基于新兴技术的种子活力检测方法研究

种子活力即种子在田间条件下,迅速整齐萌发及幼苗健壮生长的潜力。国际种子检验规程绪言中已对种子检验的重要性做出精辟的阐述:"农业上最大的威胁之一是播下的种子没有生产潜力,不能使所栽培的品种获得丰收"。因此,在播种之前对种子进行活力检测便成为必不可少的一环,对农业生产起着至关重要的作用。传统的种子活力检测方法有很多,如:ATP含量测定、电导率法、TTC法等。为了使活力检测实现高效、快捷,同时降低成本,提高检测重现性,近年来新兴技术(如:近红外技术、Q 2技术、激光散斑技术、红外热成像技术等)不断的被应用到种子活力检测中。本文介绍了新兴技术在种子活力检测中的应用,并对种子活力检测技术的发展进行展望。

基于时间对比分析法的散斑种子活力检测

生物散斑是激光照射在生物体表面产生的散斑现象。生物散斑的变化与生物体内的某些性质相关,因而作为一种新型检测技术被广泛研究。生物散斑具有非接触、无创伤、高精度、高灵敏度、抗干扰能力强和操作简单等优点,在农林业上得到了广泛应用。运用激光散斑技术测量麻皮豌豆种子活力,通过时间对比分析法(LSTCA)处理部分散斑图像,得到不同的散斑值曲线,将结果与栓皮栎种子实际发芽结果对比,结果表明:利用散斑值曲线无损快速区分栓皮栎种子的活力可以实现。

基于机器视觉的小麦种子活力检测方法

种子发芽试验是种子检测的重要环节。传统的发芽检测采用人工检测方式,存在费时费力、且受人为主观因素影响较大等问题。以小麦种子为研究对象,设计一种小麦种子垂直发芽装置,基于形态学分析设计了种子发芽点检测方法,借助芽点位置对胚根、胚芽长度进行检测,实现种子发芽快速判别。通过7 d的发芽试验计算小麦种子的发芽率、发芽指数、平均发芽指数,与人工检测结果进行对比,该方法测定的小麦种子发芽率的准确率达100%,发芽指数、平均发芽指数误差分别为1.68%、2.40%。该装置和方法实现了种子活力参数的检测分析,为农作物种子快速检测提供了研究基础。

基于机器学习和深度学习的玉米种子活力光谱检测

为解决传统的种子活力检测方法存在耗时长、损伤种子等问题,实现种子活力的快速无损检测,分别利用机器学习和深度学习算法结合高光谱成像技术构建玉米种子3个活力梯度分类模型,通过人工老化方式将1 012粒玉米种子分为3个活力梯度样本,采集其高光谱数据后通过卷积平滑(SG)和多元散射校正(MSC)去除高光谱噪声,分别采用主成分分析(PCA)、连续投影算法(SPA)进行光谱特征降维,再从降维后的波段中抽取1 156、1 191和1 463 nm 3个波段合成假彩色图像,用局部二值模式(LBP)提取感兴趣区域的纹理特征,并与纯光谱特征融合。分别基于纯光谱特征构建决策树(DT)和支持向量机(SVM)模型和融合特征建立随机森林(RF)、SVM和极端梯度提升树(XGBoost)模型等机器学习模型。将假彩色图像输入ResNet18、MobileNetV2、DenseNet121、Efficientb0、Efficientb2等5个深度学习模型中进行玉米种子活力预测。结果显示,就机器学习方法而言,针对纯光谱特征表现最好的是PCA-SVM模型,其测试集准确率为92.5%;针对融合特征表现最好的是SVM模型,其测试集的分类准确率为93.1%;就深度学习方法而言,轻量化的MobileNet取得最高的测试集分类准确率99.5%;基于可解释的梯度定位类别激活映射方法表明,分类网络会重点关注玉米种子的中部或基部区域。

基于高光谱小波特征的脱绒棉种活力检测

为了提取不同活力种子光谱特征的精细结构和复杂信息,该研究探索了连续小波变换提取不同活力脱绒棉种的光谱信息,并提出了一种基于相关性及特征重要性筛选小波特征(wavelet features,WFs)的方法。通过人工老化试验,获取不同活力等级的脱绒棉种,并采集其高光谱影像,对原始光谱进行Savitzky-Golay平滑、多元散射校正、一阶微分、二阶微分等预处理。然后对比gauss4、mexh和bior6.8等小波基函数提取的WFs。利用主成分分析对光谱特征(spectral features,SFs)与WFs降维,并建立支持向量机(support vector machines, SVM)、随机森林(random forest,RF)、极限学习机(extreme learning machines,ELM)和反向传播神经网络(back propagation neural network,BPNN)等的种子活力检测模型,对比SFs与WFs的建模精度。为了进一步提取出WFs中的精细光谱信息,基于相关性分析和随机森林特征重要性评价,提取了与种子活力的相关性在前1%的小波特征(1%|R|-WFs)、在种子活力识别中特征重要性在前1%的小波特征(1%Importance-WFs)及二者融合的1%|R|+1%Importance-WFs 3个WFs特征集并带入上述机器学习模型。结果表明:1)bior6.8函数提取的不同活力脱绒棉种的WFs效果较好,其他函数在提取WFs时,出现明显的振铃效应。2)在各品种的所有机器学习模型中,WFs主成分的建模精度均高于SFs主成分的建模精度,且基于1%|R|+1%ImportanceWFs的准确率最高。3)金科21与金科20种子活力检测的最优模型均为:1%|R|+1%Importance-WFs+ELM;新陆早64种子活力检测的最优模型为:1%|R|+1%Importance-WFs+各机器模型与PCA-WFs+ELM/BPNN。金科21最优模型训练集和测试集的准确率分别为99.63%、98.28%;金科20与新陆早64最优模型训练集和测试集的准确率均为100%。结果表明,该研究提出的基于相关性及特征重要性的方法能够有效提取出不同活力脱绒棉种的光谱差异信息,为种子活力高光谱检测提供一种光谱特征分析思路。

人工加速老化法和低温发芽法的优化研究

人工加速老化法和低温发芽法是测定种子活力的常用方法,但在荒漠植物上应用得很少。为了科学地将这两种方法应用在梭梭种子活力的测定上,需对其处理条件进行优化。本研究通过热水处理制备了4份不同活力水平的梭梭种子样品,比较不同老化温度(36℃、40℃、44℃)和老化时间(12 h、24 h、36 h、48 h、60 h、72 h、84 h、96 h)处理以及不同低温(10℃、8℃、6℃)处理对梭梭种子发芽的影响,对梭梭种子活力测定的人工加速老化法和低温发芽法进行了优化。结果表明,应用于梭梭种子活力测定的人工加速老化法的适宜条件为40℃老化36 h或48 h,低温发芽法的适宜条件为8℃或6℃。经优化后的人工加速老化法和低温发芽法都能够区分不同活力水平的梭梭种子样品,能较好地反映种子活力差异,可应用于梭梭种子活力的测定。

种子质量检测分析

种子质量是提高农作物新产品产量、品质、高效的基础，是种子企业的生命，是促进农业生产发展的重要保证。国标GB4404．1—1996中规定了农作物质量标准，此标准是以品种统一计划指标作为划分种子质量级别的依据；净度、发芽率、水分其中任一项不达标即为不合格种子。种子检验是对种子质量进行全面控制和综合评定的主要手段。在种子收获后的贮藏、收购、