出品；科普中国

监制：中国科普博览

编者按：为展示智能科技动态，科普中国前沿科技项目推出“AI”系列文章，一窥AI前沿进展，回话种种关切与好奇。让大家一同探究，迎接智能年代。

人工智能助农小助手名片

小助手：近红外光谱无损测试水稻种子内部裂纹

两大秘籍：无损测试、AI

两大重点技术：近红外光谱透射技术、机器学习算法

能量值：5颗星

证件照：

FT-NIR光谱仪

（图片来源：作者提供）

智能秋收小助手自我介绍

非常高兴认识你，我是近红外光谱种子内部裂纹测试技术，是中国科学院合肥物质科学研究院智能机械研究所这个大伙庭的成员之一。近红外光谱种子内部裂纹测试技术可以在不破坏水稻种子的状况下迅速、准确测试出种子内部裂纹。

区别水稻种子

水稻是世界上要紧的作物，2017年的收成面积为1.67亿公顷，总产量为7.69亿吨，为全球近一半的人口提供了基本的食物。为了满足日益增长的水稻产量需要，大家需要优质的种子。

水稻

（图片来源：veer图库）

然而，水稻种子在人工干燥或收成前晒干的过程中容易出现内部裂纹，在收成、运输、储存和搬运过程中也容易遭到机械损伤。水稻种子内部裂纹影响种子发芽水平和出苗率，同时人眼非常难发现内部裂纹。因此，迫切需要一种可以在播种前将内部开裂的水稻种子与正常种子区别开来的办法。

传统的内部裂纹水稻种子辨别办法是目视检查法。它具备破坏性、主观性和耗时性，不合适对很多样本进行测试。因此，有必要提出一种非破坏性和迅速的办法来辨别内部开裂的水稻种子。近期，X射线成像已被用于测试水稻籽粒和菜豆种子的内部裂纹。然而，X射线具备辐射性和高本钱，不容易普及。相比之下，我的诞生提供了一种迅速、无损且便宜的剖析办法。

裂纹种子

（图片来源：作者提供）

近红外光谱

我所发射的近红外光谱是介于可见光和中红外之间的电磁波，美国材料测试协会将近红外光谱区概念为780-2526 nm的地区。

近红外光谱区与有机分子中含氢基团（O-H、N-H、C-H）振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特点信息，而且借助我剖析样品具备便捷、迅速、高效、准确和本钱较低，不破坏样品，不消耗化学试剂，不污染环境等优点，已在工业、农业、医药、食品等范围得到广泛应用。

怎么样测试？

研究职员们从当地种子市场购买的两种杂交水稻种子（两优566和Y两优1982，两者均为籼型两系杂交水稻品种）。99粒（两优566）和40粒（Y两优1982）内裂水稻种子是由专业技术职员用自制灯箱测量仪器选出的。除此之外，还筛选出100个正常（两优566）和40个（Y两优1982）水稻种子，组成279个水稻种子样本。

第二步，研究职员们用我来获得水稻种子的透射光谱，将水稻种子放在样品台上，用带有采集探测器的盖子盖住，并用卤素灯照射。光透射过水稻种子传输到探测器，采集每一个水稻种子的透射光谱。在测量光谱之前，水稻种子被盖子盖住，以防止种子周围的环境光干扰。

卤素灯泡

（图片来源：veer图库）

水稻种子的测量状况和光谱仪工作状况的变化或许会致使随机噪声、基线漂移和多次散射。为了降低这类影响对模型鲁棒性的影响，提升模型预测精度，需要对光谱数据进行预处置。

研究中比较了几种光谱预处置办法，包含无预处置（原始光谱）、标准正态变量变换（Standard normal variate, SNV）、多元散射校正（Multiple scatter correction , MSC）、Savitzky-Golay平滑的一阶和二阶导数。

标准正态变量变换是将每一个样品的原始光谱减去理想光谱，再除以标准差，理想光谱一般为每一个样品的平均光谱。多元散射校正是将测量的光谱加征到一个基准光谱上，从而降低这类不有关的变化。基准光谱一般是所有测量光谱的平均光谱。这两种办法均可用来消除散射误差。Savitzky-Golay平滑的一阶和二阶导数主如果用来减少噪声、消除基线漂移和提升光谱分辨率。

主成分剖析（PCA）是一种经典的数据剖析办法，通过减少数据维度，揭示数据模式和内部结构。一般，前几个主成分（PC）可以最大化数据集的光谱变化，并讲解样本分组和相似性。大家通过PCA对生米种子光谱进行了探索性剖析。

将原始和处置过的光谱数据，通过AI中常见的四种机器学习算法（PLS-DA，SVM，KNN和RF）打造水稻种子内部裂纹辨别模型。所有样品的75%（210粒水稻种子）被用作构建模型，其余样品则用来测试模型。

研究结果表明，PLS-DA结合原始光谱数据模型性能最好。SVM 的性能较差，但优于RF和KNN。除去PLS-DA，四种不一样的预处置办法均改进了所开发模型的性能。

通过波长重要程度剖析显示，辨别水稻种子内部裂纹的要紧变量与直链淀粉含量有关。因此，可以得出结论，我可以作为一种迅速、无损的办法来辨别水稻种子中的内部裂纹。

PLS-DA剖析中预测（VIP）分数的变量重要程度

（图片来源：作者提供）

小助手寄语

伴随机器学习算法的进步，我可以结合机器学习算法进行更广阔的应用。研究职员们为了获得愈加稳健的近红外光谱模型，需要更多不同品种的水稻样品，促进我在水稻内部裂纹测试中的实质应用。我的应用不只提升了水稻种子水平评价的效率和准确性，也为农业生产中的种子水平控制提供了新的技术方法。

Tags：水稻