基于荧光光谱的辣椒种子品种识别

李翠玲，姜 凯，马 伟，王 秀,3*

（1. 北京农业智能装备技术研究中心，北京 100097；2.国家农业智能装备工程技术研究中心，北京 100097；3. 北京农业信息技术研究中心，北京 100097）

辣椒（Capsicum annuumL.）是我国重要的果菜类蔬菜和调味品，因其具有较高的食用价值和保健功能[1-2]而深受人们喜爱。我国是世界上辣椒种植面积最大的国家[3]，随着辣椒杂交品种种植面积的不断增大，辣椒种子的品种纯度显得愈加重要。辣椒种子的纯度和品种真实性是辣椒种子检验的重要内容，不同品种种子的外观形态相似，极容易混淆在一起，种子品种纯度直接关系到生产中辣椒产量的高低和品质的好坏，而且也是申请作物新品种的重要指标[4]；因此，研究准确且有效的辣椒品种鉴别方法具有重要意义。

随着科学技术的发展，光谱信息检测技术逐渐受到国内外科研院校、食品企业、大型种植户的关注，该技术具有检测速度快、无损、高效的特点，已被越来越多地用于种子品种、成分、活力检测，以及种子筛选与分级[5-7]。Mo等[8]研究了一种基于高光谱成像的辣椒种子品质评价方法，其结果表明，基于LED照明灯的高光谱成像技术可以应用于辣椒种子品质分选。Kong等[9]开发了近红外光谱成像系统来鉴定水稻种子品种。本研究为提高辣椒种子杂交品种鉴别效率，节省人力与时间，研究了基于叶绿素荧光光谱的辣椒种子品种快速、无损检测方法。

1 材料和方法

1.1 试验装备和材料

1.1.1 荧光光谱检测装置

荧光光谱检测装置为蔬菜种子健康检测装置，由北京农业智能装备技术研究中心研制。该装置由LED光源模块、荧光光谱采集模块和数据分析模块组成[10]。LED光源模块包括大功率LED灯、散热器和恒流电源，LED发出光可以激发辣椒种子的叶绿素荧光，激发光的波长为660 nm[11]、半高带宽为40 nm；荧光光谱采集模块主要包括光纤、光纤支架、窄带滤光片和荧光光谱仪，用于采集辣椒种子的荧光光谱，窄带滤光片的中心波长为740 n m[11]，带宽为20 nm；荧光光谱仪探测的波长范围为200～1 100 nm，光谱分辨率为0.8 nm。数据分析模块由计算机组成，用于分析辣椒种子的荧光光谱，并建立辣椒种子品种判别模型。此外，该检测装置还包括暗箱和样品台，暗箱的功能是隔离外界光线和噪音，LED光源模块和荧光光谱采集模块设置在暗箱内部。样品台有高度调节功能，用于盛放辣椒种子样品。

1.1.2 辣椒品种

供试辣椒品种为卓椒3号、卓椒4号、卓椒5号，种子原产地为泰国，均为杂交品种，种子净度均大于99.0%，纯度均大于96.0%，水分含量均小于13.0%。

1.2 样品制备

随机选取卓椒3号、卓椒4号和卓椒5号辣椒种子各56份作为试验样品，每份辣椒种子质量约为10 g，辣椒种子样品依据3∶1的比例随机分为训练集（用于建模）和验证集（用于验证模型），训练集含有126份样品，每个品种样品数为42份，验证集含有42份样品，每个品种样品数为14份。种子样品放在干燥容器中，常温下保存、待测。

1.3 光谱数据采集

首先预热荧光光谱检测装置15 min，使LED光源和荧光光谱仪处于稳定的工作状态，然后依次采集卓椒3号、卓椒4号、卓椒5号辣椒种子的荧光光谱信息，光谱采集的积分时间设定为10 s，平均次数设定为1次，平滑度为0，光谱数据保存后待后续处理。

1.4 光谱数据分析方法

1.4.1 光谱数据预处理

荧光光谱仪采集的光谱数据除了包含样品自身的信息外，还包含一些其他的不相关信息，例如细小白噪声、样品背景、暗电流、飘移等；因此，在建立判别模型时，旨在消除光谱数据无关信息的预处理方法可起到关键作用[12]。本研究采用Savitzky-Golay（SG）卷积平滑和一阶导数（First Derivative，FD）方法对原始光谱数据进行预处理。SG卷积平滑是目前应用较广泛的消噪方法，可以有效消除基线漂移、倾斜等噪声。光谱数据的一阶导数处理可有效地去除样品背景和基线漂移的影响，提高重叠峰分辨率和灵敏度[13]。

1.4.2 光谱数据主成分分析

主成分分析（Principal Component Analysis，PCA）将原来存在一定相关性的多个变量，重新组合为一组相互独立的综合变量，即主成分，每个主成分均是原有变量的线性组合，并且各个主成分毫无关联，参与建模的主成分个数明显减少[14]；因此，本研究选用PCA方法降低光谱数据维数，提取主成分，将所有主成分按照其贡献率从大到小排序，累计贡献率首先达到85%的主成分作为入选主成分参与建模，确定主成分数和得分，从而实现光谱数据降维。

1.4.3 Fisher判别分析

判别分析是一种重要的统计分析方法，是根据类别已知的样本信息，总结出分类规律，建立分类准则或标准，判别新样本所述类别[15]。Fisher判别分析是把高维模式样本投影到最佳的鉴别矢量空间，从而达到提取分类信息和降低特征空间维数的效果，投影后模式样本在新的矢量空间具有最大的类间距离和最小的类内距离。本研究采用Fisher判别分析[16]方法建立辣椒种子品种的判别模型。

2 结果与分析

2.1 辣椒种子样品荧光光谱曲线

分析168个辣椒种子样品的荧光光谱曲线如图1所示，选用660 nm红光激发出辣椒种子的叶绿素荧光，荧光的波长范围为700～780 nm，中心波长为740 nm。波峰带宽的中心位置为中心波长，中心波长并不一定在荧光强度最大值位置。波峰出现这样的波形也与滤光片本身的特性有关。下一步需要对多光谱数据进行SG平滑和一阶导数预处理，然后进行主成分分析降维、判别分析建模。

2.2 主成分分析结果

辣椒种子的荧光光谱分别经过SG平滑和一阶导数预处理后的荧光光谱曲线如图2和图3所示。从图2中可见，SG平滑消除了细小白噪声。从图3中可见，一阶导数处理有效消除基线漂移和样品背景的影响，预处理效果较好。辣椒种子的荧光光谱经过SG平滑和FD预处理后，虽然消除了光谱细小噪声、样品背景和基线漂移等的影响，但是在700～780 nm波长范围内包含了108个变量（波段），变量之间仍然存在一定的相关性，直接参与建模，不仅计算量大，处理速度慢，而且模型的稳定性和精度都会受到影响[14]。

主成分分析得出的主成分数如表1所示，从原始光谱数据和经过SG平滑预处理后的光谱数据提取了较少的主成分，均为2个，而从FD预处理后的光谱数据提取了较多的主成分（27个）。

2.3 判别分析结果

利用判别分析对训练集样品进行训练并建立判别模型，然后用验证集样品验证判别模型的判别准确性。在本研究中辣椒种子按照品种卓椒3号、卓椒4号和卓椒5号分为“1”“2”“3”类，经过Fisher判别分析，辣椒种子验证集样品的判别结果如表1所示。通过表1可见，辣椒种子荧光光谱经过FD处理后建模的判别正确率有所提高，验证集样品的判别正确率达到100.0%，但是FD所选的主成分个数相对较多。

3 结论与讨论

本研究采用荧光光谱技术识别辣椒种子品种，在原始荧光光谱的基础上进行SG和FD预处理，并在原始荧光光谱、SG和FD预处理基础上进行PCA预处理，建立辣椒种子品种Fisher判别模型，比较原始荧光光谱-PCA、原始荧光光谱-SG-PCA预处理、原始荧光光谱-FD-PCA预处理建模结果，得到验证集样品的判别正确率为97.6%。SG平滑预处理没有提高辣椒种子品种判别率，验证集样品的判别正确率达到97.6%。FD预处理提高了辣椒种子品种判别率，验证集样品的判别正确率达到100.0%。研究结果表明，采用种子叶绿素荧光光谱并结合数学建模方法能够有效识别辣椒种子品种。

表1 Fisher判别分析的验证集样品判别正确率

荷兰Fytagoras公司推出的基于叶绿素荧光技术的种子成熟度分析仪SA-10，采用670 nm的激发光激发种子荧光，可检测出波长730 nm的荧光峰，与本研究采用波长660 nm的红光激发辣椒种子荧光，荧光峰出现在720～760 nm的结果相似。本研究采用光谱分析方法识别辣椒种子品种，是有别于采用感官评定、机器视觉鉴别种子品种的新方法，具有较高的检测正确率。本研究证明采用叶绿素荧光光谱技术检测辣椒种子品种具有可行性，受本研究启发，将进一步探索叶绿素荧光光谱技术检测其他种子品种的可行性。