多光谱成像技术在种子质量检测研究中的应用

岳佳铭， 丛晓翔， 李曼莉

(中国农业大学草业科学与技术学院，草业科学北京市重点实验室， 北京 100193)

种子是植物生长发育的最小单元，它的质量直接影响后期幼苗的生长状况及种子生产、加工、贮藏等。为了保证种子的质量，在种子销售前，通常会进行种子含水量、发芽率和净度等相关质量指标的检测。传统的种子质量检测方法不仅费时费力，而且对种子存在不同程度的破坏性。此外，人工操作带来的误差，也会造成测定结果准确性欠佳。所以，如何能够省时、省力、无损、准确地对种子质量进行检测，是亟待解决的问题。

如今，在多学科交叉合作的大趋势下，计算机视觉技术已广泛应用于食品[1-5]、药品[6-9]、植物[10-12]等领域。利用高速数字图像检测和计算机数据处理来改善传统的种子质量分析越来越多。图像处理所用计算机硬件和软件成本的降低及其性能的提高，使得图像分析系统在质量评估和分类过程的不同方面自动检测中更有优势[13]。图像采集设备的改进，以及实现快速图像处理程序的新算法，能够量化许多种子的形态特征，这些特征对于多种作物种子的萌发和活力测试都是必要的[14]。因此，本研究概述了计算机视觉技术中的多光谱成像(Multispectral Imaging，MSI)技术在种子质检工作中的运用，并对该领域未来研究热点进行展望，以期为种子质检工作提供更加快捷、精准的方法。

1 多光谱成像技术的原理

1.1 多光谱成像系统

多光谱成像系统的主要仪器为Videometer Lab，该设备是由内部涂有白色钛涂层的空心积分球组成，它能够提供均匀的散射、高的扩散效果和最小的镜面反射率，沿着球体内部赤道，安装有20个非均匀分布波长的单色发光二极管(LED)，波长分别为375、405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940、970nm(其中包括一个背景波长)。

一般情况下，Videometer Lab在获取多光谱图像前，系统会使用3个连续的平板进行辐射和几何校准：白板用于反射率校正，黑板用于背景校正，由点组成的板用于几何像素位置校正，接下来便是对光设置进行校准。

在Videometer Lab工作过程中，具有这种窄带光谱辐射的LED灯一个接一个地间歇性闪烁。样品的单色图像由其顶部安装的CCD相机在特定波长处获得，从而在每个波长产生一个具有32位浮点精度的每种LED灯的单色图像。因此，当一个样品连续被20个LED灯照亮时，就会得到一个立方体图像，其空间维度为2 056×2 056像素，光谱维度为20个波段，空间分辨率为0.043 2 mm/pixel[15]。

1.2 图像数据提取及分析方法

通过使用一些波长计算方法对多光谱成像数据进行分析，直接从整个光谱中提取与特征相关的波长波段，所选择的波长为相关特征建立独立多光谱成像系统的合适候选波段[16-18]。然后，需要通过化学计量学方法对提取的图像数据进行定性(分类)及定量(预测/回归)的分析及建模。

分类建模方法可以分为监督和非监督建模方法。利用监督技术建立分类模型，能够将新的未知样本根据其光谱特征划分为已知其特征的类别；非监督模型不需要关于样本分组的先验信息。开发利用的模型具体分为线性和非线性。线性包括归一化标准判别分析(nCDA)、线性判别分析(LDA)、偏最小二乘回归分析(PLSR)、偏最小二乘判别分析(PLS-DA)、扩展典型变量分析(ECVA)等；非线性包括支持向量机(SVM)、k-邻近算法(K-NN)、反向传播神经网络(BPNN)等[18-24]。通常，使用较多的是归一化标准判别分析，它作为一种监督变换构建方法，将图像划分为具有不同光谱特征的感兴趣区域。当两个不同的品种具有不同的光谱特征时，在归一化标准判别分析变换后的图像中会出现两个不同的感兴趣区域，便于解释、分割以及后续的数据分析[18]。其原理是最小化类内观测距离，最大化类间观测距离[25]。即便可供使用的建模方法较多，不同试验所用的最适计算方法却不同。

2 多光谱成像技术在种子质量检测研究中的应用

种子质量不是单一概念，它包含了品种和分析纯度、发芽能力、活力、生活力、种子健康和均匀性[26]。如今，多光谱成像技术已开始应用于种及品种测定、种子净度分析、种子转基因检测、种子健康鉴定、种子生活力及活力测定中。

2.1 种及品种测定

在种子质量检测工作中，种的测定能够有效鉴别其真实性，避免种植过程中的种间混杂，保证种子纯度。对品种进行分离，确定其显著性、均匀性和稳定性标准等关键属性，对于品种登记、植物育种者的知识产权以及在市场上开发新品种都具有极其重要的意义[27]。传统测定方法有形态测定、化学测定、生化测定(聚丙烯酰胺凝胶电泳(PAGE)测定、超薄层等电聚焦电泳(UTLIEF)测定)等[28-29]。与传统方法相比，多光谱成像技术能够在不破坏种子的前提下对其进行测定，并且通过拍照，减缓了操作人员的视觉疲劳，省去了复杂的样品准备工作，对于种及品种的鉴定是较好的方法。

目前，多光谱成像技术对种的测定主要有小麦(TriticumaestivumL.)、紫花苜蓿(MedicagosativaL.)、玉米(ZeamaysL.)种子。制作意大利面的硬粒小麦掺假率检测的传统方法为DNA检测，该方法耗时、需要大量的样品，并且会对种子造成损伤[30]。多光谱成像技术能够快速、有效区分硬粒小麦和掺假小麦，避免了传统方法对种子造成的伤害[31]。为了快速区分紫花苜蓿和草木樨(Melilotusofficinalis(L.) Pall.)种子，Hu等[19]利用多光谱成像技术结合主成分分析(PCA)、线性判别分析、偏最小二乘判别分析、AdaBoost和支持向量机等方法，根据紫花苜蓿和草木樨种子的形态特征和光谱特征或两者的组合进行分类。研究结果显示，线性判别分析模型检验效果最好，验证集的正确率高达99.58%。对单倍体及杂交玉米的基因型进行DNA标记后，再利用多光谱成像技术进行区分，结果发现对于大多数基因型，单倍体鉴定的准确率都在50%以上[32]。

此外，多光谱成像技术也能应用在番茄(LycopersiconesculentumM.)、水稻(OryzasativaL.)、小麦的品种鉴别中。Shrestha等[27]运用多光谱成像技术对11个品种的番茄种子进行鉴别，并采用归一化标准判别分析对11个栽培品种进行配对判别分析，正确判别率达100%，仅少数对低于85%。之后，再利用偏最小二乘判别分析对所有品种进行分类，结果显示，该模型对7个高敏感品种和4个低敏感品种的分类准确率分别提高到96%和86%。同样，对5个番茄品种种子进行快速无损分类的可行性进行研究后发现，偏最小二乘判别分析和支持向量机判别分析的分类精度都很好，从94%到100%不等[33]。利用多光谱成像技术对20个不同品种的水稻种子进行成像并从图像中提取特征信息，利用特征数据的多变量分析对种子进行表型分类，结果发现，水稻种子品种分类的正确率为93%[11]。Sumriddetchkajorn等[34]使用多光谱成像技术来鉴定8个不同品种的水稻种子，并提取水稻的像素荧光强度，作为品种识别的依据，得到了不错的结果。同样，多光谱成像技术结合化学计量分析算法建立的最小二乘支持向量机模型也能够以90%的正确率来预测水稻品种[12]。Vrešak等[35]将多光谱成像技术应用于冬小麦和黑小麦(TriticosecaleWittm. & Camus)品种鉴别中，结果表明，只有一个品种(Agostino)能够被准确分类，准确率为97.4%，其余品种分类正确率均在67%以下。若根据视觉相似性(颜色、大小、种类)对小麦品种进行分组，分类准确率可大大提高至95.8%。许学等[36]也对不同品种的小麦进行了鉴别，发现神经网络鉴定模型效果最佳，能够有效的区分5个小麦品种，建模集和预测集的识别率分别为100%和91.25%。

2.2 种子净度分析

种子净度分析的对象是净种子、其他植物种子和杂质，其目的是测定供验样品组成及各成分的重量百分率[37-38]。在种子净度分析中，首先要对大型混杂物(如石块、土块或小粒种子中混有大粒种子等)进行检查，再从重型混杂物中分离出其他植物种子及杂质。然后对净种子和其他植物种子分别检测。净种子的检测须根据种子的明显特征借助器具或者镊子试压，在不损伤发芽力的基础上进行检查[39]。测定需要用到净度分析台、筛子、吹风机、放大镜、天平等[41]。传统的方法需要有经验的实验员，并且步骤繁琐，而多光谱成像技术则会大大减少工作量，且结果较准确。

目前，多光谱成像技术在种子净度分析中的应用主要针对杂质并对其分类。甜菜(BetavulgarisL.)种子收获后，需要对其进行处理，使其形状和大小保持一致[41]。而在此过程中，种子几乎都会受到损伤，种子寿命缩短，产量、发芽率降低等，所以识别出机械损伤的种子并丢弃是非常重要的[42]。Salimi和Boelt[43]利用多光谱成像技术对甜菜种子5种损伤类型进行分类并建立了模型，该模型对5种损伤类别中的200粒种子进行分类的平均准确率达82%。具体来看，第1～5类的分类准确率分别为59%、100%、77%、77%和89%，由此认为，基于多光谱成像技术的甜菜种子机械损伤分类是未来种子质量评估的一个潜在工具。

2.3 种子转基因生物安全检测

种子转基因检测也是种子质检工作的一部分，非转基因种子中混入转基因种子会影响种子的净度，同时也会威胁食品生物安全。传统的转基因检测方法有定性PCR法、实时荧光定量PCR法、特异蛋白检测法、生物表现型检测法等[44-46]。实时荧光定量PCR法所用试剂和探针价格较昂贵，实验步骤较繁琐，并且必须破坏种子才能够完成测定。而多光谱成像技术避免了转基因生物对环境的污染，同时也不会损坏种子，是进行种子转基因测定的一种高效、便捷的方法。

对转基因苏云金芽孢杆菌水稻种子运用多光谱成像技术，结合化学计量学的方法进行无损鉴定发现，非转基因水稻种子和转基因水稻种子之间差异能够清晰地显示出来，试验获得了很好的分类效果；而且对于多种化学计量学方法进行对比后发现，最小二乘支持向量机模型具有较好的标定和预测能力，精度可达100%[47]。多光谱成像技术运用在鉴别转基因大豆(GlycinemaxL.)种子中也获得了不错的结果，试验采用主成分分析、偏最小二乘判别分析、最小二乘支持向量机和反向传播神经网络等方法对大豆种子进行了分类。结果表明，传统大豆和草甘膦除草剂处理的转基因大豆种子及其杂交后代之间的差异明显，BPNN模型的分类正确率可达98%[20]。

2.4 种子健康检测

种子健康检测的目的是全面提高种子质量，防止和控制种传病害。种子健康检测包括种子是否携带病原体(如真菌、细菌及病毒等)和有害动物(包括线虫和昆虫)，也包括微量元素缺乏症等生理状况的检测。其方法包括直接检验法、吸胀种子检验、洗涤物检验、剖粒检验、染色检验、比重检验、软X射线检验、胚检验、吸水纸法检验、琼脂皿法检验、砂床、人工堆肥及类似的培养基法检验、生长植株的检验[48]。由此来看，虽然每种方法都具有针对性，但仍然需要破坏种子。多光谱成像技术虽然在前期模型建立的过程中会对种子造成损伤，然而模型一旦建立，就能够做到准确、无损地检测，并且针对不同的种子健康状况，可以建立有针对性的模型，避免了传统方法的繁琐步骤。

在菠菜(SpinaciaoleraceaL.)种子中，多光谱成像技术已被用于真菌感染与否及感染类型的区分，包括叶枯病菌、枝孢菌、镰刀菌、黄萎病菌和烟草赤星病菌，分类正确率为80%～100%[49]。黑燕麦(AvenasativaL.)种子的孺孢菌也能够通过多光谱成像技术进行检测，对接种24 h、72 h、120 h后种子颜色和纹理特征的预测精确度为86%，预测正确率分别为78%、83%和100%，试验证明，多光谱成像技术对于检测黑燕麦孺孢菌特别是接种120 h的种子十分精准，并且独立检验中的正确率达86%[50]。Weng等[51]试图利用多光谱成像技术对患有稻曲病的水稻种子进行检测，分别对2个易感品种进行接种，结果表明，460、520、660、740、850、940 nm的光谱特征与水稻稻曲病能够很好的建立联系，采用最小二乘支持向量机法进行鉴定，总准确率分别为98.7%，91.4%，假阴性率分别为3.2%和6.7%。同样，豇豆(VignaunguiculataL.)种子感染了3种不同类型的真菌后，利用多光谱成像技术结合线性判别模型的方法对其进行鉴别，健康种子和接种之后的种子正确率分别在92%和99%以上，证明多光谱成像技术在豇豆种子健康状况鉴定中十分有效[52]。在白三叶(TrifoliumrepensL.)种子的生产过程中，其副产品中夹杂有活的拟寄生物幼虫，Shrestha等[53]利用多光谱成像技术对苜蓿叶象甲姬蜂幼虫茧进行识别，而且获得了不错的结果。用典型判别分析模型对活的和死的虫茧进行识别，训练集的准确率分别为91%和80%(错误率为14%)，测试集的预测准确率为89%和81%(错误率为15%)。此外，多光谱成像技术同样适用于对向日葵(HelianthusannuusL.)种子虫害、发霉、异色和酸败的无损鉴别，该技术结合主成分分析-聚类分析(PCA-CA)可以对不同酸败程度的完整向日葵种子进行精确聚类；利用Wilks’lambda逐步法从原始的19个波长中选取10个特征波长后，再利用Fisher’s线性判别函数对完好无损的向日葵种子进行分类，其准确率为97%以上[54]。同样，Boelt等[55]也介绍了多光谱成像技术在种子真菌检测和鉴定中的应用实例。

2.5 种子生活力及活力测定

种子生活力及活力高低直接关乎种子能否存活，加强其测定的准确性和实效性对种子检验工作来说很有必要。传统的检测方法有种子萌发测定、电导率测定、四氮唑法及计算机技术测定(高光谱、近红外光谱和氧传感技术)[56]。除计算机技术测定外，其他的方法均会对种子造成损伤，而且耗费时间，准确性欠佳。多光谱成像技术较高光谱和近红外光谱技术来说，光谱波段范围较少，图像采集更快。所以，多光谱成像技术对种子生活力及活力测定来说，具有快速、省时、无损的优点。

多光谱成像技术已经较成熟的运用于蓖麻(RicinuscommunisL.)种子生活力的预测。具体来看，Olesen等[57]对蓖麻活种子和死种子进行区分，之后建立了基于活种子和死种子间归一化标准判别分析转化的监督分类模型，并在一组新种子上进行了检验，结果表明，蓖麻种子种皮的反射数据可用于预测种子生活力。活种子和死种子分类的准确率达92%，对发芽能力进行预测后，应用四氮唑(TTC)法进行验证，分类正确率为96%，该试验验证了多光谱成像技术在种子质量检测中的应用潜力。此外，Baek等[58]在利用多光谱成像技术结合最小二乘判别分析的方法对大豆种子生活力进行预测后，提出多光谱近红外成像方法是一种有效、准确的无损检测大豆种子生活力的方法。在利用线性判别分析模型对豇豆种子的老化情况、活力高低进行分类后，发现多光谱成像技术结合线性判别分析能够较好的区分老化和未老化豇豆种子。高、中活力豇豆种子及死种子，其训练、交叉验证和独立验证数据集的整体正确分类率分别为97.51%、96.76%和97%[59]。丛晓翔[60]将多光谱成像技术结合种苗评价的方法应用于不同品种的多年生黑麦草(LoliumperenneL.)种子活力预测中，试验结果显示，多年生黑麦草的归一化标准判别分析转换图中的红蓝比例能够以较高的准确性预测出高、中、低活力的种子；平均光谱反射率图能够区分开不同活力的种子以及较弱活力的死种子、新鲜未发芽种子和发育成不正常种苗的种子；像素分布直方图的双峰性能够鉴别出死种子。

3 展 望

多光谱成像技术应用于种子质检工作中，基本取得了不错的结果，同时大大减少了传统的人工质检方法的繁琐步骤，也避免了种子样品的损耗，并且通过模型的建立，能够大大节省种子质检的时间。因此，多光谱成像技术在种子质检工作中具有广阔的应用前景。但值得注意的是，模型的建立需要大量的种子样品来进行反复测试和验证其可行性。同时，用于建模的化学计量学方法也有多种，若要将多光谱成像技术推广到实际种子质检工作中，需要将多种模型的建模效果进行反复、详细的比对，才能够选出最佳方案进行应用。

除了关注种子质量问题外，还会关注其内部含有的营养成分及含量，也就是贮藏物质的组分和含量。多光谱成像技术已经应用于完整番茄中的番茄红素和酚类化合物含量的测定，而且取得了较好结果[5]。同样，种子中的贮藏物质含量也会随着种子生长发育及萌发进行而发生相应的变化。但目前多光谱成像技术尚未应用于种子贮藏物质含量的测定。除正常种子外，多光谱成像技术也同样适用于劣变处理后的种子，种子在发生劣变后，其内部发生的一系列生理生化变化，可能会使平均光谱反射率发生变化，并且可能会存在一个特定的波段范围，能够表征种子劣变的发生。综上所述，多光谱成像技术对于种子质检工作无疑是一项高效、便捷、精准的检测技术，并且对于种子贮藏物质含量测定的可行性也值得探索。