连续偏振光谱的稻种发芽率检测方法研究

程宇琼，卢 伟, 2*，洪德林，党小景，罗 慧

1. 南京农业大学工学院，江苏省现代设施农业技术与装备工程实验室，江苏 南京 210031

2. 远程测控技术江苏省重点实验室，江苏 南京 210096

3. 南京农业大学农学院，作物遗传与种质创新国家重点实验室，江苏 南京 210095

连续偏振光谱的稻种发芽率检测方法研究

程宇琼1，卢 伟1, 2*，洪德林3，党小景3，罗 慧1

1. 南京农业大学工学院，江苏省现代设施农业技术与装备工程实验室，江苏 南京 210031

2. 远程测控技术江苏省重点实验室，江苏 南京 210096

3. 南京农业大学农学院，作物遗传与种质创新国家重点实验室，江苏 南京 210095

针对目前传统稻种发芽率检测方法周期长、精度低的问题，提出新颖的基于连续偏振光谱技术实现稻种发芽率快速、无损检测的方法。以不同老化天数稻种为检测目标，10 min为检测时间点，使用起偏器将光纤准直光源调制成线偏振光垂直入射稻种浸出液，而后以5°为间隔旋转检偏器，并通过光纤光谱仪检测透射的光谱，对检测的偏振光谱通过归一化预处理后，根据不同发芽率稻种检测时偏振角及波长的贡献给出特征偏振角和特征波长，特征偏振角为0°，5°和25°，特征波长为576，620和788 nm，将获取的连续偏振光谱以特征偏振角和特征波长处的透射率为输入，构建稻种发芽率检测模型。分别比较运用偏最小二乘法回归(partial least squares regression，PLSR)、BP神经网络(back propagation neural network，BPNN)、径向基神经网络(radial basis function neural network，RBFNN)三种建模方法建立稻种发芽率检测模型。分别用老化天数为0，2，4，6 d的稻种，在不同的偏振角共测量1 520组实验数据，其中912组数据作为校正集，608组数据作为预测集，建模结果表明三种模型预测精度较高，其中RBFNN模型预测精度最高，其相关系数r为0.976，均方误差RMSE为0.785，平均相对误差MRE为0.85%。表明利用连续偏振光谱技术通过多维度光谱信息能够有效实现稻种发芽率的快速、准确检测。

连续偏振光谱； 稻种； 发芽率； 无损检测

引 言

我国是世界上人口最多的发展中国家，其中65%以上的人口以大米为主食，稳定的水稻产量已成为人民基本生活的保障。而稻种发芽率是决定我国水稻产量的重要因素，也是种子质量检验中最主要的指标之一，实现稻种发芽率快速准确检测对我国粮食安全、国民经济和社会的持续发展具有重要意义[1]。

种子发芽率检测有多种方法，陶嘉龄等按测定方法本身性质划分为生理测定法、生化测定法、物理测定法、组织化学法和形态解剖鉴别法[2]。生理测定法主要包括发芽试验法和电导率法，其中发芽试验法应用广泛但周期长、成本高，且受到种子休眠限制，电导率法[3]基于不同裂变程度稻种膜结构完整性不同造成的电解质渗透差异，虽可间接有效地获取种子内部生化信息，但存在检测周期较长、检测精度低的缺点。生化测定法主要包括四唑测定法和ATP含量测定，其中四唑测定法[4]同机器视觉结合鉴别染色区域进而分析测定种子发芽率，准确率达93.7%以上但导致种子损伤且不可逆，ATP含量测定因不同品种种子ATP含量对发芽率变化敏感性存在差异导致该方法普适性较差。组织化学法包括红墨水染色法，这一方法基于不同老化程度种子细胞膜对内渗透物质选择透过性差异，虽测定精度较高但造成种子损伤不可逆。种子发芽率物理测定法主要包括近红外光谱分析法和红外热成像技术，其中近红外光谱技术[5]基于不同老化程度种子内部有机物质组成及表面粗糙度变化差异，通过获取种子近红外反射光谱信息鉴别种子发芽率，方便快捷但因不同种类种子外表颜色存在差异使得近红外光谱技术普适性受到很大限制，红外热成像技术[6]基于不同老化程度种子在萌发过程中新陈代谢强度差异，通过测量种子温度鉴别种子发芽率，但无法获取种子内部生化信息且测量精度较低。种子发芽率形态解剖鉴别法主要为离体胚测定法。离体胚测定法基于不同老化程度种子胚的形态差异鉴别种子发芽率，检测精度有待提高。

已有的稻种发芽率检测方法中，发芽试验法和四唑测定法属于有损检测且检测周期较长、专业性要求高。电导率法[7]和近红外光谱技术[1]属于无损检测，但电导率法检测精度较低，近红外光谱技术受限于不同品种稻种自然颜色以及表面污染物影响，难以建立普适的稻种发芽率检测模型。偏振光谱技术是一种新型的目标信息检测技术，基于强度、偏振度及偏振角信息互补反映不同物理特性[8]在独立偏振角下逐步实现偏振光谱波长信息的完整，能够直观、准确、非接触地对目标信息进行检测。现阶段偏振光谱技术被广泛应用于大气遥感[9]、水体检测[10]、目标信息探测[11]和生物医学[12]等领域并取得一定成果。

目前，国内外基于偏振光谱技术检测稻种发芽率的相关文章鲜有报道，本文拟提出一种新颖的基于连续偏振光谱稻种发芽率检测方法，在偏振光谱技术的基础上获取连续偏振角下稻种浸出液偏振光谱实现对稻种发芽率反演。这一方法能够检测同稻种发芽率密切相关的膜通透性及生化变化等稻种生命信息，不受稻种自然颜色及表面污染物的影响。

1 实验部分

1.1 材料

采用南京农业大学江浦农场试验田收获的，由南京农业大学农学院提供的南粳46稻种。经筛选剔除缺陷稻种，挑选800粒较饱满、无霉变的稻种存放在密封袋中，置于4 ℃冰箱内冷藏。

1.2 老化处理

为得到不同发芽率的稻种，将800粒稻种随机分成A组、B组、C组和D组，每组200粒，依次置于标有A，B，C和D的玻璃培养皿中。A组稻种不做老化处理，即老化天数为0天。将B，C和D组置于智能人工气候箱(型号： RXZ型(多段编程)，宁波江南仪器厂制造)中进行老化处理。在温度45 ℃、湿度为100%的条件下对B，C和D组稻种依次老化2, 4和6 d。每份经老化处理的稻种放在太阳下晒干，得到4个老化梯度的稻种样本。为避免混淆将4份样本放入牛皮纸袋内，并放入标记相应组号的塑料密封袋中置于4 ℃冰箱冷藏。

1.3 方法原理

两个振动方向互相垂直，沿同一方向传播的同频率线偏振光可以合成椭圆偏振光。连续偏振光谱技术在单色波椭圆偏振光的基础上引入波长变量，得出椭圆偏振光矢量轨迹方程。椭圆偏振光矢量为

(1)

式中，Ex和Ey均为光波段中沿同一方向传播不同频率不同振幅的振动波Exi和Eyi的叠加，Ex和Ey振动方向相互垂直。

(2)

(3)

式中ai和bi分别为两种振动方向垂直的光波中各单色波振幅；ωi为第个i个单色波的振动频率；n为波段中单色波的条数。

令kz1i=αi，kz2i=βi，由Exi和Eyi公式消去参数t，第i个单色波的椭圆偏振光矢量轨迹方程

(4)

式中，δi=βi-αi。

椭圆偏振光矢量轨迹方程由n条单色波的椭圆偏振光矢量轨迹方程复合而成

(5)

式(5)可知，椭圆偏振光矢量轨迹方程融入波长频率信息后，可表征不同波长时的偏振特性，从而为稻种发芽率检测提供更多的偏振信息。

1.4 光谱采集

实验装置如图1所示，由光谱仪、光纤、透镜、光源、偏振片和检测瓶(均匀玻璃材质的扁平、无色玻璃瓶，容量25 mL)等组成。光谱仪采用美国海洋光学公司的USB4000型号光纤光谱仪。信噪比： 300∶1，灵敏度： 400 nm: 130 photons·count-1，600 nm： 60 photons·count-1，分辨率： 0.3～10.0 nm FWHM，波段： 200～1 100 nm。光源采用上海闻奕公司的卤素灯，两个偏振片分别用作起偏器和检偏器来检测稻种浸出液的偏振信息。实验时室内温度为20 ℃。

对A，B，C和D四组不同老化天数稻种分别以十粒为样本数获取20组稻种样本，共80组不同老化天数稻种样本。将稻种样本分别置于洁净的30 mL玻璃烧杯中，加15 mL清水浸泡10 min后将稻种浸出液倒入新的玻璃烧杯中备用并做好标记。将前面实验的稻种按照GB/T 3543.1～3543.7—1995发芽技术规程进行发芽试验并测出发芽率。

如图1所示，在检测台上放置装有15 mL清水的检测瓶，并与起偏器、检偏器保持平行且中心在同一条直线上。打开卤素灯光源，将起偏器、检偏器的偏振角设置为0°，调整光纤使光通过起偏器后垂直入射检测瓶，利用光纤光谱仪检测透射的光谱作为参考光谱用于后面的光谱归一化。每次实验时先用纯净水清洗检测瓶，并选取一组稻种样本溶液倒入检测瓶中置于检测台上固定位置，打开卤素灯光源，从0°开始旋转检偏器，为简化实验以5°为间隔旋转检偏器，利用光纤光谱仪共获取19个偏振角的偏振光谱。为保证获取的稻种光谱不受到外界因素干扰，减小实验误差，每次实验使用同一检测瓶，每次实验结束后需洗净检测瓶备用。对每种老化稻种共采集20×19组光谱数据，其中随机选取12×19组光谱数据作为校正集建立模型，剩余8×19组光谱数据用于预测集检验模型，因此4种老化稻种共采集4×20×19组光谱数据，校正集共4×12×19组，预测集共4×8×19组。

图1 实验装置图

1： Halogen lamp； 2： Polarizer； 3： Optical fiber； 4： Rice sample solution； 5： Analyser； 6： Lens； 7： USB4000 optical fiber spectrometer

1.5 发芽试验

经过人工老化加速处理和光谱采集后，取不同老化天数稻种各200粒进行发芽实验。实验过程中首先将不同老化天数稻种按组号放入装有清水的200 mL烧杯中，在25 ℃恒温条件下浸种2 d。浸种完成后，将不同老化天数稻种按组号顺序依次放置在内铺两层滤纸玻璃培养皿的相应位置，加水湿润，每粒稻种之间留有稻种直径5倍以上的间距，盖好盖子后放入25 ℃的智能人工气候箱(型号： RXZ型(多段编程)，宁波江南仪器厂制造)中，按照GB/T 3543.1～3543.7—1995发芽技术规程[13]要求培养稻种14 d。每天记录不同老化天数稻种的发芽情况，第14天计算发芽率。发芽率测试结果见表1，结果显示同一老化天数稻种发芽率测试值最大差距为3.5%，发芽率测试数据符合研究要求。

表1 不同老化天数稻种发芽率

2 结果与讨论

2.1 光谱预处理

对4×20×19条原始稻种偏振光谱以实验装置光谱为参考进行归一化预处理。考虑到卤素灯的噪声影响，选取光谱573～883 nm波段附近为有效波段，得到稻种高质量偏振光谱。

2.2 不同老化程度稻种三维光信息模型

分别将四组不同老化程度稻种偏振光谱数据融合，以偏振角、波长和透射率为坐标轴构建不同老化程度稻种的三维光信息模型，如图2所示。

图2 不同老化程度稻种的三维光信息模型

分析图2对比得知随着稻种老化程度增加，稻种浸出液的透射率在波段各偏振角处均呈现下降趋势。主要原因为： 稻种老化程度与浸出液中部分可溶性物质浓度及其吸光度呈正相关。刘春香等通过分析人工老化种子浸出液吸光度变化曲线表明发芽率高的种子浸出液吸光度均低于发芽率低的种子[14]，验证了这一看法； 不同老化天数稻种浸出液中可溶性糖因浓度差异有不同的构像，不同构像的手性碳原子数目不同进而影响其旋光度且旋光度与可溶性糖浓度呈正相关。

2.3 光谱特征提取

利用Matlab计算各偏振角处不同老化程度稻种偏振光谱透射率差异贡献值，通过比较差异贡献值可获取差异贡献较高的特征偏振角。在各特征偏振角处分别计算不同老化程度稻种偏振光谱各波长透射率差异贡献，得出每个特征偏振角的敏感波段，并选取共有波长作为特征波长，完成不同老化程度稻种光谱的特征提取。

各偏振角差异贡献及特征偏振角各波长差异贡献如图3所示。由各偏振角差异贡献数据可知0°，5°和25°偏振角处差异贡献值最高，不同老化程度稻种偏振光谱差异最为明显，因此选取0°，5°和25°为特征偏振角。由特征偏振角0°，5°和25°各波长差异贡献可知0°特征偏振角与5°特征偏振角各波长处差异贡献总体趋势一致且波段平缓，敏感波段不明显，因此特征波长的选择以25°特征偏振角处的敏感波段为主，根据各波长差异贡献数据选取576，620和788 nm为特征波长。将三个特征偏振角同三个特征波长进行特征层融合，提取偏振光谱相应位置的透射率组成不同老化程度稻种的特征集。

2.4 稻种发芽率检测模型建立与验证

为优选出预测能力最优的稻种发芽率检测模型，分别比较选用偏最小二乘法回归(partial least squares regression，PLSR)、BP神经网络(back propagation neural network，BPNN)和径向基神经网络(radial basis function neural network，RBFNN)三种建模方法建立稻种发芽率检测模型。通过对不同老化程度稻种偏振光谱进行预处理和特征提取，共获得80组特征集，其中48组作为模型的校正集，32组作为预测集对建立的预测模型进行验证。

图3 各偏振角及特征偏振角各波长差异贡献图

2.4.1 偏最小二乘法回归模型

偏最小二乘法回归是多元线性回归、典型相关分析和主成分分析的集成和发展，通过对数据进行分解和筛选提取对系统解释性最强的综合变量并删除冗余信息。单变量的偏最小二乘法回归的思路是从自变量X中提取相互独立的成分th(h=1, 2, …)，利用交叉有效性计算预测误差平方和PRESS并确定所需成分数建立模型。

(6)

式中yh(-i)为原始数据yi(i=1, 2, …n)在样本i上的拟合值。PRESS的值越小，模型的拟合效果越好，PRESS值最小时提取的成分数h为最佳成分数。经计算提取三个主成分时PLSR模型的PRESS最小，提取的主成分数越多效果反而变差，因此选取前三个主成分建立稻种发芽率检测模型。

2.4.2 BP神经网络模型

根据预处理和特征提取后获得的样本特征向量维数，设置BP神经网络的输入层节点数为9，输出层节点为1。BP神经网络中隐含层数和隐含层节点数的选择对其性能影响非常大。Malletx曾证明当各节点具有不同的门限时，对于在任何闭区域内的一个连续函数都可以用一个隐含层的网络来逼近[15]，因此使用三层的BP神经网络完成输入输出映射。隐含层在BP神经网络中对输入进行特征提取，隐含层节点过少则局部极小值多，无法达到网络训练的目的； 隐含节点过多会造成过拟合，这样即使训练结果好但可能会导致验证结果很差[16]。隐含层节点数的确定方法是先使用估算公式得出初始节点数，而后依据训练结果动态调节隐含层节点数直到最佳数目为止[17]。

节点估算公式

(7)

式中h为估算的隐含层节点数，m为输入节点数，n为输出节点数。经过估算和调整后，BP神经网络模型的隐含节点数为8。

2.4.3 RBF神经网络模型

RBF神经网络是一种三层前向网络，由输入层、隐含层、输出层组成，能够逼近任意的非线性函数，具有较强的泛化能力和极快的学习收敛速度。RBF神经网络设计主要以三个参数为主，径向基函数的中心、方差及隐含层到输出层的权值，利用非监督方法得到径向基函数的中心和方差，利用监督方法即最小均方误差得到隐含层到输出层的权值，确定权值后可解线性方程组完成网络训练。线性方程组如下所示

(8)

式中n为输入层、输出层节点数，h为隐含层节点数，wij为隐含层到输出层的权值，σ为径向基函数方差。

2.4.4 PLSR，BPNN和RBFNN模型验证

为评价这三种预测模型的精度，采用相关系数(r)，均方根误差(RMSE)及平均相对误差(MRE)三项指标对其进行数学评价，结果如表2所示。三种模型预测结果如图4所示。由图表得知，RBFNN模型较PLSR模型、BPNN模型相关系数r最高，且均方根误差RMSE和平均相对误差MRE最低，RBFNN模型的可靠性、准确性和稳定性最好。

表2 不同模型预测精度

3 结 论

连续偏振光谱法是基于不同老化程度的稻种, 其膜结构完整性差异造成稻种溢出电解质浓度不同，通过检测溶液偏振特性进而检测稻种发芽率的方法。已有生化分析表明，稻种浸出液电导率、可溶性糖和MDA含量随老化程度增加，其中可溶性糖含量、MDA含量与发芽率呈极显著的负相关，同时可溶性糖中葡萄糖和淀粉糖为右旋物质，果糖为左旋物质，稻种浸出液的透射光为多种线偏振光相位叠加而成的椭圆偏振光，利用连续偏振光谱技术对稻种进行发芽率预测研究能够更直观地揭示不同老化程度稻种细胞膜通透性及内部生化变化的生命信息。经过实验发现四种老化程度稻种透射光偏振态几乎全为正椭圆偏振光，因此选取0～90°偏振角范围获取连续偏振光谱进行稻种发芽率检测。

图4 不同模型预测结果

引入光的偏振信息，提出利用连续偏振光谱技术检测稻种发芽率。选取10 min为稻种发芽率的检测时间点，同电导率法以4 h为种子活力检测有效时间[19]相比实现稻种发芽率快速检测。将获取的连续偏振光谱作为模型输入，分别利用PLSR，BPNN和RBFNN三种建模方法建立稻种发芽率检测模型，建模结果显示三种模型的相关系数均较高，均方根误差和平均相对误差低，其中RBFNN模型的预测精度最高，其相关系数r为0.976, 均方误差RMSE为0.785，平均相对误差MRE为0.85%，表明连续偏振光谱技术可实现稻种发芽率的快速准确检测。

同时根据不同发芽率稻种检测时偏振角及波长贡献给出稻种发芽率检测的特征偏振角和特征波长，特征偏振角为0°，5°和25°，特征波长为576，620和788 nm，为基于连续偏振光谱技术的稻种发芽率快速检测仪器的研发提供了基础。

[1] LI Yi-nian, JIANG Dan, LIU Ying-ying, et al(李毅念, 姜 丹, 刘璎瑛, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(6): 1528.

[2] TAO Jia-ling, ZHENG Guang-hua(陶嘉龄, 郑光华). Seed Vigor(种子活力). Beijing: Science Press(北京: 科学出版社), 1991.

[3] LI Yong-gang, WANG Zheng-xu, YANG Min-feng, et al(李永刚，王正旭，杨民峰，等). Journal of Anhui Agricultural Sciences(安徽农业科学)，2008，36(34)： 15052.

[4] ZHAO Xin-zi, WU Wei, SI Xiu-li, et al(赵新子, 吴 巍，司秀丽，等). Journal of Jilin Agricultural University(吉林农业大学学报), 2004, 26(5): 572.

[5] Olesen M H, Shetty N, Gislum R, et al. Journal of Near Infrared Spectroscopy, 2011, 19(3): 171.

[6] Kranner Ilse，Kastberger Gerald，Hartbauer Manfred，et al. PNAS, 2010, 107(8): 3913.

[7] DUAN Yong-hong, LI Xiao-xiang, LI Wei-hong(段永红, 李小湘, 李卫红). Hunan Agricultural Sciences(湖南农业科学), 2010, 23: 17.

[8] YANG Wei, GU Guo-hua, CHEN Qian, et al(杨 蔚, 顾国华, 陈 钱, 等). Infrared and Laser Engineering(红外与激光工程), 2014, 43(8): 274.

[9] Tyo J Scott, Goldstein Dennis H, Chenault David B, et al. Appl. Optics, 2006, 45(22): 5451.

[10] Ahmed S, Gilerson A, Oo M, et al. Proc. SPIE, 2006, 6360： 636003.

[11] Hooper B A, Baxter B, Piotrowski C, et al. MTS/IEEE Conference, OCEANS 2009, 2009. 1.

[12] Rajan S Gurjar, Vadim Bachman，Lev T Perelman et al. Nature Medicine, 2001, 7(11): 1245.

[13] ZHI Ju-zhen, BI Xin-hua, DU Ke-min, et al(支巨振, 毕辛华, 杜克敏, 等). Rules for Agricultural Seed Testing-Germination Test(农作物种子检验规程-发芽试验). Beijing: Standards Press of China(北京： 中国标准出版社)，1995.

[14] LIU Chun-xiang, SUI Ming, HU Pan, et al(刘春香, 隋 铭, 胡 畔, 等). Seed(种子), 2013, 32(7): 18.

[15] Mallat S G. IEEE Trans Acoust Speech Signal Process, 1989, 37(12): 2091.

[16] ZHAO Xiao-yu, GUAN Yong, SHANG Ting-yi, et al(赵肖宇，关 勇，尚廷义，等). Acta Agriculturae Zhijiangensis(浙江农业学报), 2011，23(4): 825.

[17] WANG Li-qi(王立琦). Food Science(食品科学), 2009, 30(4): 243.

(Received Mar. 30, 2015; accepted Jul. 22, 2015)

*Corresponding author

Study on the Prediction of Germination Rate of Rice Seeds with Continuous Polarization Spectroscopy

CHENG Yu-qiong1, LU Wei1, 2*, HONG De-lin3, DANG Xiao-jing3, LUO Hui1

1. College of Engineering, Jiangsu Province Engineering Laboratory of Modern Facility Agriculture Technology and Equipment, Nanjing Agricultural University, Nanjing 210031, China

2. Key Laboratory of Jiangsu Province for Remote Measurement and Control Technology, Nanjing 210096, China

3. College of Agriculture，State Key Laboratory of Crop Genetics & Germplasm Enhancement, Nanjing Agricultural University, Nanjing 210095, China

With respect to the problem of long period and low precision in using traditional methods to predict rice seeds germination rate, a novel method based on continuous polarization spectroscopy was proposed to achieve rapid and nondestructive prediction .The paper set different aging rice seeds as prediction targets and ten minutes as prediction time, using polarizer to modulate optical fiber collimating light source to linearly polarized light which issuing into rice seeds extract vertically before rotating the analyser every 5 degrees . The transmission spectrum was predicted through the optical fiber spectrometer. After normalization pretreatment to the polarization spectrum, the article gave the characteristics of polarization angel and wavelength by 0 degree, 5 degrees, 25 degrees, 620, 788 and 576 nm according to the contribution of polarization angel and wavelength when predicting different germination rate rice seeds and inputted obtained continuous polarization spectrum by wavelength, polarization angel, transmissivity to construct rice seeds germination rate prediction model using three modeling methods to build rice seeds germination rate prediction model in comparison, including Partial Least Squares Regression (PLSR), Back Propagation Neural Network (BPNN) and Radial Basis Function Neural Network (RBFNN).1 520 sets of experimental data were measured in total at different polarization angels through using rice seeds with different aging days (0, 2, 4, 6) respectively, setting 912 sets of data as calibration set and 608 sets of data as predicion set. The modeling results show that RBF model’s prediction accuracy is the highest. Its correlation coefficient is 0.976; the mean square is 0.785; and the average relative error is 0.85%. The research results show that the continuous polarization spectroscopy technique through multidimension spectral information can achieve rapid and accurate prediction of rice seeds germination rate.

Continuous polarization spectroscopy; Rice seed; Germination rate; Nondestructive detection

2015-03-30，

2015-07-22

国家自然科学基金青年基金项目(61401215)，江苏省自然科学基金青年基金项目(BK20130696)，中央高校基本科研业务经费项目(KYZ201427)，远程测控技术江苏省重点实验室开放基金项目(YCCK201501)资助

程宇琼，女，1995年生，南京农业大学工学院本科生 e-mail： chengyuqiong_njau@126.com *通讯联系人 e-mail: njaurobot@njau.edu.cn

S511

A

10.3964/j.issn.1000-0593(2016)07-2200-07