基于高光譜的水稻種子活力無損分級(jí)檢測(cè)

許 思， 趙光武， 鄧 飛， 祁亨年

（1．湖州師范學(xué)院信息工程學(xué)院， 浙江 湖州313000；2．浙江農(nóng)林大學(xué)農(nóng)業(yè)與食品科學(xué)學(xué)院 浙江省農(nóng)產(chǎn)品品質(zhì)改良技術(shù)研究重點(diǎn)實(shí)驗(yàn)室， 浙江 臨安311300；3．浙江農(nóng)林大學(xué)信息工程學(xué)院浙江省林業(yè)智能監(jiān)測(cè)與信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室， 浙江 臨安311300）

種子活力（Seed Vigour）［1］是決定種子在萌發(fā)和出苗期間活性和表現(xiàn)水平的所有特性總和，是反映種子質(zhì)量的主要指標(biāo)之一。活力測(cè)定可反映種子在貯藏條件下或田間的潛在質(zhì)量水平［2］，在種子質(zhì)量檢測(cè)和管理中具重要意義。水稻是我國(guó)主要糧食作物，水稻種子活力水平直接影響其田間出苗和秧苗素質(zhì)，對(duì)糧食產(chǎn)量具有潛在影響。因此，開展水稻種子活力檢測(cè)具有十分重要的現(xiàn)實(shí)意義。

現(xiàn)有的種子活力檢測(cè)方法［3］，如：酶活性的測(cè)定、ATP含量測(cè)定、幼苗生長(zhǎng)測(cè)定、發(fā)芽速度測(cè)定等，經(jīng)過大量實(shí)驗(yàn)證明以上方法可以準(zhǔn)確直觀地預(yù)測(cè)種子活力，但其存在測(cè)量工作量大、成本高、效率低、速度低等缺點(diǎn)。為了滿足現(xiàn)代農(nóng)業(yè)對(duì)活力檢測(cè)技術(shù)快速、無損、準(zhǔn)確的新要求，新興技術(shù)不斷的被應(yīng)用到種子活力檢測(cè)中［6］。

光譜與光譜成像技術(shù)具有快速無損特點(diǎn)，已被廣泛的應(yīng)用于種子的鑒別以及品質(zhì)的分析，尤以近紅外光譜技術(shù)的應(yīng)用最多［4－9］。由于近紅外光譜分析只可以獲得研究對(duì)象的光譜信息，但無法獲得其空間信息，然而高光譜成像技術(shù)不僅可以獲取樣本的空間信息和光譜信息，而且能夠獲取樣本的內(nèi)外部信息，從而能夠更加全面地分析樣本信息［10－11］。迄今為止，利用高光譜成像技術(shù)用于水稻種子活力檢測(cè)鮮見報(bào)道。本文旨在研究高光譜成像技術(shù)用于水稻種子活力快速無損檢測(cè)的可行性，并利用化學(xué)計(jì)量學(xué)方法建立相應(yīng)的鑒別模型［14－16］。本試驗(yàn)以不同老化程度的4個(gè)水稻品種（共960粒）為材料，對(duì)樣本進(jìn)行人工老化后，對(duì)其完成發(fā)芽驗(yàn)證試驗(yàn)來測(cè)定每個(gè)樣本的活力指數(shù)，從而將每個(gè)品種的樣本劃分不同活力梯度的分組，采用高光譜圖像技術(shù)，通過提取水稻種子的光譜反射率，結(jié)合Savitzky－Golay（SG）平滑算法、標(biāo)準(zhǔn)正態(tài)變量（SNV）和多元散射校正（MSC）對(duì)874～1 740 nm波段內(nèi)的光譜數(shù)據(jù)進(jìn)行去除噪聲處理，采用了主成分分析法（PCA）、連續(xù)投影算法（SPA）進(jìn)行了特征波長(zhǎng)選擇［12－13］?；谌ǘ喂庾V和基于特征波長(zhǎng)分別建立了偏最小二乘判別分析（PLS－DA）模型。

1 材料與方法

1．1 材料與處理

試驗(yàn)所用的水稻種子由浙江農(nóng)林大學(xué)農(nóng)學(xué)院提供，經(jīng)篩選共選取了皖稻181號(hào)（6）、滇雜35（14）、特優(yōu)航1號(hào)（17）、五豐優(yōu)華占（22）4個(gè)水稻品種（共960粒）種子作為樣品進(jìn)行研究。將4個(gè)水稻品種（共960粒）種子作為測(cè)定樣本，每個(gè)品種各240粒，分為A、B、C 3組，放在老化箱內(nèi)做老化處理，具體信息如表1所示。在溫度45℃、濕度98%下對(duì)A、B、C 3組種子分別進(jìn)行0，36，72 h的老化處理，得到3個(gè)不同活力梯度的種子，經(jīng)過人工老化處理后的3組種子在外觀上無明顯差異［14］。作為測(cè)定樣本的種子在進(jìn)行老化處理前后都放置在4℃的環(huán)境中保存。老化后，將不同活力梯度的3組種子進(jìn)行編號(hào)并單粒保存于自封袋中。

表1 種子樣本老化數(shù)據(jù)信息

1．2 高光譜圖像采集與提取

圖1為實(shí)驗(yàn)采用的基于成像光譜儀的高光譜圖像采集系統(tǒng)，由 N 17 E－QE成像光譜儀、C－mount成像鏡頭 OLES 22、線光源Fiber－Lite Illuminator、電控位移臺(tái)PSA 200－11－X、控制器SC 300 A和高光譜圖像采集軟件（Isuzuoptics，Taiwan，China）、計(jì)算機(jī)、暗箱組成［15］。高光譜測(cè)量光譜范圍是874～1 740 nm共256個(gè)波段，采集圖像分辨率為320×256，光譜分辨率為5 nm［16］。在采集高光譜圖像時(shí)，關(guān)閉暗箱以避免外部光線的干擾。

圖1 高光譜成像系統(tǒng)示意圖

根據(jù)系統(tǒng)本身所能采集圖像的大小，決定每幅圖像采集80個(gè)樣本，4個(gè)品種共采集了960個(gè)樣本。每個(gè)水稻樣本進(jìn)行光譜采集之后，仍按照標(biāo)號(hào)單獨(dú)存放以便進(jìn)行后續(xù)發(fā)芽實(shí)驗(yàn)。采集圖像系統(tǒng)經(jīng)多次嘗試，設(shè)置如下：在圖像不失真的情況下設(shè)置曝光時(shí)間為4 ms，物距18．0 cm，平臺(tái)移動(dòng)速度為18 mm／s［17］。圖像采集軟件用臺(tái)灣五鈴光學(xué)公司提供的高光譜成像系統(tǒng)采集軟件完成。采用MATLAB R 2009 a和ENVI 4．6軟件進(jìn)行圖像處理［18］。為了消除高頻隨機(jī)等多種噪聲影響，對(duì)采集的光譜圖像進(jìn)行了圖像校正，公式如下：

式中，I是原始圖像，R是校正過的圖像，D是黑板校正圖像，W 是白板校正圖像。

通過對(duì)光譜圖像進(jìn)行校正后，采用ENVI 4．6軟件對(duì)單粒水稻種子進(jìn)行感興趣區(qū)域提?。≧IO），如圖2所示，以單粒水稻種子區(qū)域的所有像素的光譜平均值作為該樣本的平均光譜［19－20］。

1．3 光譜預(yù)處理

為了提取所選波段中最有效的光譜信息和去除冗余信息量，本試驗(yàn)采用平滑算法（Savitsky－Golay，SG）［21］、標(biāo) 準(zhǔn)正態(tài)變量 （Standard Normal Variate，SNV）［22］和 多 元 散 射 校 正 （Multiplicative Scatter Correction，MSC）［23］對(duì)感興趣區(qū)域光譜進(jìn)行預(yù)處理。其中SG平滑算法是消減噪聲最常用的一種方法，SNV與MSC的目的基本相同，為了校正樣本間由顆粒散射帶來的光譜誤差。

1．4 特征波長(zhǎng)選擇

光譜信息之間存在大量的冗余和共線性信息特征，對(duì)光譜有效信息的提取產(chǎn)生了較大的干擾，且大量光譜數(shù)據(jù)造成模型復(fù)雜、計(jì)算量大的問題［24］。本試驗(yàn)采用連 續(xù) 投 影 算 法 （Successive Projections Algorithm，SPA）和主成分分析 （Principal Component Analysis，PCA）進(jìn)行特征波長(zhǎng)的選擇，以減少信息冗余和共線性的影響，簡(jiǎn)化模型，減少計(jì)算量［25－26］。

PCA是實(shí)現(xiàn)數(shù)據(jù)信息綜合經(jīng)常使用的手段之一，其思想是化散為整，將多個(gè)分散的變量，采用重構(gòu)的方法使用綜合性的變量來代替，而且能夠保證光譜信息的不變［27］。SPA是一種特征變量前向選擇算法，在光譜特征波長(zhǎng)中取得了廣泛的應(yīng)用［28］。本試驗(yàn)采用SPA算法對(duì)不同去噪處理的光譜進(jìn)行特征波長(zhǎng)選擇。進(jìn)行SPA計(jì)算時(shí)，以建模集樣本的光譜數(shù)據(jù)和類別賦值為輸入，設(shè)置選擇特征波長(zhǎng)數(shù)的范圍為5～30。

1．5 判別分析方法

圖2 單粒水稻種子感興趣區(qū)域提取示意圖

本試驗(yàn)基于全譜和基于特征波長(zhǎng)建立PLS－DA判別分析模型。PLS－DA算法是基于PLS回歸模型建立的判別分析算法［22－23］，通過建立光譜數(shù)據(jù)與類別特征之間的回歸模型，進(jìn)行判別分析?；貧w模型得到的樣本的預(yù)測(cè)值不是整數(shù)，需要設(shè)置閾值以判斷樣本的歸屬。本試驗(yàn)中閾值設(shè)置為0．5［23］，即預(yù)測(cè)值與實(shí)際值之差的絕對(duì)值小于0．5，則判別正確，反之，則錯(cuò)誤［31］。

1．6 發(fā)芽試驗(yàn)

為保持前后數(shù)據(jù)的一致性，采用上述經(jīng)過高光譜采集的種子進(jìn)行發(fā)芽試驗(yàn)。從上述12組中選取顆粒飽滿，無發(fā)芽、發(fā)霉現(xiàn)象的水稻種子，每組80粒共960粒，按照上述分組按照編號(hào)順序放在發(fā)芽皿上，利用智能視覺測(cè)量?jī)x，在25℃、4 000 lx光照條件下對(duì)種子進(jìn)行發(fā)芽試驗(yàn)。每隔6 h澆水5 m L，并拍攝水稻種子的發(fā)芽圖片，測(cè)定14 d的幼苗長(zhǎng)度，并作記錄。試驗(yàn)共獲得960張水稻種子的生長(zhǎng)圖像。

測(cè)量的數(shù)據(jù)以試驗(yàn)的最后一天的測(cè)量數(shù)據(jù)為主，按照簡(jiǎn)易活力指數(shù)測(cè)定方法，觀察不同老化處理后，種子的發(fā)芽率，發(fā)芽長(zhǎng)度等指標(biāo)，得到對(duì)應(yīng)的活力指數(shù)，如表2所示。

表2 不同老化處理的種子活力指數(shù)

從表2可以看出，除了中浙優(yōu)8號(hào)的AB組外，未經(jīng)老化處理的種子活力指數(shù)明顯高于經(jīng)過36 h和72 h老化處理的種子。人工老化處理種子的目的是為了人為地將同一水稻種子劃分為3組不同活力梯度的樣本。從表2可知，經(jīng)過72 h老化處理的水稻種子活力明顯低于未經(jīng)過老化處理的水稻種子，但部分經(jīng)過36 h老化處理的水稻種子活力卻高于未經(jīng)過老化處理的種子，這一現(xiàn)象符合自然規(guī)律。因此本試驗(yàn)區(qū)分同一品種水稻種子的不同活力水平的依據(jù)為表2所示的簡(jiǎn)易活力指數(shù)，根據(jù)同一水稻種子的不同活力指數(shù)將其分為不同活力水平的分組，具體如表2的活力等級(jí)分組所示［32］。這樣的做法，彌補(bǔ)了單純依靠人工老化對(duì)種子進(jìn)行活力等級(jí)的劃分，從表2不難看出，人工老化種子的時(shí)間與種子的活力等級(jí)并不呈正反比［33］。本試驗(yàn)是通過嚴(yán)格的發(fā)芽驗(yàn)證試驗(yàn)區(qū)分水稻種子的活力水平等級(jí)，增加了試驗(yàn)的可靠性和嚴(yán)謹(jǐn)性。

2 結(jié)果與分析

2．1 水稻種子的原始光譜曲線

本試驗(yàn)采集的是256個(gè)波段的波長(zhǎng)范圍在874～1 734 nm的近紅外光譜數(shù)據(jù)，原始光譜圖以品種6為例，如圖3所示。

圖3 水稻種子樣本原始反射光譜圖

由圖3可以看出，3組不同老化程度的水稻種子樣本的光譜曲線并無明顯的差異。按照Kennard－Stone算法［14］將樣本分成建模集和預(yù)測(cè)集，其中建模集160個(gè)樣本，預(yù)測(cè)集80個(gè)樣本。

2．2 主成分分析定性分析

通過對(duì)樣本的光譜數(shù)據(jù)進(jìn)行主成分分析（PCA）可知，第一主成分（principle component 1，PC 1）的貢獻(xiàn)率為75．03%，PC 2的貢獻(xiàn)率為17．91%，PC 1和 PC 2累計(jì)貢獻(xiàn)率為92．54%，PC 1和PC 2能夠解釋絕大部分的變量。

由圖4可知，每個(gè)品種的水稻種子不同老化程度分組之間較難直接區(qū)分出來，得分圖中均有重合的地方。因此需要對(duì)不同老化分組的水稻光譜數(shù)據(jù)進(jìn)行進(jìn)一步的處理和分析，以此區(qū)分不同活力的水稻種子。

圖4 第一主成分（PC 1）和第二主成分（PC 2）的得分分布圖

2．3 連續(xù)投影算法分析

圖5 －1 SPA多元線性回歸模型選擇的變量數(shù)

圖5 －2 SPA多元線性回歸模型的建模預(yù)測(cè)結(jié)果

連 續(xù) 投 影 算 法 （Successive Projections Algorithm，SPA）是從光譜矩陣中找出冗余信息最少的變量組，使組內(nèi)變量間的共線性達(dá)到最小。如圖4所示，SPA算法優(yōu)先了共9個(gè)波長(zhǎng)，此時(shí)的預(yù)測(cè)平均標(biāo)準(zhǔn)偏差最小，運(yùn)用這些波長(zhǎng)建立多元線性回歸模型。建模預(yù)測(cè)結(jié)果如圖5所示。雖然所用的變量數(shù)很少，僅占總變量的0．035 2，但是模型的預(yù)測(cè)精度已經(jīng)達(dá)到了較好的結(jié)果，相關(guān)系數(shù)r＝0．919 33，預(yù)測(cè)誤差均方根RMSEP＝0．471 33。

2．4 基于全波波段光譜的PLS－DA判別模型

對(duì)經(jīng)過3種去噪方法處理的光譜進(jìn)行PLS－DA判別分析，結(jié)果如表3所示。

表3 基于全波段的PLS－DA判別分析結(jié)果

由表3可知，基于MSC去噪后的光譜識(shí)別率最高，效果最好，建模集識(shí)別正確率和預(yù)測(cè)集識(shí)別正確率均為最高?；贛SC去噪后的光譜取得了最佳的PLS－DA判別分析結(jié)果，但是預(yù)測(cè)集的識(shí)別正確率仍低于85%。SG、SNV雖然有效去除了光譜中的部分噪聲，但也消除了部分有效信息，導(dǎo)致了PLS－DA判別結(jié)果偏低。

2．5 特征波長(zhǎng)選擇

本試驗(yàn)以建模樣本集的光譜數(shù)據(jù)和類別賦值為輸入，分別基于PCA和SPA算法選擇特征波長(zhǎng)。選出的特征波長(zhǎng)的個(gè)數(shù)如表4所示。從表4可知，SPA算法所選擇的特征波長(zhǎng)的個(gè)數(shù)要多于PCA算法，基于MSC預(yù)處理后的光譜挑選的特征波長(zhǎng)個(gè)數(shù)最多，而基于SG預(yù)處理后的光譜選擇的特征波長(zhǎng)最少。

表4 PCA算法和SPA算法選擇的特征波長(zhǎng)數(shù)

2．6 基于特征波長(zhǎng)的PLS－DA模型

基于特征波長(zhǎng)的PLS－DA模型的計(jì)算結(jié)果如表5所示。

表5 基于特征波長(zhǎng)的PLS－DA判別分析結(jié)果

從表5可知，基于MSC預(yù)處理光譜的采用SPA算法選擇的特征波長(zhǎng)建立PLS－DA模型的識(shí)別效果最好，建模集識(shí)別正確率達(dá)到100．00%，預(yù)測(cè)集正確率達(dá)到98．75%。基于SG和SNV預(yù)處理的采用PCA算法選擇的特征波長(zhǎng)建立的PLS－DA模型取得了最差的識(shí)別效果，建模集和預(yù)測(cè)集的識(shí)別正確率均低于80%。比較分別基于PCA算法和SPA算法提取的特征波長(zhǎng)建立的PLS－DA模型可知，基于SPA算法提取特征波長(zhǎng)的PLS－DA模型的整體識(shí)別效果要優(yōu)于基于PCA提取特征波長(zhǎng)的PLS－DA模型。

單獨(dú)比較不同預(yù)處理方法對(duì)PLS－DA識(shí)別效果的影響可知，基于MSC預(yù)處理的光譜取得了最佳的識(shí)別效果，而基于SG預(yù)處理的光譜和SNV預(yù)處理光譜的識(shí)別效果因?yàn)樘卣鞑ㄩL(zhǎng)的選擇方法不同而識(shí)別效果不同。

2．7 最優(yōu)PLS－DA模型

由以上研究可知，通過MSC預(yù)處理，基于SPA算法提取的特征波長(zhǎng)建立的PLS－DA模型對(duì)水稻種子的活力水平識(shí)別率最優(yōu)。因此，對(duì)全部樣本采用相同處理方法建立的PLS－DA模型結(jié)果如表6所示。

表6 采用MSC預(yù)處理基于SPA挑選特征波長(zhǎng)的PLS－DA判別分析結(jié)果

3 結(jié)論與討論

本試驗(yàn)應(yīng)用高光譜圖像技術(shù)對(duì)水稻種子的活力檢測(cè)進(jìn)行了研究。以不同老化程度的4個(gè)水稻品種共960粒水稻種子為材料，對(duì)樣本進(jìn)行人工老化后，對(duì)其完成發(fā)芽驗(yàn)證試驗(yàn)，并測(cè)定每個(gè)樣本的活力指數(shù)，以此將每個(gè)品種的樣本劃分不同活力梯度的分組，得到了可靠的不同活力梯度分組的水稻種子樣本［30］。分別采用了SG平滑算法、SNV算法和MSC算法對(duì)提取出的光譜進(jìn)行了去噪處理，同時(shí)采用主成分分析方法和連續(xù)投影分析方法對(duì)所獲得的高光譜圖像進(jìn)行特征分析，提取了特征波長(zhǎng)，并分別基于全光譜和基于特征波長(zhǎng)建立了PLS－DA判別模型。采用SPA算法在全波段提取了9個(gè)特征波長(zhǎng)，占全部變量的3．52%，建立了多元線性回歸模型，建立的模型預(yù)測(cè)相關(guān)系數(shù)達(dá)到了預(yù)測(cè)均方根誤差。表明SPA算法確實(shí)提取了建模所需的有用信息，建設(shè)了模型的復(fù)雜程度和計(jì)算量。表明SPA是一種比較有效的特征波長(zhǎng)提取算法?；贛SC算法預(yù)處理的光譜采用SPA算法提取出的特征波長(zhǎng)建立的PLS－DA模型取得了最佳的識(shí)別效果，建模集和預(yù)測(cè)集識(shí)別正確率均達(dá)到91%以上，其中皖稻181號(hào)（6）和特優(yōu)航1號(hào)（17）建模集和預(yù)測(cè)集識(shí)別正確率為100．00%。在今后的研究中將考慮研究盡可能多的不同活力的水稻品種，建立更為穩(wěn)定以及適用范圍更廣的水稻種子活力判別模型，進(jìn)一步提高水稻種子活力識(shí)別判定的可靠性。

［1］Perry D A．Report of the Vigour Test Committee［J］．Seed Science and echnology，1978（6）：159－181．

［2］Hampton J G，TeKrony D M．Handbook of Vigour Test Methods［M］．Zurich：International Seed Testing Association，1995，117：70－80．

［3］浦心春，韓建國(guó)．種苗評(píng)定于種子活力測(cè)定方法手冊(cè)［M］．北京：北京農(nóng)業(yè)大學(xué)出版社，1993：103－110．

［4］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）：86－89．

［5］陰佳鴻，毛培勝，黃鶯，等．不同含水量劣變燕麥種子活力的近紅外光譜分析［J］．紅外，2010，31（7）：39－44．

［6］李美凌，鄧飛，劉穎，等．基于高光譜圖像的水稻種子活力檢測(cè)技術(shù)研究［J］．浙江農(nóng)業(yè)學(xué)報(bào)，2015（1）：1－6．

［7］Tigabu M，Ode’n P C．Discrimination of viable and empty seeds of Pinus patula Schiede＆Deppe with near－infrared spectroscopy and multivariate analysis［J］．New Forests，2003，25（3）：163－176．

［8］偉利國(guó)，張小超，趙博，等．電子鼻技術(shù)及其在小麥活性檢測(cè)中的應(yīng)用［J］．農(nóng)機(jī)化研究，2010（6）：150－152．

［9］楊冬風(fēng)，尹淑欣，姜麗，等．玉米種子活力近紅外光譜智能檢測(cè)方法研究［J］．核農(nóng)學(xué)報(bào)，2013，27（7）：957－961．

［10］洪添勝，喬軍，WANG N，等．基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測(cè)［J］．農(nóng)業(yè)工程學(xué)報(bào)，2007，23（2）：151－155．

［11］薛龍，黎靜，劉木華．基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留試驗(yàn)研究［J］．光學(xué)學(xué)報(bào)，2008，28（12）：2 277－2 280．

［12］LU Ren－fu．Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images［J］．Sensing and Instrumentation for Food Quality and Safety，2007，1（1）：19－27．

［13］孫雪梅，周啟發(fā)，何秋霞．利用高光譜參數(shù)預(yù)測(cè)水稻葉片葉綠素和籽粒蛋白質(zhì)含量［J］．作物學(xué)報(bào)，2005，31（7）：844－850．

［14］唐玉蓮，梁逸曾，范偉，等．應(yīng)用近紅外光譜快速鑒別不同年齡段人食用的奶粉品種［J］．紅外，2010（01）：777－778．

［15］吳桂芳，何勇．小波閾值降噪模型在紅外光譜信號(hào)處理中的應(yīng)用研究［J］．光譜學(xué)與光譜分析，2009（12）：889－892．

［16］劉飛，王莉，何勇，等．應(yīng)用可見／近紅外光譜進(jìn)行黃酒品種的判別［J］．光譜學(xué)與光譜分析，2008（03）：123－125．

［17］張初，劉飛，孔汶汶，等．利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種［J］．農(nóng)業(yè)工程學(xué)報(bào)，2013，20：270－277．

［18］褚小立，袁洪福，陸婉珍．近紅外分析中光譜預(yù)處理及波長(zhǎng)選擇方法進(jìn)展與應(yīng)用［J］．化學(xué)進(jìn)展，2004（04）：65－69．

［19］夏天，吳文斌，周清波，等．冬小麥葉面積指數(shù)高光譜遙感反演方法對(duì)比［J］．農(nóng)業(yè)工程學(xué)報(bào)，2013（03）：88－90．

［20］周竹，李小昱，陶海龍，等．基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測(cè)［J］．農(nóng)業(yè)工程學(xué)報(bào)，2012（21）：333－335．

［21］張志勇，李剛，林凌，等．EMD和SPA算法在光譜法檢測(cè)面粉過氧化苯甲酰添加量中的應(yīng)用［J］．光譜學(xué)與光譜分析，2012（10）：100－102．

［22］王慶，薛衛(wèi)青，馬晗煦，等．近紅外光譜技術(shù)定量分析玉米雜交種純度（英文）［J］．農(nóng)業(yè)工程學(xué)報(bào)，2012（S 2）：77－80．

［23］黃敏，朱曉，朱啟兵，等．基于高光譜圖像的玉米種子特征提取與識(shí)別［J］．光子學(xué)報(bào)，2012（07）：15－17．

［24］劉天玲，蘇琪雅，孫群，等．基于NIR分析和模式識(shí)別技術(shù)的玉米種子識(shí)別系統(tǒng)［D］．光譜學(xué)與光譜分析，2012（6）：33－36．

［25］韓瑞．人工老化水稻種子生理生化變化、DNA損傷及活力恢復(fù)的研究［D］．浙江大學(xué)，2012，20：44－47．

［26］偉利國(guó)，張小超，趙博，等．電子鼻技術(shù)及其在小麥活性檢測(cè)中的應(yīng)用［J］．農(nóng)機(jī)化研究，2010（6）：150－152．

［27］楊冬風(fēng)，尹淑欣，姜麗，等．玉米種子活力近紅外光譜智能檢測(cè)方法研究［J］．核農(nóng)學(xué)報(bào)，2013，27（7）：957－961．

［28］洪添勝，喬軍，WANG N，等．基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測(cè)［J］．農(nóng)業(yè)工程學(xué)報(bào)，2007，23（2）：151－155．

［29］薛龍，黎靜，劉木華．基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留試驗(yàn)研究［J］．光學(xué)學(xué)報(bào)，2008，28（12）：2 277－2 280．

［30］LU Ren－fu．Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images［J］．Sensing and Instrumentation for Food Quality and Safety，2007，1（1）：19－27．

［31］孫雪梅，周啟發(fā)，何秋霞．利用高光譜參數(shù)預(yù)測(cè)水稻葉片葉綠素和籽粒蛋白質(zhì)含量［J］．作物學(xué)報(bào)，2005，31（7）：844－850．

［32］Soltani A，Lestander T A，Tigabu M，et al．Prediction of viability of oriental beechnuts，F(xiàn)agus orientalis，using near infra－red spectroscopy and partial least squares regression［J］．Journal of Near Infrared Spectroscopy，2003，11（5）：357－364．

［33］沈飛，廖宜濤，應(yīng)義斌．連續(xù)投影算法（SPA）在近紅外光譜定量分析中的應(yīng)用［A］．中國(guó)農(nóng)業(yè)工程學(xué)會(huì)．紀(jì)念中國(guó)農(nóng)業(yè)工程學(xué)會(huì)成立30周年暨中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2009年學(xué)術(shù)年會(huì)（CSAE 2009）論文集［C］．中國(guó)農(nóng)業(yè)工程學(xué)會(huì)，2009：33－37．