光谱检测技术在种子质量检测中的应用*

张伏，张朝臣，陈自均，滕帅，徐锐良

(1. 河南科技大学农业装备工程学院，河南洛阳，471003； 2. 河南科技大学车辆与交通工程学院，河南洛阳，471003)

0 引言

玉米是我国主要的粮食作物和重要的战略储备粮[1]。玉米种子质量直接影响玉米产量，为确保种子质量，需对玉米种子质量进行检测。传统种子质量测定方法，如田间小区试验、种子幼苗生长测定等方法，具有耗时长、主观因素影响大、损耗种子量较多等缺点[2-3]，因此，寻找一种便捷、无损、高效的玉米种子质量检测方法显得尤为重要。

近红外光[4](Near Infrared)是一种介于可见光(VIS)和中红外(MIR)的电磁波，其波长范围为：780～2 500 nm，不同玉米种子的活力、含水率、表面特征等均有不同，其光谱响应曲线存在一定差异，这种差异和变化可作为鉴别玉米种子信息的依据，进而实现对玉米种子质量检测分析。作为一种物理测定技术，近红外光谱分析技术以其无污染、无损、成本低、便捷、无需预处理样本等特点被广泛应用到农产品检测、中草药鉴别、化工成分检测等领域[5-9]。为获取种子更多的特征信息，国内外学者将高光谱成像技术应用于种子质量检测方面，并取得不错的效果[10-11]。高光谱成像技术可在紫外波段(200～400 nm)、可见光波段(400～760 nm)、近红外波段(760～2 560 nm)以及波长大于2 560 nm的波段获取大量窄波段连续光谱图像数据[12-13]，其包含的图像信息和光谱信息分别从外观上反映被测样本形态学特征，从内部反映被测样本物理结构和化学成分，进而实现对被测物内外部的综合评价。

因此，光谱检测技术将是玉米种子质量检测过程中的研究重点。本研究在归纳传统常规玉米种子检测方法基础上，基于光谱检测技术流程，对比分析了光谱检测玉米种子活力、含水率与病害、品种与产地等研究现状，并阐述了光谱检测技术在玉米种子质量检测领域的现存问题和未来研究重点。

1 玉米种子检测技术

1.1 传统玉米种子质量检测

种子质量检测[14]是利用科学方法对种子品质进行检验、分析，并在此基础上进行分类的过程。表1为传统玉米种子质量检测内容、方法及其优缺点。

从研究内容来看，玉米种子活力、含水率、病虫害、品种产地是玉米种子质量检测的研究重点。从研究方法来看，传统的玉米种子质量检测方法划分为经验法、物理法、化学法，其大多存在着繁琐、耗时长、受实验地点限制等弊端，已不能有力推动种子行业快速发展。

表1 传统玉米种子质量检测方法优缺点

1.2 玉米种子光谱检测

由表1可得，传统的玉米种子质量检验方法受主观因素影响，其检测结果差异较大，且费时、费事，无法满足当前种业市场快速发展的需求。故光谱检测技术在玉米种子质量方面的检测研究逐渐受到关注。玉米种子光谱检测流程如图1所示。

图1 玉米种子光谱检测流程Fig. 1 Process of maize seed spectral detection

为保证所建立预测模型的准确性，需严格遵照光谱建模流程。在使用光谱仪器对种子数据采集之前要考虑其研究方法的性质，即明确对其进行定性分析或定量分析。然后，采用标准方法对其进行判别以便对所建立模型的精度进行验证。进而完成样本数据采集、数据预处理，并基于特征波长构建相应的预测模型。样本数据采集过程中应避免其他光线干扰，数据预处理是为剔除异常样本数据，选择特征波长可减少运算过程中的多余运算。尤其使用高光谱成像系统采集图像时，还需按照式(1)对原始光谱图像进行校正。光谱检测技术流程为合理高效地完成玉米种子质量检测提供基础。

(1)

式中：RC——校正后的光谱图像；

Ro——未经校正的光谱图像；

Rb——关闭光源并盖紧镜头后采集的暗参考图像；

Rw——采集的标准白板的漫反射图像。

2 玉米种子质量光谱检测

2.1 玉米种子活力检测

国外学者将种子活力定义为：幼苗在萌芽的基础上具备一种迅速健壮生长而顽强的能力[15]。而国内常认为“种子活力即种子健壮度，其包括迅速整齐的出苗率、幼苗的生长潜力，植株的抗逆能力以及生产潜力”[16]。由此可见，种子活力是衡量其质量的一个重要指标。若利用光谱技术快速无损检测种子活力，将对作物生产具有重大的意义。

最早研究种子活力近红外光谱检测的是国外学者Tigabu[17]，结合多变量分析实现对松树种子活力快速分析。Ambrose等[18]采用高光谱成像技术，在400～2 500 nm波段内，获取未处理玉米种子和经微波加热老化处理的玉种子的光谱图像，采用偏最小二乘判别分析方法(PLS-DA)建立的模型对两种玉米判断，结果表明，预测集准确率为95.6%。杨冬风等[19]把经过处理后的特征光谱作为BP神经网络的输入，在选定的波长范围861～2 500 nm内构建并选出最佳玉米种子活力智能模型，其识别准确率可达95%。白京等[20]以红墨水染色法判定玉米种子样品活力为对照试验(图2)，采集玉米种子450～900 nm波段范围内的光谱曲线，通过平滑(SG)预处理减小噪声，然后基于主成分分析(PCA)方法提取主成分，运用支持向量机(SVM)方法建立定性模型，其预测集准确率为86.67%。李武等[21]选取8个品种玉米种子作为研究对象，在908.1～1 676.0 nm波长范围内对其实现光谱信息采集和生理检测，并利用偏最小二乘回归(PLSR)建立相应的定量模型，实现对玉米种子活力快速无损检测。尹淑欣等[22]将采用主成分分析(PCA)方法提取的光谱特征作为BP神经网络的输入，构建出BP神经网络种子活力检测模型，其识别准确率为90.3%，平均识别时间为27.36 ms。

(a) 有活力种子 (b) 无活力种子

综上所述，光谱检测技术已发展成为测定玉米种子活力的关键技术方法，可满足玉米种子质量检验快速、高效的要求，随着光谱技术的快速发展，有效推进玉米种子质量检验方法的优化选择，进一步促进种业质量的发展。

2.2 玉米种子含水率与病害检测

种子的检测、贮藏、育种等过程中，需要测定种子的水分[23]。水分测定是按规定程序把种子样品烘干，用所失去的重量占供检样品原始重量的百分率表示。目前传统测定种子含水率的方法是直接测定法，如烘干减重法、甲苯蒸馏法、化学法和红外线加热法[24]。但上述方法对种子具有破坏性，操作较繁琐，难以满足科研和生产实际需求。

李江波等[25]采用高光谱成像(图3)与神经网络技术相结合的方式，基于491、772、824和870 nm四个特征波长建立了玉米粒含水量预测模型，其相关系数达到0.98。王超鹏等[26]为消除种子放置方式的影响，基于高光谱成像和图像处理技术，结合变量筛选法，针对玉米种子正反面放置的不同分别建立对应的含水率(MC)预测模型，得出相较于反面胚乳部，正面胚乳部区域的光谱曲线所建立的含水率预测模型检测效果更好的结论。

图3 高光谱成像系统Fig. 3 Hyperspectral imaging system1.输送装置 2.光源 3.计算机 4.摄像机5.光谱仪 6.样本 7.载物台

此外，光谱检测技术还可用于玉米种子储藏过程中霉变检测，如Wang等[27]将制备的四种不同浓度的黄曲霉素溶液分别沉积在玉米籽粒表面，利用高光谱成像技术结合主成分分析(PCA)和逐步阶乘判别(FDA)建立预测模型，可检测浓度低至10 ppb的黄曲霉素(AFB1)，其预测集精度在88%以上；另外，该团队还进一步发现1 729 nm和2 344 nm的波长可有效检测玉米种子表面的黄曲霉素[28]。Kandpal等[29]针对玉米种子中有毒代谢物快速、准确检测的问题，在1 100～1 700 nm的光谱范围内，采用短波红外高光谱技术对经四种不同浓度的黄曲霉素B1试液和PBS溶液处理的五批玉米种子进行扫描，建立偏最小二乘判别分析(PLS-DA)模型，其判别精度达96.9%。以上研究表明，高光谱技术多用于单粒玉米种子含水率，病害检测，而近红外光谱技术在此方面研究较少。

2.3 玉米种子品种与产地鉴别

玉米种子产地和品种的鉴别研究，对我国的食品安全追溯制度建立具有积极作用，便于在面临食品安全问题时迅速锁定问题源头并及时召回[30-31]。因此，利用光谱检测技术，研究玉米种子源产地和品种鉴别具有重要的实际价值。

国内外学者对于光谱检测技术在玉米种子鉴别的研究总结如表2，Huang等[32]以四个品种共2 000粒种子为研究对象，利用高光谱成像技术获取在400～1 000 nm 范围内的图像，采用最小二乘支持向量机(LSSVM)结合增量支持向量描述(SVDD)建立在线更新模型，其分类准确率可达94.4%。王庆国等[33]针对玉米种子产地和年份无损鉴别难题，以不同产地和年份的玉米种子作为研究对象，利用高光谱图像技术采集高光谱图像，在400～1 000 nm波段范围内对其进行轮廓提取并得到四种特征，分别为均值、标准差、熵和能量，利用均值及预处理方法建立了偏最小二乘判别分析(PLS-DA)模型，训练集和测试集精度分别为99.11%和98.39%，但样本种类数量有限，模型还需进一步验证。韩仲志等[34]针对近红外光谱在玉米种子品种与产地鉴别应用问题，在830～2 500 nm的波长范围内采集了8个玉米品种的近红外光谱数据，基于主成分分析法(PCA)提取特征光谱数据，结合人工神经网络与支持向量机建立了相应模型，对玉米种子品种和产地的鉴别准确率整体分别在90%和95%以上。针对传统分类器缺乏对新类别样本识别能力的问题，朱启兵等[35]获取了玉米样本在400～1 000 nm波段范围内的高光谱图像，提取玉米种子在各个波段下的图像熵作为分类特征，并利用支持向量数据描述方法(SVDD)构建了每类玉米的分类器模型，该方法对待识别样本的测试精度达到了94.14%，对新类别样本的识别精度达到92.28%。王徽蓉等[36]采集了37个种类玉米种子样品的光谱数据，结合遗传算法(GA)对特征光谱波段选择，所建模型对预测集样本的平均正确拒识率达到99.65%。从上述中发现，光谱技术结合图像技术及算法，可更好地对玉米种子进行品种产地鉴别检测。

表2 光谱检测技术在玉米种子鉴别模型对比表

3 存在问题与展望

3.1 存在问题

由上述分析可见，近红外光谱和高光谱检测技术是检测玉米种子基团结构和化合物含量的重要工具，在研究玉米种子活力、含水率与病害、品种及产地鉴别等问题中有巨大作用。光谱检测技术在玉米种子质量检测方面已有很多成功的应用，但也存在以下问题。

1) 研究系统化不强。光谱技术在玉米种子质量检测方面已有大量应用，却处于一种技术瓶颈阶段。目前种子质量光谱检测未形成系统研究，只从不同角度证明光谱技术在此领域的可能性和相关性，缺少完整的理论体系支撑。

2) 实际应用场景受限。目前，玉米种子光谱检测大多在实验室中完成，所建立的模型稳定性差，推广应用和产业化难度较大。针对玉米种子某一特征的光谱模型预测率大多在90%左右，在室外检测存在干扰时将大幅降低，影响构建模型的稳定性和准确性。

3) 光谱数据处理效率低。将光谱信息和图像信息相结合的高光谱技术会更广泛运用于玉米种子质量检测，但随之而来的冗余数据会加大数据处理的负担，使其检测效率大打折扣。

3.2 展望

针对上述研究现状及现存问题，未来几年有可能从以下几个方向展开研究。

1) 更应注重多学科交叉合作研究，建立玉米种子光谱信息数据库，为检测系统的完善和优化提供重要的参考依据，形成光谱检测技术对玉米种子质量检测的完整体系。

2) 今后的研究中应着重研发便携检测设备，以提高其田间作业的抗干扰能力，增强其实用价值。

3) 应着重将新方法、新算法，如深度学习算法等引入到高光谱数据处理中，从而提高检测效率，达到在线检测的目的。

未来种子质量光谱检测技术应主要围绕解决技术的系统化、应用场景、数据处理效率存在的问题，展开多学科交叉系统和广泛的实际场景等方面的研究工作，以期达到种子活力、含水率与病害、品种与产地等特征快速、无损检测，为作物丰产高效奠定基础。