在玉米单倍体技术中, 单倍体鉴别是非常重要的环节。 该研究对大量玉米单倍体与杂合二倍体的近红外透射光谱进行分析, 以期建立一套在生产上实用的单倍体鉴别模型。 通过采集三组遗传背景不同的玉米单倍体与杂合二倍体籽粒光谱, 进行不同机器学习算法对比, 光谱预处理建模效果比较, 以及分析数据集大小对模型构建的影响。 对比所有单倍体与杂合二倍体的平均光谱, 发现二者在光谱的吸收峰位置基本相同, 但是单倍体的吸光度略高于杂合二倍体, 尤其是在波长940～1 120 nm以及1 180～1 316 nm这两段谱区差异较大。 在构建的几个模型中, 采用偏最小二乘法和神经网络算法的模型单倍体鉴别准确率较高, 分别为93.26%和95.42%。 测试集验证的结果与模型准确率一致, 表明两种算法适宜进行单倍体大规模筛选。 利用偏最小二乘法模型比较了不同光谱预处理方法的模型效果, 发现仅进行移动窗口平滑预处理原始光谱进行建模准确率最高。 对不同大小数据集的建模效果对比发现, 在一定范围内增大数据集有助于提高模型准确率。 而且数据中单倍体所占比例较高时, 单倍体预测召回率可达100%。 此外, 还根据籽粒颜色标记挑选出不易鉴别的单倍体和杂合二倍体, 利用偏最小二乘法构建的机器学习模型预测准确率可达93.39%, 显示出近红外鉴别单倍体的优势, 即有可能在不依赖籽粒颜色的情况下实现准确鉴别。 基于机器学习的近红外单倍体鉴别方法具有较高的准确率, 而且该方法还能在后期数据增加的基础上不断优化, 对其开展理论研究有望为自动化智能鉴别单倍体创造条件。

使用JDSU公司的MicroNIR1700型微型近红外光谱仪, 研究了适合进行单籽粒玉米单倍体鉴别的光谱测量方法。 基于近红外光谱定性分析技术, 比较了漫反射和漫透射两种情况下玉米单倍体鉴别的效果。 光谱数据经过预处理后, 采用PLS＋OLDA特征提取算法, 应用SVM建立玉米单倍体鉴别模型, 分别统计漫反射和漫透射实验条件下, 鉴别模型的正确识别率。 在微型光谱仪内置光源漫反射的光谱测量方式下, 不分胚面朝向, 玉米单倍体籽粒平均识别率低于60%, 不能有效鉴别玉米单倍体和多倍体。 而采用外置光源对籽粒进行漫透射光谱测量方式, 获得了平均正确识别率为93.2%的鉴别效果, 并且模型稳定性好。 实验结果表明, 漫反射光谱仅能获得玉米籽粒表层信息, 因此玉米籽粒胚面朝向严重影响漫反射光谱鉴别单倍体种子的效果; 而漫透射光谱可以实现分析光程纵深信息全累加, 能够得到样品内部的信息, 因此对胚面朝向不敏感, 能够有效地对随机摆放的玉米单倍体和多倍体进行识别。 近红外方法能快速、无损地鉴别单倍体, 并且微型光谱仪采集速度快, 成本低, 为实现实用化的自动鉴别提供了条件。

单倍体技术已发展成为玉米遗传研究及现代玉米育种的重要技术之一, 单倍体籽粒的鉴别筛选是其中的重要环节。 目前单倍体籽粒主要是依赖于籽粒的R1-nj遗传标记通过人工肉眼观察颜色的有或无进行鉴别, 费时费工。 而且部分材料由于标记颜色很难从籽粒外部观察到, 导致人工筛选准确率较低。 基于可见光光谱分析建立玉米单倍体籽粒鉴别方法, 探索利用可见光光谱鉴别玉米单倍体籽粒的可行性。 同时, 由于每季用于诱导单倍体的育种材料不尽相同, 模型须能够鉴别未参加建模的材料的单倍体。 本研究以9个遗传背景的单倍体和杂交籽粒共284粒作为试验材料, 利用便携式紫外-可见光光纤光谱仪采集单个玉米籽粒的可见光漫透射光谱。 光谱数据经平滑、 矢量归一化预处理和主成分分析, 基于支持向量机方法建立单倍体和杂交籽粒判别模型。 每次选择1个背景的样本作为测试集, 其余背景的样本作为建模集对模型进行交叉验证。 模型交叉验证平均正确判别率达到92.06%。 其中8次测试正确判别率在85%以上。 结果表明利用可见光光谱分析建立玉米单倍体籽粒鉴别方法, 并使模型可鉴别未参与建模材料的单倍体具有可行性。 并且基于该方法有望建立玉米单倍体籽粒的自动化快速筛选系统, 提高玉米单倍体育种效率。

以同一品种同一批次玉米单倍体和多倍体个体种子为研究对象,基于近红外光谱定性分析技术,分析研究了用漫透射光谱测量方式采集光谱时,不同光照强度和光阑孔径得到的光谱曲线质量以及对玉米单倍体种子鉴别结果的影响.光谱数据经过预处理后,采用 PLS＋OLDA特征提取算法,应用 SVM建立玉米单倍体鉴别模型.分别统计多种不同实验条件所测数据建立的鉴别模型的正确识别率.结果表明,光阑孔径的大小影响光谱曲线信噪比,越接近玉米籽粒大小的孔径获得的光谱曲线越平滑;光照强度影响光谱曲线有效性,光照越强,波形峰谷差值越大,识别率越高.选择较高的光源强度和适合种子大小的光阑,可以得到高质量的光谱曲线,以此建立的玉米单倍体鉴别模型,识别率达到了 100%.

应用近红外光谱分析技术, 针对玉米诱导过程中产生的亚正常种子, 发展亚正常种子的单籽粒生活力判别方法。 该研究应用了一种基于Kolmogorov-Smirnov检验的方法(KS法)对近红外光谱进行特征提取, 并比较了十种采用不同预处理数据和特征提取方法建立的模型的判别性能, 每种模型试验了1134种参数组合, 并对采用多种方法和参数组合建立的模型进行交叉验证。 结果表明, 采用矢量归一化预处理, KS法提取特征波长, 并去除低信噪比区域的数据建立的模型判别效果最好。 发芽籽粒和不发芽籽粒的平均正确识别率分别达到92.20%和84.86%。 该方法将发芽籽粒的筛选准确率由随机筛选的不足40%提高至85%以上, 可显著提高筛选效率。

现有的玉米种子品种鉴别方法检测时间长, 费用高, 不易大批量快速鉴别。 提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。 先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。 对原始光谱进行矢量归一化预处理以消除噪声干扰, 为了找到玉米品种籽粒的光谱特征波段, 提出一种基于标准差的方法, 进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA), 取能反映玉米品种 99.98％ 光谱信息的前10个主成分。 最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型, 对于每个品种的25个样本, 随机挑选15个样本作为训练样本, 其余10个样本作为第一测试集, 其他品种共900个样本作为第二测试集。 该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。 该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。

以75粒普通玉米、72粒高油玉米和73粒超高油玉米共计220粒玉米籽粒样品为实验材料,通过玉米籽粒的近红外光谱结合主成分信息提取技术建立了不同油分含量的玉米籽粒样品的BPANN识别模型。为考察模型的实际应用效果,连续10次随机划分样品集,每次在各类别玉米籽粒中随机选取4/5作为建模集,剩余1/5作为预测集,选择光谱信息的第2-15个主成分作为网络输入,样品以3个类别值－1,0,1作为目标输出,10次建模的学习识别率均达到100%。以所建BPANN模型对预测集样品进行分类识别,普通玉米、高油玉米和超高油玉米籽粒平均正确识别率分别为99.33%,97.88%和91.43%,总体正确识别率平均达到95%以上。研究结果表明BP人工神经网络近红外光谱法建立玉米籽粒识别模型可对不同油分含量的玉米籽粒进行快速、无损识别,对于玉米籽粒的选育工作具有一定的指导意义。 另外还探讨了选择主成分建模对不同油分含量的玉米籽粒种类识别效果的影响,结果显示具有方差贡献率99%以上的光谱第一主成分参与建模,对模型预测效果有负影响,说明不同主成分包含的区分普通、高油与超高油玉米籽粒的分类信息不同,因此近红外光谱法建立样品分类识别模型时选择不同主成分建模是有必要的。