利用近紅外光譜與PCA-SVM識(shí)別熱損傷番茄種子

彭彥昆，趙 芳，李 龍，邢瑤瑤，房曉倩

0 引 言

番茄屬于茄科類(lèi)蔬菜，富含多種維生素和多種礦物質(zhì)元素，并有降血壓、降膽固醇和防癌的作用，是全世界栽培最為普遍的果蔬之一，在中國(guó)蔬菜栽培中也占有重要的地位，是生產(chǎn)上的大宗蔬菜之一。種子活力檢測(cè)是種子質(zhì)量檢驗(yàn)中的重要內(nèi)容，而種子活力在貯藏過(guò)程中可能由于不利的貯藏條件和貯藏之前因種子干燥溫度過(guò)高而喪失[1]。蔬菜種子主要用于生產(chǎn)和培育，而損傷種子在進(jìn)行田間種植繁殖時(shí)，會(huì)造成出苗率低、成苗率低、出苗時(shí)間長(zhǎng)、出苗后生長(zhǎng)速度慢甚至產(chǎn)量降低等影響。一些研究[2-7]證明高溫會(huì)顯著降低種子發(fā)芽率。因此，開(kāi)展番茄種子熱損傷檢測(cè)對(duì)確保番茄果實(shí)產(chǎn)量和品質(zhì)具有十分重要的現(xiàn)實(shí)意義。

損傷種子的識(shí)別主要依靠人工或機(jī)器視覺(jué)通過(guò)顏色來(lái)進(jìn)行挑選和分級(jí)。Shatadal等[8]建立了基于顏色圖像分析的 4類(lèi)神經(jīng)網(wǎng)絡(luò)模型，用于正常、熱損傷、冷凍損傷和蟲(chóng)害大豆種子的識(shí)別，其判別正確率分別為 99.6%，95%，90%，50.6%。圖像分析技術(shù)可以提供一種熱損傷種子識(shí)別方法，但熱受損種子并不總是在顏色上有差異，種子質(zhì)量的變化往往伴隨其內(nèi)含物質(zhì)的變化，而機(jī)器視覺(jué)不能提供與化學(xué)成分有關(guān)的具體信息。近年來(lái)，近紅外光譜分析技術(shù)已逐步應(yīng)用于種子質(zhì)量檢測(cè)[9-19]。白京等[12]利用自主搭建的近紅外光譜檢測(cè)系統(tǒng)獲取玉米種子在450～900 nm的光譜，以紅墨水染色法測(cè)定得到的種子活力為參考值，建立了種子活力的定性判別模型，其中校正集與驗(yàn)證集的判別正確率分別為 95.65%和86.67%。Tigabu等[13]利用近紅外透射光譜技術(shù)結(jié)合SIMCA及PLS-DA分析方法，對(duì)未老化和高溫高濕老化的馬尾松種子進(jìn)行了定性分析，老化和未老化種子的判別正確率可達(dá)100%，不同老化處理時(shí)間之間的判別正確率大于75%，為從大批種子中分離劣變種子提供了可能。Spielbeauer等[16]利用自主搭建的漫反射近紅外光譜采集系統(tǒng)建立了玉米種子淀粉、蛋白質(zhì)和含油量的定量預(yù)測(cè)模型，其相關(guān)系數(shù)在 0.66～0.89之間，為種子化學(xué)成分的測(cè)定提供一種新方法。

上述研究為利用近紅外光譜技術(shù)檢驗(yàn)種子質(zhì)量提供了理論基礎(chǔ)和方法依據(jù)，但目前種子質(zhì)量檢測(cè)主要集中于化學(xué)成分含量的測(cè)定，而對(duì)種子熱損傷的無(wú)損識(shí)別的研究鮮有報(bào)道。熱損傷種子的早期檢測(cè)有利于提高種子的使用價(jià)值，提升種子企業(yè)的競(jìng)爭(zhēng)力。本文以番茄種子為研究對(duì)象，應(yīng)用近紅外光譜技術(shù)采集正常種子和熱損傷種子的光譜特征信息，并結(jié)合線性和非線性建模方法建立番茄種子熱損傷定性分析模型，為熱損傷種子的快速無(wú)損識(shí)別提供一種新方法。

1 材料與方法

1.1 試驗(yàn)儀器

本次試驗(yàn)采用的近紅外光譜采集系統(tǒng)是實(shí)驗(yàn)室自主搭建，該系統(tǒng)主要包括光譜儀（AVS-DESKTOP-USB2-EXT-12V，Avantes China，北京）、光學(xué)光纖（R200-7-VISNIR，Ocean Optics，USA）、光源（HL-2000，Ocean Optics，USA）、支架和計(jì)算機(jī)等。光譜儀的掃描范圍是980～1 700 nm，分辨率為4 nm。數(shù)顯鼓風(fēng)干燥箱（GZX-9070MBE，上海博訊實(shí)業(yè)有限公司）。

1.2 樣品制備

本研究采用的試驗(yàn)樣品購(gòu)自北京市博收種子有限公司，品種為“奇奇”櫻桃番茄種子。考慮到番茄種子在試驗(yàn)過(guò)程中均單獨(dú)存放，故選擇種子粒數(shù)不能過(guò)多。經(jīng)人工挑選共選取 120粒無(wú)裂紋、無(wú)蟲(chóng)害、無(wú)霉變和飽滿的番茄種子，并編號(hào)單粒保存于自封袋中，在試驗(yàn)之前樣品放置于4 ℃的環(huán)境中保存。

將番茄種子平均分為2部分，一部分用于獲得熱損傷種子組，另一部分作為正常種子組。種子正常干燥處理的溫度為38～48 ℃，當(dāng)干燥溫度過(guò)高（大于60 ℃）時(shí)會(huì)導(dǎo)致種子熱損傷現(xiàn)象。有研究表明80 ℃高溫處理對(duì)種子的發(fā)芽勢(shì)、發(fā)芽率及田間出苗率均有顯著影響[20-21]，故本試驗(yàn)將干燥溫度設(shè)置為80 ℃；在高溫干燥過(guò)程中隨著處理時(shí)間的增長(zhǎng)，種子活力的破壞越大，但為了獲得在外觀（顏色和表皮裂紋）上與正常種子無(wú)顯著差異的熱損傷種子組，通過(guò)試驗(yàn)確定高溫處理時(shí)間為6 h。故本文通過(guò)將種子置入干燥箱內(nèi)以80 ℃高溫持續(xù)烘6 h獲得熱損傷種子組。高溫加熱處理后，將種子單粒置入已編號(hào)的自封袋中，便于單粒種子的光譜采集和后續(xù)的發(fā)芽驗(yàn)證試驗(yàn)。

1.3 光譜采集

打開(kāi)上述的近紅外光譜檢測(cè)系統(tǒng)，為了保證光譜儀的穩(wěn)定運(yùn)行，光譜儀預(yù)熱至少30 min。然后對(duì)裝置的檢測(cè)參數(shù)進(jìn)行設(shè)置：光譜積分時(shí)間為90 ms，像素平滑窗口寬度為1，掃描次數(shù)為6次。將種子逐粒從袋子中取出，按照順序放置在黑色背景上面進(jìn)行單籽粒光譜采集，每粒種子采集 3次光譜，取平均值作為該樣本的原始光譜數(shù)據(jù)。為了消除暗電流的影響，需進(jìn)行光譜校正。采集時(shí)先將裝置探頭放置在標(biāo)準(zhǔn)校正白板，采集白參考，再放置在標(biāo)準(zhǔn)黑板，采集黑參考，樣品反射率的計(jì)算公式如式（1）所示：

式中R為樣品的光譜反射率；I為樣品的反射光譜強(qiáng)度；Ia為白參考的反射光譜強(qiáng)度；Ib為黑參考的反射光譜強(qiáng)度（無(wú)單位）。

樣品集的劃分會(huì)影響模型的預(yù)測(cè)精度，而 Kennard-Stone（KS）方法被普遍應(yīng)用在光譜數(shù)據(jù)的定性分析領(lǐng)域[22]。為了保證一定的建模樣本數(shù)量和得到穩(wěn)定的預(yù)測(cè)模型[22]，本文采用KS方法將樣品按照約3∶1的比例劃分為校正集與驗(yàn)證集，其劃分結(jié)果如表1所示。

表1 Kennard-Stone樣品集劃分結(jié)果Table 1 Samples set division results by KS

1.4 種子發(fā)芽驗(yàn)證試驗(yàn)

為了驗(yàn)證熱損傷種子組與正常種子組活力的差異性，將采集過(guò)光譜的種子按照編號(hào)順序放在發(fā)芽皿上，按照標(biāo)準(zhǔn)發(fā)芽試驗(yàn)對(duì)番茄種子進(jìn)行14 d的發(fā)芽試驗(yàn)。通過(guò)每天統(tǒng)計(jì)的發(fā)芽數(shù)計(jì)算發(fā)芽率、發(fā)芽勢(shì)、發(fā)芽指數(shù)和平均發(fā)芽日數(shù)。

式中Gt表示在t日時(shí)的發(fā)芽數(shù)，Dt表示相應(yīng)的發(fā)芽日數(shù)，N表示種子總數(shù)，Gf表示在發(fā)芽試驗(yàn)初期規(guī)定日期f天內(nèi)的發(fā)芽種子數(shù)，Gr為發(fā)芽率，Ge為發(fā)芽勢(shì)，Gi為發(fā)芽指數(shù)，Gd為平均發(fā)芽日數(shù)。

1.5 數(shù)據(jù)分析方法

本文選取線性和非線性應(yīng)用最廣泛的兩種分類(lèi)判別模型，分別為偏最小二乘法判別分析（partial least squares discriminant analysis，PLS-DA）和支持向量機(jī)（support vector machines，SVM）。PLS-DA算法是基于PLS回歸模型建立的判別分析算法[23-24]，通過(guò)建立光譜數(shù)據(jù)與類(lèi)別特征之間的回歸模型，進(jìn)行判別分析。支持向量機(jī)是一種基于有限樣本統(tǒng)計(jì)學(xué)習(xí)理論的有監(jiān)督機(jī)器學(xué)習(xí)方法，通過(guò)非線性映射將輸入變量映射到一個(gè)高維的特征向量空間，在高維特征空間進(jìn)行線性回歸，依據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化（structural risk minimization，SRM）原則，在高維空間構(gòu)造最優(yōu)分類(lèi)超平面，較好解決小樣本、非線性等問(wèn)題[25-26]。本試驗(yàn)將有正常種子的類(lèi)別變量設(shè)為1，熱損傷種子的類(lèi)別變量設(shè)為0，閡值設(shè)置為0.5，即當(dāng)預(yù)測(cè)值大于0.5則判定為有正常種子，否則，判定為熱損傷種子。通過(guò)比較 2種模型的判別效果，選取最優(yōu)判別模型。數(shù)據(jù)處理與分析在 Matlab R2011b、OriginPro 8和Excel 2007中完成。

2 結(jié)果與分析

2.1 番茄種子光譜特性

圖1為60粒正常種子和60粒熱損傷種子的平均光譜圖。從圖1可以看出正常種子與熱損傷種子的光譜曲線的總趨勢(shì)和特征吸收峰基本相同。在1 200和1 500 nm附近處有2個(gè)明顯的吸收峰，1 200 nm為 C-H基的第二倍頻吸收波長(zhǎng)[15]，代表了碳水化合物的特征吸收峰；1 400～1 500 nm為O-H基和N-H基的第一倍頻吸收波長(zhǎng)[15]，分別代表了水分和蛋白質(zhì)的特征吸收峰。由圖 1可以得出，熱損傷種子與正常種子在光譜強(qiáng)度上有差異，熱損傷種子的平均吸收率小于正常種子的平均吸收率，與Wang等[27]的研究報(bào)道一致。番茄種子經(jīng)高溫處理后，種子內(nèi)的蛋白質(zhì)在加熱的物理作用下變性。蛋白質(zhì)的變性作用主要是蛋白質(zhì)分子內(nèi)部的結(jié)構(gòu)被破壞。天然蛋白質(zhì)的空間結(jié)構(gòu)是通過(guò)氫鍵等次級(jí)鍵維持的，而變性后次級(jí)鍵被破壞，蛋白質(zhì)分子就從原來(lái)有序的卷曲緊密結(jié)構(gòu)變?yōu)闊o(wú)序的松散伸展?fàn)罱Y(jié)構(gòu)（一級(jí)結(jié)構(gòu)并未改變）。天然蛋白質(zhì)與變性蛋白質(zhì)的結(jié)構(gòu)差異會(huì)導(dǎo)致種子吸收光譜的差異。另一方面，熱損傷種子容易在籽粒中心產(chǎn)生了應(yīng)力裂紋，然后沿著淀粉顆粒邊界向外圍擴(kuò)展，導(dǎo)致種子內(nèi)部的空隙增加[28]。當(dāng)入射光照射到熱損傷種子上時(shí)，會(huì)產(chǎn)生更多衍射和漫反射光，而正常種子內(nèi)部沒(méi)有裂紋，入射光會(huì)直接穿過(guò)種子，因此熱損傷種子具有較小的吸收率。

圖1 平均原始近紅外光譜Fig.1 Average raw NIR spectra

2.2 發(fā)芽驗(yàn)證試驗(yàn)結(jié)果

番茄種子的發(fā)芽驗(yàn)證試驗(yàn)結(jié)果如表 2所示，從表 2中可以看出熱損傷種子的發(fā)芽率、發(fā)芽勢(shì)和發(fā)芽指數(shù)均明顯低于正常種子，平均發(fā)芽日數(shù)高于正常種子。這表示熱損傷種子的萌發(fā)受到了抑制，其活力低于正常種子。

表2 番茄種子發(fā)芽結(jié)果Table 2 Germination results of tomato seeds

2.3 PLS-DA判別模型

主因子數(shù)的選擇是建立 PLS-DA模型的第一步，合理的主因子數(shù)既可以提高模型的預(yù)測(cè)精度，又可以提高模型的穩(wěn)定性。本文采用留一交叉驗(yàn)證法[29]確定PLS-DA模型的最佳主因子數(shù)，主因子數(shù)初始范圍為1～20，步長(zhǎng)為1，分別建立PLS-DA模型，得到校正集的判別正確率和交叉驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV）。因?yàn)槟Ｐ偷玫降念A(yù)測(cè)值并不是整數(shù)，且判別閾值為0.5，因此只有當(dāng)預(yù)測(cè)值與類(lèi)別真值之間的誤差小于0.5時(shí)才能判別正確，所以選擇RMSECV小于0.5對(duì)應(yīng)的主因子數(shù)。再以校正集判別正確率作為評(píng)價(jià)指標(biāo)，校正集的判別正確率高時(shí)所對(duì)應(yīng)的主因子數(shù)即為最佳主因子數(shù)。

校正集判別正確率和交叉均方根誤差與主因子數(shù)的關(guān)系如圖2所示，RMSECV隨著主因子數(shù)的增加呈遞減的趨勢(shì)，主因子為1時(shí)，交叉驗(yàn)證均方根誤差最大為0.5，主因子數(shù)在3～20范圍內(nèi)時(shí)，RMSECV變化平緩，且當(dāng)主因子數(shù)為 8時(shí)交叉驗(yàn)證均方根誤差達(dá)到最小值。校正集總判別正確率隨著主因子數(shù)的增加呈遞增的趨勢(shì)，當(dāng)主因子數(shù)為5時(shí)，其判別正確率達(dá)100%?？紤]到主因子數(shù)小，更有利于模型的穩(wěn)定性，因此本試驗(yàn)最終選取 5作為PLS-DA模型的最佳主因子數(shù)。

圖2 主因子數(shù)與判別正確率和交叉驗(yàn)證均方根誤差的關(guān)系Fig.2 Relationships between classification accuracy,RMSECV and latent variable number

當(dāng)主因子數(shù)為 5時(shí)，采用校正集樣品的原始光譜建立PLS-DA分類(lèi)模型，其校正模型的判別效果如圖3a所示，其正常種子和熱損傷種子的判別正確率均為100%。為了進(jìn)一步驗(yàn)證所建立 PLS-DA模型，將未參與建模的驗(yàn)證集樣品的原始光譜代入上述 PLS-DA校正模型并計(jì)算判別正確率，結(jié)果如圖 3b所示，其總判別正確率為96.67%，其中正常種子的判別正確率為100%，1個(gè)熱損傷種子被誤判為正常種子。

圖3 PLS-DA模型的判別結(jié)果Fig.3 Classification result of PLS-DA model

2.4 PAC-SVM判別模型

2.4.1 PCA預(yù)處理

由于原始光譜數(shù)據(jù)維數(shù)過(guò)高，若將其直接作為支持向量機(jī)的輸入變量，會(huì)導(dǎo)致模型過(guò)于復(fù)雜，運(yùn)行時(shí)間過(guò)長(zhǎng)。同時(shí)，冗余的光譜數(shù)據(jù)還會(huì)減少模型的預(yù)測(cè)精度。主成分分析（principal component analysis，PCA）是常用的一種面向模式分類(lèi)的數(shù)據(jù)降維方法，是在保證盡可能多的反映原始信息的基礎(chǔ)上，用較少的主成分代替原來(lái)較多的光譜變量，從而達(dá)到簡(jiǎn)化模型的目的[30]。因此，在建立 SVM 判別模型之前，利用 Matlab R2011b中的pca( )函數(shù)對(duì)番茄種子的原始光譜進(jìn)行主成分分析，前 3個(gè)主成分的累積貢獻(xiàn)率已達(dá)到99.99%，能準(zhǔn)確反映光譜數(shù)據(jù)信息。圖4為校正集光譜矩陣前3個(gè)主成分的得分分布圖，2類(lèi)種子在三維得分圖中具有較好的聚類(lèi)效果，因此可以通過(guò)PCA預(yù)處理方法提高模型的識(shí)別能力[31]。

圖4 主成分得分Fig.4 Principal component scores

2.4.2 PCA-SVM模型的建立與驗(yàn)證

利用Matlab自帶的PLS_Toolbox_802工具包中的支持向量機(jī)算法建立熱損傷種子定性分析模型。不同的核函數(shù)可構(gòu)成不同的SVM分類(lèi)器，目前最常用的核函數(shù)分類(lèi)器有多項(xiàng)式核函數(shù)、S型核函數(shù)、線性核函數(shù)和徑向核函數(shù)（radial basis function，RBF）等。因?yàn)閺较蚝瘮?shù)具有效率高、逼近速度快等優(yōu)點(diǎn)[32]，本文選取 RBF作為SVM的核函數(shù)，支持向量機(jī)類(lèi)型為ε-SVM。對(duì)于RBF核函數(shù)的ε-SVM，有懲罰因子c、松弛變量g和基本參數(shù)ε需要優(yōu)化。其中懲罰因子c與可容忍的誤差相關(guān)，松弛變量g決定了數(shù)據(jù)映射到新的特征空間后的分布，決定了線性分類(lèi)面的復(fù)雜度。本文采用交叉驗(yàn)證法（cross validation，CV）確定這3個(gè)參數(shù)，其參數(shù)優(yōu)化結(jié)果如圖5所示。

當(dāng)懲罰因子c為10、松弛變量g為0.32和基本參數(shù)ε為0.01時(shí)，采用SVM判別分析法結(jié)合PCA預(yù)處理建立番茄種子熱損傷定性識(shí)別模型，并對(duì)驗(yàn)證集進(jìn)行預(yù)測(cè)分析，其鑒別結(jié)果如圖 6所示。從圖中可以看出，其校正集與預(yù)測(cè)集的判別正確率均為100%，驗(yàn)證集中其分類(lèi)變量值與預(yù)測(cè)值的平均偏差為0.043，表明SVM模型可以很好區(qū)分正常種子和熱損傷種子。

圖5 ε-SVM的參數(shù)優(yōu)化結(jié)果Fig.5 Parameter optimization results of ε-SVM

圖6 PCA-SVM模型的判別結(jié)果Fig.6 Classification result of PCA-SVM model

3 結(jié) 論

本研究基于用近紅外光譜技術(shù)分析了正常番茄種子與熱損傷番茄種子的光譜特性，并利用偏最小二乘判別法和支持向量機(jī)建立了番茄種子熱損傷識(shí)別模型。以判別正確率和預(yù)測(cè)平均偏差來(lái)評(píng)價(jià)判別模型，得出以下結(jié)論：

1）PLS-DA和PCA-SVM模型的驗(yàn)證集總正確率分別為96.67%和100%，表明2種模型均可用于番茄種子熱損傷識(shí)別。熱損傷種子與正常種子番茄即使在外觀上無(wú)顯著差異，但會(huì)在內(nèi)部品質(zhì)方面存在差異，體現(xiàn)在蛋白質(zhì)、淀粉等指標(biāo)的不同，這些指標(biāo)又反映在光譜強(qiáng)度上，所以基于近紅外光譜技術(shù)對(duì)熱損傷番茄種子進(jìn)行無(wú)損識(shí)別研究方法可行。

2）與PLS-DA模型相比，PCA-SVM判別效果更好，主成分?jǐn)?shù)為 3，其校正集與預(yù)測(cè)集的判別正確率均為100%，且預(yù)測(cè)偏差較小，平均偏差為0.043，模型更穩(wěn)定。

3）近紅外光譜技術(shù)結(jié)合PCA-SVM方法可用于番茄種子熱損傷的無(wú)損鑒定，為種子質(zhì)量檢驗(yàn)提供了一種新的方法。

本研究對(duì)象是“奇奇”櫻桃番茄種子，在以后的研究中將考慮不同品種的番茄種子和其他種子，進(jìn)一步提高基于近紅外光譜的種子熱損傷識(shí)別判定方法的可靠性。另外，本文利用原始光譜結(jié)合模式識(shí)別方法建立番茄種子熱損傷的判別模型，后續(xù)將對(duì)與種子質(zhì)量相關(guān)的有效特征波長(zhǎng)的選擇方法做進(jìn)一步研究，開(kāi)發(fā)簡(jiǎn)易、低成本的基于近紅外光譜的熱損傷種子識(shí)別分級(jí)設(shè)備。

[1] 辛霞. 種子保存過(guò)程中生活力喪失特性及其機(jī)理研究[D].北京：中國(guó)農(nóng)業(yè)科學(xué)院，2012.Xin Xia. Studies on the Viability Loss and Mechanism Seed Aging[D]. Beijing: Chinese Academy of Agricultural Sciences, 2012. (in Chinese with English abstract)

[2] 史雨剛，馬金虎，楊進(jìn)文，等. 高溫處理對(duì)4個(gè)大豆品種種子發(fā)芽及活力的影響[J]. 山西農(nóng)業(yè)學(xué)報(bào)(自然科學(xué)版)，2008，28(4)：409－412.Shi Yugang, Ma Jinghu, Yang Jinwen, et al. Research of the influence of of hot disposal on germination and seed vigor of four soybean varieties[J]. Journal of Shanxi Agricultural University(Natural Science Edtion), 2008, 28(4): 409－412.(in Chinese with English abstract)

[3] 金春燕，郭世榮，朱龍英，等. 高溫對(duì)番茄種子萌發(fā)及早期幼苗生長(zhǎng)和抗氧化系統(tǒng)的影響[J]. 上海農(nóng)業(yè)學(xué)報(bào)，2011，27(2)：92－95.Jin Chunyan, Guo Shirong, Zhu Longying, et al. Effects of high temperature on seed germination and seedling growth and antioxidant system of tomato[J]. Acta Agricultural Shanghai, 2011, 27(2): 92－95. (in Chinese with English abstract)

[4] 渠云芳，馬金虎，賀潤(rùn)平，等. 高溫老化對(duì)兩個(gè)玉米品種種子活力發(fā)芽指標(biāo)影響的研究[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2006，22(2)：156－159.Qu Yunfang, Ma Jinhu, He Runping, et al. Study on the high temperature ageing influence on germination indexes of seeds of two varieties of maize [J]. Chinese Agricultural Science Bulletin, 2006, 22(2): 156－159. (in Chinese with English abstract)

[5] 張海燕. 高溫對(duì)甜玉米種子萌發(fā)過(guò)程中貯藏物質(zhì)降解的影響[J]. 中國(guó)種業(yè)，2009，(7)：43－44.

[6] 丁建軍，王炬春，王葉筠，等. 高溫處理對(duì)不同瓜類(lèi)作物品種種子發(fā)芽龍率的影響[J]. 中國(guó)西瓜甜瓜，2004，17(5)：5－6.

[7] 孫常玉. 高溫高濕處理對(duì)小麥種子質(zhì)量影響的研究[D].淮北：淮北師范大學(xué)，2015.Sun Changyu. Research on the Effect of High Temperature and High Humidity on Wheat Quality[D]. Huaibei: Huaibei Normal University, 2015. (in Chinese with English abstract)

[8] Shatadal P, Tan J. Identifying damaged soybeans by color image analysis[J]. Applied Engineering in Agriculture, 2003,19(1): 65－69.

[9] 羅微，杜焱喆，章海亮. PCA和SPA的近紅外光譜識(shí)別白菜種子品種研究[J]. 光譜學(xué)與光譜分析，2016，36(11)：3536－3541.Luo Wei, Du Yanzhe, Zhang Hailiang. Discrimination of varieties of cabbage with near infrared spectra based on principal component analysis and successive projections algorithm[J]. Spectroscopy and Spectral Analysis, 2016,36(11): 3536－3541. (in Chinese with English abstract)

[10] 鄭田甜，孫騰飛，曹增輝，等. 花生種子品質(zhì)的可見(jiàn)-近紅外光譜分析[J]. 光譜學(xué)與光譜分析，2015, 35(3)：622－625.Zheng Tiantian, Sun Tengfei, Cao Zenghui, et al. Quality analysis of peanut seed by visible/near-infrared spectra[J].Spectroscopy and Spectral Analysis, 2015, 35(3): 622－625.(in Chinese with English abstract)

[11] 宋樂(lè)，王琦，王純陽(yáng)，等. 基于近紅外光譜的單粒水稻種子活力快速無(wú)損檢測(cè)[J]. 糧食儲(chǔ)藏，2015，44(1)：20－23.Song Le, Wang Qi, Wang Chunyang, et al. Qualitative analysis of single rice seed vigor using near infrared reflectance spectroscopy[J]. Grain Storage, 2015, 44(1): 20－23. (in Chinese with English abstract)

[12] 白京，彭彥昆，王文秀. 基于可見(jiàn)近紅外光譜玉米種子活力的無(wú)損檢測(cè)方法[J]. 食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2016，7(11)：4472－4477.Bai Jing, Peng Yankun, Wang Wenxiu. Discrimination of vitality of maize seeds based on near visible infrared spectroscopy[J]. Journal of Food Safety and Quality, 2016,7(11): 4472－4477. (in Chinese with English abstract)

[13] Tigabu M, Oden P C. Rapid and non-destructive analysis of vigour of Pinus patula seeds using single seed near infrared transmittance spectra and multivariate analysis[J]. Seed Science and Technology, 2004, 32(2): 593－606.

[14] Ambrose A, Lohumi S, Lee W H, et al. Comparative nondestructive measurement of corn seed viability using Fourier transform near-infrared (FT-NIR) and Raman spectroscopy[J]. Sensors and Actuators B: Chemical, 2016,224: 500－506.

[15] Ambrose A, Kandpal L M, Kim M S, et al. High speed measurement of corn seed viability using hyperspectral imaging[J]. Infrared Physics and Technology, 2016, 75: 173－179.

[16] Spielbauer G, Armstrong P, Baier J W, et al.High-throughput near-infrared reflectance spectroscopy for predicting quantitative and qualitative composition phenotypes of individual maize kernels[J]. Cereal Chemistry,2009, 86(5): 556－564.

[17] 朱麗偉，馬文廣，胡晉，等. 近紅外光譜技術(shù)檢測(cè)種子質(zhì)量的應(yīng)用研究進(jìn)展[J]. 光譜學(xué)與光譜分析，2015，35(2)：346－349.Zhu Liwei, Ma Wenguang, Hu Jin, et al. Advances of NIR spectroscopy technology applied in seed quality Detection[J].Spectroscopy and Spectral Analysis, 2015, 35(2): 346－349.(in Chinese with English abstract)

[18] 李美凌. 基于高光譜的水稻種子活力檢測(cè)技術(shù)研究[D].杭州：浙江農(nóng)林大學(xué), 2014.Li Meiling. Research on Detection Technology of Rice Seed Vigor Based on Hyperspectral[D]. Hangzhou: Zhejiang A&F University, 2014. (in Chinese with English abstract)

[19] 許思, 趙光武, 鄧飛, 等. 基于高光譜的水稻種子活力無(wú)損分級(jí)檢測(cè)[J]. 種子, 2016, 35(4):34－40.Xu Si, Zhao Guangwu, Deng Fei, et al. Research on detection technology of rice seed vigor based on hyperspectral[J]. Seed,2016, 35(4): 34－40. (in Chinese with English abstract)

[20] 張百俊. 干熱處理對(duì)番茄種子活力的影響[J]. 長(zhǎng)江蔬菜,1996, (11):29－31.

[21] 程邵明，王俊，馬楊琿，等. 基于電子鼻的番茄種子發(fā)芽率檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(12)：132－135.Cheng Shaoming, Wang Jun, Ma Yanghui, et al. Detection of germination rate of tomato seeds by electronic nose[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(12): 132－135. (in Chinese with English abstract)

[22] 劉偉，趙眾，袁洪福，等. 光譜多元分析校正集和驗(yàn)證集樣本分布優(yōu)選方法研究[J]. 光譜學(xué)與光譜分析，2014，34(4)：947－951.Liu Wei, Zhao Zhong, Yuan Hongfu, et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis[J]. Spectroscopy and Spectral Analysis, 2014, 34(4): 947－951. (in Chinese with English abstract)

[23] Wang Q, Xue W Q, Ma H X, et al. Quantitative analysis of seed purity for maize using near infrared spectroscopy[J].Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(Supp. 2): 259－264.

[24] 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)，2012，41(7)：15－17.Huang Min, Zhu Xiao, Zhu Qibing, et al. Morphological characteristics based on of maize seed extraction and identification the hyperspectral image[J]. Acta Photonica Sinica, 2012, 41(7): 15－17. (in Chinese with English abstract)

[25] V David S A. Advanced support vector machines and kernel methods[J]. Neurocomputing, 2003, 55(1): 5－20.

[26] 胡曉華，劉偉，劉長(zhǎng)虹，等. 基于太赫茲光譜和支持向量機(jī)快速鑒別咖啡豆產(chǎn)地[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(9)：302－307.Hu Xiaohua, Liu Wei, Liu Changhong, et al. Rapid identification of producing area of coffee bean based on terahertz spectroscopy and support vector machine[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 302－307. (in Chinese with English abstract)

[27] Wang D, Ram M S, Dowell F E. Classification of damaged soybean seeds using near–infrared spectroscopy[J].Transactions of the ASABE. 2002, 45(6): 1943－1948.

[28] 曹崇文. 玉米干燥中應(yīng)力裂紋的生成、擴(kuò)展、檢測(cè)和預(yù)防分析[J]. 干燥技術(shù)與設(shè)備，2009，7(4)：153－158.Cao Chongwen. Formation, expansion, analysis of detection and prevention of corn stress cracks during drying[J]. Drying Technology&Equipment, 2009, 7(4): 153－158. (in Chinese with English abstract)

[29] Galváo R K H, Araujo M C U, Silva E C, et al.Crossvalidation for the selection of spectral variables using the successive projections algorithm[J]. Braz. Chem. Soc,2007, 18(8): 1580－1584.

[30] 王轉(zhuǎn)衛(wèi)，趙春江，商亮，等. 基于介電頻譜技術(shù)的甜瓜品種無(wú)損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(9)：290－295.Wang Zhuanwei, Zhao Chunjiang, Shang Liang, et al.Nondestructive testing of muskmelons varieties based on dielectric spectrum technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 290－295. (in Chinese with English abstract)

[31] 郝勇，孫旭東，高榮杰，等. 基于可見(jiàn)/近紅外光譜與SIMCA和 PLS-DA的臍橙品種識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(12)：373－377.Hao Yong, Sun Xudong, Gao Rongjie, et al. Application of visible and near infrared spectroscopy to identification of navel orange varieties using SIMCA and PLS-DA methods[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 22(12): 373－377. (in Chinese with English abstract)

[32] 商亮，谷靜思，郭文川. 基于介電特性及 ANN的油桃糖度無(wú)損檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(17) ：257－264.Shang Liang, Gu Jingsi, Guo Wenchuan. Non-destructively detecting sugar content of ne ctarines based on dielectric properties and ANN[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2013, 29(17): 257－264. (in Chinese with English abstract)