基于近红外光谱技术的春小麦单粒种子活力鉴定

时伟芳，谢宗铭，杨丽明，王建华，孙 群

(1.中国农业大学农学与生物技术学院/北京市遗传改良重点实验室，北京 100193； 2.新疆农垦科学院分子农业技术育种中心，新疆石河子 832000； 3.中国农业大学理学院，北京 100083)



基于近红外光谱技术的春小麦单粒种子活力鉴定

时伟芳1，谢宗铭2，杨丽明3，王建华1，孙 群1

(1.中国农业大学农学与生物技术学院/北京市遗传改良重点实验室，北京 100193； 2.新疆农垦科学院分子农业技术育种中心，新疆石河子 832000； 3.中国农业大学理学院，北京 100083)

摘要：为研究利用近红外光谱技术鉴定春小麦单粒种子活力的效果，以2013年收获的甘肃春小麦品种宁春4号种子为材料，对300粒小麦种子进行近红外光谱单粒扫描，根据光谱图结合发芽实验结果建立春小麦种子活力预测模型。结果表明，以腹面和背面平均光谱的建模效果要优于单面光谱。最佳建模比例为建模集与检验集之比3∶1。应用近红外光谱定性偏最小二乘分析方法建模，在7 000～8 000 cm-1光谱范围内采用中心化预处理，在主成分为5时，模型的建模集和检验集的鉴别率分别为86.36%和91.30%，建模效果最佳；采用近红外光谱偏最小二乘法定量检测小麦种子活力时，建模效果较差。因此，近红外光谱定性偏最小二乘分析方法适于进行春小麦单粒种子活力定性鉴定。

关键词：春小麦；种子活力；近红外光谱

近红外光(NIR)是一种波长介于可见光(VIS)和中红外光(MIR)的电磁波，波长范围为780～2 526 nm。近红外光谱分析技术具有成本低、分析速率快、效率高、适应样品范围广、测试重现性好等优点，是典型的无损检测手段。 20世纪80年代以来，近红外光谱分析技术伴随着计算机技术迅速发展，在农产品品质和化学成分的快速检测方面已有广泛的应用性研究[1-6]，如小麦籽粒蛋白质、氨基酸含量测定及硬度的快速检测等[7-9]。在种子活力检测方面也有研究。如康月琼等[10]采用傅里叶变换近红外光谱法建立了水稻、玉米种子生活力的光谱分析模型。另外，该技术还可以对不同老化程度的水稻和玉米种子的活力进行检测，取得了良好的建模效果[11-12]。Tigabu等[13]将近红外光谱技术应用到松树种子活力检测中，根据老化与未老化种子内部物质成分构成的不同建立模型，成功区分了老化与未老化种子。宋乐等[14]开发了一种基于近红外光谱的水稻单籽粒活力无损检测筛选方法。该方法通过近红外光谱检测技术检测水稻种子在活力丧失过程中生化物质的变化，快速无损地检测区分高、低活力种子。在一些中药种子如苦豆子、决明子种子活力检测中也有研究[15]。但有关该技术在小麦种子活力检测上的应用性研究报道较少。本研究以春小麦种子为材料，通过近红外光谱技术运用定性及定量偏最小二乘法进行春小麦单粒种子活力的鉴定，探索近红外光谱技术用于春小麦种子活力检测的可行性，以期为春小麦种子活力的快速、无损检测提供新方法。

1材料与方法

1.1试验材料

试验材料为2013年收获的宁春4号小麦种子，产地甘肃，发芽率82.7%。该品种为2012年全国推广面积最大的春小麦品种。

1.2试验方法

1.2.1光谱采集

将300粒春小麦种子编号，利用德国布鲁克仪器公司生产的MPA傅立叶变换近红外光谱仪扫描种子，设置光谱分辨率为8 cm-1，扫描范围4 000～12 000 cm-1，扫描次数32次，扫描方式采用积分球照射。室温下，将300粒种子依次置于样品杯中心，扫描小麦种子腹面和背面采集光谱。将采集光谱后的种子依编号摆放整齐，进行垂直玻璃板发芽实验。

1.2.2发芽试验

首先准备好透明玻璃板，将灭菌后的发芽纸覆盖于玻璃板上，小麦种子用1%次氯酸钠溶液消毒8 min后，每块玻璃板中上部整齐放置30粒小麦种子，盖上另1块玻璃板，两边用皮筋绷紧，最后在玻璃板上标明每粒小麦种子的编号。置于发芽槽中发芽，发芽槽加水。第5天记录每粒种子发芽情况，并称取每株幼苗鲜重。

1.2.3数据统计分析

采用中国农业大学开发的CAUNIRS软件进行近红外光谱分析，利用定性和定量偏最小二乘法分别建立宁春4号小麦种子活力的定量和定性分析模型。将300个种子样品划分为建模集和检验集。根据对光谱低频、合频和高频区的划分，选择4 000～5 000 cm-1、4 000～6 000 cm-1、4 000～7 000 cm-1、4 000～8 000 cm-1、4 000～9 000 cm-1、4 000～10 000 cm-1、5 000～6 000 cm-1、5 000～7 000 cm-1、5 000～8 000 cm-1、5 000～9 000 cm-1、5 000～10 000 cm-1、6 000～7 000 cm-1、6 000～8 000 cm-1、6 000～9 000 cm-1、6 000～10 000 cm-1、7 000～8 000 cm-1、7 000～9 000 cm-1、7 000～10 000 cm-1、8 000～9 000 cm-1、8 000～10 000 cm-1、9 000～10 000 cm-1谱区进行建模。分析过程建模集采用内部交叉验证方法，比较不同光谱区范围内建模集和检验集的鉴别率，选择最合适的光谱范围。定量分析以检验集的决定系数(R2)、平均相对误差(AARD)和预测标准差(SEP)评价模型的预测能力和稳定性[16]；定性分析以检验集鉴别率评价模型预测能力和稳定性。

2结果与分析

2.1小麦种子的近红外光谱特征

图1 为300粒小麦种子的双面平均近红外光谱图。从光谱图来看，每粒种子的光谱相似，无法从光谱曲线的差别上判别种子活力。10 000～12 000 cm-1谱区范围的光谱普遍存在高频随机噪声的影响，因此，选取4 000～10 000 cm-1波段的光谱进行光谱分析。

2.2小麦种子活力的近红外光谱定性分析

依据发芽实验结果将种子分成发芽种子和死种子，分别为260粒和40粒。根据不同建模比例(建模集和检验集种子数量的比值)下模型的建模集和检验集鉴别率选择最佳建模比例(表1)。腹面单次光谱、背面单次光谱和双面平均光谱均在建模比例为3∶1时模型鉴别效果最佳，因此选择在建模比例为3∶1下，数据无任何预处理，对小麦种子活力进行定性分析，并根据模型鉴别率判断近红外光谱技术定性分析能否用于种子活力的鉴定。结果(表2)表明，双面平均光谱的建模结果明显优于腹面单次光谱的建模结果。在5 000～9 000 cm-1、5 000～10 000 cm-1、6 000～8 000 cm-1、7 000～8 000 cm-1、7 000～9 000 cm-1、8 000～9 000 cm-1光谱波段内，双面平均光谱的模型鉴别率明显优于背面单次光谱鉴别率。在5 000～9 000 cm-1、5 000～10 000 cm-1、8 000～9 000 cm-1光谱波段内，模型建模集和检验集的鉴别率分别为84.55%和82.61%；在7 000～8 000 cm-1光谱波段内，主成分为5时，模型的建模集和检验集的鉴别率分别为84.85%和91.30%；在7 000～9 000 cm-1光谱波段内，主成分为4时，模型的建模集和检验集的鉴别率分别为83.33%和86.96%。综合考虑各光谱范围的建模效果，选择双面平均光谱在7 000～8 000 cm-1光谱波段作为小麦单粒种子活力建模谱区。

图1　春小麦种子的近红外原始光谱图

建模比例Ratio腹面单次光谱Ventralgroove主成分Principalcomponent建模集鉴别率Calibration/%检验集鉴别率Validation/%背面单次光谱Reverseside主成分Principalcomponent建模集鉴别率Calibration/%检验集鉴别率Validation/%双面平均光谱Bothsides主成分Principalcomponent建模集鉴别率Calibration/%检验集鉴别率Validation/%1∶1779.5582.22779.5577.78777.2775.562∶1986.4473.33881.366.67981.3676.673∶1983.3382.611081.8278.26781.8278.263∶2981.1375.00881.9177.11573.5875.004∶1878.8777.78881.6570.37874.6577.787∶31180.6566.67880.6570.37683.8774.07

在7 000～8 000 cm-1和4 000～10 000 cm-1光谱波段内，选用中心化、极差归一、矢量校正、散射校正、一阶导数、二阶导数等数据预处理方法进行建模分析，结果(表3)表明，对比4 000～10 000 cm-1光谱波段，在7 000～8 000 cm-1光谱波段内，各预处理方法对模型的建模集和检验集鉴别率均有明显的提高，可见预处理方法对模型的稳定性影响较大。在7 000～8 000 cm-1光谱波段内，若采用中心化预处理方法(表3)，可将模型建模集识别率由84.85%提高到86.36%，但检验集识别率没有提高，依然保持在91.30%。因此，在7 000～8 000 cm-1光谱波段内宜采用中心化预处理方法来改善模型的模拟效果。

2.3小麦种子活力的近红外光谱定量分析

从300粒种子中剔除未发芽的40粒种子，选用260粒发芽种子的光谱进行定量分析，以幼苗鲜重作为建模的化学值。光谱范围选择4 000～10 000 cm-1，建模过程采用无预处理、中心化、极差归一等预处理方式，分析不同预处理方法对小麦种子近红外模型鉴别率的影响(表4)；表5为无任何预处理下不同光谱区段对小麦种子近红外模型预测效果的影响，决定系数(R2)用来判断模型的稳定性。由表4和表5可见，在各种预处理和4 000～10 000 cm-1光谱波段内，基于幼苗鲜重建立的近红外光谱模型的建模集和检验集的决定系数普遍太低，甚至出现负值，说明模型拟合效果不佳。因此，基于幼苗鲜重的近红外光谱技术不适于进行小麦单粒种子活力的定量分析。

表2　光谱区段对宁春4号近红外模型预测效果的影响(无预处理 )

表3　不同预处理方法对不同光谱区段下近红外模型识别率的影响

表4　不同预处理方法对宁春4号近红外模型鉴别率的影响

表5　光谱区段对宁春4号近红外模型预测效果的影响(无预处理)

3讨 论

本研究运用了近红外光谱分析技术，结合偏最小二乘法分别对单粒小麦种子的活力进行了定性和定量鉴定。结果表明，当建模比例为3∶1时腹面单次光谱、背面单次光谱和双面平均光谱所建模型建模集和检验集的鉴别率均较高，腹面和背面两次平均光谱的建模效果要优于单次光谱，因此以此建模比例和双面平均光谱进行定性分析最佳。在近红外光谱与作物种子活力的定性研究中，有近红外光谱结合BP神经网络技术应用主成分分析(PCA)和离散小波变换法(DWT)智能检测不同老化程度的玉米种子活力[11]，也有将近红外光谱技术与主成分-马氏距离识别法相结合研究经劣变处理的燕麦种子的活力差异等[17]。此外，近红外光谱技术在水稻种子、决明子和苦豆子等种子活力检测中也均有应用性研究[18]。本试验利用近红外光谱技术，通过对不同光谱范围区段和不同预处理方法下建模集和检验集的鉴别率比较发现，在光谱范围为7 000～8 000 cm-1，采用中心化预处理方法，主成分为5时，模型的建模集和检验集的鉴别率分别为86.36%和91.30%，建模效果最优，说明近红外偏最小二乘分析方法可用于单粒小麦种子活力的定性鉴定。

应用近红外偏最小二乘定量分析单粒小麦的活力时，不同光谱区段和预处理方法下所建模型的决定系数(R2)均在0.2以下，说明近红外定量分析技术在鉴定小麦单粒种子活力上效果欠佳。可能是因为小麦种子在其生产及后期发芽实验过程中，由于受其自身发育情况及培养环境的影响，小麦种子活力不能完全由幼苗鲜重大小来衡量，加上表现不同活力程度小麦种子的幼苗鲜重差异较小，各单粒小麦种子的扫描光谱也极为相似，因此与近红外光谱结合来鉴定小麦种子活力存在一定的局限性，该技术应用于单粒种子活力的定量检测还有待于进一步研究。

参考文献：

[1]杨翠玲,陈文杰,张文学,等.近红外光谱和纸层析法分析单粒油菜籽脂肪酸的研究[J].西北农业学报,2005,14(6):72-77.

Yang C L,Chen W J,Zhang W X,etal.Study on analysis of fatty acid in single rape seed by near infrared reflectance spectroscopy(NIRS) and reversed phase chromatography(RPC) [J].ActaAgricultraeBoreali-occidentalisSinica,2005,14(6):72-77.

[2]林家永,范维燕,邢 郸.近红外光谱技术在稻米品质分析中的应用[J].粮食与食品工业,2008(6):48-53.

Lin J Y ,Fan W Y,Xing H.Application of near infrared spectroscopy technique [J].CerealandFoodIndustry,2008(6):48-53.

[3]孙 群,李 欣,李 航,等.乌拉尔甘草种子硬实率的近红外光谱分析[J].光谱学与光谱分析,2010(1):70-73.

Sun Q,Li X,Li H,etal.Determination of hard rate of licorice(GlycyrrhizauralensisF.) seeds using near infrared reflectance spectroscopy [J].SpectroscopyandSpectralAnalysis,2010(1):70-73.

[4]段国辉,张 圆,高海涛,等.近红外光谱分析法测定冬小麦主要品质性状[J].西北农业学报,2011,20(9):25-30.

Duan G H,Zhang Y,Gao H T,etal.Determination of the main quality characters of winter wheat by near-infrared spectroscopy [J].ActaAgricultraeBoreali-occidentalisSinica,2011,20(9):25-30.

[5]黄艳艳,朱丽伟,李军会,等.应用近红外光谱技术快速鉴别玉米杂交种纯度的研究[J].光谱学与光谱分析,2011,31(3):661-664.

Huang Y Y,Zhu L W,Li H J,etal.Rapid and nondestructive discrimination of hybrid maize seed purity using near infrared spectroscopy [J].SpectroscopyandSpectralanalysis,2011,31(3):661-664.

[6]Zhu L W,Huang Y Y,Wang Q,etal.Nondestructive identification of hard seeds of three legume plants using near infrared spectroscopy [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2012,28(S2):237-242.

[7]吴静珠,吴胜男,刘翠玲,等.近红外和高光谱技术用于小麦籽粒蛋白含量预测探索[J].传感器与微系统,2013,32(2):60-62.

Wu J Z,Wu S N,Liu C L,etal.Explorations of wheat grain protein content prediction using NIR and hyperspectrum technology [J].TransducerandMicrosystemTechnologies,2013,32(2):60-62.

[8]李军涛,杨文军,陈义强,等.近红外反射光谱技术快速测定小麦中必需氨基酸含量的研究[J].中国畜牧杂志,2014,50(9):50-55.

Li J T,Yang W J,Chen Y Q,etal.Study on rapid determination of essential amino acid contents in wheat by near-infrared reflectance spectroscopy(NIRS) [J].ChineseJournalofAnimalScience,2014,50(9):50-55.

[9]张红涛,田 媛,孙志勇,等.基于近红外高光谱图像分析的麦粒硬度分类研究[J].河南农业科学,2015,44(4):181-184.

Zhang H T,Tian Y,Sun Z Y,etal.Hardness classification of wheat kernel based on near-infrared hyperspectral imaging technology [J].JournalofHenanAgriculturalSciences,2015,44(4):181-184.

[10]康月琼,郝 风.傅里叶变换近红外光谱法检测种子水分和生活力的研究[J].种子,2004,23(7):10-16.

Kang Y Q,Hao F.The study of determination of seed moisture and seed vigor with fourier transform near-infrared spectroscopy [J].Seed,2004,23(7):10-16.

[11]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):0957-0961.

Yang D F,Yin S X,Jiang L,etal.Research on maize vigor intelligent detection based on near infrared spectroscopy [J].JournalofNuclearAgriculturalSciences,2013,27(7):0957-0961.

[12]李毅念,姜 丹,刘璎瑛,等.基于近红外光谱的杂交水稻种子发芽率测试研究[J].光谱学与光谱分析,2014(6):1528-1532.

Li Y N,Jiang D,Liu Y Y,etal.Testing of germination rate of hybrid rice seeds based on near-infrared reflectance spectroscopy [J].SpectroscopyandSpectralAnalysis,2014,34(6):1528-1532.

[13]Tigabu M,Fjellstrom J,Ode’n P C,etal.Germination ofJuniperusproveraseeds in response to stratitification and smoke treatments,and detection of insect-damaged seeds with VIS+NIR spectroscopy[J].NewOrests,2007,33:155-169.

[14]宋 乐,吴跃进,刘斌美,等.基于近红外光谱的水稻单籽粒活力无损检测筛选方法[P].中国:CN 102960096 A,2013.03.13.

Song L,Wu Y J,Liu B M,etal.Testing of seed vigor of single rice seed based on near infrared spectroscopy [P].China:CN 102960096 A,2013.03.13.

[15]朱丽伟,黄艳艳,杨丽明,等.用近红外光谱法快速无损检测苦豆子和决明子单粒种子生活力的研究[J].红外,2011,32(4):35-39.

Zhu L W,Huang Y Y,Yang L M,etal.Rapid and nondestructive identification of single seed viability ofSophoraalopecuroideandCassiatoraL.using near infrared spectroscopy [J].Infrared,2011,32(4):35-39.

[16]Wu J G,Shi C H.Prediction of grain weight,brown rice weight and amylase content in single rice grains using near infrared reflectance spectroscopy [J].FieldCropsResearch,2004,87(12):13.

[17]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(1):39-44.

Yin J H,Mao P S,Huang Y,etal.Analysis of vigour level of deteriorated oat seeds containing different moisture with near infrared spectroscopy [J].Infrared,2010,31(1):39-44.

[18]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):86-90.

Han L L,Mao P S,Wang X G,etal.Study on vigour test of oat seeds with near infrared reflectance spectroscopy [J].InfraredMillimeterWaves,2008,27(2):86-90.

Identification of Single Seed Vigor of Spring Wheat Based on Near-Infrared Spectroscopy

SHI Weifang1,XIE Zongming2,YANG Liming3,WANG Jianhua1,SUN Qun1

(1.Beijing Key Laboratory of Crop Genetic Improvement,China Agricultural University,Beijing 100193,China;2.Center for Molecular Agro-biotechnology and Breeding,Xinjiang Academy of Agricultural and Reclamation Science,Shihezi,Xinjiang 832000,China; 3.College of Science,China Agricultural University,Beijing 100083,China)

Abstract:To optimize the identification of single seed vigor by near infrared spectroscopy,Ningchun 4 seeds harvested in Gansu in 2013 were selected as sample. Spectrums of 300 single seeds were collected by Fourier near-infrared spectrometer,combing with the results of the germination experiments. The results showed that the modeling based on the average spectrum at both sides was better than that based on single side of one seed. The best ratio between calibration and validation sets was 3∶1. By using distinguished partial least squares (DPLS) and centralized pretreatment method,the best modeling performed that the identification rates of the calibration and validation sets were 86.36% and 91.30% with the spectrum range from 7 000 cm-1to 8 000 cm-1and the main component was 5,respectively.The quantitative partial least squares (QPLS) modeling based on fresh weight could not be used for seed vigor analysis. DPLS based on Near-infrared spectroscopy is suitable to analyse the single seed vigor of spring wheat.

Key words:Spring wheat; Seed vigor; Near-infrared spectroscopy

中图分类号：S512.1；S311

文献标识码：A

文章编号：1009-1041(2016)02-0200-06

通讯作者：孙 群(E-mail:sunqun@cau.edu.cn)

基金项目：农业部公益性行业(农业)科研专项(201303002)；新疆生产建设兵团“十二五”项目(2012BD046)

收稿日期：2015-08-31修回日期：2015-10-14

网络出版时间：2016-01-26

网络出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20160126.1945.018.html

第一作者E-mail：shiweifang618@foxmail.com