近紅外光譜技術(shù)在種子硬實(shí)檢測(cè)中的研究進(jìn)展

陳玲玲，夏方山，毛培勝，朱艷喬

近紅外光譜技術(shù)在種子硬實(shí)檢測(cè)中的研究進(jìn)展

陳玲玲1,2，夏方山1，毛培勝1，朱艷喬1

（1. 中國(guó)農(nóng)業(yè)大學(xué)草業(yè)科學(xué)系草業(yè)科學(xué)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100193；2. 赤峰市農(nóng)牧科學(xué)研究院草原研究所，內(nèi)蒙古 赤峰 024031）

近紅外光譜分析技術(shù)由于其獨(dú)特的技術(shù)優(yōu)勢(shì)在許多領(lǐng)域中已得到廣泛應(yīng)用。簡(jiǎn)要闡述了近紅外光譜分析技術(shù)的概念及其在無(wú)損檢測(cè)中的應(yīng)用情況，綜述了近紅外光譜技術(shù)在種子硬實(shí)測(cè)定中的應(yīng)用情況，在此基礎(chǔ)上介紹了利用近紅外光譜分析技術(shù)測(cè)定種子硬實(shí)率的方法，并提出了存在的問(wèn)題及發(fā)展方向。

近紅外光譜；硬實(shí)率；硬實(shí)特性；無(wú)損檢測(cè)

0 引言

硬實(shí)是一種種子休眠形式，廣泛存在于植物種子中，豆科、茄科、藜科、莧科等栽培作物及雜草種子中常見(jiàn)[1]，其中豆科植物種子中最多見(jiàn)[2]。硬實(shí)產(chǎn)生的原因是由于種皮致密、不透水或透水性差，從而不能吸脹發(fā)芽，也被稱(chēng)為不透水或石種子[3]。在實(shí)際生產(chǎn)中，硬實(shí)率高的種子，由于其滲透性能差，導(dǎo)致播種出苗率低，出苗不整齊，給生產(chǎn)帶來(lái)諸多不便。然而，相關(guān)研究表明，硬實(shí)種子的發(fā)芽勢(shì)、發(fā)芽指數(shù)、活力指數(shù)以及抗逆能力顯著高于非硬實(shí)種子[4-5]；在貯藏過(guò)程中，硬實(shí)種子的種皮限制水分和氧氣的進(jìn)入，防止微生物的侵染，能有效地保護(hù)種子的活力，有利于延緩種子劣變。因此，研究硬實(shí)種子和非硬實(shí)種子的種皮結(jié)構(gòu)，進(jìn)一步探索硬實(shí)機(jī)理，對(duì)種質(zhì)保存具有特別重要的意義。但由于硬實(shí)種子和非硬實(shí)種子沒(méi)有外部形態(tài)上的差異，到目前為止還沒(méi)有有效的無(wú)損鑒別和分離方法。目前仍然采用浸種法測(cè)定種子的硬實(shí)率[6]，這種方法費(fèi)時(shí)，而且浸泡后的非硬實(shí)種子的種皮結(jié)構(gòu)和化學(xué)成分會(huì)發(fā)生不同程度的改變，不利于研究硬實(shí)機(jī)理。近幾年，國(guó)內(nèi)廣泛采用近紅外光譜分析技術(shù)鑒別種子硬實(shí)特性[7-9]，為植物種子硬實(shí)特性的無(wú)損判定提供了一種可能。本文針對(duì)近紅外光譜技術(shù)無(wú)損檢測(cè)技術(shù)的應(yīng)用情況進(jìn)行簡(jiǎn)要介紹，并詳細(xì)闡述種子硬實(shí)率的測(cè)定步驟和應(yīng)用現(xiàn)狀，以期為近紅外光譜技術(shù)應(yīng)用于硬實(shí)種子無(wú)損檢測(cè)提供參考。

1 近紅外光譜無(wú)損檢測(cè)技術(shù)

近紅外光譜是指位于可見(jiàn)光譜區(qū)（380～780nm）與紅外光譜區(qū)（2600～25000nm）之間的一段電磁波譜，即波長(zhǎng)介于780～2526nm的光區(qū)[10]。近紅外光譜分析技術(shù)（Near infrared spectroscopy，簡(jiǎn)稱(chēng)NIR）是20世紀(jì)80年代后期迅速興起的一種快速檢測(cè)技術(shù)[11]，它具有測(cè)試簡(jiǎn)單、速度快、效率高、測(cè)量范圍廣、測(cè)試過(guò)程無(wú)污染、檢測(cè)成本低、對(duì)樣品無(wú)損傷等特點(diǎn)[12]。在農(nóng)業(yè)領(lǐng)域中主要應(yīng)用于果蔬、谷物、飼料、牧草、種子、土壤等的無(wú)損檢測(cè)。在果蔬中主要測(cè)定品質(zhì)、糖度、酸度、含水量、葉綠素含量、水果堅(jiān)實(shí)度以及農(nóng)藥殘留度等[13-17]；在農(nóng)作物中主要檢測(cè)谷物品質(zhì)、硬度、病害、轉(zhuǎn)基因作物等[18-22]；在飼料檢測(cè)中主要對(duì)玉米、甜菜、豆粕、魚(yú)粉、肉骨粉等飼料原料進(jìn)行品質(zhì)分析或者對(duì)飼料中的蛋白質(zhì)、粗脂肪、粗纖維、維生素、礦物質(zhì)以及有效能等進(jìn)行檢測(cè)[23-26]；在牧草中主要用于牧草營(yíng)養(yǎng)成分含量測(cè)定、病蟲(chóng)害預(yù)測(cè)、抗性鑒定、品種鑒定、草坪草質(zhì)量鑒定、莖葉比和產(chǎn)草量的測(cè)定等[27-30]；在種子檢測(cè)中主要用于種子純度、活力、含水率、發(fā)芽率等質(zhì)量檢測(cè)以及品種、硬實(shí)率、品質(zhì)性狀等的檢測(cè)[31-33]；在土壤中主要用于檢測(cè)土壤氮、磷、鉀等養(yǎng)分含量、碳含量、含水量的測(cè)定以及對(duì)不同粒級(jí)的土壤進(jìn)行檢測(cè)分類(lèi)等[34-36]。近紅外光譜檢測(cè)技術(shù)由最初的檢測(cè)谷物養(yǎng)分含量發(fā)展到果蔬、土壤、牧草等的微量元素、有害成分及氨基酸含量的分析，從基礎(chǔ)研究發(fā)展到田間檢測(cè)，應(yīng)用范圍越來(lái)越廣。相信，隨著科技的進(jìn)步，研究的不斷深入，近紅外光譜無(wú)損技術(shù)勢(shì)必會(huì)開(kāi)辟更多的應(yīng)用領(lǐng)域。

2 近紅外光譜技術(shù)在種子硬實(shí)測(cè)定中的應(yīng)用

硬實(shí)常見(jiàn)于豆科作物，常見(jiàn)的有大豆、豌豆、紫花苜蓿、扁蓿豆、胡枝子、黃芪、草木樨、三葉草、紅豆草、甘草、決明子等。硬實(shí)是種子處于逆境時(shí)的一種自我保護(hù)狀態(tài)，但在實(shí)際生產(chǎn)中，硬實(shí)并非人們所需。目前，近紅外光譜技術(shù)在種子硬實(shí)方面的應(yīng)用比較少，在烏拉爾甘草、大豆、苦豆子、決明子與紫花苜蓿種子硬實(shí)測(cè)定中有相關(guān)報(bào)道[7-8,33-37]。

2.1 烏拉爾甘草種子硬實(shí)特性的檢測(cè)

在國(guó)內(nèi)，孫群等[7]于2009年首次利用近紅外光譜技術(shù)對(duì)烏拉爾甘草單粒種子的硬實(shí)性進(jìn)行了鑒別研究。在該研究中，作者選擇244粒種子，其中硬實(shí)和非硬實(shí)種子比例為1:1，采用定性偏最小二乘法，在波數(shù)4000～8000cm－1光譜區(qū)范圍，建立了單粒種子的硬實(shí)特性定性分析模型，結(jié)果表明，所建立的硬實(shí)種子和非硬實(shí)種子預(yù)測(cè)模型準(zhǔn)確率分別為92.5%和96.56%，模型較為穩(wěn)定，誤判的情況很大部分是由于種子的硬實(shí)率與非硬實(shí)率較為接近產(chǎn)生的。在該研究中硬實(shí)和非硬實(shí)種子的近紅外光譜的吸收峰完全一樣，僅通過(guò)吸收峰無(wú)法區(qū)分硬實(shí)種子和非硬實(shí)種子。次年，作者對(duì)不同產(chǎn)地、不同年份的112份烏拉爾甘草種子的硬實(shí)率進(jìn)行了定量鑒別分析，模型的相關(guān)系數(shù)在90%以上，建模標(biāo)準(zhǔn)差與預(yù)測(cè)標(biāo)準(zhǔn)差在10左右，該模型與之前模型效果相當(dāng)[33]。但是，該模型對(duì)硬實(shí)率較低（＜5%）的樣品，其預(yù)測(cè)結(jié)果相對(duì)較差?？紤]到硬實(shí)率測(cè)定方法的差異，作者采用24h浸泡法和5d浸泡法分別建立預(yù)測(cè)模型，結(jié)果表明，采用5d浸泡法所建立的模型預(yù)測(cè)效果顯著高于24h浸泡法所建立的模型。在該研究中，所選樣品的硬實(shí)率分布在0.3%～99.3%，覆蓋了所有樣品的硬實(shí)率，其適用性高，為建立其它作物種子硬實(shí)率快速檢測(cè)模型奠定了基礎(chǔ)。

2.2 大豆、苦豆子和決明子種子硬實(shí)特性的檢測(cè)

在前人的研究基礎(chǔ)上，朱麗偉等[8]選擇不同光譜范圍和不同光譜預(yù)處理方法建立了大豆、苦豆子和決明子單粒種子的硬實(shí)特性定性鑒別模型，比較了3種豆科作物種子的建模效果，鑒定了近紅外光譜技術(shù)在種子硬實(shí)率檢測(cè)中的普遍性。結(jié)果表明，大豆種子選擇4000～5000cm－1光譜區(qū)范圍，采用矢量校正方法預(yù)處理光譜，用偏最小二乘法建立硬實(shí)率預(yù)測(cè)模型，其鑒別率在86%以上；決明子種子選擇4000～8000cm－1光譜區(qū)范圍，采用一階導(dǎo)數(shù)法預(yù)處理光譜，用偏最小二乘法建立硬實(shí)率預(yù)測(cè)模型，其鑒別率在90%左右，苦豆子種子選擇4000～8000cm－1光譜區(qū)范圍，采用二階導(dǎo)數(shù)法預(yù)處理光譜，用偏最小二乘法建立硬實(shí)率預(yù)測(cè)模型，其鑒別率在95%以上，表明所建模型穩(wěn)定、可靠，可以很好地應(yīng)用于單粒種子硬實(shí)率的檢測(cè)。

以上研究主要關(guān)注硬實(shí)和非硬實(shí)種子的定性分類(lèi)或者種子硬實(shí)率的定量檢測(cè)，沒(méi)有對(duì)種子的硬實(shí)程度予以關(guān)注。

2.3 紫花苜蓿種子硬實(shí)特性的檢測(cè)

王昕洵[37]利用近紅外光譜分析技術(shù)分別針對(duì)種子硬實(shí)率和硬實(shí)程度建立了紫花苜蓿種子硬實(shí)率預(yù)測(cè)模型和硬實(shí)程度分析模型。在建立硬實(shí)率預(yù)測(cè)模型時(shí)，選取不同產(chǎn)地、不同品種和不同年份的紫花苜蓿種子樣品共121份，硬實(shí)率范圍分布在0.2%～33.6%，用24h浸泡后的硬實(shí)比率作為自然狀態(tài)下的硬實(shí)比率，采用偏最小二乘法，一階導(dǎo)數(shù)預(yù)處理，在全光譜范圍內(nèi)建立預(yù)測(cè)模型。所建模型的建模相關(guān)系數(shù)為92%，說(shuō)明模型的擬合效果較好，而相對(duì)標(biāo)準(zhǔn)誤差為1.9，未能＞2.5，較低的相對(duì)標(biāo)準(zhǔn)誤差值說(shuō)明模型的預(yù)測(cè)能力較差。為獲得較為準(zhǔn)確、可靠的預(yù)測(cè)模型，擴(kuò)大了樣品覆蓋范圍，人工調(diào)整了不同梯度硬實(shí)率的紫花苜蓿種子樣品，硬實(shí)率分布范圍為20%～80%，間隔為2%，共31份樣品。最終獲得的光譜模型的建模相關(guān)系數(shù)為98.16%，相對(duì)標(biāo)準(zhǔn)誤差為3.58，模型的預(yù)測(cè)能力相對(duì)增強(qiáng)，能夠粗略地估測(cè)苜蓿種子硬實(shí)率；在建立硬實(shí)程度分析模型時(shí)，利用分步浸種法分別浸泡1～5天，獲得了5個(gè)不同硬實(shí)程度的種子（H1～H5），采用主成分分析法和馬氏距離法，對(duì)不同硬實(shí)程度的紫花苜蓿種子進(jìn)行鑒別分析。結(jié)果表明，5個(gè)類(lèi)別不同硬實(shí)程度種子的預(yù)測(cè)模型，誤判率為25%，判別率為75%，實(shí)際應(yīng)用的意義不大?？紤]到建模樣品本身或者建模光譜存在信息混雜或者重疊，對(duì)誤判的樣品進(jìn)行歸屬類(lèi)別并進(jìn)行分析。分析結(jié)果表明，在5個(gè)不同硬實(shí)程度樣品中，H2、H3、H4的誤判數(shù)最多，而H1和H5只出現(xiàn)了1個(gè)誤判。因此，選擇H1和H5的共38個(gè)樣品重新建立紫花苜蓿種子硬實(shí)程度預(yù)測(cè)模型，結(jié)果表明，2個(gè)類(lèi)別不同硬實(shí)程度種子的模型預(yù)測(cè)能力有所提高，誤判率為5%，判別率為95%，所建模型能較好地判別兩種類(lèi)別的不同硬實(shí)程度的種子。如果進(jìn)一步修正模型，并且增加樣品數(shù)量和信息覆蓋量，能有助于提升模型的預(yù)測(cè)能力。

3 近紅外光譜技術(shù)檢測(cè)種子硬實(shí)率的流程

利用近紅外光譜技術(shù)檢測(cè)種子硬實(shí)率包括以下幾個(gè)步驟：①樣品的選擇；②光譜的采集；③浸泡法測(cè)定種子的硬實(shí)率；④光譜的預(yù)處理；⑤光譜范圍的選擇；⑥樣品集的劃分；⑦模型的建立；⑧模型的檢驗(yàn)與評(píng)價(jià)。

3.1 樣品的選擇

樣品的選擇是一個(gè)重要的環(huán)節(jié)，直接影響到分析結(jié)果的準(zhǔn)確與否，因此選擇種子時(shí)盡可能多地搜集包含多種變異因素的樣品，確保模型的適用性。可以選擇不同地區(qū)、不同年份或者不同品種的種子，盡可能地包含那些分布在兩端即最高、最低范圍內(nèi)的樣品，但是盡量選擇顆粒度大小、顏色以及含水量一致的種子。Willimas[38]研究了谷物顆粒度大小對(duì)近紅外光譜分析結(jié)果的影響，發(fā)現(xiàn)顆粒度大小是影響近紅外光譜測(cè)試結(jié)果準(zhǔn)確性的最重要的因素，顆粒度大，其吸光度大，波長(zhǎng)長(zhǎng)，表明樣品粒度大小對(duì)近紅外光譜測(cè)試結(jié)果有顯著影響；之后，王文真[39]研究粉碎粒度對(duì)近紅外分析結(jié)果的影響，驗(yàn)證了這個(gè)結(jié)果；胡新中等[40]研究麥粉含水量、粗細(xì)度和開(kāi)機(jī)預(yù)熱時(shí)間對(duì)NIR測(cè)定結(jié)果的影響，發(fā)現(xiàn)樣品含水量和粗細(xì)度對(duì)測(cè)定結(jié)果有極大影響。建模樣品涵蓋的信息要全面，但也不是越多越好，樣品數(shù)量過(guò)大會(huì)有信息重疊和引入更多分析誤差的問(wèn)題，所以一般建模樣品數(shù)應(yīng)不小于50個(gè)，不宜超過(guò)300個(gè)[41]。

3.2 光譜的采集

隨機(jī)選取干凈、完整、大小一致的種子，放入樣品杯中，輕搖使表面平整，并使用漫反射光進(jìn)行光譜采集。為了能盡量消除由裝樣緊實(shí)度不同和粒度差異帶來(lái)的誤差，每個(gè)樣品重復(fù)掃描3次，將3次掃描的平均光譜作為樣品的最終分析光譜，每次都進(jìn)行重新裝樣和背景掃描[42]。對(duì)于單粒種子，應(yīng)分別采集種子正面和背面的不同位置的光譜，最后以平均值作為單粒種子的近紅外光譜[7]。

3.3 硬實(shí)率的測(cè)定

采用公認(rèn)的浸泡法測(cè)定種子硬實(shí)率，即每個(gè)樣品都隨機(jī)選取完整飽滿(mǎn)、大小一致的種子100粒，在25℃恒溫下用蒸餾水浸泡24h后，統(tǒng)計(jì)未吸脹種子數(shù)，3次重復(fù)，最后取平均值，帶入公式計(jì)算硬實(shí)率[7,37]：

硬實(shí)率（%）＝（平均未吸脹種子數(shù)/100）×100

3.4 光譜預(yù)處理

光譜采集過(guò)程會(huì)受到環(huán)境、樣品狀態(tài)而引起噪聲，導(dǎo)致光譜的不重復(fù)或者基線漂移。為了建立一個(gè)穩(wěn)定、準(zhǔn)確的校正模型，在建模前需對(duì)光譜進(jìn)行預(yù)處理，濾除噪聲，凈化光譜信息。預(yù)處理方法主要有平滑處理、歸一化和基線校正[42]。平滑處理的目的在于消除高頻噪聲的干擾，提高信噪比。但此方法在平滑噪音的同時(shí)也平滑了分析信號(hào)，使信號(hào)失真，降低了光譜分辨率。歸一化處理的目的是消除因樣品的稀釋或光程的變化而引起的對(duì)光譜產(chǎn)生的影響。基線校正常用的方法是對(duì)光譜進(jìn)行導(dǎo)數(shù)處理。對(duì)光譜進(jìn)行一階導(dǎo)數(shù)處理能解決基線的偏移，進(jìn)行二階導(dǎo)數(shù)處理能消除基線的漂移[11]。孫群[7]研究不同預(yù)處理方法對(duì)烏拉爾甘草單粒種子硬實(shí)率鑒別模型預(yù)測(cè)結(jié)果的影響，發(fā)現(xiàn)光譜預(yù)處理與不處理無(wú)顯著差異，可以直接選擇4000～8000cm－1光譜范圍建立硬實(shí)率預(yù)測(cè)模型。朱麗偉等[8]研究不同預(yù)處理方法對(duì)大豆、決明子和苦豆子硬實(shí)特性的定性分析模型鑒別率的影響，發(fā)現(xiàn)中心化、導(dǎo)數(shù)處理等方法能提高模型的鑒別率，但效果不明顯。因此，在預(yù)處理方法的選擇上，應(yīng)根據(jù)樣品的特性選擇不同的處理方法進(jìn)行比較研究，選擇最佳組合。

3.5 光譜范圍的選擇

在全譜區(qū)范圍內(nèi)，不同波長(zhǎng)處所吸收的信息對(duì)建模的貢獻(xiàn)不同。有些波長(zhǎng)處，因干擾或者雜質(zhì)等產(chǎn)生的吸收會(huì)存在測(cè)量誤差，影響模型的準(zhǔn)確度。因此，為了避免這些譜區(qū)的誤差影響模型的準(zhǔn)確度和穩(wěn)定性，建模前，需要對(duì)光譜區(qū)進(jìn)行篩選，找出最有效的光譜區(qū)域。通常采用方差處理的方法，選擇光譜變化最明顯的區(qū)域，即是最有效的光譜區(qū)域[43]。相關(guān)研究表明，對(duì)農(nóng)作物種子硬實(shí)率的研究中，最適合的光譜區(qū)范圍為4000～8000cm－1[7-8]。

3.6 樣品集的劃分

建模之前，將樣品的硬實(shí)率按從大到小依次排列，以2:1的比例分為校正集（Calibration set）和驗(yàn)證集（Validation set），分集時(shí)盡可能使兩個(gè)集合中樣品的硬實(shí)率分布大致相同，其最大值、最小值、平均值以及標(biāo)準(zhǔn)差分布一致，使硬實(shí)和非硬實(shí)種子數(shù)的比值為1:1[37]。

3.7 模型的建立

采用化學(xué)計(jì)量學(xué)方法建立種子硬實(shí)率的近紅外光譜校正模型。NIRS分析方法中常用到的化學(xué)計(jì)量學(xué)方法為：偏最小二乘法（Partial Least Square，PLS），主成分回歸法（Principle Component Regression，PCR）和多元線性回歸法（Multivariate Linear Regression，MLR）。PCR主要服務(wù)于定性分析，而PLS主要用于定量分析[11,43]。孫群[7]選擇244粒烏拉爾甘草種子，采用定性偏最小二乘法（DPLS），建立了單粒種子的硬實(shí)特性定性分析模型，模型的鑒別率為95%，預(yù)測(cè)效果準(zhǔn)確；之后，選擇115份甘草種子，采用定量偏最小二乘法（QPLS），建立了種子硬實(shí)率的定量分析模型，模型的預(yù)測(cè)準(zhǔn)確率在90%以上[33]。王昕洵[37]在建立紫花苜蓿種子硬實(shí)率的預(yù)測(cè)模型時(shí)，選擇PLS、PCR、SMLR三種不同回歸方法，比較了模型的預(yù)測(cè)能力，結(jié)果表明，用PLS法所建模型預(yù)測(cè)能力最好；而建立不同硬實(shí)程度紫花苜蓿種子的近紅外分析模型時(shí)，采用PCR法建立了定性分析模型。

3.8 模型的檢驗(yàn)與評(píng)價(jià)

建立模型以后，需對(duì)模型進(jìn)行檢驗(yàn)，確定其可靠性，再分析待測(cè)樣品。一般利用校正集的樣品建立校正模型，進(jìn)行檢驗(yàn)。具體方法為：從校正集中抽出一個(gè)或幾個(gè)樣品，以剩余樣品新建模型，再利用該新建模型預(yù)測(cè)抽出樣品，通過(guò)比較預(yù)測(cè)值和真實(shí)值的相近程度來(lái)評(píng)價(jià)模型預(yù)測(cè)效果。模型準(zhǔn)確性的評(píng)價(jià)指標(biāo)有相關(guān)系數(shù)、預(yù)測(cè)殘差平方和、建模標(biāo)準(zhǔn)差、預(yù)測(cè)標(biāo)準(zhǔn)差等。一個(gè)好的定標(biāo)模型，要有較高的相關(guān)系數(shù)，低的建模標(biāo)準(zhǔn)差和預(yù)測(cè)標(biāo)準(zhǔn)差，且預(yù)測(cè)標(biāo)準(zhǔn)差接近或略大于建模標(biāo)準(zhǔn)差為宜，預(yù)測(cè)殘差平方和越小越好[37,43]。

4 問(wèn)題與展望

目前，普遍采用浸種法判斷種子的硬實(shí)性，在統(tǒng)計(jì)硬實(shí)率時(shí)存在著不同的統(tǒng)計(jì)方法，如浸泡24h后統(tǒng)計(jì)硬實(shí)種子或者發(fā)芽結(jié)束后統(tǒng)計(jì)硬實(shí)種子。兩種統(tǒng)計(jì)法所建立的預(yù)測(cè)模型效果有差異。近年來(lái)，有學(xué)者嘗試研究其它無(wú)損分離硬實(shí)種子和非硬實(shí)種子的新方法，如液體比重法、冷凍膠體二氧化硅法等，但是這些方法也存在著缺陷，對(duì)有些作物種子上不適用。在建模時(shí)可以針對(duì)不同的作物種子選擇不同的硬實(shí)率判別法，比較不同判別法所建模型的預(yù)測(cè)能力。

近紅外光譜技術(shù)在種子硬實(shí)特性方面的研究很少。近幾年，國(guó)內(nèi)學(xué)者嘗試建立了烏拉爾甘草、大豆、苦豆子、決明子和紫花苜蓿種子的硬實(shí)特性的預(yù)測(cè)模型，為無(wú)損檢測(cè)豆科作物種子的硬實(shí)特性提供了一種可能性。由于不同作物種子的硬實(shí)率和硬實(shí)程度不同，近紅外光譜檢測(cè)技術(shù)對(duì)有些作物種子的硬實(shí)率預(yù)測(cè)效果好，對(duì)有些作物則不理想。因此，今后研究的一個(gè)重點(diǎn)是擴(kuò)大樣品范圍和研究對(duì)象，完善預(yù)測(cè)模型，提高預(yù)測(cè)能力和適用范圍，得到準(zhǔn)確、穩(wěn)定、簡(jiǎn)單、快速的檢測(cè)種子硬實(shí)率的方法，并將其應(yīng)用到實(shí)際生產(chǎn)中。

[1] 杜建材, 王照蘭, 趙麗麗, 等. 不同處理方法破除扁蓿豆品系90-36種子硬實(shí)的效果研究[J]. 種子, 2011, 30(4): 37-41.

Du Jiancai, Wang Zhaolan, Zhao Lili, et al. Study on breaking hard seed effect of different treat methods for Melilotoidesruthenicastrain90-36[J]., 2011, 30(4): 37-41.

[2] 趙相勇, 孟軍江, 吳佳海. 不同處理方法對(duì)野生地八角硬實(shí)種子發(fā)芽率的影響[J]. 貴州農(nóng)業(yè)科學(xué), 2012, 40(3): 40-50.

Zhao Xiangyong, Meng Junjiang, Wu Jiahai. Effect of different treatment methods on germination rate of hard seeds of wild Astragalus bhotanensis[J]., 2012, 40(3): 48-50.

[3] 孫星邈, 王政, 李曙光, 等. 大豆硬實(shí)形成機(jī)制與破除技術(shù)的研究進(jìn)展[J]. 大豆科技, 2014(3): 23-27.

Sun Xingmiao, Wang Zheng, Li Shuguang, et al. Progress on formation mechanism and breaking methods of hard seed in soybean[J]., 2014(3): 23-27.

[4] 曹幫華, 翟明普, 郭俊杰. 不同硬實(shí)程度的刺槐種子活力差異性研究[J].林業(yè)科學(xué), 2005, 41(2): 42-47.

Cao Banghua, Zhai Mingpu, Guo Junjie. Study on vigor difference of seeds with different hard degree in Robiniapseudoacacia[J]., 2005, 41(2): 42-47.

[5] 田娟, 孫群, 王建華, 等. 不同硬實(shí)程度烏拉爾甘草種子的活力差異[J].植物生理學(xué)通訊, 2007, 43(2): 235-240.

Tian Juan, Sun Qun, Wang Jianhua, et al. Differences of seed vigor among different levels of hard seeds of Glycyrrhiza uralensis Fisch[J]., 2007, 43(2): 235-240.

[6] 楊期和, 尹小娟, 葉萬(wàn)輝.硬實(shí)種子休眠的機(jī)制和解除方法[J].植物學(xué)通報(bào), 2006, 23(1): 108-118.

Yang Qihe, Yin Xiaojuan, Ye Wanhui. Dormancy mechanism and breaking methods for hard seeds[J]., 2006, 23(1): 108-118.

[7] 孫群, 李軍會(huì), 王建華, 等. 烏拉爾甘草單粒種子硬實(shí)特性的近紅外光譜分析[J]. 光譜學(xué)與光譜分析, 2009, 29(10): 2669-2672.

Sun Qun, Li Junhui, Wang Jianhua, et al. Identification of hardness of licorice single seed using near infrared spectroscopy[J]., 2009, 29(10): 2669-2672.

[8] Zhu Liwei, Huang Yanyan, Wang Qing, et al. Nondestructive identify- cation of hard seeds of three legume plants using near infrared spectroscopy[J]., 2012, 28(Sup2): 237-242.

[9] Delwiche S R, Norris K H. Classification of hard red wheat by near-infrared diffuse reflectance spectroscopy[J]., 1993, 70(1): 29-35.

[10] 吳建國(guó), 石春海, 張海珍. 構(gòu)建整粒油菜籽脂肪酸成分近紅外反射光譜分析模型的研究[J].光譜學(xué)與光譜分析, 2006, 26(2): 259-262.

Wu Jianguo, Shi Chunhai, Zhang Haizhen. Study on developing calibration models of fat acid composition in intact rapeseed by near infrared reflectance spectroscopy[J]., 2006, 26(2): 259-262.

[11] 韓亮亮, 毛培勝, 王新國(guó), 等. 近紅外光譜技術(shù)在燕麥種子活力測(cè)定中的應(yīng)用研究[J]. 紅外與毫米波學(xué)報(bào), 2008, 27(2): 86-90.

Han Liangliang, Mao Peisheng, Wang Xinguo, et al. Study on vigour test of oat seeds with near infrared reflectance spectroscopy[J]., 2008, 27(2): 86-90.

[12] 毛莎莎, 曾明, 何紹蘭, 等. 近紅外光譜技術(shù)在水果成熟期預(yù)測(cè)中的應(yīng)用[J]. 亞熱帶植物科學(xué), 2010, 39(1): 82-87.

Mao Shasha, Zeng Ming, He Shaolan, et al. Application of near infrared spectra (NIRS) technology in prediction of maturity stage of fruit[J]., 2010, 39(1): 82-87.

[13] 趙杰文, 張海東, 劉木華. 利用近紅外漫反射光譜技術(shù)進(jìn)行蘋(píng)果糖度無(wú)損檢測(cè)的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2005, 21(3): 162-165.

Zhao Jiewen, Zhang Haidong, Liu Muhua. Non-destructive determination of sugar contents of applesusing near infrared diffuse reflectance[J]., 2005, 21(3): 162-165.

[14] 畢衛(wèi)紅, 許峰, 呂超. 水果含糖量近紅外檢測(cè)系統(tǒng)及實(shí)驗(yàn)[J]. 紅外技術(shù), 2007, 29(11): 678-680.

Bi Weihong, Xu feng, Lv chao. A measuring system for sugar content of fruits and related experiment based on NIRS technology[J]., 2007, 29(11): 678-680.

[15] 王敏, 付蓉, 趙秋菊, 等. 近紅外光譜技術(shù)在果蔬品質(zhì)無(wú)損檢測(cè)中的應(yīng)用[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2010, 26(5): 174-178.

Wang Min, Fu Rong, Zhao Qiuju, et al. Application of near infrared reflectance spectroscopy in nondestructive detection of fruits and vegetables quality[J]., 2010, 26(5): 174-178.

[16] Clark C J, McGlone V A, Jordan R B, et al. Detection of Brown heart in 'Braeburn' apple by transmission NIR spectroscopy[J]., 2003, 28(1): 87-96.

[17] Jha S N, Matsuoka T. Non-destructive determination of acid-brix ratio of tomato juice using near infrared spectroscopy[J]., 2004, 39(4): 425-430.

[18] 周子立, 張瑜, 何勇, 等. 基于近紅外光譜技術(shù)的大米品種快速鑒別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(8): 131-135.

Zhou Zili, Zhang Yu, He Yong, et al. Method for rapid discrimination of varieties of rice using visible NIR spectroscopy[J]., 2009, 25(8): 131-135.

[19] 李偉, 肖愛(ài)平, 冷鵑. 近紅外光譜技術(shù)及其在農(nóng)作物中的應(yīng)用[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2009, 25(3): 56-59.

Li Wei, Xiao Aiping, Leng Juan. Near-infrared spectroscopy and its applications in crops[J]., 2009, 25(3): 56-59.

[20] 黃玉萍, 吳貴茹, 陳坤杰. 近紅外光譜在轉(zhuǎn)基因農(nóng)產(chǎn)品檢測(cè)中的研究進(jìn)展[J]. 江西農(nóng)業(yè)學(xué)報(bào), 2010, 22(7): 107-110.

Huang Yuping, Wu Guiru, Chen KunJie. Research advance in identification of transgenic agricultural products by using Nir- spectroscopy[J]., 2010, 22(7): 107-110.

[21] Campo L, Monteagudo A B, Salleres B, et al. NIRS determination of non-structural carbohydrates, water soluble carbohydrates and other nutritive quality traits in whole plant maize with wide range variability[J]., 2013, 11(2): 463-471.

[22] Manley M, du Toit G, Geladi P. Tracking diffusion of conditioning water in single wheat kernels of different hardnesses by near infrared hyperspectral imaging[J]., 2011, 686(1-2): 64-75.

[23] 邰書(shū)靜, 張仁和, 史俊通, 等. 近紅外光譜法測(cè)定玉米秸稈飼用品質(zhì)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(12): 151-155.

TaiShujing, ZhangRenhe, ShiJuntong, et al. Prediction of forage quality of maize stover by near infrared spectroscopy[J]., 2009, 25(12): 151-155.

[24] Pavino D, Squadrone S, Cocchi M, et al. Towards a routine application of vibrational spectroscopy to the detection of bone fragments in feedingstuffs: Use and validation of a NIR scanning microscopy method[J]., 2010, 121(3): 826-831.

[25] Decruyenaere V, Lecomte P, Demarquilly C, et al. Evaluation of green forage intake and digestibility in ruminants using near infrared reflectance spectroscopy(NIRS): Developing a global calibration[J]., 2009, 148(2-4): 138-156.

[26] 李晉華, 楊志良, 王召巴, 等. 近紅外漫透射技術(shù)檢測(cè)玉米成分[J]. 紅外技術(shù), 2013, 35(11): 732-736.

Li Jinhua, Yang Zhiliang, Wang Zhaoba, et al. The corn content measurement with near infrared diffuse transmission[J]., 2013, 35(11): 732-736.

[27] 姜健, 楊寶靈, 夏彤, 等. 紫花苜蓿幼苗耐鹽性的近紅外光譜鑒定[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(12): 207-211.

Jiang Jian, Yang Baoling, Xia Tong, et al. Identification of alfalfa seedling salt tolerance by near infrared reflectance spectroscopy[J]., 2010, 26(12): 207-211.

[28] 聶志東, 韓建國(guó), 玉柱, 等. 近紅外光譜技術(shù)（NIRS）在草地生態(tài)學(xué)研究中的應(yīng)用[J]. 光譜學(xué)與光譜分析, 2007, 27(7): 691-696.

Nie Zhidong, Han Jianguo, Yu Zhu, et al. Applications of near infrared reflectance spectroscopy technique(NIRS) to grassland ecology research[J]., 2007, 27(7): 691-696.

[29] Baloyi J J, Hamudikuwanda H, Berardo N, et al. Near infrared reflectance spectroscopy(NIRS) prediction of herbage quality from forage and browse legumes, and natural pasture grass grown in Zimbabwe[J]., 2013, 8(10): 868-871.

[30] 李書(shū)英, 韓建國(guó). 近紅外光譜技術(shù)在高爾夫草坪管理中的應(yīng)用[J]. 光譜學(xué)與光譜分析, 2008, 28(17): 1539-1543.

Li Shuying, Han Jianguo. Application of near-infrared spectroscopy in golf turfgrass management[J]., 2008, 28(17): 1539-1543.

[31] 任衛(wèi)波, 韓建國(guó), 張?zhí)N薇, 等. 近紅外光譜分析技術(shù)及其在牧草種子質(zhì)量監(jiān)督檢驗(yàn)上的應(yīng)用前景[J]. 光譜學(xué)與光譜分析, 2008, 28(3): 555-558.

Ren Weibo, Han Jianguo , Zhang Yunwei, et al. The application of near infrared reflectance spectroscopy in seeds quality certification[J]., 2008, 28(3): 555-558.

[32] Pande R, Mishra H N. Fourier transform near-infrared spectroscopy for rapid and simple determination of phytic acid content in green gram seeds(Vignaradiata)[J]., 2014, 172: 880-884.

[33] 孫群, 李欣, 李航, 等. 烏拉爾甘草種子硬實(shí)率的近紅外光譜分析[J]. 光譜學(xué)與光譜分析, 2010, 30(1): 70-73.

Sun Qun, Li Xin, Li Hang, et al. Determination of hard rate of licorice() seeds using near infrared reflectance spectroscopy[J]., 2010, 30(1): 70-73.

[34] 張娟娟, 田永超, 姚霞, 等. 基于近紅外光譜的土壤全氮含量估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(12): 183-188.

Zhang Juanjuan, Tian Yongchao, Yao Xia, et al. Estimating model of soil total nitrogen content based on near-infrared spectroscopy analysis[J]., 2012, 28(12): 183-188.

[35] Kim I, Pullanagari R R, Deurer M, et al. The use of visible and near- infrared spectroscopy for the analysis of soil water repellency[J]., 2014, 65(3): 360-368.

[36] Debaene G, Pikula D, Niedzwiecki J. Use of VIS-NIRS for land management classification with a support vector machine and prediction of soil organic carbon and other soil properties[J]., 2014, 41(1): 21-32.

[37] 王昕洵. 紫花苜蓿種子硬實(shí)比率的近紅外光譜技術(shù)分析[D]. 北京: 中國(guó)農(nóng)業(yè)大學(xué), 2013.

Wang Xinxun. Study of the rate of alfalfa hard seeds on near infrared reflectance spectroscopy technique[D]. Beijing: China Agricultural University, 2013.

[38] Williams P C. Application of near-infrared reflectance spectroscopy to analysis of cereal grains and oil seeds[J]., 1975, 52(4): 561-576.

[39] 王文真. 樣品粒度對(duì)近紅外分析結(jié)果的影響[J]. 分析儀器, 1993(2): 52-54.

Wang Wenzhen. Effect of sample size on near infrared analysis results[J]., 1993(2): 52-54.

[40] 胡新中, 魏益民, 張國(guó)權(quán), 等. 近紅外谷物品質(zhì)分析儀工作穩(wěn)定性研究[J]. 糧食與飼料工業(yè), 2001(6): 46-47.

Hu Xinzhong, Wei Yimin, Zhang Guoquan, et al. A study on the test stability of NIR analyzer[J]., 2001(6): 46-47.

[41] 田錦蘭. NIRS定量分析羽衣甘藍(lán)含油量、蛋白質(zhì)含量和脂肪酸成分?jǐn)?shù)學(xué)模型的建立[D]. 重慶: 西南大學(xué), 2009.

Tian Jinlan. Models of oil, protein and fatty-acid composition by NIRS analysis invar. acephala[D]. Chongqing: Southwest University, 2009.

[42] 許瑞軒, 李東寧, 楊東海, 等. 近紅外光譜法田間快速估測(cè)新鮮紫花苜蓿品質(zhì)[J]. 光譜學(xué)與光譜分析, 2013, 33(11): 3010-3013.

Xu Ruixuan, Li Dongning, Yang Donghai, et al. Alfalfa quality evaluation in the field by near-infrared reflectance spectroscopy[J]., 2013, 33(11): 3010-3013.

[43] 楊瓊. 近紅外光譜法定量分析及其應(yīng)用研究[D]. 重慶: 西南大學(xué), 2009.

Yang qiong. Study on near infrared spectrometry for quantitative analysis and its analytical application[D]. Chongqing: Southwest University, 2009.

Application of Near Infrared Spectroscopy (NIR) Technique in Hard Seed Testing Research

CHEN Ling-ling1,2，XIA Fang-shan1，MAO Pei-sheng1，ZHU Yan-qiao1

(1.,,,100193,; 2.,,024031,)

Near infrared spectroscopy(NIR) has been used widely in many research areas because of its unique technical advantages. In this paper, the NIR technique's concept and its application situation in non-destructive testing were briefly illustrated, and the method for determination of the hard seed percentage with NIR were introduced in detail on the basis of reviewing the application of NIR on qualitative identification of the hard seed percentage. Also，the existing problems and research direction were issued. The aim of this paper was to provide assistance in researching on the non-destructive testing method for hard seed percentage. It will be meaningful to help the future researches on the traits of hard seeds.

near infrared spectroscopy，hard seed percentage，hard-seededness，non-destructive testing

TN219

A

1001-8891(2015)09-0793-06

2015-04-04；

2015-05-16.

陳玲玲（1982-），女，蒙古族，內(nèi)蒙古赤峰人，博士生，主要從事牧草種子生產(chǎn)與生理研究。E-mail：chenlingling001@126.com。

毛培勝（1970-），男，博士，教授，主要從事牧草種子生理與良種擴(kuò)繁研究。E-mail：maops@cau.edu.cn。

國(guó)家“十二五”科技支撐計(jì)劃課題，編號(hào)：2011BAD17B01-02；中央高?；究蒲袠I(yè)務(wù)費(fèi)專(zhuān)項(xiàng)資金資助：2014JD025。