近年來，隨著科技的發展，農業科技也在不斷進步著。現金的科學技術使作物的產量更大了，質量也更好了。近紅外光譜是農業科技中經常用到的一種技術，本文是一篇高工論文發表范文，主要論述了近紅外光譜技術在玉米種子活力檢測中的應用研究。

 　　摘要 利用近紅外光譜和BP神經網絡建立玉米種子活力的快速無損檢測模型。首先通過人工老化將樣本按老化程度分為3種級別，分別采集樣本的近紅外光譜。對原始光譜進行矢量歸一化預處理以消除光譜噪聲。然后利用主成分分析(PCA)方法提取光譜特征，作為BP神經網絡的輸入，依據預處理及特征提取構建出BP神經網絡種子活力檢測模型。試驗結果表明，該識別方法的準確率為90.3%，平均識別時間為27.36 ms。研究結果為玉米種子活力的快速無損檢測提供了理論依據和實用方法。

　　關鍵詞 近紅外光譜,玉米,種子活力,主成分分析,BP神經網絡

　　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

　　我國是玉米生產和消費大國，玉米是國內重要的糧、飼、經三元作物，在我國糧食總產量中，玉米的產量占比約為1/3[1]。可以說，玉米種子質量的高低將直接影響到國家的糧食生產安全。當前對玉米的種子質量進行衡量的最主要的標準是種子活力，它不但可以對種子的出苗率及出苗數量有制約作用，也會對苗期的生長量及抵抗外界的能力產生直接的影響，甚至會最終影響玉米收獲時的產量。高活力種子具有生長勢強、出苗率高、生長快、抗逆性好等優點，可以有效提高種子耐貯性，達到增產的效果[2]。然而種子在采收、干燥、包裝、運輸和存儲過程中，必然會受到各種自然條件(包括不可避免的時間因素)和人工條件的影響而導致種子發生老化、活力下降、生理特性發生改變的情況。因此，研究快速可靠的玉米種子活力檢測方法對保護農民切身利益和保障國家糧食安全意義重大。

　　目前有很多對種子活力進行測定的方法，傳統的方法包括發芽速率測定、電導率測定和人工加速老化測定等，但這些方法均會對種子的本身造成傷害，并且有試驗周期較長、受自然條件限制等特點。因此，隨著人們對種子活力的重視程度越來越高，迫切需要研究出一套檢測速度快且不會對種子活力進行破壞的檢測方法。

　　近紅外光譜(NIR)分析方法屬于物理測定方法，具有無損、無污染、不破壞樣品、成本低、速度快、測量方便等特點，NIR的主要信息來源是含氫基因O-H、N-H、C-H、S-H和P-H的倍頻和合頻吸收峰組成，光譜信息豐富、適合多組分測定。結合模式識別的方法在中草藥、食品、農產品的鑒別和分類方面的應用[3-8]也在不斷深入。近紅外光譜分析技術為種子活力的快速測定提供了新的思路和方法。

　　1 材料與方法

　　1.1 試驗材料

　　研究樣本為2014年收獲的綏玉7號半馬齒型玉米種子。首先隨機選取發育良好、形態完整的玉米種子，精細挑選出600粒備用。采用人工加速老化的方法促使種子不同程度地發生劣變，以得到活力水平不同的玉米種子。 　　1.2 老化方法

　　試驗中精選的600粒種子隨機平均分成3組，其中第1組不進行任何老化處理，第2組和第3組進行不同程度的人工加速老化處理。在進行人工老化前，必須對種子的含水量進行測定，因為種子的含水量不同會對種子的老化效果產生影響，必須把種子的含水量調到10%～14%。調整種子含水量的方法參照Wang的方法直接將種子裝入鋁箔袋中并加入達到相應含水量所需的蒸餾水量并立即密封好鋁箔袋，在5～10 ℃條件下放置18～24 h也可以達到規定范圍內的水分含量[9]。

　　將種子處理好用干燥篩封裝好后，在密封的容器內均勻地擺放，密封前應加入無菌水。然后將容器置于相對濕度100%、溫度45 ℃的智能老化箱中。第2組、第3組處理的時間分別為24、48 h。取出老化種子放置在室內通風條件良好的地方，待其恢復后備用。分別從3組老化程度不同的種子中隨機選取100粒，采用標準發芽試驗進行種子活力測定。樣品的人工老化溫度、時間及樣本數量見表1。

　　1.3 光譜測量

　　近紅外儀器采用德國BRUKER公司的VECTOR22/N型近紅外光譜儀，掃描范圍：833～2 500 nm;掃描次數為64次;掃描步長為0.8 nm。對玉米籽粒進行單籽粒測定，使用小型樣品池改善測量光譜的質量，試驗保持室內溫度和濕度基本一致。

　　從3組處理的玉米種子中隨機選80粒(共240個樣本)，并隨機按照1～80 進行編號。為了充分地對種子的老化信息進行采集，應保證胚正對著光源進行光譜的測量。每粒種子測4 條光譜，每次測量后，將種子的尖部依次轉動90°后重復測量，測量后取平均值。若使用的是小樣品池，可將玉米籽粒置于池中，為了避免光線射出，可用鍍金小蓋將池遮住。

　　1.4 智能檢測方法

　　1.4.1 光譜預處理。在3種不同老化程度的玉米種子中分別取10粒譜線進行對比。得到的原始光譜采用矢量歸一化方法進行預處理。

　　1.4.2 光譜特征提取。在對原始光譜進行預處理后，對可表征品種類別的分布特征作為BP神經網絡的輸入。本試驗進行特征提取采用的方法為主成分分析方法。該方法的目的是將數據降維，以將大量信息中共存、重疊的部分予以消除。

　　1.4.3 BP神經網絡模型構建。經過預處理和特征提取后，得到模型的特征輸入數據共80組，模型的特征輸入向量維數為9(由主成分分析得出)。神經網絡輸入節點數目的維數與特征向量相同。輸出節點數對應著種子的老化等級，故輸出節點為3個。

　　本研究中對隱含層節點進行確定的方法是先計算出初始節點數，估算公式見式(1)，然后結合訓練的實際情況對隱含層節點數目進行動態調整，直至達到最佳數目。

　　節點估算公式如下：

　　h=■+0.51(1)

　　式(1)中，h、m、n分別表示估算的隱含層節點數、輸入節點數及輸出節點數。經過分析，模型的隱含節點數為12個。本研究中，激活隱含層神經元、輸出層選用的函數分別為logsic()、pureline()。采用Delta學習規則，調整權值根據誤差函數梯度下降的方向進行。

　　2 結果與分析

　　樣本材料的發芽率見表2。由表2可知，不同老化程度的種子活力差別比較明顯，可以作為近紅外光譜檢測的樣本。

　　光譜曲線見圖1。從圖1可以看出，不同處理的玉米種子譜線總的趨勢和特征吸收峰幾乎無區別，但移動籽粒時，位置和角度細微的差別會引起隨機誤差和譜線漂移，因此需要對原始光譜進行預處理。

　　光譜數據共有2 083個數據點，利用Matlab中的主成分分析函數princomp()對數據矩陣X240×203進行主成分分析，分析結果見表3。由表3可知，11個主成分中的前9個累積可信度超過99%，可對大部分的光譜數據特性進行反映。因此，本研究將主成分中的前9個特征值作為BP神經網絡的輸入變量。從預處理及特征提取后的輸入數據集中按3種老化程度各取出40組作為各模型的訓練數據。系統設置訓練總步長為840，每隔4步顯示1次。模型的平均識別時間為27.36 ms，得到的均方誤差為0.336 5。

　　將模型剩余的數據作為驗證數據，輸入到訓練好的BP網絡中，將結果與已知的老化等級進行比較，計算出模型的識別準確率為90.3%。

　　從驗證結果看，在主成分分析過程中進行特征的提取時應對數據的內部結構關系進行充分考慮，能體現出光譜數據的差別。在具有相同神經網絡層數的條件下，識別時間的長短主要與各層的節點數目多少相關。

　　3 結論

　　研究采用近紅外光譜測量了經人工老化處理為不同活力等級的玉米種子的光譜數據，利用矢量歸一化方法對原始光譜數據進行預處理。然后利用主成分分析方法提取光譜特征，建立BP神經網絡種子活力檢測模型。結果表明，模型的識別精度都達到了90.3%。本研究是玉米種子活力快速無損檢測的一次成功嘗試，為種子活力檢測方法提供了新思路[10-14]。

　　4 參考文獻

　　[1] 張曉芳.玉米種質資源品質性狀的鑒定與評價[J].玉米科學，2006，14(1)：18-20.

　　[2] 顏啟傳.種子學[M].北京：中國農業出版社，2001.

　　[3] 陸艷婷，張小明，葉勝海，等.稻米品質近紅外光譜法分析中定標樣品選擇與模型優化[J].核農學報，2008，22(6)：823-828.

　　[4] 曹芳，吳迪，何勇.基于可見一近紅外反射光譜技術的葡萄品種鑒別方法的研究[J].光學學報，2009，29(2)：537-540.

　　[5] 張薇，耿雷躍，楊雅華，等.水稻種子活力的快速測定方法[J].現代農業科技，2015(8)：29-32.

　　[6] 陳蘭珍，孫謙，葉志華，等.基于神經網絡的近紅外光譜鑒別蜂蜜品種研究[J].食品科技，2009，34(8)：287-290.

　　高工論文發表期刊推薦《林業科學研究》是由中國林業科學研究院主辦的營林科學綜合性學術刊物。本刊主要任務是及時反映以中國林科院為主的營林科學最新研究成果、學術論文和研究報告、科技動態和信息等，促進國內外學術交流，開展學術討論、繁榮林業科學，更好地為我國林業建設服務。