基于光聲光譜和TCA遷移學(xué)習(xí)的稻種活力檢測(cè)

盧 偉，張孜谞，蔡苗苗，張壹峰

（南京農(nóng)業(yè)大學(xué)人工智能學(xué)院 江蘇省現(xiàn)代設(shè)施農(nóng)業(yè)技術(shù)與裝備工程實(shí)驗(yàn)室，南京，210031）

0 引 言

水稻富含淀粉、蛋白質(zhì)等營養(yǎng)物質(zhì)，是人類第二大食物來源，水稻的產(chǎn)量是中國糧食安全的重要保障。水稻產(chǎn)量既取決于品種和田間管理，又與稻種質(zhì)量密切相關(guān)，高品質(zhì)的稻種是水稻高產(chǎn)的重要保障。目前評(píng)判稻種質(zhì)量的指標(biāo)主要包括含水率、活力、表面損傷程度等，其中，種子活力[1]是稻種質(zhì)量檢測(cè)中的最重要參數(shù)，種子活力的快速無損檢測(cè)可用于優(yōu)質(zhì)種子篩選，對(duì)精準(zhǔn)播種、精準(zhǔn)農(nóng)業(yè)和種質(zhì)創(chuàng)新具有重要現(xiàn)實(shí)意義。種子活力是指其生理衰弱的程度或種子發(fā)芽高的批次在寬環(huán)境下表現(xiàn)出控制其能力的內(nèi)在完整性的指數(shù)。傳統(tǒng)的種子活力檢測(cè)方法和設(shè)備如電導(dǎo)率法[2]、風(fēng)篩清選機(jī)[3]、重力式清選機(jī)[3]等存在耗時(shí)長、操作步驟繁瑣、易損害種子等缺點(diǎn)。

為實(shí)現(xiàn)種子活力的快速無損檢測(cè)，近年來國內(nèi)外將圖像處理、近紅外、高光譜等技術(shù)都應(yīng)用于種子質(zhì)量檢測(cè)領(lǐng)域。Mahajan等[4]使用非破壞型成像技術(shù)測(cè)試大豆種子的物理純度和活力，篩選剔除缺陷種子，并建立種子活力模型；閆彬等[5]基于機(jī)器視覺技術(shù)，采用模糊集和浮雕算法的圖像增強(qiáng)方法檢測(cè)玉米種子機(jī)械損傷；但圖像處理技術(shù)僅能提取谷物種子的形態(tài)特征進(jìn)行種子品種鑒別[5]。為進(jìn)一步提取種子的生物化學(xué)信息，近紅外光譜儀（Near Infrared Spectrum Instrument，NIRS）被引入并建立種子活力的近紅外檢測(cè)模型。彭彥坤等[6]基于近紅外光譜建立支持向量機(jī)（Support Vector Machine，SVM）模型進(jìn)行熱損傷番茄種子的快速無損鑒別，判別模型驗(yàn)證集總正確率大于96%；Reis等[7]采用近紅外反射光譜技術(shù)，結(jié)合偏最小二乘回歸法構(gòu)造校準(zhǔn)方程以獲得較佳擬合模型R2大于0.615。但近紅外技術(shù)僅局限于光譜信息[4]，為了進(jìn)一步拓展檢測(cè)維度，高光譜圖像處理技術(shù)（Hyperspectral Imagery，HSI）被引入種子檢測(cè)中。劉爽等[8]采用高光譜技術(shù)結(jié)合主成分分析法和連續(xù)投影法建立小麥種子赤霉病鑒別模型，建模集準(zhǔn)確率為95.5%，均方根誤差為0.212 1。Baek等[9]使用高光譜成像技術(shù)優(yōu)化最佳波長，檢測(cè)被細(xì)菌性穗枯病感染的變色病稻種，結(jié)果表明，可見光譜的紫色和紅色區(qū)域是反映病害稻種特征的關(guān)鍵波長。但高光譜技術(shù)難以提取不同深度的光譜信息，無法檢測(cè)種子不同深度的生物化學(xué)成分[9]，本文擬基于多深度光聲光譜技術(shù)進(jìn)行稻種活力無損檢測(cè)并結(jié)合遷移學(xué)習(xí)進(jìn)行新品種稻種活力檢測(cè)。

光聲光譜（Photoacoustic Spectrometry Technology， PAS）技術(shù)[10]是基于光聲理論和現(xiàn)代熱量轉(zhuǎn)換的一種新技術(shù)。光聲光譜技術(shù)避免了組織散射特性對(duì)測(cè)量結(jié)果的影響，不需要對(duì)樣品預(yù)處理，即可探測(cè)稻種不同深度的光譜信息，具有速度快、效率高、無損且不受種子表面形態(tài)限制等優(yōu)點(diǎn)，能提取稻種不同深度的光聲光譜信息。近年來，已成為醫(yī)藥、物理、化學(xué)、生物、故障檢測(cè)和無損檢測(cè)等方面研究分析的有用工具。

本文擬對(duì)不同活力的水稻種子，利用多深度光聲光譜技術(shù)將稻種光譜信息拓展到光譜-聲音-深度的維度，構(gòu)建水稻種子活力檢測(cè)模型，并通過 TCA（Transfer Component Analysis）遷移學(xué)習(xí)方法提高所建模型對(duì)新品種稻種活力的預(yù)測(cè)精度，為稻種活力快速無損檢測(cè)提供新手段。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)選取 Y 兩優(yōu)（顏色：淡綠色，111°～123°E，27°～34°N）、龍粳（顏色：亮黃色，123°～135°E，44°～50°N）、南粳（顏色：稈黃色，118°～122°E，31°～33°N）、寧粳（顏色：稈黃色，105°～108°E，36°～44°N）、武運(yùn)粳（顏色：稈黃色，119°～121°E，32°～35°N）、新兩優(yōu)（顏色：淺褐色，119°～122°E，25°～32°N）這 6種具有地域代表性的水稻種子作為研究對(duì)象，并人工剔除缺陷稻種，選擇大小形狀、顆粒飽滿度基本一致且無霉變的良好稻種作為試驗(yàn)材料，每類種子200粒，一共1 200粒，用于人工老化，同一類種子每個(gè)老化天數(shù)老化25粒。

1.2 稻種老化試驗(yàn)

對(duì)篩選的稻種進(jìn)行高溫高濕人工老化試驗(yàn)[11]。將每類品種的稻種分為8份，按照0～7編號(hào)，將編號(hào)后的樣品置于托盤放入老化箱（寧波江南儀器廠，RXZ-128A）中進(jìn)行0～7 d不同程度的老化，確保老化箱的溫度（45 ℃）和相對(duì)濕度（95%）保持不變。按時(shí)從老化箱中取出老化后的水稻種子，自然條件下風(fēng)干1 d后裝入密封袋中并進(jìn)行分類和編號(hào)，放入5 ℃冰箱冷藏保存。

1.3 光聲光譜檢測(cè)

試驗(yàn)使用 Nicolet Is50R 紅外光譜儀（Thermal Fish，美國），配合美國MTEC Photoacoustics公司生產(chǎn)的PA300光聲池搭建水稻種子光聲光譜采集系統(tǒng)，如圖1。試驗(yàn)中光聲光譜儀器開機(jī)后先預(yù)熱 0.5 h，用氮?dú)鈱?duì)整個(gè)光譜儀倉體內(nèi)部進(jìn)行吹掃，然后對(duì)光譜儀器進(jìn)行標(biāo)定，減少外界因素（如水分）對(duì)光譜測(cè)試的干擾，確保試驗(yàn)測(cè)量數(shù)據(jù)的準(zhǔn)確性和有效性。將不同種類不同老化天數(shù)的稻種單顆均勻放入光聲池中（直徑10 mm，高5 mm），用干燥的氦氣和氮?dú)膺B續(xù)吹掃10 s（10 mL/min）。光譜掃描范圍為400～4 000 cm-1，掃描分辨率為8 cm-1，光譜連續(xù)掃描32次，動(dòng)鏡速率為0.32 cm/s，碳黑背景作為對(duì)照。

圖1 稻種光聲光譜檢測(cè)原理Fig.1 Principle of photoacoustic spectroscopy detection of rice seeds

在調(diào)制光的照射下，光聲池中的樣品吸收光能轉(zhuǎn)化為熱能，物體內(nèi)能增加產(chǎn)生熱膨脹，并將熱傳導(dǎo)給樣品池中周圍的氣體，氣體體積漲縮產(chǎn)生熱波，即為光聲信號(hào)。光聲光譜是通過測(cè)定光聲信號(hào)來獲得物質(zhì)的光學(xué)和熱學(xué)信息的一種檢測(cè)方法[12]，同時(shí)也能得到調(diào)制光與樣品相互作用的特性。

1.4 發(fā)芽試驗(yàn)

1）用發(fā)芽紙制備發(fā)芽床。

2）數(shù)取試驗(yàn)樣品：不同老化天數(shù)水稻種子各取 144粒，分為4組，每組36粒稻種，其中Y兩優(yōu)、龍粳、南粳、寧粳、武運(yùn)粳、新兩優(yōu)各6粒。

3）置床：① 發(fā)芽皿用工業(yè)酒精消毒，再稱100 g砂置于其中，加20 g水濕潤；② 將稻種在30 ℃溫水中浸24 h，然后將同種老化程度稻種（6顆）排在一個(gè)發(fā)芽皿內(nèi)，種子間不可相互碰著，并輕壓種子使其與紙面（砂面）相平；③ 發(fā)芽皿粘貼標(biāo)簽，注明品種，發(fā)芽試驗(yàn)開始時(shí)間（日期）以及老化天數(shù)。

4）置于適宜條件下發(fā)芽（20 ℃），放入智能人工氣候箱。

5）每天檢查管理：① 每日進(jìn)行檢查和加水，記載發(fā)芽粒數(shù)，若發(fā)芽床上稻種已霉?fàn)€應(yīng)從發(fā)芽床上移出并登記，若50%以上稻種生霉，則需換置發(fā)芽床；② 溫度保持在規(guī)定溫度上下不超過1 ℃之間；③ 對(duì)發(fā)芽床水分不足的，應(yīng)按照一致性原則加水，若種粒四周（紙床）出現(xiàn)水膜，則表示水分過多。

6）初期（5 d）進(jìn)行鑒定計(jì)數(shù)正常幼苗數(shù)。

7）末期（14 d）鑒定并記載正常幼苗、不正常幼苗、未發(fā)芽稻種。

發(fā)芽率計(jì)算公式為

式中G為第t天的發(fā)芽數(shù)，D為發(fā)芽試驗(yàn)天數(shù)。

1.5 集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）去噪處理

EEMD[13]去噪是一種新的時(shí)頻分析方法，也是一種自適應(yīng)的時(shí)頻局部化分析方法。光聲光譜信息EEMD去噪算法按以下步驟：① 將正態(tài)分布的白噪聲加到原始光聲光譜信號(hào)中；② 將加入白噪聲的光聲光譜信號(hào)作為一個(gè)整體，進(jìn)行EMD分解，得到各IMF分量；③ 重復(fù)步驟①和②，每次加入新的正態(tài)分布白噪聲序列；④ 將每次得到的IMF做集成平均處理后作為最終結(jié)果。

1.6 基于光聲光譜的稻種活力預(yù)測(cè)建模

為減小儀器、測(cè)量環(huán)境（溫度、相對(duì)濕度、外界聲音等）因素對(duì)模型結(jié)果造成的影響，先對(duì)原始光譜數(shù)據(jù)用多元散射校正（Multiplicative Scatter Correction，MSC）、標(biāo)準(zhǔn)正態(tài)變量校正（Standard Normal Variate，SNV）進(jìn)行預(yù)處理，再采用集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）平滑去噪。

在光聲光譜分析中，由于光譜數(shù)據(jù)的高維度、重疊、非線性、冗余數(shù)據(jù)的特性，給提取光譜特征以及定性定量分析光譜數(shù)據(jù)帶來了一定的困難。光聲光譜測(cè)量水稻時(shí)，其測(cè)量環(huán)境（如溫度、相對(duì)濕度、外界聲音等）、儀器狀態(tài)及氣體濃度的變化會(huì)導(dǎo)致稻種光譜的非線性變化[14]，稻種本身官能團(tuán)的吸收也會(huì)出現(xiàn)非線性疊加，需要非線性降維方法減少光聲光譜數(shù)據(jù)的冗余和過度擬合。用主成分分析（Principal Component Analysis，PCA）[15-16]、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（Competitive Adaptive Reweighted Sampling，CARS）[17]2種降維算法提取特征波長，來降低計(jì)算消耗和提高運(yùn)算速度。PCA是一種使用最廣泛的數(shù)據(jù)降維算法，旨在構(gòu)造少數(shù)幾個(gè)能保留原指標(biāo)的主要信息且較原指標(biāo)有更好性質(zhì)的主成分指標(biāo)。CARS將指數(shù)衰減函數(shù)和自適應(yīng)重加權(quán)采樣技術(shù)相結(jié)合建立PLS（Partial Least Squares）模型，去掉權(quán)重較小的波長點(diǎn)，利用交互驗(yàn)證選出交叉驗(yàn)證均方根誤差RMSECV（Root Mean Square Error of Cross-validation）最低的子集，將其作為最優(yōu)波長組合。

本研究對(duì)5類水稻種子Y兩優(yōu)、龍粳、南粳、寧粳、武運(yùn)粳分別建立偏最小二乘回歸（Partial Least Squares Regression，PLSR）、反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BP）、廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network，GRNN）、支持向量回歸（Support Vector Regression，SNV）、深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Netural Network，CNN）的稻種活力預(yù)測(cè)模型，選擇出最優(yōu)調(diào)制頻率和預(yù)測(cè)模型；并通過遷移學(xué)習(xí)將所建立的模型遷移到新兩優(yōu)稻種進(jìn)行活力預(yù)測(cè)。

1.6.1 偏最小二乘回歸模型（Partial Least Squares Regression）

PLSR[18]能提取稻種光譜中與因變量相關(guān)的潛變量，以建立回歸模型。當(dāng)各變量內(nèi)部高度線性相關(guān)時(shí)，用偏最小二乘回歸法更有效。

1.6.2 反向傳播神經(jīng)網(wǎng)絡(luò)模型（Back Propagation Neural Network）

BP神經(jīng)網(wǎng)絡(luò)[19]是一種誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，將稻種的光聲光譜數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，輸出為稻種活力預(yù)測(cè)值。

1.6.3 廣義回歸神經(jīng)網(wǎng)絡(luò)模型（Generalized Regression Neural Network）

GRNN[20]有很強(qiáng)的非線性映射能力和學(xué)習(xí)速度；在分類和擬合上，當(dāng)?shù)痉N光聲光譜數(shù)據(jù)精準(zhǔn)度較差時(shí)，GRNN模型效果較優(yōu)。

杜威認(rèn)為：“一切教育活動(dòng)的首要根基在于兒童本能的、沖動(dòng)的態(tài)度和活動(dòng)?！盵7]但如果“實(shí)驗(yàn)”僅僅等同于“活動(dòng)”，顯然缺少了數(shù)學(xué)教育的價(jià)值?；仡櫼陨蠋讉€(gè)教學(xué)案例，可以看到，我們?cè)O(shè)計(jì)的每一節(jié)數(shù)學(xué)實(shí)驗(yàn)課，都是帶著對(duì)數(shù)學(xué)問題的思考，帶著對(duì)學(xué)生學(xué)習(xí)中遇到的問題與他們對(duì)困難的理解而設(shè)計(jì)。我們理解的數(shù)學(xué)實(shí)驗(yàn)，數(shù)學(xué)是核心內(nèi)容，促進(jìn)學(xué)生隱性知識(shí)的積累是目的，實(shí)驗(yàn)是教學(xué)方式。雖然教學(xué)環(huán)境下的實(shí)驗(yàn)，不那么精準(zhǔn)，但它卻極具生態(tài)性，讓隱性知識(shí)的教學(xué)變得可操作、可把握。希望數(shù)學(xué)實(shí)驗(yàn)課能夠帶領(lǐng)學(xué)生在“發(fā)現(xiàn)”“研究”“探索”中不斷成長。

1.6.4 支持向量回歸模型（Support Vector Regression）

SVR[21]算法可用于回歸、線性分類和非線性分類，計(jì)算復(fù)雜度較低，模型結(jié)果誤差低。本文以3∶1為比例隨機(jī)選出訓(xùn)練集和預(yù)測(cè)集，搭建SVR稻種活力預(yù)測(cè)模型。

1.6.5 深度卷積神經(jīng)網(wǎng)絡(luò)模型（Convolutional Neural Network）

CNN[22]架構(gòu)包括一維卷積層、非線性激活和完全連接的塊、最大池化層，其中一維卷積層和最大池化層用于稻種原始輸入數(shù)據(jù)主要特征的提取。

1.7 對(duì)新品種稻種活力檢測(cè)的遷移學(xué)習(xí)方法

為有效緩解模型失效問題，提高模型的泛化能力，本文擬將所建立的模型遷移到新兩優(yōu)稻種進(jìn)行活力預(yù)測(cè)。遷移學(xué)習(xí)中最常用的就是數(shù)據(jù)分布自適應(yīng)方法，其基本思想是：源域、目標(biāo)域的數(shù)據(jù)可通過一些變換由數(shù)據(jù)概率分布不同變?yōu)閿?shù)據(jù)分布拉進(jìn)，從而使得源域數(shù)據(jù)建立的模型同樣適用于目標(biāo)域數(shù)據(jù)。本文利用源域數(shù)據(jù)概率分布P(x)和目標(biāo)域數(shù)據(jù)概率分布P(y)之間的距離近似兩個(gè)領(lǐng)域之間的差異，從而減小源域和目標(biāo)域的概率分布距離，完成遷移學(xué)習(xí)成分分析（Transfer Component Analysis，TCA）。

通過遷移學(xué)習(xí) TCA算法，使源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)具有相似的分布，選用線性核函數(shù)；經(jīng)過變換后的源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)以 3∶1為比例隨機(jī)劃分選出校正集與預(yù)測(cè)集。利用源域的校正集樣本數(shù)據(jù)校正模型，利用該模型預(yù)測(cè)源域的預(yù)測(cè)集樣本數(shù)據(jù)及目標(biāo)域預(yù)測(cè)集樣本數(shù)據(jù)。

2 結(jié)果與分析

2.1 稻種發(fā)芽率

隨著水稻種子老化程度的加深，稻種的發(fā)芽率逐漸降低，幼苗株高降低，干質(zhì)量減少，幼苗瘦弱且生長緩慢。此時(shí)稻種內(nèi)部物質(zhì)發(fā)生變化，蛋白質(zhì)（主要組成元素：C、H、O、N）含量隨老化時(shí)間的延長而下降[23]。

表1 不同老化天數(shù)的水稻種子發(fā)芽率Table 1 Germination rate of rice seeds with different aging days

2.2 光聲光譜數(shù)據(jù)去噪處理

采用EEMD對(duì)光聲光譜信號(hào)進(jìn)行分解與重構(gòu)，能在一定程度上剔除由測(cè)試條件、氣體濃度、儀器精確度、水分等不確定因素導(dǎo)致的噪聲，使得光聲光譜信息更精確。采集光譜波段數(shù)為400 ～4 000 cm-1，以Y兩優(yōu)為例，去除信噪比低的波數(shù)段 3 700～4 000 cm-1和400～ 940 cm-1。以300 Hz調(diào)制頻率下的光譜數(shù)據(jù)去噪處理為例，圖2為Y兩優(yōu)水稻種子在調(diào)制頻率為300 Hz下的光聲光譜原始信號(hào)和EEMD去噪后信號(hào)。

由圖2可見，不同老化程度的稻種在940～3 700 cm-1之間有相似的吸收特性，總的趨勢(shì)基本一致。在1 050 cm-1附近有一強(qiáng)吸收峰，1 500～1 200 cm-1波段有鼓起一段平緩且不明顯小峰；1 630 cm-1處有明顯尖峰。在1 800～2 800 cm-1波段范圍內(nèi)，光聲光譜較為平緩；在 2 850 ～3 010 cm-1處出現(xiàn)一尖峰；在3 100～3 600 cm-1處有較寬吸收峰；以上吸收峰均反映了水稻種子內(nèi)部成分的光聲光譜特性。

圖2 不同老化天數(shù)Y兩優(yōu)在300 Hz下去噪前后光聲光譜Fig.2 PAS spectrum before and after noise reduction at 300 Hz of Yliangyou with different aging days

2.3 光聲光譜數(shù)據(jù)降維

2.3.1 基于PCA的特征波長提取

經(jīng)過預(yù)處理后，各檢測(cè)深度水稻種子光譜組成的數(shù)據(jù)矩陣可作為模型的輸入，但巨大的計(jì)算量會(huì)降低模型預(yù)測(cè)的精度。因此，以 95%為目標(biāo)累計(jì)貢獻(xiàn)率完成光譜的特征提取，主成分的特征值和貢獻(xiàn)率如表2所示。由表2可知，稻種前3個(gè)主成分累計(jì)貢獻(xiàn)率為98.015 8%，大于 95%，包含了稻種光聲光譜的大部分有用信息，因而可用前 3個(gè)主成分代替原光譜信息。特征光譜如圖3所示。

由圖3可見，特征光譜1 000～1 160 cm-1波段內(nèi)出現(xiàn)吸收峰主要由稻種中蛋白質(zhì)、可溶性糖中C—O鍵、C—N鍵的伸縮振動(dòng)所致[5]；1 412 cm-1附近的吸收峰為淀粉中CH2、C—O—O 伸縮振動(dòng)吸收區(qū)域；1 317～1 440 cm-1附近為亞甲基和甲基對(duì)稱彎曲振動(dòng)及 CH3剪式振動(dòng)吸收區(qū)；1 200～1 500 cm-1范圍內(nèi)的吸收峰由多糖、蛋白質(zhì)混合振動(dòng)產(chǎn)生[19]；1 635 cm-1處的小吸收峰主要由不飽和油脂中C—C鍵、蛋白質(zhì) C—O 鍵的伸縮振動(dòng)（酰胺I）和水的 O—H鍵的彎曲振動(dòng)伸縮振動(dòng)疊加而產(chǎn)生[20]；稻種中丙二醛、油脂和纖維素等物質(zhì)中 C—H 鍵伸縮振動(dòng)導(dǎo)致 2 850～3 000 cm-1處出現(xiàn)尖吸收峰；蛋白質(zhì)中 N—H鍵和水中 O—H鍵的振動(dòng)伸縮的疊加作用導(dǎo)致 3 100～3 500 cm-1處有寬的吸收峰[24]。

圖3 Y兩優(yōu)在300 Hz(10.4 μm)特征光譜Fig.3 Characteristic spectrum of Yliangyou at 300 Hz(10.4 μm)modulation frequency

表2 主成分的特征值和方差貢獻(xiàn)率Table 2 Eigenvalues and variance contribution rates of principal components

圖4 基于CARS的Y兩優(yōu)特征波長提取過程Fig.4 Characteristic wavelength extraction process of Yliangyou based on CARS

2.3.2 基于CARS提取特征波長

對(duì)原始光聲光譜采用CARS降維，以未老化、調(diào)制頻率為300Hz的Y兩優(yōu)稻種為例，光譜特征波長提取過程如圖4所示。隨著采樣次數(shù)的增加，保留的波長數(shù)逐次減少，且速度先快后慢。在0～26次采用過程中，消除的波長對(duì)RMSECV影響小，所以RMSECV值減小緩慢；當(dāng)采樣次數(shù)超過 26時(shí)，RMSECV值呈上升趨勢(shì)，產(chǎn)生較大RMSECV。因此可提取采樣次數(shù)為26時(shí)的特征波長，此時(shí)共提取了28個(gè)特征波長：604.4、607.0、609.5、629.7、747.0、767.7、770.3、809.1、990.9、1 111.3、1 352.2、1 397.0、1 402.6、1 699.5、1 710.7、1 716.3、1 873.2、1 878.8、1 912.4、1 918.0、1 923.6、1 929.2、2 018.8、2 097.2、2 102.8、2 209.3、2 382.9、2 388.5 nm。

2.4 稻種活力檢測(cè)建模

本文先分別采用 BP神經(jīng)網(wǎng)絡(luò)（BP）、廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）、最小二乘法回歸（PLSR）、支持向量回歸（SVR）4種建模方法，基于8種調(diào)制頻率建立水稻種子活力預(yù)測(cè)模型，特征波長作為模型輸入，水稻種子活力作為模型輸出，且每種檢測(cè)頻率均以 3∶1為比例隨機(jī)選出校正集與預(yù)測(cè)集。以Y兩優(yōu)為例，基于不同深度與不同特征提取方法的建模結(jié)果對(duì)比如表3所示。由表3可知，Y兩優(yōu)在不同深度下的SVR建模結(jié)果均較優(yōu)，BP、PLSR和GRNN建模在不同深度下的結(jié)果優(yōu)劣情況不同，且穩(wěn)定性較差。結(jié)合建模精度，300 Hz為較優(yōu)調(diào)制頻率，該頻率下校正集和預(yù)測(cè)集的相關(guān)系數(shù)較高且均方誤差較小。其余4種品種水稻活力的預(yù)測(cè)模型建立結(jié)果與Y兩優(yōu)呈現(xiàn)相同趨勢(shì)，均在調(diào)制頻率 300 Hz下 SVR預(yù)測(cè)結(jié)果較優(yōu)，且CARS的降維效果較好。因此，選用CARS降維方式，在調(diào)制頻率為300 Hz時(shí)，獲得不同品種稻種SVR模型較優(yōu)預(yù)測(cè)結(jié)果，如表4所示。

表3 不同深度Y兩優(yōu)光聲光譜建模結(jié)果Table 3 Photoacoustic spectral modeling results of Yliangyou at different depths

表4 不同品種稻種SVR模型較優(yōu)預(yù)測(cè)結(jié)果Table 4 The better prediction results of SVR models for different varieties of rice

由表4可知， SVR稻種活力預(yù)測(cè)模型的相關(guān)系數(shù)較優(yōu)值為0.989 1，均方根誤差較優(yōu)值為0.752 0。為進(jìn)一步優(yōu)化稻種活力預(yù)測(cè)模型，建立基于CNN的稻種活力預(yù)測(cè)模型。在選用 CARS降維和 300 Hz調(diào)制頻率時(shí)建立的CNN稻種活力預(yù)測(cè)模型有較優(yōu)預(yù)測(cè)結(jié)果，不同品種稻種的CNN較優(yōu)預(yù)測(cè)結(jié)果如表5所示。比較CNN模型與SVR模型的稻種活力預(yù)測(cè)結(jié)果，如表5，預(yù)測(cè)集相關(guān)系數(shù)均在0.99以上，高于0.989 1；預(yù)測(cè)集均方誤差較優(yōu)值為0.507 7，低于0.752 0。因此，CNN稻種活力預(yù)測(cè)模型較優(yōu)。

表5 不同品種稻種CNN模型較優(yōu)預(yù)測(cè)結(jié)果Table 5 The better prediction results of CNN models for different varieties of rice

2.5 基于遷移學(xué)習(xí)的新品種稻種活力預(yù)測(cè)

由上述研究可知，300 Hz為種子活力光聲光譜檢測(cè)的較優(yōu)調(diào)制頻率，CNN為較優(yōu)建模算法。為基于已有稻種活力預(yù)測(cè)模型實(shí)現(xiàn)對(duì)新品種稻種活力的精確檢測(cè)，本文將新品種稻種的光聲光譜信息和前述 5種稻種光聲光譜數(shù)據(jù)通過遷移學(xué)習(xí)TCA算法，使其具有相似分布的空間，再根據(jù)遷移后的 5種稻種光聲光譜數(shù)據(jù)建立稻種活力預(yù)測(cè)模型，并進(jìn)行新稻種活力預(yù)測(cè)。首先，選取80粒新兩優(yōu)稻種作為樣本數(shù)據(jù)，每種老化天數(shù)有10粒；然后在光聲光譜調(diào)制頻率為300 Hz時(shí)采集新兩優(yōu)的光聲光譜信息，獲得80組光聲光譜信息數(shù)據(jù)，通過TCA算法將源域數(shù)據(jù)（Y兩優(yōu)、龍梗、南梗、寧梗和武運(yùn)梗光聲光譜數(shù)據(jù)）和目標(biāo)域數(shù)據(jù)（新兩優(yōu)的光聲光譜數(shù)據(jù)）映射到同一空間，使源域和目標(biāo)域邊緣概率分布距離最小化；再使用源域數(shù)據(jù)建立新的稻種活力CNN預(yù)測(cè)模型；最后將遷移后的新兩優(yōu)稻種光聲光譜目標(biāo)域數(shù)據(jù)輸入新建立的CNN活力預(yù)測(cè)模型。結(jié)果表明，通過TCA遷移算法能將新兩優(yōu)稻種活力預(yù)測(cè)的相關(guān)系數(shù)從 0.718 5提高到0.990 3，均方根誤差由9.488 9降至0.788 3，經(jīng)過TCA遷移學(xué)習(xí)可實(shí)現(xiàn)新品種稻種活力的精確預(yù)測(cè)。

3 結(jié) 論

1）針對(duì)目前稻種活力光譜檢測(cè)易受種子表皮顏色影響，提出基于光聲光譜的稻種活力無損檢測(cè)方法，對(duì) Y兩優(yōu)、龍粳、南粳、寧粳、武運(yùn)粳、新兩優(yōu) 6個(gè)不同品種、0～7 d不同老化程度的稻種，采集1 000、800、500、400、300、200、100、50 Hz共8種調(diào)制頻率下的稻種深度光聲光譜信息，通過預(yù)處理和 EEMD（Ensemble Empirical Mode Decomposition）去噪后，利用 PCA（Principal Component Analysis）和 CARS（Competitive Adaptive Reweighted Sampling）進(jìn)行光聲光譜信息降維后建立稻種活力預(yù)測(cè)模型。其中，Y兩優(yōu)、龍粳、南粳、寧粳、武運(yùn)粳5種稻種當(dāng)光聲光譜掃描頻率為300 Hz，選用CARS降維和CNN（Convolutional Netural Network）稻種活力預(yù)測(cè)模型結(jié)果較優(yōu)，相關(guān)系數(shù)和均方根誤差分別不低于0.990 9、不高于0.967 5。

2）為提高所建模型對(duì)新品種稻種的活力預(yù)測(cè)精度，通過TCA（Transfer Component Analysis）遷移學(xué)習(xí)方法對(duì)新兩優(yōu)稻種的光聲光譜信息進(jìn)行遷移學(xué)習(xí)和稻種活力建模，與遷移前相比，將新兩優(yōu)稻種活力的預(yù)測(cè)相關(guān)系數(shù)從0.718 5提高到0.990 3。

研究結(jié)果表明，通過光聲光譜技術(shù)拓展信息維度，進(jìn)行不同顏色稻種活力的精確預(yù)測(cè)是可行的，且通過TCA遷移學(xué)習(xí)，僅需通過對(duì)源域數(shù)據(jù)的訓(xùn)練即可實(shí)現(xiàn)未知品種稻種活力的精確預(yù)測(cè)。