出品；科普中國

作者：汪六三（中國科學院合肥物質科學研究院智能機械研究所）

監制：中國科普博覽

編者按：為展現智能科技動態，科普中國前沿科技項目推出“人工智能”系列文章，一窺人工智能前沿進展，回應種種關切與好奇。讓我們共同探究，迎接智能時代。

AI助農小助手名片

小助手：近紅外光譜無損檢測水稻種子內部裂紋

兩大法寶：無損檢測、人工智能

兩大關鍵技術：近紅外光譜透射技術、機器學習算法

能量值：5顆星

證件照：

FT-NIR光譜儀

（圖片來源：作者提供）

智能秋收小助手自我介紹

很高興認識你，我是近紅外光譜種子內部裂紋檢測技術，是中國科學院合肥物質科學研究院智能機械研究所這個大家庭的成員之一。近紅外光譜種子內部裂紋檢測技術可以在不破壞水稻種子的情況下快速、準確檢測出種子內部裂紋。

區分水稻種子

水稻是世界上重要的作物，2017年的收獲面積為1.67億公頃，總產量為7.69億噸，為全球近一半的人口提供了基本的食物。為了滿足日益增長的水稻產量需求，人們需要高質量的種子。

水稻

（圖片來源：veer圖庫）

然而，水稻種子在人工干燥或收獲前曬干的過程中容易出現內部裂紋，在收獲、運輸、儲存和搬運過程中也容易受到機械損傷。水稻種子內部裂紋影響種子發芽質量和出苗率，同時人眼很難發現內部裂紋。因此，迫切需要一種能夠在播種前將內部開裂的水稻種子與正常種子區分開來的方法。

傳統的內部裂紋水稻種子鑒別方法是目視檢查法。它具有破壞性、主觀性和耗時性，不適合對大量樣本進行測試。因此，有必要提出一種非破壞性和快速的方法來鑒別內部開裂的水稻種子。最近，X射線成像已被用于檢測水稻籽粒和菜豆種子的內部裂紋。然而，X射線具有輻射性和高成本，不易普及。相比之下，我的誕生提供了一種快速、無損且廉價的分析方法。

裂紋種子

（圖片來源：作者提供）

近紅外光譜

我所發射的近紅外光譜是介于可見光和中紅外之間的電磁波，美國材料檢測協會將近紅外光譜區定義為780-2526 nm的區域。

近紅外光譜區與有機分子中含氫基團（O-H、N-H、C-H）振動的合頻和各級倍頻的吸收區一致，通過掃描樣品的近紅外光譜，可以得到樣品中有機分子含氫基團的特征信息，而且利用我分析樣品具有方便、快速、高效、準確和成本較低，不破壞樣品，不消耗化學試劑，不污染環境等優點，已在工業、農業、醫藥、食品等領域得到廣泛應用。

如何檢測？

研究人員們從當地種子市場購買的兩種雜交水稻種子（兩優566和Y兩優1982，兩者均為秈型兩系雜交水稻品種）。99粒（兩優566）和40粒（Y兩優1982）內裂水稻種子是由專業技術人員使用自制燈箱測量儀器選出的。此外，還篩選出100個正常（兩優566）和40個（Y兩優1982）水稻種子，組成279個水稻種子樣本。

第二步，研究人員們使用我來獲得水稻種子的透射光譜，將水稻種子放在樣品臺上，用帶有收集探測器的蓋子蓋住，并用鹵素燈照射。光透射過水稻種子傳輸到探測器，收集每個水稻種子的透射光譜。在測量光譜之前，水稻種子被蓋子蓋住，以避免種子周圍的環境光干擾。

鹵素燈泡

（圖片來源：veer圖庫）

水稻種子的測量狀態和光譜儀工作狀態的變化可能會導致隨機噪聲、基線漂移和多次散射。為了減少這些影響對模型魯棒性的影響，提高模型預測精度，需要對光譜數據進行預處理。

研究中比較了幾種光譜預處理方法，包括無預處理（原始光譜）、標準正態變量變換（Standard normal variate, SNV）、多元散射校正（Multiple scatter correction , MSC）、Savitzky-Golay平滑的一階和二階導數。

標準正態變量變換是將每個樣品的原始光譜減去理想光譜，再除以標準差，理想光譜通常為每個樣品的平均光譜。多元散射校正是將測量的光譜加征到一個基準光譜上，從而減少這些不相關的變化。基準光譜通常是所有測量光譜的平均光譜。這兩種方法均可用來消除散射誤差。Savitzky-Golay平滑的一階和二階導數主要是用來降低噪聲、消除基線漂移和提高光譜分辨率。

主成分分析（PCA）是一種經典的數據分析方法，通過降低數據維度，揭示數據模式和內部結構。通常，前幾個主成分（PC）可以最大化數據集的光譜變化，并解釋樣本分組和相似性。我們通過PCA對生米種子光譜進行了探索性分析。

將原始和處理過的光譜數據，通過人工智能中常用的四種機器學習算法（PLS-DA，SVM，KNN和RF）建立水稻種子內部裂紋識別模型。所有樣品的75%（210粒水稻種子）被用作構建模型，其余樣品則用來測試模型。

研究結果表明，PLS-DA結合原始光譜數據模型性能最佳。SVM 的性能較差，但優于RF和KNN。除了PLS-DA，四種不同的預處理方法均改進了所開發模型的性能。

通過波長重要性分析顯示，鑒別水稻種子內部裂紋的重要變量與直鏈淀粉含量有關。因此，可以得出結論，我可以作為一種快速、無損的方法來鑒別水稻種子中的內部裂紋。

PLS-DA分析中預測（VIP）分數的變量重要性

（圖片來源：作者提供）

小助手寄語

隨著機器學習算法的發展，我能夠結合機器學習算法進行更廣闊的應用。研究人員們為了獲得更加穩健的近紅外光譜模型，需要更多不同品種的水稻樣品，促進我在水稻內部裂紋檢測中的實際應用。我的應用不僅提高了水稻種子質量評價的效率和準確性，也為農業生產中的種子質量控制提供了新的技術手段。

來源: 中國科普博覽

內容資源由項目單位提供