基于近红外光谱和高光谱图像的大豆种子活力无损伤检测方法的研究
作者单位：南京农业大学
学位级别：硕士
导师姓名：麻浩
授予年度：2022年
摘 要：大豆(Glycine max(L)Merr.)是我国重要的粮食和饲料作物,是人类获取油脂和优质植物蛋白最主要的来源之一。大豆种子中蛋白质和油脂的含量分别高达40%和20%,种子籽粒大且含水量较高,因此,大豆种子在收获前后以及贮藏期间极易受环境影响而发生劣变,使种子活力降低直至失去种用价值。由于种子活力是一个始终处于动态变化的指标,因此在贮藏或者播种前对种子活力进行检测是十分重要且必要的,但是,传统的种子活力检测方法往往会对种子造成一定损伤,且有些受环境影响大,重复性差或者测定周期长,所以高效、准确且无损的种子活力检测方法在生产实践、种质资源保存以及农产品贸易等方面具有重要意义。本研究以山东和安徽收获的华豆8号,阜豆17187,南农1609,柳豆112和皖豆22337以及黄淮海区试点收获的34份大豆材料为研究对象,旨在通过整合大豆种子的光谱数据与活力数据构建能对种子活力实现快速、无损且准确预测的定性模型,为大豆种子活力测定提供一种新的选择。主要研究结果如下: 1.利用人工加速老化法,58±1℃热水处理测定不同品种(系)大豆种子的活力,并通过调整处理时间获得同一品种(系)的不同活力等级的种子材料,结果表明:人工加速老化和热水处理均会导致种子萌发所需要的时间增加,根的伸长量减少。种子的发芽势、发芽率、发芽指数和活力指标普遍随处理时间的延长而下降,其中活力指数对种子活力的代表性更佳。不同品种(系)种子由于遗传基础不同,对同一逆境的响应机制和耐受能力表现出差异性,本试验结果表明对大豆种子进行48h或72h的高温高湿处理(40℃,100%RH)可较为准确地将不同活力等级的种子区分开;58±1℃热水处理可用于评估大豆种子活力,但存在局限性,后续需摸索热水处理的适宜时间或者温度。 2.大豆种子近红外光谱和高光谱图像的波段采集范围分别为1000～2500nm和900～1700nm,所有样本光谱曲线的总体变化趋势和特征峰位置是相同的,但不同处理组种子的平均光谱的吸光度/反射率表现出差异性。对照组种子近红外平均光谱的吸光度略高于老化处理组,高光谱图像平均光谱的反射率则低于老化处理组,然而,老化处理各组平均光谱曲线间的差距较小,部分波段谱线重叠严重。 3.利用光谱预处理变换和特征工程算法以及二者的组合对原始光谱数据进行优化。适宜的光谱预处理变换能显著提升模型的判别能力,在本试验中,对光谱数据起到优化作用的主要是标准化、均值中心化和导数算法。利用主成分分析(PCA)和L1正则化算法对光谱数据进行降维处理和特征选择,PCA可将近红外光谱和高光谱数据的特征数量分别由1557和112降至4～50之间;经L1正则化筛选后,近红外和高光谱数据保留的特征数分别在401～756和38～59之间。光谱预处理与特征选择的组合处理使部分模型的预测准确率进一步提高,优势组合大多由标准化,导数算法与L1正则化组配获得。光谱预处理和特征选择的优化效果可叠加,且数据预处理对模型判别性能提升的贡献高于特征选择。 4.基于种子的近红外光谱数据和活力数据构建了大豆种子活力定性模型。针对特定品种构建的单一品种种子活力预测模型的分类准确率在90%左右,除了遗传因素外,种子来源和分类器的选用也会影响建模效果,山东收获种子所建模型的识别能力优于安徽;随机森林模型的分类效果优于逻辑回归和支持向量机。利用山东、安徽和黄淮海区试点收获种子的数据进行了多品种活力预测模型的构建,多品种模型的分类准确率较单一品种模型有所下降,不过,模型的识别准确率都在85%以上;混合山东和安徽两地数据的建模效果与单一地区相差不多,且基于黄淮海区试点收获的31份大豆材料所建模型的识别精度仅略低于山东或安徽收获的5份材料建立的模型,表明可利用近红外光谱技术检测大豆种子活力。 5.种子高光谱模型的分类效果同样受品种,分类器和产种地区的影响。利用高光谱数据建模时,单一品种种子活力预测模型的预测准确率大多在95%以上,其中,皖豆22337种子数据的建模效果最佳,逻辑回归和支持向量机模型的预测效果优于随机森林模型;多品种种子活力预测模型的分类准确率在90%左右。基于安徽种子数据构建的单一品种和多品种模型的分类效果均优于山东。高光谱数据的建模效果略优于近红外光谱,不过两者差距较小,因此二者均可实现对大豆种子活力的无损伤检测。 综上,由于老化程度不同的大豆种子表现出显著的光谱差异,基于种子的光谱数据和活力数据可构建预测种子活力的定性模型。针对特定品种构建的近红外模型和高光谱模型的预测准确率较高,虽然多品种模型的分类效果有所下降,但模型的分类准确率仍高于87%,所以利用近红外光谱和高光谱图像技术可对广泛的大豆种子材料开展活力的无损伤检测工作。
同方学位论文库