引用本文
张伏, 禹煌, 熊瑛, 张方圆, 王新月, 吕庆丰, 武一戈, 张亚坤, 付三玲. 热损伤玉米种子的高光谱无损检测[J]. 光谱学与光谱分析, 2024,44(4): 1165-1170.
ZHANG Fu, YU Huang, XIONG Ying, ZHANG Fang-yuan, WANG Xin-yue, LÜ Qing-feng, WU Yi-ge, ZHANG Ya-kun, FU San-ling. Hyperspectral Non-Destructive Detection of Heat-Damaged Maize Seeds[J]. Spectroscopy and Spectral Analysis, 2024,44(4): 1165-1170.
Doi:10.3964/j.issn.1000-0593(2024)04-1165-06  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
热损伤玉米种子的高光谱无损检测
张伏1,2, 禹煌1, 熊瑛3, 张方圆1, 王新月1, 吕庆丰4, 武一戈4, 张亚坤1, 付三玲5,*
1.河南科技大学农业装备工程学院, 河南 洛阳 471003
2.机械装备先进制造河南省协同创新中心, 河南 洛阳 471003
3.河南科技大学农学院/牡丹学院, 河南 洛阳 471023
4.河南平安种业有限公司, 河南 焦作 454881
5.河南科技大学物理工程学院, 河南 洛阳 471023
*通讯作者 e-mail: fusanling@126.com

作者简介: 张伏, 1978年生, 河南科技大学农业装备工程学院教授 e-mail: zhangfu30@126.com

收稿日期: 2023-02-26 修回日期: 2023-05-08
基金: 龙门实验室前沿探索课题(LMQYTSKT032), 国家“十三五”重点研发计划项目(2017YFD0301106), 河南省重点研发专项(221111111000), 河南省科技攻关计划项目(242102110337), 河南省高等学校青年骨干教师培养计划项目(2017GGJS062)资助
摘要

玉米是世界主要粮食作物之一, 使用不符合国家标准的劣质种子将严重影响玉米作物产量, 如何快速准确高效鉴别劣质玉米种子亟待解决。 采用高光谱图像系统获取900粒“豫安三号”玉米种子的900~1 700 nm光谱曲线, 其中训练集和测试集比例为3:2, 分别为540粒和360粒。 利用电鼓风式烘干箱对种子损伤处理, 获得不同损伤程度的玉米种子样本, 采集光谱后完成发芽试验, 以此判别种子活力。 为提高信噪比, 截取963.27~1698.75 nm范围内的玉米种子光谱波段作为有效波段; 采用标准正态变换(SNV)、 多元散射校正(MSC)两种预处理方式对原始光谱数据预处理, 并采用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)两种特征波段提取算法对预处理后的光谱数据提取特征波段, 波长反射率作为输入矩阵 X, 预设样本类别作为输出矩阵 Y; 最后采用支持向量机(SVM)模型建模分析, 研究结果表明: MSC-CARS-SVM模型为最佳模型, 模型识别成功率为98.33%, 其Kappa系数为0.985。 在此基础上, 采用遗传算法(GA)对SVM中惩罚系数 c和核函数参数 g寻优, 模型准确率提升至100%, 可实现对热损伤劣质玉米种子的鉴别。 该研究为劣质玉米种子及其他作物种子快速鉴别提供了新思路和方法。

关键词: 高光谱成像技术; 玉米种子; 热损伤; 支持向量机
中图分类号:TP391 文献标志码:A
Hyperspectral Non-Destructive Detection of Heat-Damaged Maize Seeds
ZHANG Fu1,2, YU Huang1, XIONG Ying3, ZHANG Fang-yuan1, WANG Xin-yue1, LÜ Qing-feng4, WU Yi-ge4, ZHANG Ya-kun1, FU San-ling5,*
1. College of Agricultural Equipment Engineering, Henan University of Science and Technology, Luoyang 471003, China
2. Collaborative Innovation Center of Advanced Manufacturing for Machinery and Equipment of Henan Province, Luoyang 471003, China
3. College of Agriculture/Peon, Henan University of Science and Technology, Luoyang 471023, China
4. Henan Pingan Seed Industry Limited Company, Jiaozuo 454881, China
5. School of Physical Engineering, Henan University of Science and Technology, Luoyang 471023, China
*Corresponding author
Abstract

Maize is one of the three major food crops in the world, and the use of substandard seeds that do not meet the national standards will seriously affect the yield of maize crops, so how to identify substandard maize seeds quickly, accurately and efficiently is particularly important. The hyperspectral image system to obtain the 900~1 700 nm spectral curves of 900 “Yu'an 3” corn seeds, in which the training set and test set ratio was 3:2, 540 and 360 seeds respectively. The seeds were treated with an electric blast dryer to obtain corn seed samples with different degrees of damage, and the germination test was completed after collecting the spectra to determine the viability of the seeds. In order to improve the signal-to-noise ratio, the spectral bands of maize seeds in the range of 963.27~1 698.75 nm were intercepted as the effective bands. Standard Normal Variation (SNV) and Multiplicative Scatter Correction (MSC), were used to pre-process the raw spectral data. The Successive Projections Algorithm (SPA) and Competitive Adaptive Reweighted Sampling (CARS) were used to extract feature bands from the pre-processed spectral data, with wavelength reflectance as input matrix X and preset sample categories as output matrix Y. The Support Vector Machine (SVM) was used to model and analyze the data, and the results showed that the MSC-CARS-SVM model was the best model, with a model recognition success rate of 98.33% and a Kappa coefficient of 0.985. Genetic Algorithm (GA) was used to optimize the penalty coefficient c and kernel function parameter g in the SVM, and the model accuracy was improved to 100% for the identification of heat-damaged counterfeit and poor-quality maize seeds. This study provides a new idea and method for rapidly identifying the pseudo-inferior quality of maize seeds and seeds of other crops.

Keyword: Hyperspectral imaging technology; Maize seeds; Heat damage; Support vector machine
引言

玉米是世界三大粮食作物之一, 同时也是我国重要的粮食作物[1]。 玉米种子质量直接影响作物产量, 特别是劣质种子在外形、 颜色等方面与正常种子难以分辨, 但其种子发芽率, 含水率均不符合国家标准, 严重损害了种植户的经济效益[2]。 因此, 对玉米种子准确高效、 快速鉴别具有重要研究意义和应用价值。

除掺杂不同品种种子肉眼可区分外, 劣质玉米种子难以用肉眼区分, 传统方法是将玉米种子送至专门鉴定机构, 通过现代生物技术手段鉴别, 但鉴别成本较高, 鉴定过程费时费力[3]。 高光谱图像技术是将光谱与图像相结合, 常被用于农产品种子品种分类、 内部物质识别、 活性检测等研究[4, 5, 6]。 Xia等[7]利用高光谱对17个玉米品种鉴别, 其中MLDA-(LS-SVM)模型的准确率最高为99.13%。 Zhou等[8]基于高光谱图像技术鉴别玉米品种, 其中最佳模型是结合次区域投票算法的CNN模型, 其胚状形态和非胚状形态的准确率为97.78%和98.15%。 Chivasa等[9]利用多时相高光谱对25个玉米品种鉴别, 采用不同的预处理方法处理数据, 与未预处理模型对比, 采用自标度法使花期和衰老期的PLS-DA模型准确率分别提升52%和63%, 采用广义最小二乘加权使花期和衰老期的PLS-DA模型分别提高55%和62%。 杨欣等[10]基于高光谱成像技术结合MSC预处理方法和CARS、 IRIV特征波段选取方法建立支持向量机和线性判别分析模型, MSC-IRIV-LDA模型的训练集和测试集识别率分别为0.960和0.933。 田喜等[11]建立PLSR模型预测玉米种子的水分含量, 预测最高效模型为SPA-PLS模型, 其相关系数(Rp)为0.922 7, 预测均方根误差为0.336 6。 吴静珠等[12]基于高光谱技术结合改进RF算法建立玉米种子胚面朝上和胚面朝下两种水分检测模型, 胚面朝上模型精度较高, 训练集和测试集相关系数R分别为0.969和0.881, 均方根误差分别为0.094%和0.404%。 Ashabahebwa等[13]基于高光谱成像技术结合PLS-DA算法建模, 模型训练集和预测集的准确率分别为97.6%和95.6%。 Cui等[14]采用高光谱成像技术采集甜玉米种子光谱, 采用PLS、 PCR和KPCR建立回归模型, 应用特征选择算法后以KPCR建立的根长和苗长预测模型结果为0.780 5和0.607 4。 Feng等[15]采用高光谱成像技术鉴定人工老化玉米种子活力, 采用PCA定性分析不同老化时间条件下的玉米籽粒, 通过二阶导数选择特征波长, 分别建立基于全光谱和最佳波长的SVM分类模型。 孙俊等[16]基于高光谱图像技术与深度学习建立检测水稻种子活力等级的SAE-SVM模型, 其准确率达到96.47%, GWO算法优化后准确率提升至98.75%。 彭彦昆等[17]提出一种基于高光谱的番茄种子分级算法, 其模型校正集和验证集的正确率分别为93.75%和90.48%。

国内外学者对玉米种子的品种、 物质含量、 活力已有大量相关研究, 但对玉米种子受热损伤和劣质种子的研究较少。 本研究利用高光谱成像技术, 快速获取玉米种子的光谱信息, 通过多元散射校正(multiplicative scatter correction, MSC)、 标准正态变换(standard normal variation, SNV)对光谱预处理, 与连续投影算法(successive projections algorithm, SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)两种特征波段提取, 以发芽试验结果评价种子生活力建立支持向量机(support vector machine, SVM)模型, 以此实现劣质种子的快速无损识别, 为无损快速检测热损伤玉米种子提供新方法。

1 实验部分
1.1 材料

试验材料选取900粒“ 豫安三号” 玉米种子并分别编号, 样品来自于河南平安种业有限公司, 选取样品时应尽量保证样品种子表面平整、 无霉变、 无损伤, 将样品放置在恒温恒湿环境下, 后续用于种子热损伤试验、 光谱采集和种子发芽试验。

1.2 仪器与设备

采用的高光谱图像采集系统包括高光谱成像仪(SPECIM FX17e, Specim, 芬兰)、 自稳定扫描平台(SPECIM LabScanner 40× 20 cm)、 2组150 W的卤素灯阵列光源、 光纤、 暗箱和计算机等, 如图1所示。 高光谱成像仪范围为900~1 700 nm, 共224个光谱波段, 视场角为38° , 采样间隔为3.5 nm, 光学分辨率为8 nm, 利用高光谱图像系统配套的Lumo Scanner软件获取玉米种子高光谱图像。 研究中数据处理软件为ENVI 5.3、 Excel 2021、 Origin 2022、 Matlab 2021a。

图1 高光谱图像采集系统
①暗箱; ②高光谱相机; ③光源; ④计算机; ⑤可移动载物台Fig.1 Hyperspectral image acquisition system
① Dark chamber; ② Hyperspectral camera; ③ Light source; ④ Computer; ⑤ Movable carrier stage

1.3 热损伤样品制备

“ 豫安三号” 玉米种子均分为9份, 每份100粒, 共9组样品, 其中一组为对照组, 不做热损伤处理, 其余8组在60、 70和80 ℃置于电鼓风烘干箱中做不同时长的热损伤处理, 获得9组不同损伤程度的玉米种子样品。

1.4 光谱采集

为获稳定的光谱数据, 试验前将高光谱成像仪预热30 min, 曝光时间为6.50 ms、 数据采集频率为50 Hz、 平台移动速度为25.11 mm· s-1、 高光谱相机镜头与自稳定扫描平台间距为32 cm。

玉米胚芽内含大量蛋白质、 脂肪及维生素等营养物质。 因此, 采集试验样本的胚芽侧图像信息。 为提高试验效率, 将种子试验样本均匀放置于黑色卡纸, 每次扫描一个样本类别。

为减少杂光干扰, 光谱采集全程在暗箱中, 采集后使用Lumo Scanner软件将样本的高光谱图像信息及黑暗、 白板图像信息导入计算机中, 用ENVI 5.3软件对高光谱图像黑白校正, 校正公式如式(1)。

R=I-IBIW-IB(1)

式(1)中, R为样本校正光谱图像, I为样本原始光谱图像, IB为暗光谱图像, IW为白光谱图像。

玉米种子胚芽部位ROI区域选取大小为10× 10 pixel, 如图2所示, 将ROI区域光谱信息导出, 即可得到每粒种子在ROI区域的平均光谱值和光谱反射率曲线, 波长范围为935.61~1 720.23 nm, 如图3所示。 为提高光谱测量精度, 增强光谱信噪比, 剔除935.61~959.81和1 702.33~1 720.23 nm信号噪声较大的两段光谱, 故实际有效波长范围为963.27~1 698.75 nm。 为确保采集准确性, 每隔10 min采集一次白板(重新校正)图像信息。

图2 ROI区域选取示意图Fig.2 Schematic diagram of ROI region

图3 样本原始光谱数据曲线图Fig.3 Original spectral datagraph of the samples

1.5 发芽试验

根据GB/T 3543.4—1995, 采用纸培法进行发芽试验, 如图4所示。

图4 发芽试验
(a): 苗盘; (b): 发芽设备; (c): 新芽Fig.4 Germination test
(a): Seeding tray; (b): Sprout equipment; (c): Sprouts

第7天测定发芽率, 按照式(2)计算发芽率

G=M1M×100%(2)

式(2)中, G为发芽率, M1为全部发芽种子数目。 M为试验种子总数。

1.6 建模方法和模型评价标准

采用多元散射校正(MSC)与标准正态变换(SNV)对数据预处理, 连续投影算法(SPA)和竞争性自适应加权算法(CARS) 实现数据降维, 支持向量机(SVM)用于定性分析和预测, 遗传算法(genetic algorithm, GA)寻找支持向量机中惩罚系数c和核函数参数g的最优解。 SVM通过确定决策面, 使正例和负例间的距离边最大化, 具有概括及预测能力。

2 结果与讨论
2.1 发芽试验结果分析

9种损伤程度种子处理方法和发芽率如表1所示。

表1 9种损伤程度处理方法和种子发芽率 Table 1 Nine methods of damage degree treatment and seed germination rate

从发芽试验结果可以发现: 同一温度下, 随干燥时间增加, 玉米种子发芽率均下降; 相同时间下, 随温度增加, 玉米种子发芽率下降; 组别②(60 ℃/10 min)下玉米种子发芽率达91%。 其他种子发芽率均低于正常种子, 表明玉米种子受到热损伤。

2.2 训练集与斥试集的划分

本次试验将采样的900个样本按照3:2的比例划分为训练集(540个)和测试集(360个), 其中每个类别的训练集与测试集个数为60个和40个, 分析训练集与测试集的平均鉴别准确率(Accuracy)。

2.3 光谱数据预处理

由于光谱数据易受噪声、 杂散光等无关信息干扰, 因此建立模型前需对光谱数据预处理, 提高模型精度。 本研究选择多元散射校正(MSC)及标准正态变换(SNV)对ROI区域内光谱数据去噪。 预处理后光谱平均反射率曲线图, 如图5和图6所示。

图5 MSC处理后光谱Fig.5 Spectra after MSC treatment

图6 SNV处理后光谱Fig.6 Spectra after SNV treatment

2.4 基于MSC和SNV的全波段建模

为选择最佳的预处理方法和模型组合, 将原始光谱数据和经过SNV、 MSC预处理后的光谱数据分别输入SVM模型进行比较。 结果发现: 经过MSC处理后的光谱数据建模精度最高, 其测试集准确率高于95%, 明显优于SNV预处理的建模结果, 如图7所示。

图7 MSC、 SNV和原数据建模对比图Fig.7 Modeling comparison among MSC, SNV and Raw data

2.5 特征波段提取

由高光谱全波段建立的SVM模型的结果可以发现, 模型对热损伤种子具有较好的识别能力, 但是因其数据量庞大, 存在较多的特征冗余, 影响最终模型准确率, 因此采用SPA算法和CARS算法对MSC预处理后光谱数据进行特征波段筛选。

2.5.1 连续投影算法(SPA)

首先, SPA选择最小的串联变量和最小冗余变量及最大投影矢量。 其次, 根据多元线性回归(MLR)校正的验证集中最小的验证均方根误差(RMSEV)来确定特征变量。 最后, 根据相关度的大小来安排所选的特征变量[18]。 SPA设置最大波长数为210。

SPA提取特征波段如图8所示, 随变量数目增加, RMSE先急剧下降, 随后减缓下降趋势, 当变量数为64时, 此时RMSE为1.327, 表明该数量波段包含热损伤玉米种子最佳特征, 随变量数目持续增加, 其特征波段包含过多冗余, 故选择特征波段数目为64。

图8 SPA算法提取特征波段
(a): 变量数目; (b): 变量分布Fig.8 Feature bands extracted by SPA algorithm
(a): Number of variables; (b): Variable distribution

2.5.2 竞争性自适应重加权算法(CARS)

CARS算法提取特征波段如图9所示。 蒙特卡洛采样次数设置为50, 使用5折交叉验证法提取特征波段。

图9 CARS算法提取特征波段Fig.9 Feature bands extracted by CARS algorithm

图9(a)中, 特征波段变量数目随着采样次数逐步增加而减少, 在第21次采样之后, 特征波段变量数目下降变缓; 图9(b)表示交叉验证的均方根误差在第21次时达到最小, 之后逐步上升, 在第45次时急剧上升, 说明45次采样后CARS筛选过度, 使有效特征变量数目减少, 导致最终预测模型精度下降, RMSECV上升。 图9(c)表示在第21次采样时, RMSECV最小, 此时特征波段变量数目为31, 表明该采样的特征波段数目包含热损伤玉米种子的有效波段。 因此, CARS选出的特征波段数目为31。

2.4 支持向量机模型建立

分别将SPA提取出的64个特征波段及CARS提取31个特征波段建立SVM模型, 模型准确率如表2所示。 Kappa值越高, 分类效果越好, 模型越稳定。 如式(3)所示

k=po-pe1-pe(3)

式(3)中, po为每类分类正确的样本数之和除以总样本数。

pe=a1b1+a2b2+…+ambmn×n(4)

式(4)中, a为每类样本总数, b为每类样本预测正确个数, m为样本类型数, n为总样本个数。

表2 基于特征波段的建模准确率 Table 2 Modeling accuracy based on feature band

MSC-SPA-SVM模型的训练集和测试集的平均鉴别准确率为96.30%和95.45%, 其Kappa系数为0.956; 而MSC-CARS-SVM模型的训练集和测试集的平均鉴别准确率为96.48%和96.38%, 其Kappa系数为0.970, 因此MSC-CARS-SVM模型性能最佳, 故选择其为最佳分类模型。

2.5 参数寻优

采用SVM建立分类模型, 需合理设置惩罚参数c和核函数参数g才能得到理想的预测准确率, 因此本研究采用遗传算法对SVM模型参数寻优, 设置迭代次数为200。 种群数量为20, 得到MSC-SPA-SVM模型最佳惩罚系数c为1.939, 最佳核函数参数g为5.561; MSC-CARS-SVM模型中最佳惩罚系数c为14.019, 最佳核函数参数g为1.698; 全波段模型最佳惩罚系数c为1.597, 最佳核函数参数g为2.925。 如表3所示三个模型的平均识别准确率均提升至100%, 结果表明使用优化算法对SVM模型参数寻优, 选出最佳参数建模能提升模型识别准确率。

表3 GA算法参数寻优结果 Table 3 GA algorithm parameter optimization results
3 结论

为鉴别劣质种子, 使用鼓风式烘干箱对玉米种子完成热损伤试验, 获得不同热损伤程度的玉米种子, 利用高光谱成像技术, 通过预处理、 特征波段提取、 建模分析, 构建热损伤玉米种子的高光谱无损检测模型。

(1)利用MSC与SNV两种预处理方式对光谱原始数据降噪处理, 建立未处理光谱、 MSC为和SNV的三种SVM全波段模型, 最后以MSC为预处理方式的模型准确率最高, 其训练集与预测集分别是93.89%和96.10%, 故选择MSC预处理。

(2)采用SPA和CARS对用MSC处理后的光谱数据特征波段的提取, 通过建模结果识别准确率分析, 发现CARS> 全波段> SPA, CARS的训练集和预测集准确率分别为98.89%和98.33%, 较全波段与SPA分别提升了5%和2.88%、 2.59%和2.23%。

(3)使用遗传算法优化选择SVM中惩罚系数c和核函数参数g, 使得SVM最终模型识别率达到100%, 可实现对热损伤劣质玉米种子的快速准确鉴别。

参考文献
[1] LI Sheng-jun(李圣军). Journal of Heilongjiang Grain(黑龙江粮食), 2020, (4): 18. [本文引用:1]
[2] WANG Xin-yan(王新燕). Seed Quality Detection Technology(种子质量检测技术). Beijing: China Agricultural University Press(北京: 中国农业大学出版社), 2008. [本文引用:1]
[3] KONG Guang-chao, CAO Lian-pu(孔广超, 曹连莆). Seed(种子), 2000, (3): 26. [本文引用:1]
[4] WU Yong-qing, LI Ming, ZHANG Bo, et al(吴永清, 李明, 张波, 等). Journal of the Chinese Cereals and Oils Association(中国粮油学报), 2021, 36(5): 165. [本文引用:1]
[5] LI Hui, WU Jing-zhu, LIU Cui-ling, et al(李慧, 吴静珠, 刘翠玲, 等). Journal of the Chinese Cereals and Oils Association(中国粮油学报), 2019, 34(2): 125. [本文引用:1]
[6] CHENG Xue, HE Bing-yan, HUANG Yao-huan, et al(程雪, 贺炳彦, 黄耀欢, 等). Remote Sensing Technology and Application(遥感技术与应用), 2019, 34(4): 775. [本文引用:1]
[7] Chao X, Sai Y, Min H, et al. Infrared Physics & Technology, 2019, 103: 103077. [本文引用:1]
[8] Zhou Q, Huang W, Tian X, et al. Journal of the Science of Food and Agriculture, 2021, 101(11): 4532. [本文引用:1]
[9] Walter C, Onisimo M, Chand rashekhar B. Journal of Applied Remote Sensing, 2019, 13(1): 017504. [本文引用:1]
[10] YANG Huan, LUO Bin, ZHANG Han, et al(杨欢, 罗斌, 张晗, 等). Journal of Jiangsu University(Natural Science Edition)[江苏大学学报(自然科学版)], 2023, 44(2): 159. [本文引用:1]
[11] TIAN Xi, HUANG Wen-qian, LI Jiang-bo, et al(田喜, 黄文倩, 李江波, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(10): 3237. [本文引用:1]
[12] WU Jing-zhu, ZHANG Le, LI Jiang-bo, et al(吴静珠, 张乐, 李江波, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2022, 53(5): 302. [本文引用:1]
[13] Ashabahebwa A, Lalit M K, Moon S K, et al. Infrared Physics & Technology, 2016, 75: 173. [本文引用:1]
[14] Cui H W, Cheng Z S, Li P, et al. Sensors, 2020, 20(17): 4744. [本文引用:1]
[15] Feng L, Zhu S, Zhang C, et al. Molecules, 2018, 23(12): 3078. [本文引用:1]
[16] SUN Jun, ZHANG Lin, ZHOU Xin, et al(孙俊, 张林, 周鑫, 等). Transactions of the Chinese Society for Agricultural Engineering(农业工程学报), 2021, 37(14): 171. [本文引用:1]
[17] PENG Yan-kun, ZHAO Fang, BAI Jing, et al(彭彦昆, 赵芳, 白京, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2018, 49(2): 327. [本文引用:1]
[18] Zhang L, Rao Z H, Ji H Y. Spectroscopy Letters, 2020, 53(3): 207. [本文引用:1]