CN102282932A

CN102282932A - 一种蔬菜种子发芽率快速检测的方法

Info

Publication number: CN102282932A
Application number: CN2011102036841A
Authority: CN
Inventors: 王俊; 程绍明
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2011-07-20
Filing date: 2011-07-20
Publication date: 2011-12-21

Abstract

本发明公开了一种蔬菜种子发芽率快速检测的方法。它的步骤如下：1）把蔬菜种子样品放置在密闭容器内，静置30～60分钟；2）顶空气体达到平衡后，顶空气采样导入传感器阵列反应室内进行采样，采样时间为60～90s，传感器阵列与顶空气体发生反应得到响应信号；3）提取第60s电子鼻信号作为原始数据，对原始数据的特征矩阵进行特征选择和特征值提取；利用主成分分析和线性判别分析来评价种子发芽率等级；4）以原始数据以及上述处理后的数据作为特征值，分别利用BP神经网络和支持向量机识别模式建立传感器响应信号与种子发芽率间的相关性，进而评价种子的发芽率。本发明具有操作简单，其可靠性和重复性都有很大的改善，提高了检测效率。

Description

一种蔬菜种子发芽率快速检测的方法

技术领域

本发明涉及一种蔬菜种子发芽率快速检测的方法。

背景技术

种子检验是检测优质种子生产，避免劣质种子播种，确保农业丰收的重要措施，种子发芽率是种子检验中的一个重要指标。测定种子发芽率常用计数的方法进行，以了解其最大的发芽潜力，评价种子的种用价值。该方法准确性高，在谷物种子标准检验中常用，但是检测费时费力又繁杂，如果在种子的生产、加工、收购、仓储或调运时急需了解种子的发芽状况就不再适用，特别是对禾谷类和有些豆类等休眠期长的种子，若以正常发芽试验评价种子质量的话，在短时间内得不到准确的发芽结果。

多年来，许多种子研究人员都在寻找快速且可靠的方法来代替发芽试验，并取得了一定的研究成果。许多研究人员进行了不同种子生活力和发芽率相关性的研究，得出了可通过种子生活力估测发芽率的结论。快速测定种子生活力的方法有很多，但并不是所有方法都能用于预测种子发芽率，目前可用于估测发芽率的大多属于染色法。种子发芽率除了可通过生活力预测外，还可以通过种子的外观、生理特征来鉴别，也可以通过电导率法、吸胀状态法、酶学方法快速测定。但这些方法是在实验室中，需借助相关的仪器设备、试剂等才能完成，在短时间内得不到准确的发芽率。

发明内容

本发明的目的是克服现有技术的不足，提供一种蔬菜种子发芽率快速检测的方法。

蔬菜种子发芽率快速检测的方法的步骤如下：

1）把蔬菜种子样品放置在密闭容器内，静置30～60分钟；

2）顶空气体达到平衡后，顶空气采样导入传感器阵列反应室内进行采样，采样时间为60～90秒，传感器阵列与顶空气体发生反应得到响应信号；传感器响应信号是传感器接触到顶空气体后的电导率G与传感器在经过洁净空气时的电导率G₀的比值，即G/G₀；

3）提取第60秒电子鼻信号作为原始数据，对原始数据的特征矩阵进行特征选择和特征值提取；利用主成分分析和线性判别分析来评价种子发芽率等级；

4）以原始数据以及上述处理后的数据作为特征值，分别利用BP神经网络和支持向量机识别模式建立传感器响应信号与种子发芽率间的相关性，进而评价种子的发芽率。

所述的密闭时间为40～50分钟；所述的采样时间为70～80秒。

本发明依据是不同发芽率的种子散发的气味不同，采用金属氧化物传感器阵列组成的电子鼻来预测种子的发芽率。本发明由取样部分，数据采集部分，信号处理部分组成。所述的取样部分有带有针头的管道连接真空泵的抽气嘴，无针头的管道一端连接真空泵的出气嘴，一端与传感器阵列室相连。数据采集部分为一测试箱体，箱体内有一个圆形的气敏传感器阵列反应室，该圆形反应室顶部分别设有进气口和出气口。所述的圆形反应室内表面光滑，没有气体死角，里面均匀布置多个气体传感器，形成传感器阵列，每个传感器与采集卡的一个通道相连。对要检测样品先进行基于传感器阵列的电子鼻测定，将样品置于密闭容器内，待顶部空气达到平衡后采样泵把容器内的顶空气体导入传感器阵列反应室内，传感器与气体发生反应得到相应的响应信号，该信号被采集卡转化成数字输入到计算机。

本发明能够以廉价的多气敏传感器阵列组成高效的检测蔬菜种子发芽率的电子鼻系统。与单个气体传感器相比，气体传感器阵列扩大了检测范围，降低了干扰，其灵敏度、可靠性和重复性都有了很大的提高。用各种识别模式系统来处理传感器阵列数据，建立传感器响应信号与种子发芽率之间的模型，这些模型可以根据各种不同的气味检测到不同的信号来判断种子的发芽率。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明利用种子挥发物进行检测的结构示意图；

图2是本发明实例中10个传感器对番茄种子的响应曲线；

图3（a）是6种不同发芽率番茄种子的主成分分析二维得分图；

图3（b）是6种不同发芽率番茄种子的主成分分析三维得分图；

图4是6种不同发芽率番茄种子的线性判别分析二维得分图；

图5是BP神经网络对番茄种子不同发芽率的预测值和实测值的相关性。

具体实施方式

蔬菜种子发芽率快速检测的方法的步骤如下：

1）把蔬菜种子样品放置在密闭容器内，静置30～60分钟；

所述的密闭时间为40～50分钟；所述的采样时间为70～80秒。

实施例：

本发明主要在于电子鼻数据处理和建模方法。采用一个基于金属氧化物传感器阵列的电子鼻，其传感器阵列由10个传感器组成，各传感器名称和性能详见表1。

表1 电子鼻传感器阵列中各传感器属性

阵列序号	传感器名称	性能描述	备注
				S1	W1C	芳香成分	甲苯，10ml/m³
S2	W5C	灵敏度大，对氮氧化合物很灵敏	NO₂，1 ml/m³
				S3	W3C	氨水，对芳香成分灵敏	苯，10 ml/m³
S4	W6C	主要对氢气有选择性	H₂，100 ml/m³
				S5	W5C	烷烃，芳香成分	丙烷，1 ml/m³
S6	W1S	对甲烷灵敏	CH₄，100 ml/m³
				S7	W1W	对硫化物灵敏	H₂S，1 ml/m³
S8	W2S	对乙醇灵敏	CO，100 ml/m³
				S9	W2W	芳香成分，对有机硫化物灵敏	H₂S，1 ml/m³
S10	W3S	对烷烃灵敏	CH₄，10 ml/m³

这些传感器的功能是把不同的气味分子在其表面的作用转化为可以测量的物理信号。电子鼻结构及工作流程如图1所示。采样时，样品气体通过一个内置泵以400 ml/min的速率从进口处被吸附到传感器通道中，经过传感器阵列后由出口排出。基准气体（zero gas）是经过活性炭过滤后的清洁空气，以600 ml/min的速率通过另一泵泵入，其中以400 ml/min的速率流经传感器阵列，对传感器阵列进行清洗，使传感器的响应信号恢复为零。

对要检测样品先进行基于传感器阵列的电子鼻测定，将样品置于密闭容器内，待顶部空气达到平衡后采样泵把容器内的顶空气体导入传感器阵列反应室内，传感器与气体发生反应得到相应的响应信号，该信号被采集卡转化成数字输入到计算机。采集时间为65s，停止采集后，用洁净空气清洗传感器，清洗时间为60s（传感器恢复时间），以便检测下一个样品。

本例利用浙杂809番茄种子进行实验，先按国家标准GB GB/T 3543.4—1995完成发芽率实验。本实例以90%、80%、70%、60%、50%和0%六种不同发芽率的种子进行检测，每组有24个样本，共144个样本。

将144个样本进行电子鼻检测。检测装置如图1所示。将把番茄种子置于密封瓶中在室温25℃下产生顶空气体。样品密闭1小时后顶空气体达到平衡，打开采样泵把带有针头的进气管插入密封瓶使待测种子样品顶空气体导入传感器阵列反应室内，与传感器阵列S1—S10发生反应得到相应的一组响应信号。该信号被采集卡转化成数字输入到计算机。

如图2所示，本发明实施例中传感器对番茄种子的响应曲线，横坐标为采样时间，纵坐标为传感器接触到样品挥发物后的电导率G与传感器在经过洁净空气时的电导率G₀的比值。从图2可看出，响应曲线在55s左右开始趋于稳定，本例中取60s处的信号作为分析的时间点。

图3（a）是6种不同发芽率番茄种子的主成分二维得分图，其第一和第二主成分贡献率分别为71.62%和11.18%，累计贡献率达82.7%。从图3（a）可看出，不同发芽率的番茄种子图形有部分相互重叠，表明利用主成分二维得分图较难区分发芽率较为接近的番茄种子。图3（b）是6种不同发芽率番茄种子的主成分三维得分图，第一、第二和第三主成分贡献率分别为71.62%、11.18和9.18%，累计贡献率达91.88%。从图3（b）可看出主成分三维得分图能很好的区分不同发芽率的番茄种子，这表明利用三维得分图能较好的区分不同发芽率的番茄种子。当番茄种子发芽率低于50%后，其图形有重叠，此时较难区分。图4是利用线性判别分析（LDA）降维后得到的二维得分图，第一和第二主成分的贡献率分别为92.07%和3.92%，累计贡献率达95.99%，保留了样本绝大部分的信息。从图4可看出，利用线性判别分析可以很好区分发芽率为90%、80%和不发芽的种子，但发芽率在50%—70%之间时较难区分开。

在主成分分析和线性判别分析的基础上，进一步采用基于MATLAB的BP人工神经网络和支持向量机二种模式识别算法识别不同发芽率的6个类别种子。将144个种子样品分为校正集和预测集，每个类别取前13个样品作为校正集和后11个样品作为预测集。利用电子鼻传感器在60s的响应信号作为BP神经网络的输入，建立一个三层的BP神经网络结构，不同掺杂比例作为网络的输出层。通过反复测试来调整隐含层神经元数来优化网络结构，得到较好的网络结构为10—30—1的三层BP神经网络。设定目标误差为0.0001，网络学习速率为0.01，训练迭代次数为10000次。利用支持向量机模式识别时，通过反复测试，最终支持向量机的类型选为V-SVC，核函数为径向基核函数，其表达式为：

Figure 2011102036841100002DEST_PATH_IMAGE002

，其余参数采用默认值。

图5是神经网络模型对番茄种子不同发芽率的预测值和实际值拟合直线，预测值和实际值的相关系数R²为0.9291。由模型预测结果可以看出，可以建立电子鼻信号与番茄种子发芽率之间的关系，说明本发明对番茄种子发芽率进行预测是可行。

Claims

1.一种蔬菜种子发芽率快速检测的方法，其特征在于它的步骤如下：

1）把蔬菜种子样品放置在密闭容器内，静置30～60分钟；

2.根据权利要求1所述的一种蔬菜种子发芽率快速检测的方法，其特征在于所述的密闭时间为40～50分钟。

3.根据权利要求1所述的一种蔬菜种子发芽率快速检测的方法，其特征在于所述的采样时间为70～80秒。