光譜檢測技術在種子質量檢測中的應用*

張伏，張朝臣，陳自均，滕帥，徐銳良

(1. 河南科技大學農業裝備工程學院，河南洛陽，471003； 2. 河南科技大學車輛與交通工程學院，河南洛陽，471003)

0 引言

玉米是我國主要的糧食作物和重要的戰略儲備糧[1]。玉米種子質量直接影響玉米產量，為確保種子質量，需對玉米種子質量進行檢測。傳統種子質量測定方法，如田間小區試驗、種子幼苗生長測定等方法，具有耗時長、主觀因素影響大、損耗種子量較多等缺點[2-3]，因此，尋找一種便捷、無損、高效的玉米種子質量檢測方法顯得尤為重要。

近紅外光[4](Near Infrared)是一種介于可見光(VIS)和中紅外(MIR)的電磁波，其波長范圍為：780～2 500 nm，不同玉米種子的活力、含水率、表面特征等均有不同，其光譜響應曲線存在一定差異，這種差異和變化可作為鑒別玉米種子信息的依據，進而實現對玉米種子質量檢測分析。作為一種物理測定技術，近紅外光譜分析技術以其無污染、無損、成本低、便捷、無需預處理樣本等特點被廣泛應用到農產品檢測、中草藥鑒別、化工成分檢測等領域[5-9]。為獲取種子更多的特征信息，國內外學者將高光譜成像技術應用于種子質量檢測方面，并取得不錯的效果[10-11]。高光譜成像技術可在紫外波段(200～400 nm)、可見光波段(400～760 nm)、近紅外波段(760～2 560 nm)以及波長大于2 560 nm的波段獲取大量窄波段連續光譜圖像數據[12-13]，其包含的圖像信息和光譜信息分別從外觀上反映被測樣本形態學特征，從內部反映被測樣本物理結構和化學成分，進而實現對被測物內外部的綜合評價。

因此，光譜檢測技術將是玉米種子質量檢測過程中的研究重點。本研究在歸納傳統常規玉米種子檢測方法基礎上，基于光譜檢測技術流程，對比分析了光譜檢測玉米種子活力、含水率與病害、品種與產地等研究現狀，并闡述了光譜檢測技術在玉米種子質量檢測領域的現存問題和未來研究重點。

1 玉米種子檢測技術

1.1 傳統玉米種子質量檢測

種子質量檢測[14]是利用科學方法對種子品質進行檢驗、分析，并在此基礎上進行分類的過程。表1為傳統玉米種子質量檢測內容、方法及其優缺點。

從研究內容來看，玉米種子活力、含水率、病蟲害、品種產地是玉米種子質量檢測的研究重點。從研究方法來看，傳統的玉米種子質量檢測方法劃分為經驗法、物理法、化學法，其大多存在著繁瑣、耗時長、受實驗地點限制等弊端，已不能有力推動種子行業快速發展。

表1 傳統玉米種子質量檢測方法優缺點

1.2 玉米種子光譜檢測

由表1可得，傳統的玉米種子質量檢驗方法受主觀因素影響，其檢測結果差異較大，且費時、費事，無法滿足當前種業市場快速發展的需求。故光譜檢測技術在玉米種子質量方面的檢測研究逐漸受到關注。玉米種子光譜檢測流程如圖1所示。

圖1 玉米種子光譜檢測流程Fig. 1 Process of maize seed spectral detection

為保證所建立預測模型的準確性，需嚴格遵照光譜建模流程。在使用光譜儀器對種子數據采集之前要考慮其研究方法的性質，即明確對其進行定性分析或定量分析。然后，采用標準方法對其進行判別以便對所建立模型的精度進行驗證。進而完成樣本數據采集、數據預處理，并基于特征波長構建相應的預測模型。樣本數據采集過程中應避免其他光線干擾，數據預處理是為剔除異常樣本數據，選擇特征波長可減少運算過程中的多余運算。尤其使用高光譜成像系統采集圖像時，還需按照式(1)對原始光譜圖像進行校正。光譜檢測技術流程為合理高效地完成玉米種子質量檢測提供基礎。

(1)

式中：RC——校正后的光譜圖像；

Ro——未經校正的光譜圖像；

Rb——關閉光源并蓋緊鏡頭后采集的暗參考圖像；

Rw——采集的標準白板的漫反射圖像。

2 玉米種子質量光譜檢測

2.1 玉米種子活力檢測

國外學者將種子活力定義為：幼苗在萌芽的基礎上具備一種迅速健壯生長而頑強的能力[15]。而國內常認為“種子活力即種子健壯度，其包括迅速整齊的出苗率、幼苗的生長潛力，植株的抗逆能力以及生產潛力”[16]。由此可見，種子活力是衡量其質量的一個重要指標。若利用光譜技術快速無損檢測種子活力，將對作物生產具有重大的意義。

最早研究種子活力近紅外光譜檢測的是國外學者Tigabu[17]，結合多變量分析實現對松樹種子活力快速分析。Ambrose等[18]采用高光譜成像技術，在400～2 500 nm波段內，獲取未處理玉米種子和經微波加熱老化處理的玉種子的光譜圖像，采用偏最小二乘判別分析方法(PLS-DA)建立的模型對兩種玉米判斷，結果表明，預測集準確率為95.6%。楊冬風等[19]把經過處理后的特征光譜作為BP神經網絡的輸入，在選定的波長范圍861～2 500 nm內構建并選出最佳玉米種子活力智能模型，其識別準確率可達95%。白京等[20]以紅墨水染色法判定玉米種子樣品活力為對照試驗(圖2)，采集玉米種子450～900 nm波段范圍內的光譜曲線，通過平滑(SG)預處理減小噪聲，然后基于主成分分析(PCA)方法提取主成分，運用支持向量機(SVM)方法建立定性模型，其預測集準確率為86.67%。李武等[21]選取8個品種玉米種子作為研究對象，在908.1～1 676.0 nm波長范圍內對其實現光譜信息采集和生理檢測，并利用偏最小二乘回歸(PLSR)建立相應的定量模型，實現對玉米種子活力快速無損檢測。尹淑欣等[22]將采用主成分分析(PCA)方法提取的光譜特征作為BP神經網絡的輸入，構建出BP神經網絡種子活力檢測模型，其識別準確率為90.3%，平均識別時間為27.36 ms。

(a) 有活力種子 (b) 無活力種子

綜上所述，光譜檢測技術已發展成為測定玉米種子活力的關鍵技術方法，可滿足玉米種子質量檢驗快速、高效的要求，隨著光譜技術的快速發展，有效推進玉米種子質量檢驗方法的優化選擇，進一步促進種業質量的發展。

2.2 玉米種子含水率與病害檢測

種子的檢測、貯藏、育種等過程中，需要測定種子的水分[23]。水分測定是按規定程序把種子樣品烘干，用所失去的重量占供檢樣品原始重量的百分率表示。目前傳統測定種子含水率的方法是直接測定法，如烘干減重法、甲苯蒸餾法、化學法和紅外線加熱法[24]。但上述方法對種子具有破壞性，操作較繁瑣，難以滿足科研和生產實際需求。

李江波等[25]采用高光譜成像(圖3)與神經網絡技術相結合的方式，基于491、772、824和870 nm四個特征波長建立了玉米粒含水量預測模型，其相關系數達到0.98。王超鵬等[26]為消除種子放置方式的影響，基于高光譜成像和圖像處理技術，結合變量篩選法，針對玉米種子正反面放置的不同分別建立對應的含水率(MC)預測模型，得出相較于反面胚乳部，正面胚乳部區域的光譜曲線所建立的含水率預測模型檢測效果更好的結論。

圖3 高光譜成像系統Fig. 3 Hyperspectral imaging system1.輸送裝置 2.光源 3.計算機 4.攝像機5.光譜儀 6.樣本 7.載物臺

此外，光譜檢測技術還可用于玉米種子儲藏過程中霉變檢測，如Wang等[27]將制備的四種不同濃度的黃曲霉素溶液分別沉積在玉米籽粒表面，利用高光譜成像技術結合主成分分析(PCA)和逐步階乘判別(FDA)建立預測模型，可檢測濃度低至10 ppb的黃曲霉素(AFB1)，其預測集精度在88%以上；另外，該團隊還進一步發現1 729 nm和2 344 nm的波長可有效檢測玉米種子表面的黃曲霉素[28]。Kandpal等[29]針對玉米種子中有毒代謝物快速、準確檢測的問題，在1 100～1 700 nm的光譜范圍內，采用短波紅外高光譜技術對經四種不同濃度的黃曲霉素B1試液和PBS溶液處理的五批玉米種子進行掃描，建立偏最小二乘判別分析(PLS-DA)模型，其判別精度達96.9%。以上研究表明，高光譜技術多用于單粒玉米種子含水率，病害檢測，而近紅外光譜技術在此方面研究較少。

2.3 玉米種子品種與產地鑒別

玉米種子產地和品種的鑒別研究，對我國的食品安全追溯制度建立具有積極作用，便于在面臨食品安全問題時迅速鎖定問題源頭并及時召回[30-31]。因此，利用光譜檢測技術，研究玉米種子源產地和品種鑒別具有重要的實際價值。

國內外學者對于光譜檢測技術在玉米種子鑒別的研究總結如表2，Huang等[32]以四個品種共2 000粒種子為研究對象，利用高光譜成像技術獲取在400～1 000 nm 范圍內的圖像，采用最小二乘支持向量機(LSSVM)結合增量支持向量描述(SVDD)建立在線更新模型，其分類準確率可達94.4%。王慶國等[33]針對玉米種子產地和年份無損鑒別難題，以不同產地和年份的玉米種子作為研究對象，利用高光譜圖像技術采集高光譜圖像，在400～1 000 nm波段范圍內對其進行輪廓提取并得到四種特征，分別為均值、標準差、熵和能量，利用均值及預處理方法建立了偏最小二乘判別分析(PLS-DA)模型，訓練集和測試集精度分別為99.11%和98.39%，但樣本種類數量有限，模型還需進一步驗證。韓仲志等[34]針對近紅外光譜在玉米種子品種與產地鑒別應用問題，在830～2 500 nm的波長范圍內采集了8個玉米品種的近紅外光譜數據，基于主成分分析法(PCA)提取特征光譜數據，結合人工神經網絡與支持向量機建立了相應模型，對玉米種子品種和產地的鑒別準確率整體分別在90%和95%以上。針對傳統分類器缺乏對新類別樣本識別能力的問題，朱啟兵等[35]獲取了玉米樣本在400～1 000 nm波段范圍內的高光譜圖像，提取玉米種子在各個波段下的圖像熵作為分類特征，并利用支持向量數據描述方法(SVDD)構建了每類玉米的分類器模型，該方法對待識別樣本的測試精度達到了94.14%，對新類別樣本的識別精度達到92.28%。王徽蓉等[36]采集了37個種類玉米種子樣品的光譜數據，結合遺傳算法(GA)對特征光譜波段選擇，所建模型對預測集樣本的平均正確拒識率達到99.65%。從上述中發現，光譜技術結合圖像技術及算法，可更好地對玉米種子進行品種產地鑒別檢測。

表2 光譜檢測技術在玉米種子鑒別模型對比表

3 存在問題與展望

3.1 存在問題

由上述分析可見，近紅外光譜和高光譜檢測技術是檢測玉米種子基團結構和化合物含量的重要工具，在研究玉米種子活力、含水率與病害、品種及產地鑒別等問題中有巨大作用。光譜檢測技術在玉米種子質量檢測方面已有很多成功的應用，但也存在以下問題。

1) 研究系統化不強。光譜技術在玉米種子質量檢測方面已有大量應用，卻處于一種技術瓶頸階段。目前種子質量光譜檢測未形成系統研究，只從不同角度證明光譜技術在此領域的可能性和相關性，缺少完整的理論體系支撐。

2) 實際應用場景受限。目前，玉米種子光譜檢測大多在實驗室中完成，所建立的模型穩定性差，推廣應用和產業化難度較大。針對玉米種子某一特征的光譜模型預測率大多在90%左右，在室外檢測存在干擾時將大幅降低，影響構建模型的穩定性和準確性。

3) 光譜數據處理效率低。將光譜信息和圖像信息相結合的高光譜技術會更廣泛運用于玉米種子質量檢測，但隨之而來的冗余數據會加大數據處理的負擔，使其檢測效率大打折扣。

3.2 展望

針對上述研究現狀及現存問題，未來幾年有可能從以下幾個方向展開研究。

1) 更應注重多學科交叉合作研究，建立玉米種子光譜信息數據庫，為檢測系統的完善和優化提供重要的參考依據，形成光譜檢測技術對玉米種子質量檢測的完整體系。

2) 今后的研究中應著重研發便攜檢測設備，以提高其田間作業的抗干擾能力，增強其實用價值。

3) 應著重將新方法、新算法，如深度學習算法等引入到高光譜數據處理中，從而提高檢測效率，達到在線檢測的目的。

未來種子質量光譜檢測技術應主要圍繞解決技術的系統化、應用場景、數據處理效率存在的問題，展開多學科交叉系統和廣泛的實際場景等方面的研究工作，以期達到種子活力、含水率與病害、品種與產地等特征快速、無損檢測，為作物豐產高效奠定基礎。