基于深度学习的水稻(Oryza sativa L.)抽穗后籽粒水分含量的近红外光谱无损预测

《Agriculture》:Deep Learning-Enabled Nondestructive Prediction of Moisture Content in Post-Heading Paddy Rice (Oryza sativa L.) Using Near-Infrared Spectroscopy Ha-Eun Yang, Hong-Gu Lee, Jeong-Eun Lee, Jeong-Yong Shin, Wan-Gyu Sang, Byoung-Kwan Cho and Changyeun Mo

【字体: 大 中 小 】 时间:2026年03月20日 来源:Agriculture 3.6

编辑推荐:

  抽穗后水稻(Oryza sativa L.)新鲜收获籽粒水分含量的快速无损评估对于确定最佳收获时机、确保稻米高产优质及节能至关重要。本研究结合近红外(NIR)光谱技术与机器学习(ML)及深度学习(DL)技术,开发了水稻籽粒水分含量的无损预测模型。研究人员在灌浆

  
抽穗后水稻(Oryza sativa L.)新鲜收获籽粒水分含量的快速无损评估对于确定最佳收获时机、确保稻米高产优质及节能至关重要。本研究结合近红外(NIR)光谱技术与机器学习(ML)及深度学习(DL)技术,开发了水稻籽粒水分含量的无损预测模型。研究人员在灌浆结实期每周采集水稻样品,并在950–2200 nm范围内获取了近红外反射光谱。研究应用了七种光谱预处理技术,并构建了偏最小二乘回归(PLSR)、支持向量回归(SVR)、深度神经网络(DNN)及基于VGGNet和EfficientNet架构的一维卷积神经网络(1D-CNN)预测模型。其中,基于EfficientNet的1D-CNN结合Savitzky–Golay一阶导数预处理表现最优,其决定系数(Rp2)达0.999,预测均方根误差(RMSEP)为0.001(Friedman检验,p < 0.001;Kendall’s W = 0.97),显著优于传统机器学习模型。结果表明,该预测模型无需干燥或碾磨即可实现对新鲜收获水稻籽粒水分含量的高精度估算。该方法可应用于多种农业作业环节,通过联合收割机传感器系统实现最佳收获时机决策、储存期间的质量控制、节能干燥及实时监测。
该研究针对水稻抽穗后籽粒水分含量的动态变化特征,利用近红外(NIR)光谱结合深度学习算法,构建了一套高精度无损检测模型。研究人员选用粳稻品种Sindongjin,于抽穗后第5至9周(涵盖生长后期至最佳收获期)在国家作物科学研究所(NICS)试验田采集样本。通过配置钨卤素灯光源与步进电机旋转装置的光谱测量系统,在900–2500 nm波段获取了样品的反射光谱,并通过烘箱干燥法测定实际含水量作为基准值。数据集经白板与暗电流校正后,采用七种预处理方法(如Savitzky–Golay导数、SNV、MSC等)进行处理。研究人员将数据集按9:1划分为校正集与预测集,并采用分层采样与十折交叉验证防止过拟合。模型构建方面,对比了偏最小二乘回归(PLSR)、支持向量回归(SVR)、深度神经网络(DNN)及两种一维卷积神经网络(1D-CNN,分别基于VGG-19与EfficientNet架构)的性能。结果显示,基于EfficientNet的1D-CNN配合Savitzky–Golay一阶导数预处理效果最佳,其预测集决定系数(Rp2)高达0.999,均方根误差(RMSEP)仅为0.001。该模型参数量约为0.64 M,属于轻量级架构,具备田间实时应用的潜力。此项研究成果发表于《Agriculture》期刊,证实了深度学习在处理高维非线性光谱数据方面的优越性,为田间谷物水分的即时检测提供了可靠的技术方案。
材料与方法
研究人员使用韩国国家作物科学研究所培育的粳稻品种Sindongjin作为实验材料。样品于抽穗后的第5、6、7、8、9周采集,分别对应生长阶段与收获阶段。样本置于培养皿中,利用自行搭建的近红外光谱测量系统进行扫描。该系统由近红外光谱仪、100 W钨卤素灯及步进电机构成的样品旋转单元组成。光谱采集范围为900–2500 nm,最终选取信号稳定的900–2200 nm区间进行分析。每个样本在不同空间位置采集10条光谱,并结合自然风干过程中的6个干燥阶段,共获取6000条光谱数据。水分含量参考值通过135 °C烘箱干燥24小时法测定。光谱数据经白板(50%漫反射标准)与暗背景校正后,分别采用最大归一化、均值归一化、范围归一化、标准正态变量变换(SNV)、多元散射校正(MSC)及Savitzky–Golay一阶、二阶导数进行预处理。数据集按90:10划分为校正集与预测集,并采用分层采样保持水分分布一致。模型方面,构建了PLSR、SVR、DNN及两种1D-CNN(VGG-19与EfficientNet变体)进行对比。DNN采用多层感知机(MLP)结构,包含六层全连接层;1D-CNN则针对一维光谱数据重构了卷积核与MBConv模块。所有模型均采用Adam优化器与均方根误差(RMSE)损失函数进行训练,并引入早停机制(patience=20)以防止过拟合。
结果
研究发现,在光谱预处理阶段,Savitzky–Golay一阶导数处理有效消除了基线漂移并增强了光谱特征,显著提升了所有模型的预测精度。在模型性能对比中,传统机器学习模型PLSR与SVR虽能捕捉线性关系,但在处理复杂非线性光谱数据时表现有限。相比之下,深度学习模型展现了更强的特征提取能力。其中,基于VGG-19的1D-CNN模型参数量约为1.66 M,计算成本较高;而基于EfficientNet的1D-CNN通过复合缩放策略平衡了网络的深度、宽度与分辨率,在大幅降低参数量至约0.64 M的同时,实现了最高的预测精度。具体数据显示,EfficientNet-1D-CNN模型的校正集决定系数(Rc2)与预测集决定系数(Rp2)均达到0.999,预测均方根误差(RMSEP)低至0.001,且通过了Friedman检验(p < 0.001)与Kendall协调系数检验(W = 0.97),证明了模型结果的高度一致性。
讨论与结论
研究人员在讨论中指出,此前多数基于NIR的水稻研究集中于收获后的糙米或精米,忽略了抽穗后带壳鲜籽粒生理状态动态变化带来的光谱干扰。本研究首次针对抽穗后鲜籽粒在整个生长周期内水分的动态衰减过程进行了建模,解决了因样本生理状态不稳定导致的预测难题。EfficientNet架构的应用是该研究的一大创新,其轻量化特性使其相较于厚重的VGG-19更适用于嵌入式田间传感器设备。研究表明,该技术无需对样品进行干燥或粉碎处理,即可实现非破坏性检测,这不仅能辅助农户精准判断收获时机(水分含量约22–24% w.b.),还能有效降低干燥能耗与加工破损率。综上所述,该研究开发的基于EfficientNet的1D-CNN模型为田间水稻水分实时监测提供了一种高精度、高效率且低成本的技术途径,具有重要的农业生产应用价值。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号