前人對(duì)植物種子的研究一般著重于粒重容重粒長(zhǎng)寬與粒厚體積與密度色彩與光澤等數(shù)量性狀( 特征) 這些特征一般來(lái)自人工考察，獲取速度慢費(fèi)工費(fèi)時(shí)，制約了種子檢驗(yàn)的效率; 近年發(fā)展起來(lái)的現(xiàn)代近紅外光譜分析技術(shù)因其具備快速高效無(wú)損等特點(diǎn)，開始成為品種識(shí)別的一個(gè)新興手段 具有檢測(cè)速度快鑒別能力強(qiáng)重復(fù)性高可大批量檢測(cè)等優(yōu)勢(shì)，近紅外光光譜分析技術(shù)作為一種高度自動(dòng)化的智能采集技術(shù)，和生物化學(xué)技術(shù)與分子技術(shù)一樣，成為國(guó)際植物新品種保護(hù)聯(lián)盟( UPOV) 認(rèn)可的植物DUS測(cè)試新技術(shù)，受到普遍關(guān)注。
種子作為玉米最重要的植物器官，其特征不管在外部還是在內(nèi)部都表現(xiàn)出品種間的差異性，這使得無(wú)損檢測(cè)技術(shù)可以作為有效鑒別種子的重要手段，在基于外觀的圖像種子檢驗(yàn)方面，趙春明等韓仲志等提取了玉米種子的數(shù)十個(gè)特征，借助軟件，證實(shí)了圖像技術(shù)在玉米種子檢驗(yàn)過程的重要性，韓仲志等深入地探討了在品種識(shí)別過程中的關(guān)鍵特征的提取，得出了較好的結(jié)論 然而這些方法由于受到可見光成像的限制并不能深入種子內(nèi)部，而近紅外的分析方法能在一定程度上解決這個(gè)問題，郭婷婷等利用近紅外光譜和仿生模式識(shí)別的方法研究了玉米的品種識(shí)別，雖然均達(dá)到了較高的識(shí)別率，但由于光譜設(shè)備造價(jià)較高，其應(yīng)用受到一定的限制 在玉米的產(chǎn)地識(shí)別方面目前研究較少，僅有的研究也是基于元素分析的方法，檢測(cè)速度慢，代價(jià)大。其中的一些遺傳因素和環(huán)境因素必然反映在近紅外光譜特征上，從而能夠鑒別不同的品種，由于基因型與環(huán)境的相互作用，那么同一個(gè)品種不同產(chǎn)地，必然表現(xiàn)出不同的光譜特征。
試驗(yàn)材料
所有玉米種子樣品均來(lái)自青島農(nóng)業(yè)大學(xué)農(nóng)學(xué)院種質(zhì)資源庫(kù)( 見表1) ， 玉米成熟后收獲，風(fēng)干后保存所有樣品掃描前40℃烘干72h，樣品盛放在統(tǒng)一尺寸的玻璃杯中。
使用的儀器為: MATＲIX傅里葉紅外光譜儀: 德國(guó)布魯克，檢測(cè)波譜范圍: 12000～4000cm－1，分辨率:1．928nm 原始光譜共有4148個(gè)數(shù)據(jù)點(diǎn) 不同組合共掃描次數(shù)224次。
每個(gè)品種取8份樣品( 測(cè)試3批數(shù)據(jù)，光譜名稱首位1～3) ， 對(duì)每個(gè)樣品重復(fù)測(cè)試2次( 光譜材料末尾1～2) 光譜文件的命名法則: ＜1個(gè)字符長(zhǎng)度的批次＞+＜2個(gè)字符長(zhǎng)度的代補(bǔ)碼＞+＜1個(gè)字符長(zhǎng)度的重裝樣次序＞，掃描的文件名由4位構(gòu)成，其中spectra首位批次末位重復(fù)測(cè)定中間2位品種及產(chǎn)地，如圖譜文件:3b11．csv，表示第3個(gè)批次品種代碼為b( 浚單) 產(chǎn)地補(bǔ)碼為1( 武威) 第2次測(cè)量測(cè)量編號(hào)第1次編號(hào)為0。
方法
主成分分析: 近紅外光譜數(shù)據(jù)的維數(shù)很高，直接根據(jù)高維數(shù)據(jù)建立分類模型，無(wú)論從模型性能還是計(jì)算復(fù)雜度來(lái)看都是不合適的建模前我們對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行了主成分分析 建立主成分空間時(shí)僅使用訓(xùn)練樣本的光譜數(shù)據(jù)，不使用任何測(cè)試樣本，得到轉(zhuǎn)換矩陣后，再將測(cè)試樣本的原始光譜數(shù)據(jù)投影到主成分空間 由于本試驗(yàn)所提取的特征數(shù)量較大，且特征間往往存在著相關(guān)關(guān)系，那么基于PCA方法能從最小均方誤差尋找最優(yōu)正交映射，進(jìn)一步壓縮數(shù)據(jù)維數(shù)，提高了運(yùn)算效率。
結(jié)論及討論
不管是對(duì)品種還是對(duì)產(chǎn)地的識(shí)別ANN模型和SVM模型均達(dá)到了較好的效果，整體性能上，SVM模型具有更好的試驗(yàn)結(jié)果; 究其原因是由于神經(jīng)網(wǎng)絡(luò)的初始權(quán)值是系統(tǒng)隨機(jī)給出，性能上不太穩(wěn)定，并且神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的數(shù)目確定目前沒有可借鑒的方法。 支持向量機(jī)模型在小樣本分析時(shí)表現(xiàn)出更好的優(yōu)越性。
可見，玉米籽粒所反映出的近紅外光譜數(shù)據(jù)均能夠較好的進(jìn)行品種識(shí)別和產(chǎn)地的檢測(cè)，識(shí)別效果較好，與基于可見光的圖像處理的識(shí)別效果相當(dāng)，均能夠在前10個(gè)主分量情況下達(dá)到較好的識(shí)別效果從識(shí)別性能上看，識(shí)別率均能到達(dá)90%以上，基本符合理論與實(shí)踐的需求。
本研究探討了基本研究探討了基于近紅外光譜的玉米品種和產(chǎn)地識(shí)別方法，由于近紅外光譜反映了部分品種的內(nèi)部信息，在檢測(cè)波譜范圍: 12000～4000cm－1，分辨率:1．928nm 原始光譜共有4148個(gè)數(shù)據(jù)點(diǎn)的情況下利用ANN和SVM模型得到了與外觀圖像識(shí)別相媲美的試驗(yàn)結(jié)果，但不得不說明，在識(shí)別過程中數(shù)據(jù)采樣點(diǎn)比較大，每條光譜數(shù)據(jù)達(dá)到了4000多個(gè)數(shù)據(jù)點(diǎn)，付出的代價(jià)比較大，由于光譜數(shù)據(jù)量大，所以進(jìn)行有效的特征選擇是必要的。
本研究進(jìn)行了基于玉米籽粒近紅外光譜的品種與產(chǎn)地識(shí)別研究 利用近紅外光譜儀測(cè)定不同品種和不同產(chǎn)地玉米，對(duì)近紅外光譜進(jìn)行主成分特征數(shù)據(jù)提取，比較了神經(jīng)網(wǎng)絡(luò)( ANN) 和 支 持 向 量 機(jī)( SVM) 所建模型識(shí)別不同品種和不同產(chǎn)地玉米的效果，是對(duì)識(shí)別不同品種和不同產(chǎn)地玉米的有益嘗試，研究結(jié)果對(duì)于玉米籽?？焖贆z測(cè)和品種認(rèn)定具有促進(jìn)作用。
參考文獻(xiàn)：
［1］韓仲志，趙友剛，楊錦忠． 應(yīng)用籽粒ＲGB圖像的獨(dú)立分量檢測(cè)玉米胚部特征［J］． 農(nóng)業(yè)工程學(xué)報(bào)，2010，26( 3) :222－226
［2］韓仲志，趙友剛． 基于圖像處理的花生品質(zhì)檢測(cè)研究［J］．中國(guó)農(nóng)業(yè)科學(xué)，2010，43( 18) :3882－3891
［3］韓仲志，趙友剛． 利用花生莢果圖像特征識(shí)別品種與檢驗(yàn)種子［J］． 作物學(xué)報(bào)，2012，38( 3) :535－540
［4］韓仲志，楊錦忠，李言照． 基于圖像處理的玉米品種識(shí)別影響因素研究［J］中國(guó)糧油學(xué)報(bào)，2012，27( 10) ， 98－103
［5］郭婷婷，鄔文錦，蘇謙，等． 近紅外玉米品種鑒別系統(tǒng)預(yù)處理和波長(zhǎng)選擇方法［J］． 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，S1:87－92
［6］郭婷婷，王守覺，王紅武，等． 實(shí)用化商品玉米籽粒的近紅外光譜品種判別方法研究［J］． 光譜學(xué)與光譜分析，2010( 9) :2372－2376
［7］王方，王偉，張春婭，等． 赤霞珠干紅葡萄酒產(chǎn)地識(shí)別的研究［J］． 中外葡萄與葡萄酒，2008( 1) :4－7
