杂交稻种宜香725纯度的可见-近红外反射光谱鉴定.pdf

第2 9 卷 第1 1 期光谱学与光谱分析 V 0 1 2 9 N o 1 1 p p 2 9 6 2 2 9 6 5 20 09 年11 月 S p e c t r o s c o p ya n dS p e c t r a lA n a l y s i s N o v e m b e r 2 0 0 9 杂交稻种宜香7 2 5 纯度的可见一近红外反射光谱鉴定 梁亮 杨敏华 刘志霄2 胥海威1 刘福辉1 何齐庄2 罗云飞1 1 中南大学信息物理工程学院 湖南长沙4 1 0 0 8 3 2 吉首大学生物资源与环境科学学院 湖南吉首4 1 6 0 0 0 3 中南林业科技大学林业遥感信息工程研究中心 湖南长沙4 1 0 0 0 4 摘要提出了一种基于可见一近红外光谱技术快速 无损鉴定杂交稻种纯度的新方法 以F i e l d S p e c 3 地 物光谱仪采集纯度在9 0 9 9 范围内的杂交稻种 宜香7 2 5 光谱数据9 0 份 随机分成校正集 7 5 份 和检 验集 1 5 份 根据其在3 8 0 24 0 0r i m 的反射光谱 以偏最小二乘算法 P L S 建立了回归模型 并比较了不 同光谱预处理方法对模型的影响 分析表明采用一阶导数结合标准归一化处理能最有效地提取光谱信息 此时P L 8 模型校正集决定系数与检验集决定系数分别为0 9 8 84 与0 9 2 27 校正标准误差 S E C 与预测标 准误差 S E P 分别为0 0 0 25 与0 0 0 66 将经一阶导数结合标准归一化处理后的光谱进行P C A 降维 以前 2 0 个主成份 含原始光谱8 6 0 9 的特征信息 为输入变量 建立杂交稻种纯度鉴定的B P A N N 模型 分析 表明B P A N N 模型校正集决定系数与检验集决定系数分别为0 9 9 52 与0 9 3 69 S E C 与S E P 分别为 0 0 0 17 与0 0 0 61 具有比P L S 模型更高的精度 结果表明以可见一近红外技术进行杂交稻种纯度的快速 无损鉴定是可行的 且P C A 结合B P A N N 是一种优选方法 关键词可见一近红外光谱 杂交稻种 纯度 无损鉴定 偏最d x 乘 B P 神经网络 中图分类号 S 1 2 3 5 1 1 文献标识码 AD O I 1 0 3 9 6 4 j i s s n 1 0 0 0 0 5 9 3 2 0 0 9 1 1 2 9 6 2 0 4 引言 中国杂交水稻的种植面积达l3 3 3 1 0 4 h m z 稳定的产 量已成为人民基本生活的保障 1 3 但近年来 劣质杂交稻种 假冒优质杂交稻种的事情屡有发生 造成了大面积的减产损 失 目前 杂交稻种鉴定主要有形态鉴定法 幼苗鉴定法 田间小区种植鉴定法 生理生化鉴定与D N A 分子标记分析 法 但形态鉴定法主要依靠经验 精度不高 田间小区种植 鉴定 生理生化鉴定以及D N A 分子标记分析虽然精度高 但消耗大 需要专人操作 且均系损伤性检测 在大批量取 样检测中的应用受到很大限制 因此 探索一种快速 准确 无损鉴定杂交稻种纯度的方法一直是杂交水稻育种的重要课 题 而可见一近红外反射光谱技术因其快速 高效以及无损 的特点 已在石油化工 探矿 制药及纺织等领域获得了广 泛的应用 5 在水稻方面 近红外光谱技术也已应用于稻米 直链淀粉 蛋白质 脂肪与氨基酸含晕的分析以及稻谷年份 与品种的检测陆 但目前尚未见利用这一技术进行杂交稻 种纯度鉴定的报道 本文采用可见一近红外反射光谱技术对 优质杂交稻种宜香7 2 5 进行分析 旨在为杂交稻种纯度的快 速 无损鉴定提供新的方法 1 实验部分 1 1 实验仪器 F i e l d S p e c 3 地物光谱仪一台 A n a l y t i c a lS p e c t r a lD e v i c e 公司新产品 波长范围3 5 0 25 0 0n l n 采用间隔1 4n r n 光谱分辨率3r l r f l 直径1 1 5r n i n 玻璃皿若干 1 2 样本来源与数据采集 杂交稻种样本 宜香7 2 5 于湖南长沙种子公司获取 通 过人为加入其他普通稻谷 配置纯度为9 0 9 9 的稻种样 本9 0 份 随机抽取7 5 份作为训练集 其余1 5 份作为检验 收稿日期 2 0 0 8 1 1 0 2 修订日期 2 0 0 9 0 2 0 6 基金项目 国家自然科学基金项目 3 0 5 7 0 2 7 9 中南林业科技大学林业遥感信息工程研究中心开放性研究基金项目 R S 2 0 0 8 k 0 3 中南大学 研究生创新项目 1 3 4 3 7 4 3 3 4 0 0 0 0 2 2 中南大学拔尖博士研究生学位论文创新项目 1 9 6 0 7 1 1 3 1 1 0 0 0 0 7 和优秀博士论文扶持项 目 2 0 0 8 y b 0 2 4 资助 作者简介 梁亮 1 9 8 1 年生 中南大学信息物理工程学院博士研究生e m a i l l i a n g l i a n 9 1 9 8 1 1 9 1 6 3 c o m 通讯联系人 e m a i l y a n g m h u a 1 6 3 c o m 万方数据 第1 1 期光谱学与光谱分析 2 9 6 3 集 稻种样本盛放于直径1 1 5m m 的玻璃皿中进行光谱扫 描 光谱仪探头置于样本正上方 探头视场角2 0 下部距样 本i 0 0r n l l l 光源与水平面保持4 5 角 距样本3 5 0r n l T l 每一 样本重复测量3 0 次后取均值 光谱数据在A s DV i e wS p e c P r o 中以A S C I I 码形式导出 再导入U n s c r a m b l e r9 7 与 D P S9 5 0 中进行处理 2 结果与分析 2 1 样本的可见一近红外反射光谱 图1 为杂交稻种宜香7 2 5 的可见一近红外漫反射光谱曲 线 由图可知 稻种在3 5 0 4 0 0n n l 反射率较低 4 0 0n m 后 迅速上升 经9 9 0n l n 处的波谷后 于l1 1 0n l n 附近达到峰 值 此后光谱起伏较大 但总体呈下降趋势 同时 由于淀 粉 纤维素与水的吸收 稻种光谱反射率在9 9 0 12 0 0 l4 6 0 19 2 5 21 1 0n r l l 附近均呈波谷形态 1 l 惶 05 0 010 0 015 0 02 0 0 02 5 0 0 W a v e l e n g t l V n m F i g1 V i s i b l e n e a ri n f r a r e dr e f l e c t e ds p e c t r ao fY i 虹m g7 2 5 2 2 光谱预处理方法的选择 由于光谱在3 8 0D i l l 以前与24 0 0 啪以后噪声较大 本 研究选用3 8 0 24 0 0n I T l 范同的反射光谱波段作为有效光谱 数据进行分析 光谱数据在U n s c r a m b l e r9 7 分别利用基线 校正 标准归一化 多元散射校正 一阶导数 二阶导数以 及一阶导数与其他处理相结合的方法进行光谱预处理 将预 处理后的光谱数据用P L S 算法分别建模 以决定系数R 2 校正标准误差S E c 预测标准误差S E P 作为衡量指标进行 比较 筛选出最优的光谱预处理方法 各种光谱预处理方法 所得模型的R 2 S E C 和S E P 列于表1 综合3 个指标 发现 光谱数据经一阶导数结合标准归一化处理后的P L S 模型R 2 最高 而S E C 和S E P 最低 为最佳预测模型 2 3 建模方法的优化选择 为获得较好的建模方法 将数据经一阶导数结合标准归 一化处理后 采用主成分分析 P C A 降维 选取前2 0 主成分 含原始光谱8 6 0 9 的特征信息 作为B P 神经网络 B P A N N 的输入变量 利用校正集的样本建立2 伊1 5 1 三层神 经网络模型 并与上面所建立的最优P L S 模型进行比较分 析 两类模型对校正集拟合结果与标准值之间的回归关系见 图2 由图可知 两回归方程的斜率都接近于1 但B P A N N 模型的样本点在回归线附近的集中程度更高 其决定系数 R 2 o 9 9 52 也比P L S 模型 R 2 o 9 9 84 稍高 而校正标 准误差 S E C O 0 0 17 则比P L S 模型 s E C o 0 0 25 稍低 说明B P A N N 神经网络模型对校正集样本具有更好的拟合 结果 T a b l e1 帮 团陀a n dS E Po fm o d e lw i t hd i f f e r e n t p r e t r e a t m e n tm e t h o d s 1 0 9 8 0 9 6 0 9 4 0 9 2 O 9 0 0 9 0 0 9 20 9 40 9 60 9 8l S t a n d a r dv a l u eb yP L Sm o d e l S t a n d a r dv a l u eb yP L Sm o d e l F i 晷2 S t a n d a r dv a l u ev e r s u sp r e d i c t e dv a l u eb yP L Sm o d e l a a n dB p A N Nm o d e I b i I lc a l i b r a t i o ns e t 为比较两类模型的预测精度 进一步分析了两者对检验 集1 5 个未知样的预测结果 图3 可知B P A N N 模型检验 集决定系数 尺2 o 9 3 69 比P L S 模型 R 2 0 9 2 27 稍高 而校正标准误差 S E P 0 0 0 61 则比P L S 模型 s E C 0 0 0 66 稍低 说明B P A N N 模型不但对检验集样本具有较 好的拟合结果 也具有更好的预测效果 是一种优选方法 3 结论 研究以宜香7 2 5 为例 表明利用可见一近红外光谱技术 4 3 2 l O O 0 O O ulrguoc却笛 万方数据 2 9 6 4 光谱学与光谱分析 第2 9 卷 结合化学计量学方法鉴定杂交稻种的纯度是可行的 为杂交 稻种的快速 无损检测提供了一种新的方法 分析表明 一 阶导数结合标准归一化处理是光谱预处理的优选方法 而 P C A 结合B P A N N 算法是建模的优选方法 杂交稻种纯度分析一直是质检部门与农业部门共同关注 O 9 00 9 20 9 40 9 60 9 8l S t a n d a r dv a l u eb yP L Sm o d e l 的问题 本文提出杂交稻种可见一近红外光谱鉴定这一新方 法 可满足其在商贸中大批量快速 无损的检测要求 为我 国杂交稻种在国际市场获得竞争优势提供了技术支持 并为 其他作物种子纯度的快速无损鉴定提供了新的思路 3S t a n d a r dV m 耻v e r s u sp r e d i c t e dv a l u eb yP L Sm o d e l a 参考 文献 1 9 01 9 20 9 40 9 60 9 8l S t a n d a r dv a l u eb yB P A N Nm o d e l a n dB p A N Nm o d e I b i nv a l i d a t i o ns e t 1 Z E N GQ i a n c h u n Z H O UK a i d a Z H UZ h e n e ta l 曾千春 周开达 朱祯 等 C h i n e s eJ o u r n a lo fR i c eS c i e n c e 中国水稻科学 2 0 0 0 1 4 4 2 4 3 2 W E N GX i n g h u a Z H O UY a o y u T A N GS u 翁醒华 周姚字 唐慷 B u l l e t i no fS c i e n c ea n dT e c h n o l o g y 科技通报 1 9 9 5 1 1 2 1 0 2 3 4 5 6 7 8 9 E 1 0 3 1 1 1 2 3 D U A NS h i h u a M A OJ i a n i n g Z H UY i n g g u o 段世华 毛加宁 朱英国 A e t aG e n e t i c aS i n i c a 遗传学报 2 0 0 2 2 9 3 2 5 0 Z E N GZ h u o h u a 曾卓华 S e e d 种子 2 0 0 8 2 7 3 4 0 C H UX i a o l i Y U A NH o n g f u L UW a n z h e n 褚小立 袁洪福 陆婉珍 A n a l y t i c a lI n s t r u m e n t a t i o n 分析仪器 2 0 0 6 2 1 B a oJS C a r lYZ C o r k eH F o o dS c i e n c e 2 0 0 1 6 6 9 3 6 W uJG S h iCH Z h a n gXMF i e l dC r o p sR e s e a r c h 2 0 0 2 7 5 I W A N GH a i l i a n W A NX i a n g y u a n H UP e i s o n g e ta l 王海莲 万向元 胡培松 等 S c i e n t i aA g r i e u l t u r aS i n i e a 中国农业科学 2 0 0 5 3 8 8 1 5 4 0 B IJ i n g c u i Z H A N GW e n w e i X I A OY i n g h u i e ta l 毕京翠 张文伟 肖应辉 等 A c t aA g m n o m i c aS i n i c a 作物学报 2 0 0 6 3 2 1 5 7 0 9 S H A OY o n g n i C A OF a r I g H EY o n g 邵咏妮 曹芳 何勇 J o u r n a lo fI n f r a r e da n dM i l l i m e t e rW a v e s 红外与毫米波学报 2 0 0 7 2 6 6 4 3 3 W o r k m a nJ H a n d b o o ko fO r g a n i cC o m p o u n d s N I R I R R a m a n a n dU V V i sS p e c t r aF e a t u r i n gP o l y m e r sa n dS u r f a c t a n t a S a nD i e g o U S A A c a d e m i cP r e s s 2 0 0 1 7 7 S a s i cS O z a k iY A n a l C h e m 2 0 0 1 7 3 6 4 5 舛 s O 0 O O 0 害IB g口 号龟Id 驱 宝 咐 昌j O 0 O O 0 aI与l u0口皇口a ld 万方数据 第1 1 期光谱学与光谱分析 2 9 6 5 P u r i t yM e a s u r e m e n to fH y b r i dR i c eS e e dY i x i a n g7 2 5w i t hV i s i b l e N e a r I n f r a r e dR e f l e c t a n c eS p e c t r a L I A N GL i a n 9 1 一 Y A N GM i m h u a L I UZ h i x i a 0 2 X UH a i w e i l L I UF u h u i l H EQ i z h u a n g z L U OY u w f e i l 1 S c h o o lo fI n f o P h y s i e sa n dG e o m a t i c sE n g i n e e r i n g C e n t r a lS o u t hU n i v e r s i t y C h a n g s h a4 1 0 0 8 3 C h i n a 2 C o l l e g eo fB i o l o g yR e s o u r c ea n dE n v i r o n m e n t a lS c i e n c e s J i s h o uU n i v e r s i t y J i s h o u4 1 6 0 0 0 C h i n a 3 R e s e a r c hC e n t e ro fF o r e s t r yR e m o t eS e n s i n ga n dI n f o r m a t i o nE n g i n e e r i n g C e n t r a lS o u t hU n i v e r s i t yo fF o r e s t r ya n dT e e h n o l o g y C h a n g s h a4 1 0 0 0 4 C h i n a A b s t r a c tAr a p i da n dn o n i n v a s i v em e t h o dw a sp u tf o l 3 a r dt om e a s u r et h ep u r i t yo fh y b r i dr i c es e e db yv i s i b l e n e a ri n f r a r e dr e f l e c t a n c es p e c t r a N i n e t yh y b r i dr i c es e e ds a m p l e s Y i x i a n g7 2 5 w i t ht h ep u r i t yo f9 0 一9 9 w e r ec o l l e c t e du s i n ga F i e l d S p e e 3v i s i b l e n e a ri n f r a r e ds p e c t o m e t e r A 1 ls a m p l e sw e r ed i v i d e dr a n d o m l yi n t ot W og r o u p s o n eg r o u pw i t h7 5s a m p l e s U S e da sc a l i b r a t e ds e t a n dt h eo t h e rw i t h1 5s a m p l e su s e da sv a l i d a t e ds e t B a s e do nt h es p e c t r ai nt h er a n g eo f3 8 0 24 0 0 啪 t h er e g r e s s i o nm o d e lw a se s t a b l i s h e du s i n gt h eP L S p a r t i a ll e a s ts q u a r e a n dd i f f e r e n ts p e c t r ap r e t r e a t m e n tm e t h o d sw e r ec a m p a r e d T h es t u d ys h o w e dt h a ts p e c t r ai n f o r m a t i o nc a nb ee x t r a c t e dt h o r o u g h l yb yt h ep r e t r e a t m e n tm e t h o do ff i r s td e r i v a t i v e e o m b i n e d 析t hs t a n c h r dn o r m a lv a r i a t e w i t ht h eS E C s t a n d a r de r r o ro fc a l i b r a t i o n o f0 0 0 25 S E P s t a n d a r de i T o ro fp r e d i e t i o n o f0 0 0 66 a n dd e t e r m i m t i o nc o e f f i c i e n t so f0 9 8 84 e a l i b r a t i o ns e t a n d0 9 2 27 v a l i d a t i o ns e t r e s p e c t i v e l y T h es p e c t r a w h i c hw e r ep r e t r e a t e dw i t ht h em e t h o do ff i r s td e r i v a t i v ec o m b i n e ds t a n d a r dn o r n l f l lv a r i a t e w e r ea n a l y z e db yp r i n c i p a lc o m p o n e n ta n a l y s i s P C A T h et o p2 0p r i n c i p a lc o m p o n e n t s w h i c hw e r ec o m p u t e db yP C A a n da c c o u n t e df o r8 6 0 9 v a r i a t i o no f t h eo r i g i n a ls p e c t r a li n f o r m a t i o n w e r eu s e dt Ob u i l dB P A N Nm o d e lf o rm e a s u r i n gt h ep u r i t yo fh y b r i dr i c es e e da st h en e wv a r i a b l e s T h es t u d ys h o w e dt h a tt h eS E Ca n dS E Po fB P A N Nm o d e lw e r e0 0 0 17a n d0 0 0 61 a n dt h ed e t e r m i n a t i o nc o e f f i c i e n t s o ft h a tw e r e0 9 9 52 c a l i b r a t i o ns e t a n d0 9 3 69 v a l i d a t i o ns e t r e s p e c t i v e l y T h e r e f o r e t h ep r e d i c t i v ep o w e ro fB P A N N m o d e lw a sb e t t e rt h a nt h a to fP L Sm o d e l R e s u l t si n d i c a t e dt h a ti tw a sf e a s i b l et Om e a s u r et h ep u r i t yo ft h eh y b r i dr i c es e e db y v i s i b l e n e a rr e f l e c t a n c es p e c t r aa sar a p i da n dn o n c o n t a c tw a y a n dP C Ac o m b i n e dw i t hB P A N Nw a sap r e f e r r e dm e t h o d K e y w o r d sV i s i b l e n e a ri n f r a r e dr e f l e c t