试验材料为绿色超人甜玉米种子, 于2016年购于北京中品开元种子有限公司, 初始含水率为10.0%。 筛选其中2 000粒结构完整且无霉变的甜玉米种子用于后续试验。

将2 000粒甜玉米种子平均分成4组, 每组500粒(2 000粒=4× 500), 其中一组放入4 ℃冰箱保存待用, 其余3组分别放入3个灭菌后的尼龙网袋中, 密封于底部存有少量无菌水的玻璃干燥皿里(相对湿度为100%), 置于温度为45 ℃的电子恒温烘箱中老化。 每隔24 h取出一组, 回干至初始含水率后进行高光谱扫描和电导率测定试验。

实验采用的高光谱成像仪器同Zhang等^[14]。 先设置系统的参数为电控平台移动速度1.1 mm· s^-1, 相机曝光时间15 ms, 物距21.5 cm。 随后进行黑白板图像采集, 再对样品种子采集高光谱的图像信息。 采集光谱信息时, 先将每组甜玉米种子平均分成20份, 每份25粒, 以每份为一个研究对象, 每份甜玉米种子的胚面朝上摆放在电控位移台上, 随着平台移动, 摄像头扫描整个平台。 为避免室内其他光线干扰, 高光谱图像采集过程在暗箱内完成。 采集高光谱图像信息的软件为Spectral Image Software (Isuzu Optics Corp., Taiwan, China)。

采用雷磁DDS-307电导率仪对每个老化梯度的甜玉米种子进行电导率测定实验^[15]。 试验前将去离子水密封并置于(25± 1) ℃, 40%RH的恒温室中恒定24h, 随后准确称取50粒样品种子的重量(W), 用去离子水冲洗每一粒甜玉米种子3次, 滤纸吸干表面水分, 装入500 mL锥形瓶中, 加入250 mL去离子水, 测定初始电导率(D₁); 浸泡24 h后测定浸出液电导率(D₂), 计算如式(1)所示。 不同老化时间的甜玉米种子电导率测定结果见表1。

种子浸出液电导率[μS·(cm·g)-1]=(D2-D1)/W(1)

表1

Table 1

表1(Table 1)

表1 不同老化时间的甜玉米种子电导率 Table 1 Conductivity of sweet corn seeds with different ageing time Ageing time/h Conductivity/(μ S· cm-1· g-1) Minimum Maximum Average 0 21.715 5 27.246 2 23.722 0 24 25.171 0 26.826 5 26.266 3 48 23.903 2 26.391 3 25.216 7 72 25.564 4 29.938 0 27.077 4

表1 不同老化时间的甜玉米种子电导率 Table 1 Conductivity of sweet corn seeds with different ageing time

在对高光谱图像信息进行提取前, 需利用HSI Analyzer软件(Isuzu Optics Corp., Taiwan, China)对光谱图像如式(2)进行黑白板校正。 式中, I为校正后的光谱图像; I₀为原始图像; B为盖上镜头盖后获取的黑板图像; W为放置聚四氟乙烯白板获取的白板图像。

I=I0-BW-B(2)

黑白板校正后, 需将每份甜玉米种子从高光谱图像中分割出来。 利用ENVI4.7软件(Research System Inc, Boulder, Co., USA), 任意选取种子和背景区域, 计算其光谱反射率, 确定反射差值最大的波段^[16], 并设定阈值将每份甜玉米种子从背景中分割出来, 随后利用形态学滤波及掩膜处理获取感兴趣区域(region of interest, ROI)^[17](图1), 提取每一份种子400.21 069.9 nm处的平均反射光谱。 80份甜玉米种子的反射光谱如图2所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 甜玉米种子(a)校正后高光谱图像及(b)波长850 nm ROI高光谱图像Fig.1 Hyperspectral images of sweet corn seeds (a) after correction and (b) at wavelength of 850 nm of ROI

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 80份甜玉米种子的反射光谱Fig.2 Raw reflectance spectra of 80 samples of sweet corn seeds

随机选取4个老化梯度中每个梯度的15份甜玉米种子建立校正集(4× 15=60份), 余下的作为预测集(5× 4=20份)。 模型性能以校正决定系数(determination coefficients of calibration, R_c), 校正均方根误差(root mean square error of calibration, RMSEC), 预测决定系数(determination coefficients of prediction, R_p)和预测均方根误差(root mean square error of prediction, RMSEP)来评价。 数据建模分析软件为Matlab R2014a (The Math Works, Natick, USA)。

在采集原始光谱时, 样品状态、 仪器性能及其他外界环境的干扰都会引入噪音变量, 因此需要对原始光谱信息进行预处理。 通过比较分析原始及不同预处理后光谱数据建立的PLSR模型表现优劣, 确定最适预处理方法。 其中涉及到的预处理方法为标准正态变量变换(standard normal variate, SNV)、 一阶求导(first derivative, FD)、 二阶求导(second derivative, SD)及多元散射校正(multiplicative scatter correction, MSC)。 表2可见, 不同预处理方法对电导率的PLSR模型性能影响不同, 其中MSC-PLSR模型的表现最优, 校正集与预测集的R_c和R_p分别为0.983和0.974, 相应的RMSEC和RMSEP分别为0.165和0.226。 可见, MSC预处理方法能够对原始光谱信息进行去噪, 有效地提高信噪比, 提高对电导率预测的精度。 经MSC预处理后的光谱曲线如图3所示。

表2

Table 2

表2(Table 2)

表2 基于不同预处理的PLSR模型结果 Table 2 PLSR model results of spectra after preprocessing with different methods Pre-processing methods Number of factors Calibration sets Prediction sets Rc RMSEC Rp RMSEP None 11 0.952 0.282 0.912 0.449 SNV 9 0.961 0.216 0.938 0.283 SG1 6 0.895 0.429 0.885 0.467 SG2 4 0.769 0.716 0.456 1.260 MSC 10 0.983 0.165 0.974 0.226

表2 基于不同预处理的PLSR模型结果 Table 2 PLSR model results of spectra after preprocessing with different methods

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 经MSC预处理后的反射光谱Fig.3 Spectrograms of raw spectra after preprocessing with MSC algorithm

2.2.1 SPA变量筛选法

SPA作为一种前向循环的敏感波段选择算法, 能够在筛选出最低冗余信息变量组合的同时有效消除变量间的共线性问题, 能够最大限度的获取解释信息, 降低模型的复杂度^[18]。 基于SPA法对甜玉米种子电导率敏感波段筛选结果见图4。 图4(a)可见随着变量数增加, 均方根误差RMSE值逐渐减小, 当变量数为35时(空心方框), RMSE值最小, 之后趋向平缓。 图4(b)为该35个波段点(空心方框)在光谱曲线上的具体分布情况。 采用SPA法筛选出的特征波段详见表3。

表3

Table 3

表3(Table 3)

表3 基于不同变量筛选方法的PLSR模型结果 Table 3 The results with PLSR model based on different variable selection methods Models Number of factors Variable number Calibration sets Prediction sets Rc RMSEC Rp RMSEP MSC-Full 10 853 0.983 0.165 0.974 0.226 MSC-SPA 9 35 0.982 0.168 0.970 0.245 MSC-GA 10 25 0.976 0.194 0.973 0.212

表3 基于不同变量筛选方法的PLSR模型结果 Table 3 The results with PLSR model based on different variable selection methods

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 (a)SPA法筛选的特征波段的数量; (b)特征波段的具体位置Fig.4 (a) Number of characteristic wavelengths selected by SPA algorithm; (b) Detailed position of characteristic wavelengths

2.2.2 GA变量筛选法

GA被认为是一种有效的全局自适应搜索算法, 其算法原理是模仿生物界自然选择和遗传机制, 即通过对种群中个体进行选择、 交换、 变异等遗传操作, 不断迭代, 在最大限度地去除适应度低的个体的同时保留适应度高的个体, 以实现最优效果^[19]。 该方法应用于光谱变量选择中能够在解决最优化问题时选择最佳变量, 具有实现全局搜索, 消除无关变量的干扰, 规避过拟合问题的优点^[20]。 基于GA法对特征波段的筛选结果见图5。 图5(a)中波段被筛选的频次越高说明该波段的适应性越强, 与甜玉米种子电导率的关系越密切。 以频次3为阈值(红色虚线), 虚线及以上的部分为筛选出的变量, 本研究采用GA法获得了25个变量。 图5(b)可见当波段数量达到25个时, 变量对模型的响应百分比达98.81%。 采用GA法筛选出的特征波段详见表4。

表4

Table 4

表4(Table 4)

表4 基于SPA和GA筛选的特征波段 Table 4 Characteristic wavelengths selected by SPA and GA Selection methods Variable number Selected wavelengths/nm SPA 35 400.2 400.9 401.6 402.4 405.3 406.1 409.0 415.0 426.8 435.8 455.3 482.4 499.2 522.9 536.7 553.7 583.9 778.3 812.0 884.2 935.6 965.2 982.9 1 002.9 1 014.1 1 018.9 1 019.7 1 029.3 1 044.4 1 051.6 1 056.4 1 062.7 1 065.1 1 068.3 1 069.9 GA 25 581.6 606.5 675.7 693.1 758.4 823.2 831.2 833.6 901.8 947.6 980.5 1 056.4 1 057.2 1 058.0 1 060.3 1 061.1 1 061.9 1 062.7 1 063.5 1 065.1 1 065.9 1 066.7 1 067.5 1 068.3 1 069.1

表4 基于SPA和GA筛选的特征波段 Table 4 Characteristic wavelengths selected by SPA and GA

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 (a)GA法筛选的特征波段频率分布; (b)波段数量响应百分比Fig.5 (a) Frequency of wavelengths screened by GA algorithm; (b) Explained percentage of wavelength number

SPA和GA筛选出的特征波段对PLSR模型的影响见表3。 可知MSC-GA-PLSR模型的校正集与预测集R_c和R_p分别为0.976和0.973, 相应的RMSEC和RMSEP分别为0.194和0.212, 而MSC-Full-PLSR, MSC-SPA-PLSR模型的校正集与预测集R_c和R_p分别为0.983和0.974, 0.982和0.970, RMSEC和RMSEP分别为0.165和0.226, 0.168和0.245。 MSC-GA-PLSR模型的预测精度整体略低于MSC-Full-PLSR模型, 但综合波段数量考虑, 基于GA法建立的MSC-PLSR模型在维持模型精度基本不变的基础上, 仅用了25个特征波段(占全波段的2.9%), 大大地降低了建模的维度和变量数, 缩短了建模时间。 另外, MSC-GA-PLSR模型的预测精度略高于MSC-SPA-PLSR模型, 可知对于预测甜玉米种子电导率, 筛选与甜玉米种子电导率密切相关的特征波段来说, GA是一种优于SPA的变量筛选算法。

为了进一步分析SPA和GA算法筛选的特征波段, 为后续开发更便捷的甜玉米种子电导率检测技术提供完善的理论基础, 将这两种算法筛选出的特征波段列于表4中。 可见, SPA和GA算法筛选出的波段有所差异, 其中SPA筛选的波段集中在400600和> 760 nm的区域, GA选择的波段则集中在> 550 nm的区域。 已有学者提出可见光区域的某些特定波段可能与植物色素有关, 如叶绿素Ⅱ a在430, 662和680 nm, 叶绿素Ⅱ b在448和642 nm, 类胡萝卜素在448和471 nm附近^{[21, 22]}, 花青素的吸收峰在535 nm附近^[23]均存在吸收峰。 近红外区域中7601 070 nm的光谱特性主要是由于O— H键二级倍频、 三级倍频和C— H键三级倍频振动引起的^{[23, 24, 25]}。 另外, GA法选出的波段中近红外波段的占比很大, 结合GA法更适合用于筛选与甜玉米种子电导率密切相关的特征波段, 可知在电导率测定时7601 070 nm波段起到了比较大的作用。