AI助农小助手名片
小助手： 近红外光谱无损检测水稻种子内部裂纹
两大法宝：无损检测、人工智能
两大关键技术： 近红外光谱透射技术、机器学习算法
能量值： 5颗星
证件照：
智能秋收小助手自我介绍
很高兴认识你，我是近红外光谱种子内部裂纹检测技术，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家庭的成员之一。近红外光谱种子内部裂纹检测技术可以在不破坏水稻种子的情况下快速、准确检测出种子内部裂纹。
区分水稻种子
水稻是世界上重要的作物，2017年的收获面积为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求，人们需要高质量的种子。
然而，水稻种子在人工干燥或收获前晒干的过程中容易出现内部裂纹，在收获、运输、储存和搬运过程中也容易受到机械损伤。水稻种子内部裂纹影响种子发芽质量和出苗率，同时人眼很难发现内部裂纹。因此，迫切需要一种能够在播种前将内部开裂的水稻种子与正常种子区分开来的方法。
传统的内部裂纹水稻种子鉴别方法是目视检查法。它具有破坏性、主观性和耗时性，不适合对大量样本进行测试。因此，有必要提出一种非破坏性和快速的方法来鉴别内部开裂的水稻种子。最近，X射线成像已被用于检测水稻籽粒和菜豆种子的内部裂纹。然而，X射线具有辐射性和高成本，不易普及。相比之下，我的诞生提供了一种快速、无损且廉价的分析方法。
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，美国材料检测协会将近红外光谱区定义为780-2526 nm的区域。
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征信息，而且利用我分析样品具有方便、快速、高效、准确和成本较低，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、食品等领域得到广泛应用。
如何检测？
研究人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人员使用自制灯箱测量仪器选出的。此外，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，研究人员们使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，用带有收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，收集每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，以避免种子周围的环境光干扰。
水稻种子的测量状态和光谱仪工作状态的变化可能会导致随机噪声、基线漂移和多次散射。为了减少这些影响对模型鲁棒性的影响，提高模型预测精度，需要对光谱数据进行预处理。
研究中比较了几种光谱预处理方法，包括无预处理（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个样品的原始光谱减去理想光谱，再除以标准差，理想光谱通常为每个样品的平均光谱。多元散射校正是将测量的光谱加征到一个基准光谱上，从而减少这些不相关的变化。基准光谱通常是所有测量光谱的平均光谱。这两种方法均可用来消除散射误差。Savitzky-Golay平滑的一阶和二阶导数主要是用来降低噪声、消除基线漂移和提高光谱分辨率。
主成分分析（PCA）是一种经典的数据分析方法，通过降低数据维度，揭示数据模式和内部结构。通常，前几个主成分（PC）可以最大化数据集的光谱变化，并解释样本分组和相似性。我们通过PCA对生米种子光谱进行了探索性分析。
将原始和处理过的光谱数据，通过人工智能中常用的四种机器学习算法（PLS-DA，SVM，KNN和RF）建立水稻种子内部裂纹识别模型。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佳。SVM 的性能较差，但优于RF和KNN。除了PLS-DA，四种不同的预处理方法均改进了所开发模型的性能。
通过波长重要性分析显示，鉴别水稻种子内部裂纹的重要变量与直链淀粉含量有关。因此，可以得出结论，我可以作为一种快速、无损的方法来鉴别水稻种子中的内部裂纹。
小助手寄语
随着机器学习算法的发展，我能够结合机器学习算法进行更广阔的应用。研究人员们为了获得更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检测中的实际应用。我的应用不仅提高了水稻种子质量评价的效率和准确性，也为农业生产中的种子质量控制提供了新的技术手段。
出品：科普中国
作者：汪六三（中国科学院合肥物质科学研究院智能机械研究所）
监制：中国科普博览
