光谱技术在水稻品种鉴别中的应用

田容才 卢俊玮

[摘要]水稻品种鉴别一直是农业生产、种子检测和作物育种上的重要问题。传统的鉴别方法过程繁琐、耗时长、效率低，光谱技术为水稻品种的快速、无损、准确鉴别提供了新途径。文章从非成像光谱技术和成像光谱技术两方面总结了光谱技术在水稻品种鉴别中的国内外研究进展，分析其存在的问题，并提出了一些今后研究的设想。

[关键词]光谱技术;水稻;品种鉴别

中图分类号：S511                 文献标识码：A                 DOI：10.16465/j.gste.cn431252ts.20190716

水稻是中国最重要的粮食作物之一，其种子质量的好坏直接关系到水稻产量的高低及品质的优劣，因此，对其品种鉴别一直是农业生产、种子检测和新品种选育上的重要问题。目前常用的水稻品种鉴别方法有形态观察法、田间种植法、理化检测法、分子标记法、电子鼻法、電泳法等[1-5]。形态观察法、田间种植法鉴别精度不高、主观性强、周期长且易受环境影响。理化检测法、分子标记法和电泳法虽鉴别精度高，但耗时、有损、需专门操作人员且无法批量分析。电子鼻法主要通过辨别气味来实现品种鉴别，存在显著的弊端[6]。因此，找寻快速、高效、简便的水稻品种鉴别方法具有重要意义。

光谱技术借助光学仪器获取被测物在不同波段下的反射、吸收、透射等光谱数据，通过分析方法对数据进行预处理和特征信息提取，再结合数学算法建立模型，从而实现品种鉴别，为水稻品种快速、无损鉴别提供了新途径[7]。

1  非成像光谱技术鉴别水稻品种

光谱是电磁辐射按照波长的有序排列，主要包括紫外线（0.01～0.38 μm）、可见光（0.38～0.76 μm）、红外线（0.76～1 000 μm）和微波（1 mm～1 m），其中红外线又细分为近红外（0.76～3 μm）、中红外（3～6 μm）、远红外（6～15 μm）和超远红外（15～1 000 μm）4类。由于水稻品种基因型的差异，以及在生长过程中受环境影响产生的差异，导致其叶绿素浓度、木质素含量、植株高度、叶片形状和大小等也存在细微差异，这些差异在光谱特征上均有体现，为利用光谱技术识别水稻品种提供了可能[8]。利用非成像光谱技术实现水稻品种鉴别多采用近红外光谱技术，这是因为近红外光谱分析技术根据不同种类物质所含化学成分的不同，通过获取含氢基团X-H（X=C、N、O）振动基频在光谱中倍频与和频的差异吸收情况，从而实现对物质的定性或定量分析[9]。

梁亮等[10]采用ASD Field Spec3地物光谱仪收集了5种稻米的反射光谱数据，通过S-G平滑和标准归一化（SNV）法对原始光谱数据进行预处理后，比较分析了利用主成分分析法（PCA）对全波段与特征波段数据降维后建立的3层BP-ANN鉴别模型精度，得出两种方法建立的模型预测精度高达100%，但基于特征波段建立的模型较全波段模型预测精度更高，其预测决定系数（R2=0.999 4）高于全波段预测决定系数（R2=0.998 8），预测标准误（SEP=0.039 0）和预测均方根误差（RMSEP=0.038 3）均低于全波段模型（SEP=0.051 9;RMSEP=0.055 0）。梁剑等[11]使用傅里叶变换（MPA）近红外光谱仪采集了杂交F1代与其父本带颖壳单粒种子的漫反射光谱数据，比较不同光谱预处理方法建立的聚类分析模型的鉴别效果，结果显示“二阶导数（25点平滑）+矢量归一化”预处理法建立的聚类分析模型效果最好，识别正确率达100%，能有效解决杂交稻种子混杂问题。李晓丽等[12]采用ASD Handheld Field Spec地物光谱仪采集了5种不同基因来源的水稻种子光谱，运用小波变换对原始光谱进行降噪处理，主成分分析（PCA）提取光谱特征信息，再将得到的光谱特征作为神经网络的输入变量，建立了3层BP神经网络的稻谷品种鉴别模型，其预测正确率为96%。林萍等[13]提出了一种遗传算法（GA）进行光谱特征波段提取，偏最小二乘算法（PLS）进行主成分分析，再结合BP神经网络法以实现大米品种快速无损鉴别的新方法。朱文超等[14]针对转基因作物育种过程中存在的杂交和回交后代样本量大的问题，研究了一种基于可见/近红外光谱技术进行转基因水稻叶片快速鉴别的方法。使用NEXUS智能型FT-NIR光谱仪采集了离体转基因水稻叶片及其亲本叶片光谱数据，经过多元散射校正（MSC）降噪处理后，建立了基于全波长的偏最小二乘-支持向量机（LS-SVM）鉴别模型和经过连续投影法（SPA）进行有效波长提取后的SPA-LS-SVM识别模型，对比分析发现LS-SVM模型预测正确率达89.09%，SPA-LS-SVM模型对未知样本的识别精度为87.27%，但前者建模数据量较后者少了99.7%，因此，SPA-LS-SVM算法为大田活体鉴别水稻品种提供了新方法。Long Z等[15]将近红外光谱技术与最小二乘回归判别分析（PLS-DA）相结合，实现了转基因和野生型水稻品种及品系的准确鉴别。曲歌等[16]利用近红外光谱仪采集了4个水稻品种米粉的反射光谱数据，用多元散射校正（MSC）和标准正态变换（SNV）对原始光谱数据进行预处理，以消除样本颗粒分布不均匀及颗粒大小不同等对数据质量造成的影响，结合簇类独立模糊识别法（SIMCA）和偏最小二乘判别分析法（PLS-DA）两种分类算法鉴别水稻品种，得出近红外光谱技术结合SIMCA和PLS-DA两种分类算法均可实现对验证集水稻品种高达100%的正确识别率。光谱数据不仅量大，而且存在数据冗余、噪音及共线信息等问题[17]。因此，利用光谱技术鉴别水稻品种，关键在于光谱数据的处理与建模方法的选择。在不同观测对象下利用光谱技术进行水稻品种鉴别的常用方法见表1。

2  成像光谱技术鉴别水稻品种

光谱成像技术是光谱与计算机视觉技术相结合的产物，具有“图谱合一”的特点，能同时获取研究对象的图像信息和光谱信息，其中图像信息可直观反映被测物的外部特征，光谱信息能充分反映目标物内部的物理结构和化学成分，获取的信息较非成像光谱技术更全面[20-22]。近年来，成像光谱技术在水稻品种识别中的应用也越来越多。

邓小琴等[23]利用高光谱成像技术，通过引入多次递进无信息变量消除算法（MP-UVE）结合偏最小二乘（PLS）投影算法，提取了10类水稻种子品种在400～1 000 nm共23个最优波段，再融合其光谱、形状、纹理等特征信息建立了偏最小二乘判别（PLS-DA）分类模型，最终获得了对预测集样本96%的识别精度，实现了大幅减少波段数的情况下的单粒水稻种子品种高精度鉴别。刘伟等[24]采用VideometerLab多光谱成像测量仪获取了5个品种稻谷共250个样本的多光谱图像数据，提取了各品种光谱反射率及图像颜色、形状等特征变量信息，运用粒子群寻优（PSO）算法结合最小二乘支持向量机（PLS-SVM）算法建立了品种鉴别模型，获得了对验证集样本90%以上正确识别率。刘小丹等[25]采用主成分分析法（PCA）初步探究了3类杂交稻品系的可分性，并运用支持向量机（SVM）和偏最小二乘判别分析（PLS-DA）算法建立了基于全波段和特征波长的水稻品系鉴别模型，得出两种方法建立的模型识别准确率均达90%以上，其中，SVM模型效果较PLS-DA优，基于全谱段的鉴别效果优于基于特征波长的鉴别效果，为利用近红外光谱成像技术（874～1 734 nm）实现杂交稻品种的鉴别及可视化预测提供了借鉴方法。Kong等[26]将高光谱成像技术与多种化学计量学分析法相结合，对4个杂交稻种子品种进行了鉴别，结果显示基于全波长建立的识别效果优于基于特征波长建立的模型，随机森林（RF）是一种有效的分类识别算法。Wang等[27]利用高光谱成像仪对市场上销售的3种稻米品种进行鉴别，得出将光谱数据、垩白度及稻米形状等特征融合起来建立的反向神经网络模型识别精度达94.45%。Chatnuntawech等[28]把高光谱成像技术与深度卷积神经网络（CNN）相结合，开发了一种非破坏性水稻品种分类系统，该方法可实现从传感器数据中自动提取光谱特征，较常用的支持向量机（SVM）分类方法准确度可提高8%。Liu等[29]比较分析了偏最小二乘判别分析（PLS-DA）、最小二乘支持向量机（LS-SVM）和主成分分析结合反向神经网络（PCA-BPNN）3种分类算法在转基因水稻種子快速无损鉴别中的效果，得出LS-SVM效果最优，判别精度高达100%。综上所述，相对非成像光谱技术，利用光谱成像技术不仅可以获取研究对象的光谱信息，还能得到其图像信息，这使得建模计算量大，严重影响建模的速度和效率[30]。因此，结合化学计量学方法提取光谱图像的特征信息，不仅能剔除无效信息、降低计算量和简化模型，还能增强模型预测能力和稳健性[31]。

3  结  论

光谱技术在水稻品种识别上的研究虽已取得一定成果，但仍存在一些问题：（1）大多针对水稻种子进行识别。无论是利用成像光谱还是非成像光谱技术，研究绝大部分测定的是稻谷、大米等籽粒光谱，鲜有直接进行大田植株光谱测定以鉴别水稻品种。（2）鉴别模型缺乏普适性。在利用光谱技术进行不同水稻品种识别时，所采用的仪器设备不同，其提取的敏感波长存在较大差异，从而建立的模型适用范围有限。（3）数据处理缺乏统一标准。原始光谱经过预处理降噪后，再通过特征提取以降维，最后选取分类算法构建识别模型是品种鉴别通常采用的方法，但运用不同的光谱数据预处理方法、特征提取方法以及分类算法建立的识别模型，其识别精度存在较大差异，目前尚无统一方法。鉴此，未来光谱技术在水稻品种识别可从以下方面做进一步探究：基于大田活体光谱测定的水稻品种识别研究，辅助育种及卫星遥感监测;借鉴光谱技术在其他农作物品种识别上的技术方法，寻找适用于水稻品种鉴别的标准化方法，以降低建模难度、提升模型准确性和鲁棒性;研发低成本、轻简化的国产光谱类仪器设备。

参考文献

[1]VU H，TACHTATZIS C，MURRAY P，et al.Spatial and spectral features utilization on a hyperspectral imaging system for rice seed varietal purity inspection[C].Hanoi：2016 IEEE RIVF International Conference on Computing & Communication Technologies，Research，Innovation，and Vision for the Future （RIVF），2016：169-174.

[2]谭玉琳.水稻品种鉴别方法[J].现代农业科技，2005（5）：33.

[3]黄光文，陈觉梁，王伟成，等.运用ISSR标记鉴别水稻品种的初步研究[J].杂交水稻，2006（3）：64-67.

[4]于慧春，熊作周，殷勇.基于电子鼻的水稻品种鉴别研究[J].中国粮油学报，2012（6）：105-109.

[5]杜雪树，戚华雄，夏明元.杂交中稻广两优476品种与纯度的鉴定[J].湖北农业科学，2012（6）：1254-1256+1262.

[6]于勇，王俊，周鸣.电子鼻技术的研究进展及其在农产品加工中的应用[J].浙江大学学报（农业与生命科学版），2003（5）：111-116.

[7]丁秋.基于高光谱成像技术小麦籽粒品种鉴别研究[D].武汉：武汉轻工大学，2017.

[8]张丰，熊桢，寇宁.高光谱遥感数据用于水稻精细分类研究[J].武汉理工大学学报，2002（10）：36-39，46.

[9]王一丁，赵铭钦，付博，等.基于可见光-近红外光谱技术的烤烟品种鉴别研究[J].山东农业科学，2016（2）：119-124.

[10]梁亮，刘志霄，杨敏华，等.基于可见/近红外反射光谱的稻米品种与真伪鉴别[J].红外与毫米波学报，2009（5）：353-356+391.

[11]梁剑，刘斌美，陶亮之，等.基于水稻种子近红外特征光谱的品种鉴别方法研究[J].光散射学报，2013（4）：423-428.

[12]李曉丽，唐月明，何勇，等.基于可见/近红外光谱的水稻品种快速鉴别研究[J].光谱学与光谱分析，2008（3）：578-581.

[13]林萍，陈永明.利用可见近红外光谱技术快速鉴别大米品种[J].江苏农业科学，2015（12）：320-323.

[14]朱文超，成芳.转基因水稻及其亲本叶片的可见/近红外光谱分析[J].光谱学与光谱分析，2012（2）：370-373.

[15]LONG Z，SHAN-SHAN W，YAN-FEI D，et al.Discrimination of transgenic rice based on near infrared reflectance spectroscopy and partial least squares regression discriminant analysis[J].Rice Science，2015（5）：245-249.

[16]曲歌，陈争光，王雪.基于近红外光谱与SIMCA和PLS-DA的水稻品种鉴别[J].作物杂志，2018（2）：166-170.

[17]于雷，洪永胜，周勇，等.高光谱估算土壤有机质含量的波长变量筛选方法[J].农业工程学报，2016（13）：95-102.

[18]梁亮，杨敏华，刘志霄，等.杂交稻种品系与真伪的可见-近红外光谱鉴别[J].激光与红外，2009（4）：407-410.

[19]周子立，张瑜，何勇，等.基于近红外光谱技术的大米品种快速鉴别方法[J].农业工程学报，2009（8）：131-135.

[20]张初，刘飞，孔汶汶，等.利用近红外高光谱图像技术快速鉴别西瓜种子品种[J].农业工程学报，2013（20）：270-277.

[21]邹伟，方慧，刘飞，等.基于高光谱图像技术的油菜籽品种鉴别方法研究[J].浙江大学学报（农业与生命科学版），2011（2）：175-180.

[22]张初，刘飞，章海亮，等.近地高光谱成像技术对黑豆品种无损鉴别[J].光谱学与光谱分析，2014（3）：746-750.

[23]邓小琴，朱启兵，黄敏.融合光谱、纹理及形态特征的水稻种子品种高光谱图像单粒鉴别[J].激光与光电子学进展，2015（2）：128-134.

[24]刘伟，刘长虹，郑磊.基于支持向量机的多光谱成像稻谷品种鉴别[J].农业工程学报，2014（10）：145-151.

[25]刘小丹，冯旭萍，刘飞，等.基于近红外高光谱成像技术鉴别杂交稻品系[J].农业工程学报，2017（22）：189-194.

[26]KONG W，ZHANG C，LIU F，et al.Rice seed cultivar identification using near-infrared hyperspectral imaging and multivariate data analysis[J].Sensors，2013（7）：8916-8927.

[27]WANG L，LIU D，PU H，et al.Use of hyperspectral imaging to discriminate the variety and quality of rice[J].Food Analytical Methods，2015（2）：515-523.

[28]CHATNUNTAWECH I，TANTISANTISOM K，KHANCHAITIT P，et al.Rice classification using hyperspectral imaging and deep convolutional neural network[J].Arxiv Preprint Arxiv：1805.11491，2018.

[29]LIU C，LIU W，LU X，et al.Nondestructive determination of transgenic bacillus thuringiensis rice seeds （oryza Sativa L.） using multispectral imaging and chemometric methods[J].Food Chemistry，2014（153）：87-93.

[30]李勋兰，易时来，何绍兰，等.高光谱成像技术的柚类品种鉴别研究[J].光谱学与光谱分析，2015（9）：2639-2643.

[31]王海龙，杨向东，张初，等.近红外高光谱成像技术用于转基因大豆快速无损鉴别研究[J].光谱学与光谱分析，2016（6）：1843-1847.

Application of Spectral Technology in Identification of Rice Varieties

Tian Rongcai1，2，Lu Junwei2

（1.Key Laboratory of Indica Rice Genetics and Breeding in the Middle and Lower Reaches of Yangtze River，

Ministry of Agriculture，Changsha，Hunan 410128;

2.College of Agronomy，Hunan Agricultural University，Changsha，Hunan 410128）

Abstract：Identification of rice varieties has always been an important issue in agricultural production，seed testing and crop breeding.But the traditional identification methods is cumbersome，time-consuming and inefficient.The spectral technology provides a new way for rapid，non-destructive and accurate identification of rice varieties.This paper summarized the technology of spectrum research progress at home and abroad in rice varieties identification from two aspects of the non-imaging spectroscopy and imaging spectroscopy，and analyzed its existing problems.At last，some ideas for future research were put forward.

Keywords：spectrum technology， rice，varieties identification