專利名稱：基于近紅外光譜的水稻單籽?；盍o損檢測篩選方法
技術(shù)領(lǐng)域：
本發(fā)明涉及水稻種子活力檢測方法，具體是一種利用近紅外光譜技術(shù)快速無損檢測水稻單籽粒種子活力的方法。研究背景水稻是世界上最重要的糧食作物之一，也是我國最重要的糧食作物之一。目前我國水稻的播種面積約占糧食作物總面積1/4，產(chǎn)量約占全國糧食總產(chǎn)量1/2，商品糧1/2以上，產(chǎn)區(qū)遍及全國各地，水稻的品種共有五萬多種。隨著社會經(jīng)濟(jì)的發(fā)展，人們越來越青睞于質(zhì)優(yōu)價高的優(yōu)質(zhì)稻谷，而種子由于陳化活力降低，每年造成的經(jīng)濟(jì)損失十分巨大。稻谷品種、年份、活力的鑒別和內(nèi)部品質(zhì)的檢測問題日益受到種子質(zhì)檢部門、水稻育種研究以及糧食企業(yè)等單位的重視。 長期以來水稻品種的鑒別和稻谷內(nèi)部品質(zhì)的檢測主要由人工結(jié)合化學(xué)處理的方法來完成，操作過程繁瑣，工作量大，所需時間長，檢測效率和檢測結(jié)果的一致性都比較差。除傳統(tǒng)的化學(xué)方法外，一些先進(jìn)的新技術(shù)或者其他領(lǐng)域的技術(shù)也都有所引入，如計算機(jī)視覺、液相色譜、隨機(jī)擴(kuò)增多態(tài)性DNA技術(shù)(RAPD)等，但其方法大都因檢測速度慢、有損、效率低、成本高等原因不能滿足糧食作物檢測的要求。建立一套簡便、快捷、高效、經(jīng)濟(jì)、準(zhǔn)確的稻谷活力檢測技術(shù)體系成為當(dāng)前的迫切需要。而紅外光譜技術(shù)的發(fā)展為此提供了可能。近紅外光譜分析技術(shù)是20世紀(jì)90年代以來發(fā)展最快最引人注目的光譜分析技術(shù)，以其高效、快速、無損等特點(diǎn)廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、食品、醫(yī)藥等領(lǐng)域。該技術(shù)通過農(nóng)作物的吸收光譜實(shí)現(xiàn)品質(zhì)檢測，具有方便、快速、高效、準(zhǔn)確、成本較低、不破壞樣品、不消耗化學(xué)試劑、不污染環(huán)境等優(yōu)點(diǎn)，與常規(guī)檢測方法相比，更適用于農(nóng)作物的品質(zhì)檢測。

發(fā)明內(nèi)容
本發(fā)明的目的是一種方便、快速、高效、準(zhǔn)確的基于近紅外光譜的水稻單籽?；盍o損檢測篩選方法。本發(fā)明采用的技術(shù)方案如下基于近紅外光譜的水稻單籽粒活力無損檢測篩選方法，其具體步驟為( I)樣品材料的收集與光譜測定首先收集不同活力的水稻種子樣品，用于模型的建立和校正，實(shí)驗(yàn)前需要對種子進(jìn)行初步的篩選，去掉有蟲洞粒、癟粒，然后使用近紅外光譜儀采集種子近紅外漫反射光譜，并將光譜圖象轉(zhuǎn)換成樣本光譜基本數(shù)據(jù)，同一品種需采集350-400粒種子的光譜信息，每粒種子也需重復(fù)測量，以平均光譜作為該粒種子的建模或預(yù)測光譜，光譜采集過程中需要保證環(huán)境因素的恒定，以免對所得光譜數(shù)據(jù)產(chǎn)生影響；(2)種子的發(fā)芽率測定實(shí)驗(yàn)將采集過近紅外光譜的種子用5%的次氯酸鈉消毒20-30分鐘，按順序整齊排列于96孔板內(nèi)，底部有開口，然后放置于鋪有濾紙的大培養(yǎng)皿內(nèi)，需保證濾紙無菌無毒，不含可溶性色素或其他化學(xué)物質(zhì)，并且種子的發(fā)芽情況與其近紅外光譜可一一對應(yīng)，然后將種子在30-35°C條件下用水浸泡24小時后，每天光照12-15h，光照強(qiáng)度420-450 μ mol/(m2S)，溫度28-30°C，發(fā)芽時使培養(yǎng)皿內(nèi)種子保持濕潤，5天初次統(tǒng)計發(fā)芽率，14天最后統(tǒng)計發(fā)芽率；(3)光譜的預(yù)處理通過因子化算法所得的因子值，采用二階導(dǎo)數(shù)和矢量歸一化進(jìn)行光譜預(yù)處理，求導(dǎo)預(yù)處理可以把原來隱藏的信號差異放大出來，提高光譜的分辨率，使活力鑒別更加直觀、可靠，平滑點(diǎn)數(shù)要依據(jù)光譜的質(zhì)量及干擾的情況來選擇，光譜范圍要依據(jù)預(yù)處理后光譜信噪比及最終模型的準(zhǔn)確率來選擇，要建立不同模型，有針對性的選擇不同的特征波段，有利于光譜中有效信息的提??；(4)模型的建立采集到的每一條光譜都包含了單粒水稻種子的化學(xué)成分信息，利用OPUS軟件中的定性分析模塊，選用因子化算法提取所需的成分信息，將所有采集到的漫反射光譜定性分為兩類，即高活力與低活力種子，建立定性模型，該過程中需要注意對因子值的選用。 上述方法所建立的模型必須通過已知發(fā)芽與否的水稻種子樣品進(jìn)行外部驗(yàn)證，SP將初步建立的模型所預(yù)測的死活種子一一單粒進(jìn)行發(fā)芽實(shí)驗(yàn)，計算其預(yù)測的準(zhǔn)確率，當(dāng)預(yù)測準(zhǔn)確度達(dá)到實(shí)驗(yàn)要求時，可在之后的應(yīng)用中使用該模型。本發(fā)明篩選方法可以用于水稻品種和組合的種子活力檢測，也可以用作稻谷的活力檢測。根據(jù)本發(fā)明篩選方法，可以設(shè)計、建立一套近紅外無損檢測水稻種子活力的自動分選裝置，并能在此基礎(chǔ)上將該裝置應(yīng)用擴(kuò)展到小麥、玉米、棉花種子等。近紅外光(NIR)是指波長在780 2500nm范圍內(nèi)的電磁波，介于可見光(VIS)與中紅外光(MIR)之間，當(dāng)近紅外光照射到由一種或多種分子組成的物質(zhì)上時，如果物質(zhì)分子為紅外活性分子，則紅外活性分子中的共價鍵與近紅外光子發(fā)生作用，分子振動、轉(zhuǎn)動的狀態(tài)變化，分子振動或者轉(zhuǎn)動狀態(tài)在不同能級間的躍遷產(chǎn)生近紅外光譜吸收。在近紅外光譜范圍內(nèi)，測量的主要是分子中含氫官能團(tuán)X — H( X =C、N、0、S等)振動的倍頻及合頻吸收，根據(jù)各含氫基團(tuán)的近紅外吸收特點(diǎn)就可以來檢測農(nóng)產(chǎn)品中含有氫基團(tuán)的蛋白質(zhì)、脂肪、水分、氨基酸、淀粉、糖、酸等成分。在農(nóng)業(yè)領(lǐng)域該技術(shù)不但可用于谷物和水果的營養(yǎng)成分的分析，還適用于其他各種農(nóng)副產(chǎn)品品質(zhì)分析，如飼料、食品、蔬菜、煙葉等。本發(fā)明主要原理是基于近紅外光譜檢測技術(shù)檢測水稻種子在活力喪失過程中生化物質(zhì)的變化，再通過近紅外光譜技術(shù)，建立模型，快速無損的檢測區(qū)分高活力與低活力種子。該方法優(yōu)點(diǎn)在于檢測時，水稻樣品不需要預(yù)處理，無損、快速高效、簡便，避免了人工評價過程中的人為因素的干擾，結(jié)果更客觀、準(zhǔn)確。


圖I為收集的水稻種子的近紅外反射原始光譜；圖2為預(yù)處理后的近紅外反射原始光譜。
具體實(shí)施例方式實(shí)施例
近紅外光譜預(yù)測9311種子活力實(shí)驗(yàn)材料隨機(jī)選取發(fā)育良好、形態(tài)完整的2012年收獲的發(fā)芽率為99%的水稻新種子200粒與2010年收獲，儲存兩年的發(fā)芽率為5%的水稻陳種子200粒。檢測步驟如下I、在德國布魯克公司MPA近紅外光譜儀上分別采集400顆水稻種子的近紅外反射光譜如圖1，利用OPUS軟件根據(jù)原始光譜從中挑選100顆種子光譜作為預(yù)測集，剩下的300顆種子光譜作為建模集；(光譜掃描前，將光譜儀室的溫度調(diào)節(jié)至25°C，種子樣品置于光譜儀室平衡一晝夜，確保種子樣品環(huán)境條件與近紅外儀一致。)(3)帶殼種子采集過光譜后，將種子用5%的次氯酸鈉消毒20分鐘，按順序整齊排列于96孔板內(nèi)，底部有開口，然后放置于鋪有濾紙的大培養(yǎng)皿內(nèi)，需保證濾紙無菌無毒，不含可溶性色素或其他化學(xué)物質(zhì)，并且種子的發(fā)芽情況與其近紅外光譜可一一對應(yīng)，然后 將種子在35°C條件下用水浸泡24小時后，每天光照14h，光照強(qiáng)度450 μ mol/(m2S)，溫度28°C，發(fā)芽時使培養(yǎng)皿內(nèi)種子保持濕潤，5天初次統(tǒng)計發(fā)芽率，14天最后統(tǒng)計發(fā)芽率；3、通過因子化算法的因子值，選定預(yù)處理方法為二階導(dǎo)數(shù)+矢量歸一化，預(yù)處理后光譜如圖2，平滑點(diǎn)數(shù)為25，光譜選擇范圍在4000-8200(31^1,手動定義所有光譜的可信度閾值為95% ；4、利用OPUS軟件中的定性分析模塊，選用因子化法建立定性模型，并進(jìn)行外部驗(yàn)證，結(jié)果如表I中第一欄所不。利用9311品種模型預(yù)測2012年發(fā)芽率為99%的種子時，可將其中93%的活種子篩選出來，還有約6%的活種子因?yàn)樗嬎愠龅墓庾V距離大于定性模型所設(shè)定的閾值而造成無法判別，所以未檢出；但由于此模型對于死種子的鑒別較準(zhǔn)確，所以將1%的死種子篩選出后，將其他種子都判斷為活種子即可達(dá)到較高的準(zhǔn)確率。同理利用此模型預(yù)測2010年發(fā)芽率為5%的種子，可準(zhǔn)確的篩選出其中失去活力的死種子。實(shí)驗(yàn)結(jié)果根據(jù)以上所述的定性方法，50%發(fā)芽率的種子利用此種方法進(jìn)行篩選，所選出的活種子的發(fā)芽率可達(dá)95%以上，當(dāng)應(yīng)用于實(shí)際時，由于誤判造成的損失也較小。證明此方法可以應(yīng)用于實(shí)際生產(chǎn)。利用同樣方法建立了定性分析模型的水稻品種有9311、中花11、新安S、農(nóng)墾58S等(如表1)，為了擴(kuò)大數(shù)據(jù)庫，本實(shí)驗(yàn)室還將建立更多品種的模型。表I各品種水稻種子活力定性模型的準(zhǔn)確率
權(quán)利要求
1.一種基于近紅外光譜的水稻單籽?；盍o損檢測篩選方法，其特征在于，其具體步驟為(I)樣品材料的收集與光譜測定 首先收集不同活力的水稻種子樣品，用于模型的建立和校正，實(shí)驗(yàn)前需要對種子進(jìn)行初步的篩選，去掉有蟲洞粒、癟粒，然后使用近紅外光譜儀采集種子近紅外漫反射光譜，并將光譜圖象轉(zhuǎn)換成樣本光譜基本數(shù)據(jù)，同一品種需采集350-400粒種子的光譜信息，每粒種子也需重復(fù)測量，以平均光譜作為該粒種子的建?；蝾A(yù)測光譜，光譜采集過程中需要保證環(huán)境因素的恒定，以免對所得光譜數(shù)據(jù)產(chǎn)生影響； (2)種子的發(fā)芽率測定實(shí)驗(yàn) 將采集過近紅外光譜的種子用5%的次氯酸鈉消毒20-30分鐘，按順序整齊排列于96孔板內(nèi)，底部有開口，然后放置于鋪有濾紙的大培養(yǎng)皿內(nèi)，需保證濾紙無菌無毒，不含可溶 性色素或其他化學(xué)物質(zhì)，并且種子的發(fā)芽情況與其近紅外光譜可一一對應(yīng)，然后將種子在30-35°C條件下用水浸泡24小時后，每天光照12-15h，光照強(qiáng)度420-450 μ mol/(m2S)，溫度28-30°C，發(fā)芽時使培養(yǎng)皿內(nèi)種子保持濕潤，5天初次統(tǒng)計發(fā)芽率，14天最后統(tǒng)計發(fā)芽率； (3)光譜的預(yù)處理 通過因子化算法所得的因子值，采用二階導(dǎo)數(shù)和矢量歸一化進(jìn)行光譜預(yù)處理，求導(dǎo)預(yù)處理可以把原來隱藏的信號差異放大出來，提高光譜的分辨率，使活力鑒別更加直觀、可靠，平滑點(diǎn)數(shù)要依據(jù)光譜的質(zhì)量及干擾的情況來選擇，光譜范圍要依據(jù)預(yù)處理后光譜信噪比及最終模型的準(zhǔn)確率來選擇，要建立不同模型，有針對性的選擇不同的特征波段，有利于光譜中有效信息的提??； (4)模型的建立 采集到的每一條光譜都包含了單粒水稻種子的化學(xué)成分信息，利用OPUS軟件中的定性分析模塊，選用因子化算法提取所需的成分信息，將所有采集到的漫反射光譜定性分為兩類，即高活力與低活力種子，建立定性模型，該過程中需要注意對因子值的選用； 上述方法所建立的模型必須通過已知發(fā)芽與否的水稻種子樣品進(jìn)行外部驗(yàn)證，即將初步建立的模型所預(yù)測的死活種子一一單粒進(jìn)行發(fā)芽實(shí)驗(yàn)，計算其預(yù)測的準(zhǔn)確率，當(dāng)預(yù)測準(zhǔn)確度達(dá)到實(shí)驗(yàn)要求時，可在之后的應(yīng)用中使用該模型。
2.根據(jù)權(quán)利要求I所述的基于近紅外光譜的水稻單籽?；盍o損檢測篩選方法，其特征在于，所述的篩選方法可以用于水稻品種和組合的種子活力檢測，也可以用作稻谷的活力檢測。
3.權(quán)利要求書I所述的基于近紅外光譜的水稻單籽?；盍o損檢測篩選方法，其特征在于，所述的篩選方法可以用于設(shè)計、建立一套近紅外無損檢測水稻種子活力的自動分選裝置，并能在此基礎(chǔ)上將該裝置應(yīng)用擴(kuò)展到小麥、玉米、棉花種子等。
全文摘要
本發(fā)明公開了一種基于近紅外光譜的水稻單籽?；盍o損檢測篩選方法，包括樣品材料的收集與光譜測定、種子的發(fā)芽率測定實(shí)驗(yàn)、光譜的預(yù)處理和模型的建立四個步驟。本發(fā)明是基于近紅外光譜檢測技術(shù)檢測水稻種子在活力喪失過程中生化物質(zhì)的變化，再通過近紅外光譜技術(shù)，建立模型，快速無損的檢測區(qū)分高活力與低活力種子。該方法優(yōu)點(diǎn)在于檢測時，水稻樣品不需要預(yù)處理，無損、快速高效、簡便，避免了人工評價過程中的人為因素的干擾，結(jié)果更客觀、準(zhǔn)確。
文檔編號A01C1/02GK102960096SQ20121045509
公開日2013年3月13日 申請日期2012年11月13日 優(yōu)先權(quán)日2012年11月13日
發(fā)明者宋樂, 吳躍進(jìn), 劉斌美, 余立祥, 張瑛, 梁劍 申請人:中國科學(xué)院合肥物質(zhì)科學(xué)研究院