（SNV）法對原始光譜數(shù)據(jù)進(jìn)行預(yù)處理后，比較分析了利用主成分分析法（PCA）對全波段與特征波段數(shù)據(jù)降維后建立的3層BP-ANN鑒別模型精度，得出兩種方法建立的模型預(yù)測精度高達(dá)100%，但基于特征波段建立的模型較全波段模型預(yù)測精度更高，其預(yù)測決定系數(shù)（R2=0.999 4）高于全波段預(yù)測決定系數(shù)（R2=0.998 8），預(yù)測標(biāo)準(zhǔn)誤（SEP=0.039 0）和預(yù)測均方根誤差（RMSEP=0.038 3）均低于全波段模型（SEP=0.051 9;RMSEP=0.055 0）。梁劍等[11]使用傅里葉變換（MPA）近紅外光譜儀采集了雜交F1代與其父本帶穎殼單粒種子的漫反射光譜數(shù)據(jù)，比較不同光譜預(yù)處理方法建立的聚類分析模型的鑒別效果，結(jié)果顯示“二階導(dǎo)數(shù)（25點平滑）+矢量歸一化”預(yù)處理法建立的聚類分析模型效果最好，識別正確率達(dá)100%，能有效解決雜交稻種子混雜問題。李曉麗等[12]采用ASD Handheld Field Spec地物光譜儀采集了5種不同基因來源的水稻種子光譜，運用小波變換對原始光譜進(jìn)行降噪處理，主成分分析（PCA）提取光譜特征信息，再將得到的光譜特征作為神經(jīng)網(wǎng)絡(luò)的輸入變量，建立了3層BP神經(jīng)網(wǎng)絡(luò)的稻谷品種鑒別模型，其預(yù)測正確率為96%。林萍等[13]提出了一種遺傳算法（GA）進(jìn)行光譜特征波段提取，偏最小二乘算法（PLS）進(jìn)行主成分分析，再結(jié)合BP神經(jīng)網(wǎng)絡(luò)法以實現(xiàn)大米品種快速無損鑒別的新方法。朱文超等[14]針對轉(zhuǎn)基因作物育種過程中存在的雜交和回交后代樣本量大的問題，研究了一種基于可見/近紅外光譜技術(shù)進(jìn)行轉(zhuǎn)基因水稻葉片快速鑒別的方法。使用NEXUS智能型FT-NIR光譜儀采集了離體轉(zhuǎn)基因水稻葉片及其親本葉片光譜數(shù)據(jù)，經(jīng)過多元散射校正（MSC）降噪處理后，建立了基于全波長的偏最小二乘-支持向量機(jī)（LS-SVM）鑒別模型和經(jīng)過連續(xù)投影法（SPA）進(jìn)行有效波長提取后的SPA-LS-SVM識別模型，對比分析發(fā)現(xiàn)LS-SVM模型預(yù)測正確率達(dá)89.09%，SPA-LS-SVM模型對未知樣本的識別精度為87.27%，但前者建模數(shù)據(jù)量較后者少了99.7%，因此，SPA-LS-SVM算法為大田活體鑒別水稻品種提供了新方法。Long Z等[15]將近紅外光譜技術(shù)與最小二乘回歸判別分析（PLS-DA）相結(jié)合，實現(xiàn)了轉(zhuǎn)基因和野生型水稻品種及品系的準(zhǔn)確鑒別。曲歌等[16]利用近紅外光譜儀采集了4個水稻品種米粉的反射光譜數(shù)據(jù)，用多元散射校正（MSC）和標(biāo)準(zhǔn)正態(tài)變換（SNV）對原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，以消除樣本顆粒分布不均勻及顆粒大小不同等對數(shù)據(jù)質(zhì)量造成的影響，結(jié)合簇類獨立模糊識別法（SIMCA）和偏最小二乘判別分析法（PLS-DA）兩種分類算法鑒別水稻品種，得出近紅外光譜技術(shù)結(jié)合SIMCA和PLS-DA兩種分類算法均可實現(xiàn)對驗證集水稻品種高達(dá)100%的正確識別率。光譜數(shù)據(jù)不僅量大，而且存在數(shù)據(jù)冗余、噪音及共線信息等問題[17]。因此，利用光譜技術(shù)鑒別水稻品種，關(guān)鍵在于光譜數(shù)據(jù)的處理與建模方法的選擇。在不同觀測對象下利用光譜技術(shù)進(jìn)行水稻品種鑒別的常用方法見表1。

2? 成像光譜技術(shù)鑒別水稻品種

光譜成像技術(shù)是光譜與計算機(jī)視覺技術(shù)相結(jié)合的產(chǎn)物，具有“圖譜合一”的特點，能同時獲取研究對象的圖像信息和光譜信息，其中圖像信息可直觀反映被測物的外部特征，光譜信息能充分反映目標(biāo)物內(nèi)部的物理結(jié)構(gòu)和化學(xué)成分，獲取的信息較非成像光譜技術(shù)更全面[20-22]。近年來，成像光譜技術(shù)在水稻品種識別中的應(yīng)用也越來越多。

鄧小琴等[23]利用高光譜成像技術(shù)，通過引入多次遞進(jìn)無信息變量消除算法（MP-UVE）結(jié)合偏最小二乘（PLS）投影算法，提取了10類水稻種子品種在400～1 000 nm共23個最優(yōu)波段，再融合其光譜、形狀、紋理等特征信息建立了偏最小二乘判別（PLS-DA）分類模型，最終獲得了對預(yù)測集樣本96%的識別精度，實現(xiàn)了大幅減少波段數(shù)的情況下的單粒水稻種子品種高精度鑒別。劉偉等[24]采用VideometerLab多光譜成像測量儀獲取了5個品種稻谷共250個樣本的多光譜圖像數(shù)據(jù)，提取了各品種光譜反射率及圖像顏色、形狀等特征變量信息，運用粒子群尋優(yōu)（PSO）算法結(jié)合最小二乘支持向量機(jī)（PLS-SVM）算法建立了品種鑒別模型，獲得了對驗證集樣本90%以上正確識別率。劉小丹等[25]采用主成分分析法（PCA）初步探究了3類雜交稻品系的可分性，并運用支持向量機(jī)（SVM）和偏最小二乘判別分析（PLS-DA）算法建立了基于全波段和特征波長的水稻品系鑒別模型，得出兩種方法建立的模型識別準(zhǔn)確率均達(dá)90%以上，其中，SVM模型效果較PLS-DA優(yōu)，基于全譜段的鑒別效果優(yōu)于基于特征波長的鑒別效果，為利用近紅外光譜成像技術(shù)（874～1 734 nm）實現(xiàn)雜交稻品種的鑒別及可視化預(yù)測提供了借鑒方法。Kong等[26]將高光譜成像技術(shù)與多種化學(xué)計量學(xué)分析法相結(jié)合，對4個雜交稻種子品種進(jìn)行了鑒別，結(jié)果顯示基于全波長建立的識別效果優(yōu)于基于特征波長建立的模型，隨機(jī)森林（RF）是一種有效的分類識別算法。Wang等[27]利用高光譜成像儀對市場上銷售的3種稻米品種進(jìn)行鑒別，得出將光譜數(shù)據(jù)、堊白度及稻米形狀等特征融合起來建立的反向神經(jīng)網(wǎng)絡(luò)模型識別精度達(dá)94.45%。Chatnuntawech等[28]把高光譜成像技術(shù)與深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）相結(jié)合，開發(fā)了一種非破壞性水稻品種分類系統(tǒng)，該方法可實現(xiàn)從傳感器數(shù)據(jù)中自動提取光譜特征，較常用的支持向量機(jī)（SVM）分類方法準(zhǔn)確度可提高8%。Liu等[29]比較分析了偏最小二乘判別分析（PLS-DA）、最小二乘支持向量機(jī)（LS-SVM）和主成分分析結(jié)合反向神經(jīng)網(wǎng)絡(luò)（PCA-BPNN）3種分類算法在轉(zhuǎn)基因水稻種子快速無損鑒別中的效果，得出LS-SVM效果最優(yōu)，判別精度高達(dá)100%。綜上所述，相對非成像光譜技術(shù)，利用光譜成像技術(shù)不僅可以獲取研究對象的光譜信息，還能得到其圖像信息，這使得建模計算量大，嚴(yán)重影響建模的速度和效率[30]。因此，結(jié)合化學(xué)計量學(xué)方法提取光譜圖像的特征信息，不僅能剔除無效信息、降低計算量和簡化模型，還能增強(qiáng)模型預(yù)測能力和穩(wěn)健性[31]。

3? 結(jié)? 論

光譜技術(shù)在水稻品種識別上的研究雖已取得一定成果，但仍存在一些問題：（1）大多針對水稻種子進(jìn)行識別。無論是利用成像光譜還是非成像光譜技術(shù)，研究絕大部分測定的是稻谷、大米等籽粒光譜，鮮有直接進(jìn)行大田植株光譜測定以鑒別水稻品種。（2）鑒別模型缺乏普適性。在利用光譜技術(shù)進(jìn)行不同水稻品種識別時，所采用的儀器設(shè)備不同，其提取的敏感波長存在較大差異，從而建立的模型適用范圍有限。（3）數(shù)據(jù)處理缺乏統(tǒng)一標(biāo)準(zhǔn)。原始光譜經(jīng)過預(yù)處理降噪后，再通過特征提取以降維，最后選取分類算法構(gòu)建識別模型是品種鑒別通常采用的方法，但運用不同的光譜數(shù)據(jù)預(yù)處理方法、特征提取方法以及分類算法建立的識別模型，其識別精度存在較大差異，目前尚無統(tǒng)一方法。鑒此，未來光譜技術(shù)在水稻品種識別可從以下方面做進(jìn)一步探究：基于大田活體光譜測定的水稻品種識別研究，輔助育種及衛(wèi)星遙感監(jiān)測;借鑒光譜技術(shù)在其他農(nóng)作物品種識別上的技術(shù)方法，尋找適用于水稻品種鑒別的標(biāo)準(zhǔn)化方法，以降低建模難度、提升模型準(zhǔn)確性和魯棒性;研發(fā)低成本、輕簡化的國產(chǎn)光譜類儀器設(shè)備。

參考文獻(xiàn)

[1]VU H，TACHTATZIS C，MURRAY P，et al.Spatial and spectral features utilization on a hyperspectral imaging system for rice seed varietal purity inspection[C].Hanoi：2016 IEEE RIVF International Conference on Computing & Communication Technologies，Research，Innovation，and Vision for the Future （RIVF），2016：169-174.

[2]譚玉琳.水稻品種鑒別方法[J].現(xiàn)代農(nóng)業(yè)科技，2005（5）：33.

[3]黃光文，陳覺梁，王偉成，等.運用ISSR標(biāo)記鑒別水稻品種的初步研究[J].雜交水稻，2006（3）：64-67.

[4]于慧春，熊作周，殷勇.基于電子鼻的水稻品種鑒別研究[J].中國糧油學(xué)報，2012（6）：105-109.

[5]杜雪樹，戚華雄，夏明元.雜交中稻廣兩優(yōu)476品種與純度的鑒定[J].湖北農(nóng)業(yè)科學(xué)，2012（6）：1254-1256+1262.

[6]于勇，王俊，周鳴.電子鼻技術(shù)的研究進(jìn)展及其在農(nóng)產(chǎn)品加工中的應(yīng)用[J].浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2003（5）：111-116.

[7]丁秋.基于高光譜成像技術(shù)小麥籽粒品種鑒別研究[D].武漢：武漢輕工大學(xué)，2017.

[8]張豐，熊楨，寇寧.高光譜遙感數(shù)據(jù)用于水稻精細(xì)分類研究[J].武漢理工大學(xué)學(xué)報，2002（10）：36-39，46.

[9]王一丁，趙銘欽，付博，等.基于可見光-近紅外光譜技術(shù)的烤煙品種鑒別研究[J].山東農(nóng)業(yè)科學(xué)，2016（2）：119-124.

[10]梁亮，劉志霄，楊敏華，等.基于可見/近紅外反射光譜的稻米品種與真?zhèn)舞b別[J].紅外與毫米波學(xué)報，2009（5）：353-356+391.

[11]梁劍，劉斌美，陶亮之，等.基于水稻種子近紅外特征光譜的品種鑒別方法研究[J].光散射學(xué)報，2013（4）：423-428.

[12]李曉麗，唐月明，何勇，等.基于可見/近紅外光譜的水稻品種快速鑒別研究[J].光譜學(xué)與光譜分析，2008（3）：578-581.

[13]林萍，陳永明.利用可見近紅外光譜技術(shù)快速鑒別大米品種[J].江蘇農(nóng)業(yè)科學(xué)，2015（12）：320-323.

[14]朱文超，成芳.轉(zhuǎn)基因水稻及其親本葉片的可見/近紅外光譜分析[J].光譜學(xué)與光譜分析，2012（2）：370-373.

[15]LONG Z，SHAN-SHAN W，YAN-FEI D，et al.Discrimination of transgenic rice based on near infrared reflectance spectroscopy and partial least squares regression discriminant analysis[J].Rice Science，2015（5）：245-249.

[16]曲歌，陳爭光，王雪.基于近紅外光譜與SIMCA和PLS-DA的水稻品種鑒別[J].作物雜志，2018（2）：166-170.

[17]于雷，洪永勝，周勇，等.高光譜估算土壤有機(jī)質(zhì)含量的波長變量篩選方法[J].農(nóng)業(yè)工程學(xué)報，2016（13）：95-102.

[18]梁亮，楊敏華，劉志霄，等.雜交稻種品系與真?zhèn)蔚目梢?近紅外光譜鑒別[J].激光與紅外，2009（4）：407-410.

[19]周子立，張瑜，何勇，等.基于近紅外光譜技術(shù)的大米品種快速鑒別方法[J].農(nóng)業(yè)工程學(xué)報，2009（8）：131-135.

[20]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，2013（20）：270-277.

[21]鄒偉，方慧，劉飛，等.基于高光譜圖像技術(shù)的油菜籽品種鑒別方法研究[J].浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2011（2）：175-180.

[22]張初，劉飛，章海亮，等.近地高光譜成像技術(shù)對黑豆品種無損鑒別[J].光譜學(xué)與光譜分析，2014（3）：746-750.

[23]鄧小琴，朱啟兵，黃敏.融合光譜、紋理及形態(tài)特征的水稻種子品種高光譜圖像單粒鑒別[J].激光與光電子學(xué)進(jìn)展，2015（2）：128-134.

[24]劉偉，劉長虹，鄭磊.基于支持向量機(jī)的多光譜成像稻谷品種鑒別[J].農(nóng)業(yè)工程學(xué)報，2014（10）：145-151.

[25]劉小丹，馮旭萍，劉飛，等.基于近紅外高光譜成像技術(shù)鑒別雜交稻品系[J].農(nóng)業(yè)工程學(xué)報，2017（22）：189-194.

[26]KONG W，ZHANG C，LIU F，et al.Rice seed cultivar identification using near-infrared hyperspectral imaging and multivariate data analysis[J].Sensors，2013（7）：8916-8927.

[27]WANG L，LIU D，PU H，et al.Use of hyperspectral imaging to discriminate the variety and quality of rice[J].Food Analytical Methods，2015（2）：515-523.

[28]CHATNUNTAWECH I，TANTISANTISOM K，KHANCHAITIT P，et al.Rice classification using hyperspectral imaging and deep convolutional neural network[J].Arxiv Preprint Arxiv：1805.11491，2018.

[29]LIU C，LIU W，LU X，et al.Nondestructive determination of transgenic bacillus thuringiensis rice seeds （oryza Sativa L.） using multispectral imaging and chemometric methods[J].Food Chemistry，2014（153）：87-93.

[30]李勛蘭，易時來，何紹蘭，等.高光譜成像技術(shù)的柚類品種鑒別研究[J].光譜學(xué)與光譜分析，2015（9）：2639-2643.

[31]王海龍，楊向東，張初，等.近紅外高光譜成像技術(shù)用于轉(zhuǎn)基因大豆快速無損鑒別研究[J].光譜學(xué)與光譜分析，2016（6）：1843-1847.

Application of Spectral Technology in Identification of Rice Varieties

Tian Rongcai1，2，Lu Junwei2

（1.Key Laboratory of Indica Rice Genetics and Breeding in the Middle and Lower Reaches of Yangtze River，

Ministry of Agriculture，Changsha，Hunan 410128;

2.College of Agronomy，Hunan Agricultural University，Changsha，Hunan 410128）

Abstract：Identification of rice varieties has always been an important issue in agricultural production，seed testing and crop breeding.But the traditional identification methods is cumbersome，time-consuming and inefficient.The spectral technology provides a new way for rapid，non-destructive and accurate identification of rice varieties.This paper summarized the technology of spectrum research progress at home and abroad in rice varieties identification from two aspects of the non-imaging spectroscopy and imaging spectroscopy，and analyzed its existing problems.At last，some ideas for future research were put forward.

Keywords：spectrum technology， rice，varieties identification