基于高光谱的水稻种子活力无损分级检测

许 思， 赵光武， 邓 飞， 祁亨年

（1．湖州师范学院信息工程学院， 浙江 湖州313000；2．浙江农林大学农业与食品科学学院 浙江省农产品品质改良技术研究重点实验室， 浙江 临安311300；3．浙江农林大学信息工程学院浙江省林业智能监测与信息技术研究重点实验室， 浙江 临安311300）

种子活力（Seed Vigour）［1］是决定种子在萌发和出苗期间活性和表现水平的所有特性总和，是反映种子质量的主要指标之一。活力测定可反映种子在贮藏条件下或田间的潜在质量水平［2］，在种子质量检测和管理中具重要意义。水稻是我国主要粮食作物，水稻种子活力水平直接影响其田间出苗和秧苗素质，对粮食产量具有潜在影响。因此，开展水稻种子活力检测具有十分重要的现实意义。

现有的种子活力检测方法［3］，如：酶活性的测定、ATP含量测定、幼苗生长测定、发芽速度测定等，经过大量实验证明以上方法可以准确直观地预测种子活力，但其存在测量工作量大、成本高、效率低、速度低等缺点。为了满足现代农业对活力检测技术快速、无损、准确的新要求，新兴技术不断的被应用到种子活力检测中［6］。

光谱与光谱成像技术具有快速无损特点，已被广泛的应用于种子的鉴别以及品质的分析，尤以近红外光谱技术的应用最多［4－9］。由于近红外光谱分析只可以获得研究对象的光谱信息，但无法获得其空间信息，然而高光谱成像技术不仅可以获取样本的空间信息和光谱信息，而且能够获取样本的内外部信息，从而能够更加全面地分析样本信息［10－11］。迄今为止，利用高光谱成像技术用于水稻种子活力检测鲜见报道。本文旨在研究高光谱成像技术用于水稻种子活力快速无损检测的可行性，并利用化学计量学方法建立相应的鉴别模型［14－16］。本试验以不同老化程度的4个水稻品种（共960粒）为材料，对样本进行人工老化后，对其完成发芽验证试验来测定每个样本的活力指数，从而将每个品种的样本划分不同活力梯度的分组，采用高光谱图像技术，通过提取水稻种子的光谱反射率，结合Savitzky－Golay（SG）平滑算法、标准正态变量（SNV）和多元散射校正（MSC）对874～1 740 nm波段内的光谱数据进行去除噪声处理，采用了主成分分析法（PCA）、连续投影算法（SPA）进行了特征波长选择［12－13］。基于全波段光谱和基于特征波长分别建立了偏最小二乘判别分析（PLS－DA）模型。

1 材料与方法

1．1 材料与处理

试验所用的水稻种子由浙江农林大学农学院提供，经筛选共选取了皖稻181号（6）、滇杂35（14）、特优航1号（17）、五丰优华占（22）4个水稻品种（共960粒）种子作为样品进行研究。将4个水稻品种（共960粒）种子作为测定样本，每个品种各240粒，分为A、B、C 3组，放在老化箱内做老化处理，具体信息如表1所示。在温度45℃、湿度98%下对A、B、C 3组种子分别进行0，36，72 h的老化处理，得到3个不同活力梯度的种子，经过人工老化处理后的3组种子在外观上无明显差异［14］。作为测定样本的种子在进行老化处理前后都放置在4℃的环境中保存。老化后，将不同活力梯度的3组种子进行编号并单粒保存于自封袋中。

表1 种子样本老化数据信息

1．2 高光谱图像采集与提取

图1为实验采用的基于成像光谱仪的高光谱图像采集系统，由 N 17 E－QE成像光谱仪、C－mount成像镜头 OLES 22、线光源Fiber－Lite Illuminator、电控位移台PSA 200－11－X、控制器SC 300 A和高光谱图像采集软件（Isuzuoptics，Taiwan，China）、计算机、暗箱组成［15］。高光谱测量光谱范围是874～1 740 nm共256个波段，采集图像分辨率为320×256，光谱分辨率为5 nm［16］。在采集高光谱图像时，关闭暗箱以避免外部光线的干扰。

图1 高光谱成像系统示意图

根据系统本身所能采集图像的大小，决定每幅图像采集80个样本，4个品种共采集了960个样本。每个水稻样本进行光谱采集之后，仍按照标号单独存放以便进行后续发芽实验。采集图像系统经多次尝试，设置如下：在图像不失真的情况下设置曝光时间为4 ms，物距18．0 cm，平台移动速度为18 mm／s［17］。图像采集软件用台湾五铃光学公司提供的高光谱成像系统采集软件完成。采用MATLAB R 2009 a和ENVI 4．6软件进行图像处理［18］。为了消除高频随机等多种噪声影响，对采集的光谱图像进行了图像校正，公式如下：

式中，I是原始图像，R是校正过的图像，D是黑板校正图像，W 是白板校正图像。

通过对光谱图像进行校正后，采用ENVI 4．6软件对单粒水稻种子进行感兴趣区域提取（RIO），如图2所示，以单粒水稻种子区域的所有像素的光谱平均值作为该样本的平均光谱［19－20］。

1．3 光谱预处理

为了提取所选波段中最有效的光谱信息和去除冗余信息量，本试验采用平滑算法（Savitsky－Golay，SG）［21］、标 准正态变量 （Standard Normal Variate，SNV）［22］和 多 元 散 射 校 正 （Multiplicative Scatter Correction，MSC）［23］对感兴趣区域光谱进行预处理。其中SG平滑算法是消减噪声最常用的一种方法，SNV与MSC的目的基本相同，为了校正样本间由颗粒散射带来的光谱误差。

1．4 特征波长选择

光谱信息之间存在大量的冗余和共线性信息特征，对光谱有效信息的提取产生了较大的干扰，且大量光谱数据造成模型复杂、计算量大的问题［24］。本试验采用连 续 投 影 算 法 （Successive Projections Algorithm，SPA）和主成分分析 （Principal Component Analysis，PCA）进行特征波长的选择，以减少信息冗余和共线性的影响，简化模型，减少计算量［25－26］。

PCA是实现数据信息综合经常使用的手段之一，其思想是化散为整，将多个分散的变量，采用重构的方法使用综合性的变量来代替，而且能够保证光谱信息的不变［27］。SPA是一种特征变量前向选择算法，在光谱特征波长中取得了广泛的应用［28］。本试验采用SPA算法对不同去噪处理的光谱进行特征波长选择。进行SPA计算时，以建模集样本的光谱数据和类别赋值为输入，设置选择特征波长数的范围为5～30。

1．5 判别分析方法

图2 单粒水稻种子感兴趣区域提取示意图

本试验基于全谱和基于特征波长建立PLS－DA判别分析模型。PLS－DA算法是基于PLS回归模型建立的判别分析算法［22－23］，通过建立光谱数据与类别特征之间的回归模型，进行判别分析。回归模型得到的样本的预测值不是整数，需要设置阈值以判断样本的归属。本试验中阈值设置为0．5［23］，即预测值与实际值之差的绝对值小于0．5，则判别正确，反之，则错误［31］。

1．6 发芽试验

为保持前后数据的一致性，采用上述经过高光谱采集的种子进行发芽试验。从上述12组中选取颗粒饱满，无发芽、发霉现象的水稻种子，每组80粒共960粒，按照上述分组按照编号顺序放在发芽皿上，利用智能视觉测量仪，在25℃、4 000 lx光照条件下对种子进行发芽试验。每隔6 h浇水5 m L，并拍摄水稻种子的发芽图片，测定14 d的幼苗长度，并作记录。试验共获得960张水稻种子的生长图像。

测量的数据以试验的最后一天的测量数据为主，按照简易活力指数测定方法，观察不同老化处理后，种子的发芽率，发芽长度等指标，得到对应的活力指数，如表2所示。

表2 不同老化处理的种子活力指数

从表2可以看出，除了中浙优8号的AB组外，未经老化处理的种子活力指数明显高于经过36 h和72 h老化处理的种子。人工老化处理种子的目的是为了人为地将同一水稻种子划分为3组不同活力梯度的样本。从表2可知，经过72 h老化处理的水稻种子活力明显低于未经过老化处理的水稻种子，但部分经过36 h老化处理的水稻种子活力却高于未经过老化处理的种子，这一现象符合自然规律。因此本试验区分同一品种水稻种子的不同活力水平的依据为表2所示的简易活力指数，根据同一水稻种子的不同活力指数将其分为不同活力水平的分组，具体如表2的活力等级分组所示［32］。这样的做法，弥补了单纯依靠人工老化对种子进行活力等级的划分，从表2不难看出，人工老化种子的时间与种子的活力等级并不呈正反比［33］。本试验是通过严格的发芽验证试验区分水稻种子的活力水平等级，增加了试验的可靠性和严谨性。

2 结果与分析

2．1 水稻种子的原始光谱曲线

本试验采集的是256个波段的波长范围在874～1 734 nm的近红外光谱数据，原始光谱图以品种6为例，如图3所示。

图3 水稻种子样本原始反射光谱图

由图3可以看出，3组不同老化程度的水稻种子样本的光谱曲线并无明显的差异。按照Kennard－Stone算法［14］将样本分成建模集和预测集，其中建模集160个样本，预测集80个样本。

2．2 主成分分析定性分析

通过对样本的光谱数据进行主成分分析（PCA）可知，第一主成分（principle component 1，PC 1）的贡献率为75．03%，PC 2的贡献率为17．91%，PC 1和 PC 2累计贡献率为92．54%，PC 1和PC 2能够解释绝大部分的变量。

由图4可知，每个品种的水稻种子不同老化程度分组之间较难直接区分出来，得分图中均有重合的地方。因此需要对不同老化分组的水稻光谱数据进行进一步的处理和分析，以此区分不同活力的水稻种子。

图4 第一主成分（PC 1）和第二主成分（PC 2）的得分分布图

2．3 连续投影算法分析

图5 －1 SPA多元线性回归模型选择的变量数

图5 －2 SPA多元线性回归模型的建模预测结果

连 续 投 影 算 法 （Successive Projections Algorithm，SPA）是从光谱矩阵中找出冗余信息最少的变量组，使组内变量间的共线性达到最小。如图4所示，SPA算法优先了共9个波长，此时的预测平均标准偏差最小，运用这些波长建立多元线性回归模型。建模预测结果如图5所示。虽然所用的变量数很少，仅占总变量的0．035 2，但是模型的预测精度已经达到了较好的结果，相关系数r＝0．919 33，预测误差均方根RMSEP＝0．471 33。

2．4 基于全波波段光谱的PLS－DA判别模型

对经过3种去噪方法处理的光谱进行PLS－DA判别分析，结果如表3所示。

表3 基于全波段的PLS－DA判别分析结果

由表3可知，基于MSC去噪后的光谱识别率最高，效果最好，建模集识别正确率和预测集识别正确率均为最高。基于MSC去噪后的光谱取得了最佳的PLS－DA判别分析结果，但是预测集的识别正确率仍低于85%。SG、SNV虽然有效去除了光谱中的部分噪声，但也消除了部分有效信息，导致了PLS－DA判别结果偏低。

2．5 特征波长选择

本试验以建模样本集的光谱数据和类别赋值为输入，分别基于PCA和SPA算法选择特征波长。选出的特征波长的个数如表4所示。从表4可知，SPA算法所选择的特征波长的个数要多于PCA算法，基于MSC预处理后的光谱挑选的特征波长个数最多，而基于SG预处理后的光谱选择的特征波长最少。

表4 PCA算法和SPA算法选择的特征波长数

2．6 基于特征波长的PLS－DA模型

基于特征波长的PLS－DA模型的计算结果如表5所示。

表5 基于特征波长的PLS－DA判别分析结果

从表5可知，基于MSC预处理光谱的采用SPA算法选择的特征波长建立PLS－DA模型的识别效果最好，建模集识别正确率达到100．00%，预测集正确率达到98．75%。基于SG和SNV预处理的采用PCA算法选择的特征波长建立的PLS－DA模型取得了最差的识别效果，建模集和预测集的识别正确率均低于80%。比较分别基于PCA算法和SPA算法提取的特征波长建立的PLS－DA模型可知，基于SPA算法提取特征波长的PLS－DA模型的整体识别效果要优于基于PCA提取特征波长的PLS－DA模型。

单独比较不同预处理方法对PLS－DA识别效果的影响可知，基于MSC预处理的光谱取得了最佳的识别效果，而基于SG预处理的光谱和SNV预处理光谱的识别效果因为特征波长的选择方法不同而识别效果不同。

2．7 最优PLS－DA模型

由以上研究可知，通过MSC预处理，基于SPA算法提取的特征波长建立的PLS－DA模型对水稻种子的活力水平识别率最优。因此，对全部样本采用相同处理方法建立的PLS－DA模型结果如表6所示。

表6 采用MSC预处理基于SPA挑选特征波长的PLS－DA判别分析结果

3 结论与讨论

本试验应用高光谱图像技术对水稻种子的活力检测进行了研究。以不同老化程度的4个水稻品种共960粒水稻种子为材料，对样本进行人工老化后，对其完成发芽验证试验，并测定每个样本的活力指数，以此将每个品种的样本划分不同活力梯度的分组，得到了可靠的不同活力梯度分组的水稻种子样本［30］。分别采用了SG平滑算法、SNV算法和MSC算法对提取出的光谱进行了去噪处理，同时采用主成分分析方法和连续投影分析方法对所获得的高光谱图像进行特征分析，提取了特征波长，并分别基于全光谱和基于特征波长建立了PLS－DA判别模型。采用SPA算法在全波段提取了9个特征波长，占全部变量的3．52%，建立了多元线性回归模型，建立的模型预测相关系数达到了预测均方根误差。表明SPA算法确实提取了建模所需的有用信息，建设了模型的复杂程度和计算量。表明SPA是一种比较有效的特征波长提取算法。基于MSC算法预处理的光谱采用SPA算法提取出的特征波长建立的PLS－DA模型取得了最佳的识别效果，建模集和预测集识别正确率均达到91%以上，其中皖稻181号（6）和特优航1号（17）建模集和预测集识别正确率为100．00%。在今后的研究中将考虑研究尽可能多的不同活力的水稻品种，建立更为稳定以及适用范围更广的水稻种子活力判别模型，进一步提高水稻种子活力识别判定的可靠性。

［1］Perry D A．Report of the Vigour Test Committee［J］．Seed Science and echnology，1978（6）：159－181．

［2］Hampton J G，TeKrony D M．Handbook of Vigour Test Methods［M］．Zurich：International Seed Testing Association，1995，117：70－80．

［3］浦心春，韩建国．种苗评定于种子活力测定方法手册［M］．北京：北京农业大学出版社，1993：103－110．

［4］韩亮亮，毛培胜，王新国，等．近红外光谱技术在燕麦种子活力测定中的应用研究［J］．红外与毫米波学报，2008，27（2）：86－89．

［5］阴佳鸿，毛培胜，黄莺，等．不同含水量劣变燕麦种子活力的近红外光谱分析［J］．红外，2010，31（7）：39－44．

［6］李美凌，邓飞，刘颖，等．基于高光谱图像的水稻种子活力检测技术研究［J］．浙江农业学报，2015（1）：1－6．

［7］Tigabu M，Ode’n P C．Discrimination of viable and empty seeds of Pinus patula Schiede＆Deppe with near－infrared spectroscopy and multivariate analysis［J］．New Forests，2003，25（3）：163－176．

［8］伟利国，张小超，赵博，等．电子鼻技术及其在小麦活性检测中的应用［J］．农机化研究，2010（6）：150－152．

［9］杨冬风，尹淑欣，姜丽，等．玉米种子活力近红外光谱智能检测方法研究［J］．核农学报，2013，27（7）：957－961．

［10］洪添胜，乔军，WANG N，等．基于高光谱图像技术的雪花梨品质无损检测［J］．农业工程学报，2007，23（2）：151－155．

［11］薛龙，黎静，刘木华．基于高光谱图像技术的水果表面农药残留试验研究［J］．光学学报，2008，28（12）：2 277－2 280．

［12］LU Ren－fu．Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images［J］．Sensing and Instrumentation for Food Quality and Safety，2007，1（1）：19－27．

［13］孙雪梅，周启发，何秋霞．利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量［J］．作物学报，2005，31（7）：844－850．

［14］唐玉莲，梁逸曾，范伟，等．应用近红外光谱快速鉴别不同年龄段人食用的奶粉品种［J］．红外，2010（01）：777－778．

［15］吴桂芳，何勇．小波阈值降噪模型在红外光谱信号处理中的应用研究［J］．光谱学与光谱分析，2009（12）：889－892．

［16］刘飞，王莉，何勇，等．应用可见／近红外光谱进行黄酒品种的判别［J］．光谱学与光谱分析，2008（03）：123－125．

［17］张初，刘飞，孔汶汶，等．利用近红外高光谱图像技术快速鉴别西瓜种子品种［J］．农业工程学报，2013，20：270－277．

［18］褚小立，袁洪福，陆婉珍．近红外分析中光谱预处理及波长选择方法进展与应用［J］．化学进展，2004（04）：65－69．

［19］夏天，吴文斌，周清波，等．冬小麦叶面积指数高光谱遥感反演方法对比［J］．农业工程学报，2013（03）：88－90．

［20］周竹，李小昱，陶海龙，等．基于高光谱成像技术的马铃薯外部缺陷检测［J］．农业工程学报，2012（21）：333－335．

［21］张志勇，李刚，林凌，等．EMD和SPA算法在光谱法检测面粉过氧化苯甲酰添加量中的应用［J］．光谱学与光谱分析，2012（10）：100－102．

［22］王庆，薛卫青，马晗煦，等．近红外光谱技术定量分析玉米杂交种纯度（英文）［J］．农业工程学报，2012（S 2）：77－80．

［23］黄敏，朱晓，朱启兵，等．基于高光谱图像的玉米种子特征提取与识别［J］．光子学报，2012（07）：15－17．

［24］刘天玲，苏琪雅，孙群，等．基于NIR分析和模式识别技术的玉米种子识别系统［D］．光谱学与光谱分析，2012（6）：33－36．

［25］韩瑞．人工老化水稻种子生理生化变化、DNA损伤及活力恢复的研究［D］．浙江大学，2012，20：44－47．

［26］伟利国，张小超，赵博，等．电子鼻技术及其在小麦活性检测中的应用［J］．农机化研究，2010（6）：150－152．

［27］杨冬风，尹淑欣，姜丽，等．玉米种子活力近红外光谱智能检测方法研究［J］．核农学报，2013，27（7）：957－961．

［28］洪添胜，乔军，WANG N，等．基于高光谱图像技术的雪花梨品质无损检测［J］．农业工程学报，2007，23（2）：151－155．

［29］薛龙，黎静，刘木华．基于高光谱图像技术的水果表面农药残留试验研究［J］．光学学报，2008，28（12）：2 277－2 280．

［30］LU Ren－fu．Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images［J］．Sensing and Instrumentation for Food Quality and Safety，2007，1（1）：19－27．

［31］孙雪梅，周启发，何秋霞．利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量［J］．作物学报，2005，31（7）：844－850．

［32］Soltani A，Lestander T A，Tigabu M，et al．Prediction of viability of oriental beechnuts，Fagus orientalis，using near infra－red spectroscopy and partial least squares regression［J］．Journal of Near Infrared Spectroscopy，2003，11（5）：357－364．

［33］沈飞，廖宜涛，应义斌．连续投影算法（SPA）在近红外光谱定量分析中的应用［A］．中国农业工程学会．纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集［C］．中国农业工程学会，2009：33－37．