近年来，随着科技的发展，农业科技也在不断进步着。现金的科学技术使作物的产量更大了，质量也更好了。近红外光谱是农业科技中经常用到的一种技术，本文是一篇高工论文发表范文，主要论述了近红外光谱技术在玉米种子活力检测中的应用研究。
摘要 利用近红外光谱和BP神经网络建立玉米种子活力的快速无损检测模型。首先通过人工老化将样本按老化程度分为3种级别，分别采集样本的近红外光谱。对原始光谱进行矢量归一化预处理以消除光谱噪声。然后利用主成分分析(PCA)方法提取光谱特征，作为BP神经网络的输入，依据预处理及特征提取构建出BP神经网络种子活力检测模型。试验结果表明，该识别方法的准确率为90.3%，平均识别时间为27.36 ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。
关键词 近红外光谱,玉米,种子活力,主成分分析,BP神经网络
Application Study of Near Infrared Spectroscopy Technology in Maize Seed Vigor Detection
YIN Shu-xin 1 YANG Dong-feng 1 WANG Xiu-zhi 2 GAO Shu-ren 2 JIANG Li 1
(1 Department of Information Technology，Heilongjiang Bayi Agriculture University，Daqing Heilongjiang 163319; 2 Agronomy College，Heilongjiang Bayi Agriculture University)
Abstract In order to realize rapid nondestructive recognition of maize vigor，a maize vigor intelligent detection model was put forward by combining NIR and BP neural network.At first，test samples were aged into three grades by artificial aging，and near infrared spectroscopy of which was collected.The original data were prerated using statitics method of normalization in order to eliminate noise and improve the efficiency of models.Principal component analysis(PCA)was respectively used to extract spectral features which acted as the input of BP neural network and the model was constructed according to preprocessing and feature extraction.The results showed the accuracy rate of the model was 90.3% and its average identification time was 27.36 ms.This investigation provided the theoretical support and practical method for rapid nondestructive recognition of maize vigor.
Key words near infrared spectroscopy;maize;seed vigor;principal component analysis;BP neural network
我国是玉米生产和消费大国，玉米是国内重要的粮、饲、经三元作物，在我国粮食总产量中，玉米的产量占比约为1/3[1]。可以说，玉米种子质量的高低将直接影响到国家的粮食生产安全。当前对玉米的种子质量进行衡量的最主要的标准是种子活力，它不但可以对种子的出苗率及出苗数量有制约作用，也会对苗期的生长量及抵抗外界的能力产生直接的影响，甚至会最终影响玉米收获时的产量。高活力种子具有生长势强、出苗率高、生长快、抗逆性好等优点，可以有效提高种子耐贮性，达到增产的效果[2]。然而种子在采收、干燥、包装、运输和存储过程中，必然会受到各种自然条件(包括不可避免的时间因素)和人工条件的影响而导致种子发生老化、活力下降、生理特性发生改变的情况。因此，研究快速可靠的玉米种子活力检测方法对保护农民切身利益和保障国家粮食安全意义重大。
目前有很多对种子活力进行测定的方法，传统的方法包括发芽速率测定、电导率测定和人工加速老化测定等，但这些方法均会对种子的本身造成伤害，并且有试验周期较长、受自然条件限制等特点。因此，随着人们对种子活力的重视程度越来越高，迫切需要研究出一套检测速度快且不会对种子活力进行破坏的检测方法。
近红外光谱(NIR)分析方法属于物理测定方法，具有无损、无污染、不破坏样品、成本低、速度快、测量方便等特点，NIR的主要信息来源是含氢基因O-H、N-H、C-H、S-H和P-H的倍频和合频吸收峰组成，光谱信息丰富、适合多组分测定。结合模式识别的方法在中草药、食品、农产品的鉴别和分类方面的应用[3-8]也在不断深入。近红外光谱分析技术为种子活力的快速测定提供了新的思路和方法。
1 材料与方法
1.1 试验材料
研究样本为2014年收获的绥玉7号半马齿型玉米种子。首先随机选取发育良好、形态完整的玉米种子，精细挑选出600粒备用。采用人工加速老化的方法促使种子不同程度地发生劣变，以得到活力水平不同的玉米种子。 1.2 老化方法
试验中精选的600粒种子随机平均分成3组，其中第1组不进行任何老化处理，第2组和第3组进行不同程度的人工加速老化处理。在进行人工老化前，必须对种子的含水量进行测定，因为种子的含水量不同会对种子的老化效果产生影响，必须把种子的含水量调到10%～14%。调整种子含水量的方法参照Wang的方法直接将种子装入铝箔袋中并加入达到相应含水量所需的蒸馏水量并立即密封好铝箔袋，在5～10 ℃条件下放置18～24 h也可以达到规定范围内的水分含量[9]。
将种子处理好用干燥筛封装好后，在密封的容器内均匀地摆放，密封前应加入无菌水。然后将容器置于相对湿度100%、温度45 ℃的智能老化箱中。第2组、第3组处理的时间分别为24、48 h。取出老化种子放置在室内通风条件良好的地方，待其恢复后备用。分别从3组老化程度不同的种子中随机选取100粒，采用标准发芽试验进行种子活力测定。样品的人工老化温度、时间及样本数量见表1。
1.3 光谱测量
近红外仪器采用德国BRUKER公司的VECTOR22/N型近红外光谱仪，扫描范围：833～2 500 nm;扫描次数为64次;扫描步长为0.8 nm。对玉米籽粒进行单籽粒测定，使用小型样品池改善测量光谱的质量，试验保持室内温度和湿度基本一致。
从3组处理的玉米种子中随机选80粒(共240个样本)，并随机按照1～80 进行编号。为了充分地对种子的老化信息进行采集，应保证胚正对着光源进行光谱的测量。每粒种子测4 条光谱，每次测量后，将种子的尖部依次转动90°后重复测量，测量后取平均值。若使用的是小样品池，可将玉米籽粒置于池中，为了避免光线射出，可用镀金小盖将池遮住。
1.4 智能检测方法
1.4.1 光谱预处理。在3种不同老化程度的玉米种子中分别取10粒谱线进行对比。得到的原始光谱采用矢量归一化方法进行预处理。
1.4.2 光谱特征提取。在对原始光谱进行预处理后，对可表征品种类别的分布特征作为BP神经网络的输入。本试验进行特征提取采用的方法为主成分分析方法。该方法的目的是将数据降维，以将大量信息中共存、重叠的部分予以消除。
1.4.3 BP神经网络模型构建。经过预处理和特征提取后，得到模型的特征输入数据共80组，模型的特征输入向量维数为9(由主成分分析得出)。神经网络输入节点数目的维数与特征向量相同。输出节点数对应着种子的老化等级，故输出节点为3个。
本研究中对隐含层节点进行确定的方法是先计算出初始节点数，估算公式见式(1)，然后结合训练的实际情况对隐含层节点数目进行动态调整，直至达到最佳数目。
节点估算公式如下：
h=■+0.51(1)
式(1)中，h、m、n分别表示估算的隐含层节点数、输入节点数及输出节点数。经过分析，模型的隐含节点数为12个。本研究中，激活隐含层神经元、输出层选用的函数分别为logsic()、pureline()。采用Delta学习规则，调整权值根据误差函数梯度下降的方向进行。
2 结果与分析
样本材料的发芽率见表2。由表2可知，不同老化程度的种子活力差别比较明显，可以作为近红外光谱检测的样本。
光谱曲线见图1。从图1可以看出，不同处理的玉米种子谱线总的趋势和特征吸收峰几乎无区别，但移动籽粒时，位置和角度细微的差别会引起随机误差和谱线漂移，因此需要对原始光谱进行预处理。
光谱数据共有2 083个数据点，利用Matlab中的主成分分析函数princomp()对数据矩阵X240×203进行主成分分析，分析结果见表3。由表3可知，11个主成分中的前9个累积可信度超过99%，可对大部分的光谱数据特性进行反映。因此，本研究将主成分中的前9个特征值作为BP神经网络的输入变量。从预处理及特征提取后的输入数据集中按3种老化程度各取出40组作为各模型的训练数据。系统设置训练总步长为840，每隔4步显示1次。模型的平均识别时间为27.36 ms，得到的均方误差为0.336 5。
将模型剩余的数据作为验证数据，输入到训练好的BP网络中，将结果与已知的老化等级进行比较，计算出模型的识别准确率为90.3%。
从验证结果看，在主成分分析过程中进行特征的提取时应对数据的内部结构关系进行充分考虑，能体现出光谱数据的差别。在具有相同神经网络层数的条件下，识别时间的长短主要与各层的节点数目多少相关。
3 结论
研究采用近红外光谱测量了经人工老化处理为不同活力等级的玉米种子的光谱数据，利用矢量归一化方法对原始光谱数据进行预处理。然后利用主成分分析方法提取光谱特征，建立BP神经网络种子活力检测模型。结果表明，模型的识别精度都达到了90.3%。本研究是玉米种子活力快速无损检测的一次成功尝试，为种子活力检测方法提供了新思路[10-14]。
4 参考文献
[1] 张晓芳.玉米种质资源品质性状的鉴定与评价[J].玉米科学，2006，14(1)：18-20.
[2] 颜启传.种子学[M].北京：中国农业出版社，2001.
[3] 陆艳婷，张小明，叶胜海，等.稻米品质近红外光谱法分析中定标样品选择与模型优化[J].核农学报，2008，22(6)：823-828.
[4] 曹芳，吴迪，何勇.基于可见一近红外反射光谱技术的葡萄品种鉴别方法的研究[J].光学学报，2009，29(2)：537-540.
[5] 张薇，耿雷跃，杨雅华，等.水稻种子活力的快速测定方法[J].现代农业科技，2015(8)：29-32.
[6] 陈兰珍，孙谦，叶志华，等.基于神经网络的近红外光谱鉴别蜂蜜品种研究[J].食品科技，2009，34(8)：287-290.
高工论文发表期刊推荐《林业科学研究》是由中国林业科学研究院主办的营林科学综合性学术刊物。本刊主要任务是及时反映以中国林科院为主的营林科学最新研究成果、学术论文和研究报告、科技动态和信息等，促进国内外学术交流，开展学术讨论、繁荣林业科学，更好地为我国林业建设服务。
