基于近紅外光譜分析的高丹草種子發(fā)芽率檢測研究

惠云婷， 王德成， 唐 欣， 彭要奇， 王紅達， 張海鳳， 尤 泳*

1. 中國農業(yè)大學工學院， 北京 100083

2. 山東農業(yè)工程學院， 山東 濟南 250100

引 言

近年來， 隨著畜牧業(yè)的快速發(fā)展， 飼草料的需求也急劇增加， 飼草料的短缺已經成為制約畜牧業(yè)發(fā)展的重要因素之一， 亟待解。 高丹草(sorghum-sudan grass)作為一種新品種， 是由高粱(sorghum bicolor)和蘇丹草雜交培育而成, 它結合了二者的優(yōu)良特性， 富含粗蛋白及碳水化合物， 適合青貯， 且在干旱、 寒冷、 鹽堿地等環(huán)境下抵抗能力強[1]。 高丹草的優(yōu)良特性使其成為許多地區(qū)的家畜首選飼料。 高丹草的種植改變了一些地區(qū)的農業(yè)結構， 對于地區(qū)發(fā)展畜牧業(yè)有著突出的貢獻。 優(yōu)質的高丹草種子可有效促進畜牧業(yè)的發(fā)展， 發(fā)芽率是衡量種子質量的常規(guī)指標之一[2]。 研究表明， 長時間貯藏高丹草種子會影響種子活力， 發(fā)芽率也隨之變化。 因此高效判斷高丹草種子質量可有效促進畜牧業(yè)發(fā)展。

現(xiàn)階段實驗室檢測種子發(fā)芽率多采用發(fā)芽試驗法[8]， 在人工氣候培養(yǎng)箱內嚴格按照種子發(fā)芽技術規(guī)定的條件(包括濕度、 光照、 時間等)進行試驗， 試驗條件要求較高， 一般需要10～15 d， 周期較長， 且發(fā)芽試驗對種子具有破壞性， 試驗后的種子不能重復使用， 試驗投入的人工成本及時間成本較高， 不能滿足快速、 準確、 無損測試的要求， 也不能適應快速發(fā)展的畜牧業(yè)需求。 因此， 為降低成本， 提高檢測速度及精度亟需一種無損、 快速且準確的發(fā)芽率的檢測方法[3-4]。 近紅外光譜技術的應用廣泛， 可以得到有關物質的特征信息[5]， 可以不破壞樣品且無需利用化學試劑， 更高效、 成本更加低的進行樣品分析[6]。 故而， 許多研究人員開始將這一技術應用到種子領域。

在農作物的營養(yǎng)檢測方面， 近紅外光譜技術[7]也展現(xiàn)出了獨特優(yōu)勢， 如評估高粱內部成份含量[8]、 預測植物葉片含水率[9]、 小麥內在品質的無損檢測[10-11]； 戴子云等利用近紅外光譜技術對結縷草種子的標準發(fā)芽率進行分析， 并利用定量偏最小二乘法進行數據分析； 李毅念等為檢測不同老化程度的雜交水稻種子的發(fā)芽率， 采集數據并進行建模， 校正預處理時采用了全波段和標準化+正交信號這種方法； 金文玲等設計并搭建了一套投射式近紅外光譜檢測系統(tǒng)， 結合光譜特性建立了主成分分析模型， 同時通過偏最小二乘法建立了不同年份水稻種子的活力判別模型， 研究結果表明， 水稻種子的活力梯度與其近紅外吸收光譜的吸收峰值相關[12]。 國內外現(xiàn)有活力檢測分析的研究對象主要是針對小麥和水稻， 鮮有高丹草種子發(fā)芽率分析的報道。 本工作針對高丹草種子檢測發(fā)芽率存在的問題， 提出一種利用近紅外光譜技術快速檢測高丹草種子發(fā)芽率的方法。

采集2個品種的高丹草種子的近紅外光譜， 同時進行種子發(fā)芽試驗； 利用導數法對采集的光譜數據進行預處理， 并將預處理之后的數據采用支持向量機(SVM)建立高丹草種子發(fā)芽率檢測模型， 以期分析高丹草種子發(fā)芽率的光譜特征， 提高發(fā)芽率檢測的速度及精度， 從而為基于近紅外光譜技術檢測高丹草種子發(fā)芽率提供依據。

1 實驗部分

1.1 材料

高丹草種子100份， 分別來自內蒙(50份)、 山東(50份)， 隨機選擇相同粒數的種子進行發(fā)芽試驗， 試驗地點為中國農業(yè)大學牧草機械實驗室。

1.2 光譜采集

圖1所示為美國Unity Scientific 2600XT近紅外光譜儀， 波長范圍： 680～2 600 nm， 分辨率： 1 nm； 該儀器內含二極管陣列檢測器檢測固體樣品的近紅外光譜， 檢測范圍寬； 在食品、 農業(yè)、 醫(yī)藥領域得到廣泛應用。

圖1 近紅外光譜儀

在測試樣品前， 剔除雜物、 破損粒、 霉變粒等壞種粒； 稱取相同質量[(8±0.1) g]的高丹草種子樣品置于樣品杯中， 倒入時， 高丹草的種子樣品至樣品杯的10 mL刻度處， 并通過旋轉頂窗設計和漫反射的方式進行掃描。 重復掃描24次求取平均光譜。

1.3 種子發(fā)芽試驗

根據農業(yè)部《農作物種子檢驗規(guī)程—發(fā)芽試驗》(GB/T 2930.4—2001)標準， 進行高丹草種子發(fā)芽試驗。 將培養(yǎng)皿清洗、 烘干， 然后在其中平鋪兩層濾紙, 將去離子水沿壁緩慢的滴入培養(yǎng)皿, 使濾紙完全浸濕, 并將篩選出的100粒高丹草種子均勻的放置在浸濕的濾紙上。 種子之間保持適當的距離， 避免過于緊密或者距離太大影響種子發(fā)芽率。 每組試驗重復3次； 將培養(yǎng)皿放入培養(yǎng)箱(型號： BD-PRX， 南京貝帝實驗儀器有限公司)， 每天觀察種子生長情況， 當芽長超過種子自身長度1/2視為發(fā)芽， 并記錄發(fā)芽情況， 及時補充水分， 且對發(fā)芽數進行記錄， 當實驗進行至12 d時， 統(tǒng)計高丹草種子的總發(fā)芽數。

種子發(fā)芽率的計算如式(1)所示

(1)

式(1)中，GR為種子發(fā)芽率；N為供試種子粒數；n為發(fā)芽種子粒數。

1.4 數據分析與處理

采用儀器所帶的UScanTM軟件及美國Unity科學公司SpectraStar系列第二代儀器的日常定量分析軟件， 使用matlabR2020a軟件調用LIBSVM軟件包。 預處理： 將采集樣品的光譜數據利用導數法進行分析， 并將預處理之后的數據采用支持向量機(SVM)建立高丹草種子發(fā)芽率檢測模型， 并且通過該模型對高丹草種子的發(fā)芽率進行快速檢測與驗證。

2 結果與討論

2.1 樣本的發(fā)芽率和近紅外光譜

通過種子發(fā)芽試驗得到的100份樣品的發(fā)芽率分布于41%～64%之間(表1)， 平均值為52.86%； 將試驗的100份種子根據發(fā)芽率進行分類， 發(fā)芽率41%～52%屬于第一類(類標簽： 0)， 52%～100%為第二類(類標簽： 1)； 按照7∶3的比例劃分訓練集和測試集， 可得訓練集樣本70份， 測試集30份。

表1 樣本發(fā)芽率

近紅外漫反射光譜如圖2， 從圖中可以看出， 不同種類的高丹草種子樣品的光譜圖像相似， 樣品的漫反射吸光度值范圍是0.19～0.94。 光譜圖像有重疊， 在1 110， 1 200， 1 300， 1 460， 1 900， 2 000， 2 100， 2 200和2 500 nm附近有明顯的吸收峰、 吸收谷存在。

圖2 高丹草種子的原始光譜

2.2 不同光譜預處理方法對高丹草種子建模效果的影響

采集樣品光譜信息的目的是采集該樣品所包含的化學組成信息， 然而一些其他無關信息也有可能被采集， 因此對采集到的光譜進行預處理以去除電噪聲、 樣品背景和雜散光無關信息的干擾， 降低模型的復雜程度， 從而提高模型的穩(wěn)定[13]。 在多種預處理方法[14]中， 使用導數光譜導數法來消除由于背景色或其他因素引起的光譜基線漂移或位移， 以區(qū)分重疊的波峰和波谷， 提高分辨率， 降低系統(tǒng)所帶來的誤差以及基線校正。 在本研究中， 由于采集的高丹草種子光譜段波長樣點多且分辨率較高， 采用直接差分法求導， 以此減少誤差。

表2 高丹草種子的光譜預處理結果

圖3 一階導預處理后的光譜曲線

圖4 二階導預處理后的光譜曲線

2.3 基于導數法-支持向量機的高丹草種子發(fā)芽率檢測模型

支持向量機(support vector machines, SVM) 在解決小樣本問題時有其獨特之處[15]， 其在優(yōu)化問題時， 將訓練誤差作為約束條件， 相較于一些傳統(tǒng)的分析樣本的方法來說， 具有不可替代的優(yōu)勢性。 在對高丹草種子發(fā)芽率檢測時， 該方法十分適用。 標記所有通過導數方法預處理的樣本， 在訓練SVM核函數及其參數時， 隨機選取標記好的高丹草種子樣本總量的十分之七， 剩下的數據樣本用作測試集。 在本研究中， 使用MATLAB中調用的LIBSVM軟件包來實現(xiàn)SVM訓練和預測過程。

通過使用3折和10折交叉驗證方法進行對比， 首先選擇核函數類型為Rbf， 采用網格尋優(yōu)的方法尋找支持向量機懲罰因子c和核函數g的最優(yōu)值。 參數g定義了單個訓練樣本的影響大小， 值越小影響越大， 參數c在誤分類樣本和分界面簡單性之間進行權衡。 在試驗時選擇隨機抽樣， 使參數c和g在[2-5， 215]的范圍內進行網格優(yōu)化， 并確定最佳參數， 如圖5(3D視圖)所示和圖6(等高線圖)所示。 準確率是指被分對的樣本數除以所有的樣本數， 錯分率與正確率相反， 描述被錯分的比例； 用準確率和錯分率來評價分類模型。 結果表明， 3折和10折交叉驗證對比， 折線對比區(qū)別較小， 檢驗準確率相同， 3折檢驗效率較高， 所以使用3折交叉驗證。 參數c和g最優(yōu)分別為2 896.309 4和0.5， 并將這兩個最優(yōu)參數訓練支持向量機。 3折交叉驗證下的最佳檢測準確率為96.666 7%(29/30)， 如圖7所示分類情況檢測的性能已經可以滿足一定的要求。 結合預處理和3折交叉驗證法， 建立導數法-支持向量機高丹草種子檢測模型。

圖5 網格搜索最佳c， g 3D視圖

圖6 網格搜索最佳c， g等高線視圖

圖7 測試集的實際檢測和預測檢測圖

3 結 論