孙传亮，马 攀，刘泽厚，郑建敏，梁万杰，曹 静，王 琴，李 俊，杨武云，万洪深*，张文宇，5*

（1.江苏省农业科学院农业信息研究所/种质资源创新与信息化利用联合实验室、农业数字孪生联合实验室，南京 210014；2.四川省农业科学院作物研究所/农业农村部西南地区小麦生物学与遗传育种重点实验室，成都 610066；3.四川农业大学小麦研究所，成都 611130；4.粮油作物绿色种质创新与遗传改良四川省重点实验室，成都 610066；5.江苏大学农业工程学院，江苏 镇江 212013）

小麦是我国重要的粮食作物，在我国作物种植结构中占有主要地位，种植面积仅次于水稻。种子是农业发展的基础，种子质量的高低影响着农作物的产量和品质，因此小麦生产上种子的质量对增产增收至关重要。生产上种子质量通常包括“活力”“净度”“发芽率”等。小麦穗发芽是指在小麦收获前籽粒直接在麦穗上出现发芽的现象[1]。冬小麦收获期，时常会遇有连续阴雨天气或潮湿的环境，经常出现穗发芽[2-3]，即使在没有降雨的小麦成熟期，如温度和湿度达到一定条件也可发生穗发芽，其不仅影响籽粒品质[8]，同时影响小麦贮存及下一季的播种质量，对小麦生产造成较大经济损失[4-6]。

目前，穗发芽检测的技术手段或指标主要分为3类：生化测定法、分子检测法、目测法[9-10]。生化测定法主要是通过监测蛋白质水平，主要包括降落值法、α-淀粉酶测定法、黏度参数法等。分子检测法是直接对与穗发芽抗性相关的基因或QTL的检测。目测法以籽粒胚部种皮破裂与否为指标，人工目测调查发芽率，根据发芽率衡量抗性大小，是广泛采用的检测穗发芽抗性的手段，其鉴定的最佳时期是在田间蜡熟期、黄熟期，而对于收获后干燥种子的穗发芽的目测相对较为困难。总的来说，目前尽管针对小麦穗发芽特性检测的方法多样，但主要还是依靠人工方法和化学方法来进行检测，不仅操作比较繁琐，而且工作量大，耗时耗力，因此研究识别小麦穗发芽种子的方法对于准确检测小麦籽粒穗发芽具有极其重要的作用。

近年来，高光谱成像技术迅速发展，为作物快速无损监测提供了一种便捷的技术手段[9-10]。成像技术则能够获得物体的外部影像，进而分析物体的外在空间信息。高光谱成像技术同时融合光谱和图像信息的优势，能够同时获取反映待测样本外部特征的图像信息和反映内部物理结构及化学成分的光谱信息，目前已被广泛应用于作物无损监测的研究，比如农作物生长状况监测诊断、农产品成熟度、品质预测等[11-12]。在小麦籽粒属性检测方面，有学者利用高光谱成像技术检测小麦籽粒赤霉病、发芽程度、品种鉴别、蛋白含量等等[13-15]。但通过高光谱成像技术对不同倍性、不同籽粒颜色的小麦进行识别穗发芽后干燥籽粒的识别相关的研究还比较少，本研究通过提出一种融合高光谱成像技术与智能算法的小麦种子穗发芽识别模型，为穗发芽自动化识别与筛选提供技术支持，可以提高穗发芽品种的选育效率。

1 材料和方法

1.1 试验材料

1.1.1 小麦测试样本

本研究选用具有不同粒重、不同籽粒颜色、不同基因组倍性的3 个小麦品种为鉴定材料（如表1所示），分别为：（1）圆网（C1），四倍体圆锥小麦（T.turgidum），四川圆锥小麦地方品种，千粒重42.6 g，白皮小麦；（2）川麦104（C2），六倍体普通小麦（T.aestivum），四川省农业科学院作物研究所育成品种，千粒重49.9 g，红皮小麦；（3）川麦98（C3），六倍体普通小麦（T.aestivum），四川省农业科学院作物研究所育成品种，千粒重42.5 g，白皮小麦。

表1 高光谱分析所用小麦品种籽粒特性Table 1 Grain characteristics of wheat varieties used in the hyperspectral analysis

小麦材料2020—2021年种植于四川省农业科学院郫县试验基地，收获保存3个月后，将一半种子吸胀吸水后进行发芽处理（B1），在黑暗处待种子露白后吸干水分，并将进行B1 处理的和未经B1 处理的种子一同在38 ℃的烘箱内烘干至恒重；通过发芽处理并低温烘干模拟穗发芽的种子，其发芽率小于5%，未经过发芽处理的种子发芽率为99%。

1.1.2 高光谱成像采集系统

研究利用搭载Resonon PIKA CX 高光谱成像系统（如图1所示）采集小麦籽粒高光谱影像数据，传感器成像方式为扫推成像，光谱范围为400～1 000 nm。设置高光谱成像仪与小麦样品平台的距离为30 cm。在采集图像时，为了避免传送装置反光形成噪声干扰，以及扫描过程中造成小麦籽粒抖动，将小麦摆放在纯黑色长方形布艺材料上。试验共采集3个品种、每个品种分为发芽处理和未经发芽处理，6个样品的60幅高光谱图像（每个样品扫描10幅影像，每幅影像100粒种子）。由于实验环境为室内暗室，采用人工光源（卤素灯光），光源强度分布不均匀导致存在暗电流噪声，首先需要进行高光谱成像仪白板标定以提高获取高光谱图像的信噪比。

图1 高光谱成像系统Figure 1 Hyperspectral imaging system

1.3 数据分析与建模

1.3.1 高光谱数据预处理

本研究获取供试验小麦样品的60 幅高光谱图像，每幅高光谱图像含有100 粒小麦种子高光谱信息。通过高光谱图像预处理方法，将图像数据进行辐射定标、噪声去除和降维处理等，提取感兴趣区域，计算感兴趣区域的均值光谱，选择特征波段并重组高光谱图像。

（1） 辐射定标

采用辐射定标计算公式进行辐射定标处理，公式如下：

其中：Reftarget为待测样品目标反射率；Refpanel为标准参考反射率；DNtarget为原始高光谱影像中目标物的数值；DNpanel为原始高光谱影像中标准参考板的数值；DNdark为成像光谱仪系统误差。

（2） 去除噪声

本文采用最小噪声分离方法（minimum noise fraction,MNF）去除高光谱图像的噪声，主要通过最小噪声分离工具判定图像数据内在的波段，进而分离数据噪声，减少后期数据处理的计算量，主要进行两次层叠的主成分变换方法[16-17]。运用分离方法重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差，波段间不相关[18]。最后对噪声白化（noise-whitened）数据标准化主成分变换（如图3所示）。

图3 利用最小噪声分离方法对高光谱影像反射率进行噪声处理Figure 3 Removing noise from the hyperspectral image reflectance by the minimum noise fraction method

1.3.2 高光谱图像特征提取

高光谱成像具有图谱合一的性质，其不但具有丰富的光谱信息，还具有丰富的图像信息，因此本文在获取光谱特征的同时也获取了图像特征[19]。图像特征参数主要包括形态、颜色、纹理等方面，而本文中所获取的是小麦籽粒光谱在400～1 000 nm 波段图像信息，通过小麦的纹理和颜色特征以及形态特征方面来获取小麦品种分类建模数据[20]。本文采用图像变换、分割等相关处理方法获取小麦籽粒的二值图像，从而提取小麦籽粒的形态特征。

为提取小麦籽粒图像特征参数，首先需要去除高光谱图像的背景信息。通过截取小麦籽粒区域的高光谱成像数据，利用小麦籽粒与背景图像和光谱差异性，采用图像分割方法去除背景信息，提取纯小麦籽粒图像。采用特征变换方法，分别运用主成分分析法（principal component analysis,PCA）、独立成分分析法（independent component analysis,ICA）和HSV色彩变换方法，对经预处理后的高光谱数据进行特征变换分析，去除冗余的波段信息、将多波段的图像信息进行压缩，转换为比原波段更有效的少数几个波段。第一主成分主要包含了光谱波段中80%的方差信息，且所有波段的中95%以上的信息量汇集到前三个主成分[21-22]。ICA 变换是将混合信号分解为相互独立的成分[23-24]。HSV颜色变换是将RGB图像进行色彩变换为色相、饱和度和明度。

1.3.3 分类建模与验证

本研究采用最小距离法、最大似然法和支持向量机分别建立3 种小麦籽粒发芽识别模型，基于最小距离算法进行识别分类，通过每个分类模型的最佳主成分数交互验证来确定，选择预测残存平方和（PRESS）不再显著降低时对应的主成分数[13]。基于最大似然算法进行识别分类，根据交互验证进行隐变量的选取。基于支持向量机进行分类时，核函数作为重要的分类参数，本研究通过多次实验，验证了利用高斯核函数进行分类，具有较好的分类效果。因此本研究采用高斯核作为支持向量机进行识别分类的核函数。

将分类识别模型针对100 粒小麦种子进行识别，其中50粒发芽种子，50粒未发芽种子。将实验样本分为训练集和测试集，通过训练集建立分类识别模型，测试集用于评估模型的分类性能。将3 个品种不同处理的小麦籽粒中按照2︰1的比例随机选取模型的训练集和测试集，最后采用识别准确度评价模型分类效果。

本文采用Kappa 系数分类进行结果检验，针对分类结果精度进行评价。

2 结果与分析

2.1 穗发芽和正常小麦籽粒的光谱差异分析

通过提取400～1 000 nm 波长范围内小麦发芽与正常籽粒的光谱反射率并进行比较分析，结果显示，3 个小麦品种C1、C2 和C3 的发芽籽粒在400～1 000 nm波长范围内的光谱反射率要显著高于其正常籽粒（图4），其中在470～620 nm 波长范围内发芽籽粒与正常籽粒的平均光谱反射率差异大于0.300（图5），在520 nm 波长处差异达到最大为0.375，且达到极显著水平（P≤0.01）。

图4 不同品种正常籽粒和发芽籽粒的平均光谱反射率Figure 4 Average spectral reflectance of normal and germinated grains from different cultivars

图5 470～620 nm波长范围内3个品种发芽籽粒与正常籽粒的平均光谱反射率均值比较Figure 5 Mean comparison of the average spectral reflectance between germinated and normal grains of the three cultivars in the wavelength range from 470 to 620 nm

同时3个品种发芽籽粒的平均光谱曲线重合区域较多，而正常小麦籽粒的曲线在品种C1、C2、C3之间的重合区域很少，说明不同品种之间的发芽籽粒的光谱差异较小，而正常籽粒的光谱差异较大，具体表现为，在480～560 nm 波长范围内，白皮小麦圆网（C1）、川麦98（C3）正常籽粒的光谱反射率要显著大于红皮小麦川麦104（C2），在560～640 nm波长范围内，C1正常籽粒>C3正常籽粒>C2正常籽粒，在640 nm波长以上，正常籽粒的光谱反射率在不同品种间的差异逐渐变小。

在560～720 nm 波长之间3 个品种发芽籽粒出现显著的反射吸收谷（675 nm），而正常籽粒不存在显著的吸收谷的光谱特征。

2.2 小麦籽粒图像差异分析

利用PCA、ICA、HSV 3 种变换方法进行图像分析。结果如图6，PCA和HSV变换结果显示，同一品种的小麦籽粒，PCA变换检测的结果并不能明显区分穗发芽小麦籽粒和未发芽小麦籽粒，采用SPSS进行显著性检验表明（如图7所示），变换结果并不显著。而经过ICA变换的穗发芽小麦籽粒和未发芽小麦籽粒更显著，发芽的小麦籽粒总体颜色也呈规律变化。

图6 小麦穗发芽和正常籽粒高光谱图像变换特征分析Figure 6 Characteristic analysis of hyperspectral image transformation for germinated and normal grains

图7 3种变换特征的发芽和正常籽粒显著性比较Figure 7 The significance comparison between germinated and normal grains under three transformation characteristics

2.3 融合光谱、图像信息的小麦籽粒穗发芽识别

将光谱特征和图像特征进行数据融合，分别采用最小距离法、最大似然法和支持向量机学习算法进行识别分类。通过与实际结果比较，得出3种学习算法的识别分类精度分别为85.5%、92.5%和96%，并进行Kappa分类精度评价，得到的Kappa系数分别为0.74、0.91和0.93（表2）。上述结果表明，通过光谱和图像特征差异，结合支持向量机算法进行识别得到的分类结果精度更高；最终输出得到小麦发芽籽粒高光谱图像识别分类结果（如图8所示）。

图8 小麦发芽籽粒的高光谱图像识别分类Figure 8 Classification of wheat germinated grains based on hyperspectral image recognition

表2 不同算法的小麦发芽籽粒识别分类精度Table 2 Classification accuracy of wheat germinated grain recognition by different algorithms

3 讨论

就基因组倍性而言，市场上大约95%的小麦是六倍体普通小麦，其次是四倍体杜伦麦（durumwheat）占比5%左右[25]，同时红皮与白皮小麦并存，粒重作为小麦一个重要的商品属性也存在不同的差异。在本研究涉及的这3 个属性中，红皮小麦的穗发芽抗性往往要大于白皮小麦，这是因为在小麦3D 染色体上控制籽粒颜色的基因与抗穗发芽抗性紧密相关[26]，同时不同的籽粒颜色对光谱的反射率有一定影响，在本研究中大多数波长范围内红皮小麦的反射率要小于白皮小麦（如图5所示）。此外，穗发芽往往会导致小麦粒重的损失[27]。为了让本研究所用材料具有不同属性的代表性，选用由不同基因组倍性、籽粒颜色、粒重组成的3 个品种作为重复，在消除籽粒颜色、基因组倍性以及粒重给高光谱分析带来的可能影响后，提取更为通用的波长特征，以期获得更好的应用。在本研究中，穗发芽无活力的小麦籽粒的光谱反射率要显著高于正常有活力的小麦籽粒，梁琨等[14]发现感染赤霉病的小麦籽粒的高光谱反射率显著高于正常健康小麦籽粒，而赤霉病感染率越高，小麦发芽率就越低，严重时可能导致种子无法发芽，因此无活力小麦籽粒的光谱反射率要显著高于正常籽粒，本文中在520 nm波长处差异达到最大为0.375。

在小麦籽粒发芽检测方面，由于发芽的小麦内部伴随一系列生理性状发生改变，从而引起该性状对光的吸收、透射和反射的变化，因此利用高光谱成像技术进行小麦籽粒识别研究，甚至有望实现小麦籽粒发芽程度的快速判别。研究表明小麦籽粒发芽程度不同，小麦光谱反射率具有一定差异性。波段范围在400～500 nm 内小麦籽粒光谱反射率值最低。而波段范围在550～900 nm的近红外区域，小麦发芽籽粒光谱反射率要明显高于未发芽小麦的反射率，这个变化趋势与可见光区域相反。这种光谱反射率曲线变化趋势与植物光谱反射率一致，与张东彦等研究结果的小麦中后期胁迫状态下的高光谱反射率曲线变化规律类似[28]。有可能是由于发芽过程中的籽粒湿度有关，长出来的幼芽也含有部分叶绿素，叶绿素对光的吸收产生的光谱形态[29]。与这些小麦籽粒相比较，干燥的或者长期浸泡的小麦基本不发芽，可见光区域反射率较高，近红外区域则呈相反趋势。

在建模方面，最小距离法、最大似然法和支持向量机建立小麦籽粒发芽识别模型，其中支持向量机的学习算法识别精度最高。潘运宇[30]还发现利用支持向量机算法基于全光谱信息、图像信息进行分别建模时，对发芽籽粒的识别精度最高，其中基于光谱信息的发芽籽粒识别精度要大于基于图像信息识别的准确率。本研究同时融合了光谱、图像信息获得了96%的识别精度。

4 结论

和传统ASD光谱仪相比，高光谱成像仪既可获取图像数据，又可获取像元尺度的纯光谱曲线，具有准确获取被测样本光谱数据的优势，有利于混合光谱分析和参数反演模型的建立，在光谱和空间分辨率上均满足监测要求。本研究初步探究了利用Resonon 高光谱成像仪获取小麦籽粒高光谱图像，提取不同品种小麦籽粒的图像和光谱特征，可区分小麦籽粒发芽情况，识别精度达到96%。因此，成像高光谱在小麦籽粒发芽识别方面具有应用潜力。