基于近红外光谱的水稻单籽粒活力无损检测筛选方法

摘要

本发明公开了一种基于近红外光谱的水稻单籽粒活力无损检测筛选方法，包括样品材料的收集与光谱测定、种子的发芽率测定实验、光谱的预处理和模型的建立四个步骤。本发明是基于近红外光谱检测技术检测水稻种子在活力丧失过程中生化物质的变化，再通过近红外光谱技术，建立模型，快速无损的检测区分高活力与低活力种子。该方法优点在于检测时，水稻样品不需要预处理，无损、快速高效、简便，避免了人工评价过程中的人为因素的干扰，结果更客观、准确。

说明书

技术领域

本发明涉及水稻种子活力检测方法，具体是一种利用近红外光谱技术 快速无损检测水稻单籽粒种子活力的方法。

研究背景：

水稻是世界上最重要的粮食作物之一，也是我国最重要的粮食作物之 一。目前我国水稻的播种面积约占粮食作物总面积1/4，产量约占全国 粮食总产量1/2，商品粮1/2以上，产区遍及全国各地，水稻的品种共 有五万多种。随着社会经济的发展，人们越来越青睐于质优价高的优 质稻谷，而种子由于陈化活力降低，每年造成的经济损失十分巨大。 稻谷品种、年份、活力的鉴别和内部品质的检测问题日益受到种子质 检部门、水稻育种研究以及粮食企业等单位的重视。

长期以来水稻品种的鉴别和稻谷内部品质的检测主要由人工结合化学 处理的方法来完成，操作过程繁琐，工作量大，所需时间长，检测效 率和检测结果的一致性都比较差。除传统的化学方法外，一些先进的 新技术或者其他领域的技术也都有所引入，如计算机视觉、液相色谱 、随机扩增多态性DNA 技术(RAPD) 等，但其方法大都因检测速度慢 、有损、效率低、成本高等原因不能满足粮食作物检测的要求。建立 一套简便、快捷、高效、经济、准确的稻谷活力检测技术体系成为当 前的迫切需要。

而红外光谱技术的发展为此提供了可能。近红外光谱分析技术是20  世纪90 年代以来发展最快最引人注目的光谱分析技术，以其高效、 快速、无损等特点广泛应用于工业、农业、食品、医药等领域。该技 术通过农作物的吸收光谱实现品质检测,具有方便、快速、高效、准确 、成本较低、不破坏样品、不消耗化学试剂、不污染环境等优点,与常 规检测方法相比,更适用于农作物的品质检测。

发明内容

本发明的目的是一种方便、快速、高效、准确的基于近红外光谱的水 稻单籽粒活力无损检测筛选方法。

本发明采用的技术方案如下：

基于近红外光谱的水稻单籽粒活力无损检测筛选方法，其具体步骤为 ： 

（1）样品材料的收集与光谱测定

首先收集不同活力的水稻种子样品，用于模型的建立和校正，实验前 需要对种子进行初步的筛选，去掉有虫洞粒、瘪粒，然后使用近红外 光谱仪采集种子近红外漫反射光谱，并将光谱图象转换成样本光谱基 本数据，同一品种需采集350-400粒种子的光谱信息，每粒种子也需重 复测量，以平均光谱作为该粒种子的建模或预测光谱，光谱采集过程 中需要保证环境因素的恒定，以免对所得光谱数据产生影响；

（2）种子的发芽率测定实验

将采集过近红外光谱的种子用5%的次氯酸钠消毒20-30分钟，按顺序整 齐排列于96孔板内，底部有开口，然后放置于铺有滤纸的大培养皿内 ，需保证滤纸无菌无毒，不含可溶性色素或其他化学物质，并且种子 的发芽情况与其近红外光谱可一一对应，然后将种子在30-35℃条件下 用水浸泡24小时后，每天光照12-15h，光照强度420-450μmol/(m²S) ，温度28-30℃，发芽时使培养皿内种子保持湿润，5天初次统计发芽 率，14天最后统计发芽率；  

（3）光谱的预处理

通过因子化算法所得的因子值，采用二阶导数和矢量归一化进行光谱 预处理，求导预处理可以把原来隐藏的信号差异放大出来，提高光谱 的分辨率，使活力鉴别更加直观、可靠，平滑点数要依据光谱的质量 及干扰的情况来选择，光谱范围要依据预处理后光谱信噪比及最终模 型的准确率来选择，要建立不同模型，有针对性的选择不同的特征波 段，有利于光谱中有效信息的提取；

（4）模型的建立

采集到的每一条光谱都包含了单粒水稻种子的化学成分信息，利用OP US软件中的定性分析模块，选用因子化算法提取所需的成分信息，将 所有采集到的漫反射光谱定性分为两类，即高活力与低活力种子，建 立定性模型，该过程中需要注意对因子值的选用。

上述方法所建立的模型必须通过已知发芽与否的水稻种子样品进行外 部验证，即将初步建立的模型所预测的死活种子一一单粒进行发芽实 验，计算其预测的准确率，当预测准确度达到实验要求时，可在之后 的应用中使用该模型。

本发明筛选方法可以用于水稻品种和组合的种子活力检测，也可以用 作稻谷 的活力检测。

根据本发明筛选方法，可以设计、建立一套近红外无损检测水稻种子 活力的自动分选装置，并能在此基础上将该装置应用扩展到小麦、玉 米、棉花种子等。

近红外光(NIR)是指波长在780～2500nm范围内的电磁波，介于可见光 (VIS)与中红外光(MIR)之间，当近红外光照射到由一种或多种分子组 成的物质上时，如果物质分子为红外活性分子，则红外活性分子中的 共价键与近红外光子发生作用，分子振动、转动的状态变化，分子振 动或者转动状态在不同能级间的跃迁产生近红外光谱吸收。在近红外 光谱范围内，测量的主要是分子中含氢官能团X－H( X =C、N、O、 S等)振动的倍频及合频吸收，根据各含氢基团的近红外吸收特点就可 以来检测农产品中含有氢基团的蛋白质、脂肪、水分、氨基酸、淀粉 、糖、酸等成分。在农业领域该技术不但可用于谷物和水果的营养成 分的分析，还适用于其他各种农副产品品质分析，如饲料、食品、蔬 菜、烟叶等。

本发明主要原理是基于近红外光谱检测技术检测水稻种子在活力丧失 过程中生化物质的变化，再通过近红外光谱技术，建立模型，快速无 损的检测区分高活力与低活力种子。该方法优点在于检测时，水稻样 品不需要预处理，无损、快速高效、简便，避免了人工评价过程中的 人为因素的干扰，结果更客观、准确。

附图说明

图1为收集的水稻种子的近红外反射原始光谱；

图2为预处理后的近红外反射原始光谱。

具体实施方式

实施例

近红外光谱预测9311种子活力

实验材料：随机选取发育良好、形态完整的2012年收获的发芽率为99 %的水稻新种子200粒与2010年收获，储存两年的发芽率为5%的水稻陈 种子200粒。

检测步骤如下：

1、在德国布鲁克公司MPA近红外光谱仪上分别采集400颗水稻种子的近 红外反射光谱如图1，利用OPUS软件根据原始光谱从中挑选100颗种子 光谱作为预测集，剩下的300颗种子光谱作为建模集；（光谱扫描前， 将光谱仪室的温度调节至25℃，种子样品置于光谱仪室平衡一昼夜， 确保种子样品环境条件与近 红外仪一致。）

(3)带壳种子采集过光谱后，将种子用5%的次氯酸钠消毒20分钟，按顺 序整齐排列于96孔板内，底部有开口，然后放置于铺有滤纸的大培养 皿内，需保证滤纸无菌无毒，不含可溶性色素或其他化学物质，并且 种子的发芽情况与其近红外光谱可一一对应，然后将种子在35℃条件 下用水浸泡24小时后，每天光照14h，光照强度450μmol/(m²S)，温度 28℃，发芽时使培养皿内种子保持湿润，5天初次统计发芽率，14天最 后统计发芽率；

3、通过因子化算法的因子值，选定预处理方法为二阶导数+矢量归一 化，预处理后光谱如图2，平滑点数为25，光谱选择范围在4000-8200 cm^-1，手动定义所有光谱的可信度阈值为95%；

4、利用OPUS软件中的定性分析模块，选用因子化法建立定性模型，并 进行外部验证，结果如表1中第一栏所示。

利用9311品种模型预测2012年发芽率为99%的种子时，可将其中93%的 活种子筛选出来，还有约6%的活种子因为所计算出的光谱距离大于定 性模型所设定的阈值而造成无法判别，所以未检出；但由于此模型对 于死种子的鉴别较准确，所以将1%的死种子筛选出后，将其他种子都 判断为活种子即可达到较高的准确率。同理利用此模型预测2010年发 芽率为5%的种子，可准确的筛选出其中失去活力的死种子。

实验结果：

根据以上所述的定性方法，50%发芽率的种子利用此种方法进行筛选， 所选出的活种子的发芽率可达95%以上，当应用于实际时，由于误判造 成的损失也较小。证明此方法可以应用于实际生产。利用同样方法建 立了定性分析模型的水稻品种有：9311、中花11、新安S、农垦58S等 （如表1），为了扩大数据库，本实验室还将建立更多品种的模型。

表1 各品种水稻种子活力定性模型的准确率

由于不同品种的水稻种子之间化学成分种类和比例不同，所以建立模 型时理论上应根据具体的品种设置不同的参数，如预处理方法，平滑 点数，光谱范围等；但每换一批不同的水稻样品就建立一个定性模型 的方法在实际应用中对操作者的技术有一定要求，因此本实验室尝试 根据粒型的不同建立粳稻籼稻两个模型，用以预测所有待检水稻种子 ，简化操作步骤。此方法覆盖品种范围较广，但误判相对较多（如表 2）。实际应用中可根据不同的需求选择不同的方法。

表 2 籼稻定性模型预测不同品种籼稻的准确率

根据本发明方法，可进行水稻品种和组合的种子活力检测，以及稻谷 的活力检测。进一步研究可以设计、建立一套近红外无损检测水稻种 子活力的自动分选装置，并能在此基础上将该装置应用扩展到小麦、 玉米、棉花种子等。