光譜技術在玉米品種品質檢測中的研究進展

黃紀翀劉春宇宋少忠譚勇韓宇徐立君劉君玲

(1.長春理工大學物理學院,吉林 長春 130022；2.吉林工程技術師范學院信息工程學院，吉林 長春 130052)

習近平總書記在“七一”重要講話中指出，推進科技自立自強；2021年發布的中央一號文件提出，必須打好種業翻身仗，要在黑土地上加快選育更多裝上“中國芯”的玉米品種。玉米作為主要的糧食、工業原料、飼料等，在我國經濟與生產生活中占有重要地位，而發展玉米生產，玉米種子的品質是非常重要的影響因素。目前對玉米品種的選育以傳統方法和生化方法為主，傳統方法有籽粒形態鑒別法、苗期標記性狀法等；生化方法有蛋白質電泳法、分子標記測定法等。傳統檢測方法操作簡單，但受人為因素影響較大，在對物質需求越來越高的今天逐漸無法滿足人民；生化檢測方法準確率高且可實現批量檢測，但其成本較高且具有一定的專業性，通常應用于大型企業。光譜在物質鑒別上被稱為指紋譜，光譜檢測玉米種子具有快速無損、操作簡單、實時監測等優點，與上述檢測方法相輔相成，或可以作為其有效補充手段，使得農作物種子的鑒別更加快捷有效。

1 玉米品種品質的檢測方法

1.1 傳統方法

種子純度是種子品質的重要指標，會直接影響產量大小，從而導致農民利益受到損害。檢測玉米籽粒純度的傳統方法一般有籽粒形態鑒定法、苗期標記性狀法2種。其中,籽粒形態鑒別法檢驗原理是根據花粉直感現象，雜交種子與母本自交種子的胚乳層顏色、透明度等性狀都有所不同，以此作為區分的依據；而苗期標記性狀法則是分別在室內與室外種植一定數量的種子樣品，待種子成長為幼苗期后根據某些性狀的不同來區別種子，以此鑒定種子純度。

1.2 生化方法

傳統檢測方法因人為主觀性較強而具有一定的局限性，以生化指紋為依據的生化檢測方法開始漸漸進入人們的視野。目前，應用和研究較為廣泛的是蛋白質電泳法與分子標記測定法，其中蛋白質電泳法是以樣品中特定蛋白帶的有無或在電泳凝膠上某一位置出現的譜帶來確定品種類別或進行純度鑒定；而分子標記測定法則是通過直接分析DNA的多態性來診斷生物內在基因的排布規律及其外在性狀的表現規律,通過鑒定DNA水平上的差異來鑒別品種,又以此為基礎分出了多種標記技術，在多個檢測領域發揮不同的作用。

2 玉米品種品質的光譜檢測方法

隨著種子品種的增加，一些種子可能因具有相似的外觀而難以用肉眼進行區分，只能憑借傳統經驗判斷，容易造成種子純度下降；而種子純度作為種子品質的一個方面，又能影響到農產品和食品的品質優劣，是關系老百姓自身權益的重要問題，一直是人們關注的熱點。光譜技術作為近年來新興的一種檢測技術，具有快速、無損等優點，為種子品種品質檢測提供了一種新的手段，目前在品種分類、品質鑒別、成分分析等方面有著廣泛的應用。

2.1 近紅外光譜技術

在待測樣品中,C-H、N-H、O-H等含氫基團振動頻率的吸收區域位于近紅外光譜波段范圍，這使其可以體現出物質本身豐富的特征信息，從而實現對樣品內各成分的定量或定性檢測。

在品種分類方面，Williams等[1]將高光譜成像技術應用于近紅外光譜技術上，彌補了近紅外光譜無法提供有關成分或污染物空間位置這一缺陷，在檢測方法上作出了創新；Jia等[2]在采集了近紅外光譜的基礎上，采用多種算法建立模型并對其性能進行了比較，得出最佳性能的模型，在識別算法方面有所突破；Cui等[3]在建立識別模型方面分別運用主成分分析(PCA)、線性判別分析(LDA)與仿生模式識別(BPR)建立識別模型，對參數優化后提高了模型的魯棒性，獲得了90%以上的平均正確識別率，在識別算法方面有所突破。

在品質檢測方面，王亞麗等[4]為檢測玉米種子活力，自主設計一種單粒化裝置并對其進行優化，并基于該裝置分別采集正常玉米種子與人工老化玉米種子的近紅外光譜，對光譜采取了不同的預處理方式后建模，并驗證了模型的判別準確率，在檢測方法上有所創新；Fassio等[5]為了測定玉米樣品中的油脂含量，使用了主成分分析(PCA)，Savitzky-Golay變換和平滑對采集的光譜數據進行預處理，并建立了偏最小二乘回歸模型，用以分析玉米樣品中油含量的各種參數，在對光譜預處理方式方面有所突破。

在成分分析方面，張樂等[6]為測定玉米的水分含量，采用Savitzky-Golay卷積求導法、均值中心化(mean centering,MC)、標準正態變量變換(Standard normal variate transformation，SNV)等方法消除噪聲干擾，再采用主成分分析(PCA)、去噪自動編碼器(DAE)進行降維和特征提取，建立基于隨機森林(RF)的單粒玉米種子水分含量預測模型，比較不同光譜預處理方法的效果，在光譜預處理方面有所突破；張新玉等[7]為檢測玉米內蛋白質含量，采集了多份不同基因型玉米籽粒的近紅外光譜，同時用常規化學法測定玉米籽粒蛋白質含量化學值，對二者進行擬合后分別用偏最小二乘回歸法(PLSR)與支持向量機回歸法(SVR)建立數學模型，比較二者效果，在識別算法方面有所突破。

2.2 拉曼光譜技術

隨著新技術的發展，拉曼光譜檢測技術逐漸步入人們的視線中。作為一種非彈性散射譜，拉曼光譜的特征峰分布范圍為10～4000cm-1，而其特征譜可以與有機分子官能基因團相對應，從而對物質中所含成分進行指認。

在品種分類方面，Dib等[8]利用拉曼光譜結合線性判別分析(LDA)對不同種類轉基因玉米進行了拉曼光譜測量、分析，并對不同的光譜預處理方式和變量選擇算法進行了評估選擇。結果表明，采用遺傳算法(GA)對模型進行優化后效果最佳，其正確預測率達到了87.5%，在光譜預處理方法與識別算法上有所突破。

在品質檢測方面，黃亞偉等[9]采用拉曼光譜技術采集同一品種不同收貨年份的玉米種子的光譜后，對其進行預處理并分別運用主成分馬氏距離判別分析方法與偏最小二乘判別分析方法建立了判別模型。研究表明，拉曼光譜技術在玉米新陳度快速識別方面的可行性，在識別算法上有所突破；Ambrose等[10]利用拉曼光譜結合傅里葉紅外光譜技術，以不同的雜交玉米粒為研究對象，對玉米種子的活力進行評估。結果表明，拉曼光譜結合PLS-DA可以更好地對種子進行區分，在光譜預處理方法上有所突破。

在成分分析方面，黃林生等[11]利用表面增強拉曼光譜技術，以納米金棒為拉曼增強基底，對浸泡過不同濃度殺螟硫磷的玉米樣品的光譜進行測量，驗證了其可行性，為農產品的安全檢測提供了一種新思路，在檢測方法上有所突破；Gulce等[12]利用顯微拉曼光譜技術結合化學計量學方法，對2種不同品種玉米種子中的蛋白質和直鏈與支鏈淀粉的相對含量進行了測定。結果表明，PCA分析方法很好地擬合了這2種玉米平均光譜之間的差異光譜。通過分析其差異光譜，發現黃色凹陷品種玉米種子的蛋白質與支鏈淀粉的相對含量較高，而直鏈淀粉相對含量較低，在光譜預處理方法上有所突破。

2.3 高光譜成像技術

單一的圖像信息難以區分外表相似，品種不同的種子；單一的光譜信息受生長區域、氣候等環境因素影響較大。而高光譜成像技術(hyperspcetral imaging,HSI)將二者相結合，能同時捕捉到被測樣品的光譜信息和圖像信息，與化學計量學方法相結合，用于種子品種品質方面的研究。

在品種分類方面，Huang等[13,14]利用采集到的不同種類玉米種子的光譜數據建立最小二乘支持向量機(LS-SVM)模型，并分別利用多種算法優化參數，提升準確率。其中，利用在線更新模型方法使模型的識別率有了一定的提升，從84.1%上升到94.4%，而利用SPA、PCA等算法結合優化后的模型可以達到90%以上的測試精度，在光譜預處理方法與識別算法方面有所突破；馮朝麗等[15]、Zhang等[16]在獲得不同品種玉米種子的高光譜圖像后，采用不同的化學計量學方法取得最佳波長，最后結合算法建立模型并進行比較。結果表明，高光譜圖像分析結合化學計量學方法得出的模型在一定程度上可以實現對玉米品種的分類，但其實用性與效率仍有待探討與提升。

在品質檢測方面，Guo等[17]對不同年份收獲的同一品種玉米種子的高光譜圖像進行了采集，通過多種預處理方法對圖像進行去噪、分割、提取特征譜段，結合特征譜段建立了最小二乘支持向量機(LS-SVM)模型，優化模型并檢驗其性能，結果表明，結合了模型更新與預標記方法的模型效果最好，其識別準確率在85%以上，在識別算法上有所突破；Feng等[18]為檢測玉米種子活力，分別采集了普通玉米種子與經過8次不同老化時間處理后玉米種子的高光譜圖像，使用主成分分析(PCA)與二階導數選擇特征波長，利用支持向量機(SVM)算法建立了基于全光譜和最佳波長的模型。結果表明，模型對短時間老化后的玉米籽粒分類精度較高，而長時間老化后的玉米籽粒分類精度較低，因此將8個不同時間段處理的玉米分成3組后分類，其效果與前者相仿，在識別算法上有所突破。

2.4 其它光譜技術

熒光成像技術是一種落射光照明的成像技術，光源經由濾光片后產生一定波長的激發光激發樣品產生熒光，再經由濾光片后產生一定波長的熒光返回物鏡，并通過CCD成像。如Zuzana等[19]為實現玉米種子中黃曲霉毒素的快速檢測，對實驗組與對照組樣本中隨機抽取對象后采用熒光成像光譜法采集樣本圖像與光譜并對其進行分析。結果表明，自然感染的植株與受黃曲霉毒素感染的植株之間存在明顯的光譜偏移，且所有接種毒素和自然感染的植株在波段為501nm處都有熒光峰，而正常的玉米植株中沒有檢測到。

X射線熒光光譜法是一種利用樣品對X射線的吸收隨樣品中的成分及其含量而變化來定性或定量測定樣品中成分的方法，可用于土壤、農作物中各種微量元素的測量，快速準確地分析農產品中的各種成分。如Dao[20]為確定礦物磷肥對植物生長的影響，對植株第1片最上面的頂葉進行光譜提取并分析。結果得到了葉片磷濃度、含水量等因素之間的關系圖，為田間植株的養分管理提供了一種新的方法。

3 結論

綜上所述，國內外學者在多種光譜對玉米品種、品質、成分檢測方面都有所涉及，且在檢測方法、光譜預處理方式和識別算法方面都有所突破和創新。相較于傳統檢測方法，光譜檢測技術具有易獲取、速度快、非破壞等優點，而不同的光譜技術又各具有其優劣勢，近紅外光譜技術數據采集速度快，適用于在線檢測；大部分設備小成本低，便于攜帶，但其只能獲得光譜信息，實現對樣品化學參數的評估，主要應用于對樣品的品質檢測；高光譜成像技術可同時獲取圖像和光譜信息，且可實現樣品物理和化學參數的評估并將其可視化，但其數據量龐大，需要與高性能計算機硬件及化學計量法結合使用，主要應用于品種分類；而拉曼光譜技術光源選擇的自由度大，可以對種子內部器官進行更加細致地檢測，結合理論計算等方法可以從光譜中挖掘出更多信息，但拉曼光譜大多呈非線性變化，難以分析，主要應用于對物質內部的成分分析。因此多種光譜技術相結合對農業的應用是未來的趨勢，隨著光譜技術的迅猛發展，越來越多的農作物可以通過光譜技術進行精準檢測，使其達到量產最大化，并實現種類識別、病害分類、種子年限分類等目標，而對玉米品種品質的檢測方法也在與時俱進，在未來能夠成為作物種子鑒別的一種有效手段。