【儀表網(wǎng) 研發(fā)快訊】近期，中國科學院合肥物質(zhì)院智能所智慧農(nóng)業(yè)研究中心王儒敬研究員團隊提出了一種近紅外光譜無損檢測水稻種子內(nèi)部裂紋方法。相關研究成果發(fā)表在光譜領域核心期刊Spectrochimica Acta Part A: Molecular and BiomolecularSpectroscopy上。
 

　　在農(nóng)業(yè)生產(chǎn)中，水稻種子的質(zhì)量直接關系到水稻的產(chǎn)量和品質(zhì)。稻種內(nèi)部的裂紋往往不易被肉眼識別，這給稻種質(zhì)量評估帶來了挑戰(zhàn)。為了攻克這一難題，科研團隊提出了一種近紅外光譜技術結合機器學習檢測水稻內(nèi)部裂紋方法。該工作中科研人員以279粒(139粒內(nèi)部裂紋和140粒正常)稻種為研究對象，采用四種機器學習分類算法(偏最小二乘判別，支持向量機、k近鄰和隨機森林)結合四種光譜預處理方法(標準正態(tài)變量、散射校正、一階和第二階導數(shù))分別建模，并比較模型性能，獲得最優(yōu)模型。
 

　　研究結果表明，偏最小二乘判別結合原始光譜數(shù)據(jù)模型最佳(Sn=0.8824，Sp=0.9429，Acc=0.913)。最佳支持向量機模型的性能較差但優(yōu)于隨機森林和k近鄰。除了偏最小二乘判別，四種不同的預處理方法均改進了所開發(fā)模型的性能。通過波長重要性分析顯示檢測稻種內(nèi)部裂紋的重要變量與直鏈淀粉含量有關。總體而言，所有結果都證明了近紅外光譜結合偏最小二乘判別法無損檢測水稻種子內(nèi)部裂紋的可行性。
 

　　智能所汪六三副研究員為論文第一和通訊作者。該項研究工作得到了國家重點研發(fā)計劃、安徽省重大專項的支持。
 

表1 不同分類模型對測試集的混淆矩陣
 

圖1 偏最小二乘判別獲得的變量重要性投影(VIP>1)