《近红外线光谱的波长选择对水稻品种鉴别的影响》由会员分享，可在线阅读，更多相关《近红外线光谱的波长选择对水稻品种鉴别的影响（12页珍藏版）》请在金锄头文库上搜索。
1、27農業機械學刊第 14 卷第 2 期2005 年 6 月近紅外線光譜的波長選擇對水稻品種 鑑別的影響劉昌群1，蕭介宗2，彭敬益3，洪梅珠4，沈明來51. 國立台灣大學生物產業機電工程學系研究生2. 國立台灣大學生物產業機電工程學系教授，本文通訊作者3. 前研究助理，國立台灣大學生物產業機電工程學系4. 台中區農業改良場研究員5. 國立台灣大學農藝系教授摘要本研究探討五種水稻的近紅外線吸收光譜波長的選擇以該波長所對應之吸收 光譜值做為變數對品種鑑別的影響。所使用的三種變數選擇方法分別為逐步排除 法、變數之間的相關矩陣法，以及變數在主成分軸上的 Loading 值法。以全部 351 個變數建立判
2、別分析以及倒傳遞類神經網路鑑別模式，平均鑑別率分別為 99.69% 及 97.69%。以逐步排除法選取 62 個變數建立判別分析以及倒傳遞類神經網路鑑別 模式，平均鑑別率分別為 98.0%及 92.76%。以變數之間的相關性選取 62 個變數建 立判別分析以及倒傳遞類神經網路鑑別模式，平均鑑別率分別為 90.15%以及 84.26%。以變數在主成分上的 Loading 值選取 62 個變數建立判別分析以及倒傳遞 類神經網路鑑別模式，平均鑑別率分別為 89.38%及 82.25%。在波長選擇方法中， 以逐步排除法挑選的變數其鑑別率優於相關矩陣法及 loading 值法所選取的變數， 且具顯著差異
3、。所建立的鑑別模式，不僅能減少變數的數目，同時鑑別率仍可達 到使用全部變數的準確性。使用相同的變數時，判別分析法的鑑別能力優於類神 經網路法，且具顯著差異。關鍵詞：近紅外線、類神經網路、水稻、變數選擇、鑑別THE EFFECT OF WAVELENGTH SELECTION OF NEAR INFRARED SPECTRA ON CLASSIFYING PADDY RICEChang-Chun Liu1, Jai-Tsung Shaw2, Keen-Yik Poong3 Mei-Chu Hong4, Ming-Lai Shen51. Graduate Student, Department o
4、f Bio-Industrial Mechatronics Engineering, National Taiwan University. 2. Professor, Department of Bio-Industrial Mechatronics Engineering, National Taiwan University, Corresponding Author. 3. FormerResearchAssistant,DepartmentofBio-Industrial Mechatronics Engineering, National Taiwan University. 4.
5、 Agronomist, Taichung District Agricultural Improvement Station. 5. Professor, Department of Agronomy, National Taiwan University.28農業機械學刊第14卷第2期2005年6月ABSTRACTFive varieties of paddy rice were examined using the reflectance spectra corresponding to a selected wavelength from 1100 to 2500 nm in 3-nm
6、 steps to determine the classification rate effect. Three hundred fifty-one variables were used to develop the discriminant analysis and neural network models. The average classification rates were 99.69% and 97.69%, respectively. Sixty-two variables were selected usingstepwisediscriminationtodevelo
7、pthediscriminantanalysisandneural network models. The average classification rates were 98.0% and 92.76%, respectively. Sixty-two variables were selected using the correlation matrix to develop the discriminant analysis and neural network models. The average classification rates were 90.15% and 84.2
8、6%, respectively. Sixty-two variables were selected by loading the first and second principal components to develop the discriminant analysis and neural network models. The average classification rates were 89.38% and 82.25%, respectively. The stepwise discrimination method was moreeffectiveinclassi
9、fyingthefivevarietiesofpaddyriceusingnearinfraredspectra.Keywords: Near infrared, Artificial neural network, Paddy rice, Variable selection, Classification一、前言不同的水稻品種除了外觀的差異之外、內部成分亦有所不同。近紅外線光譜已廣泛應用於農產品的品質檢測，對於水稻的主要成分，澱粉和蛋白質的濃度測定亦有相當高的準確性（劉與蕭，1995）、（李與蕭，1996）。以此為基礎藉由測定不同水稻之間主要成分的濃度差異與近紅外線光譜之關係，建立品種辨識
10、的模式，可以迅速鑑別水稻品種，可應用於計價收購作業系統之用。張等人 (2000) 曾以 1997 及 1998 年產於台中區農業改良場的台農秈 20 號、台中秈 10 號、台農 67 號、台農 70 號、台8 號以及台9 號共 6種水稻品種，以水稻的近紅外線光譜及類神經網路進行品種鑑別，所得結果為 6 種水稻品種的平均鑑別率為 95.8%，鑑別標準差為5.3%。李 (1998)亦曾使用相同水稻品種的近紅外線光譜對水稻進行品種辨識，所得結果為 6 種水稻品種的平均鑑別率為 88.3%，鑑別標準差為 10.8%。Delwiche et al. (1995)以 1100 nm 至 2498 nm 的
11、近紅外線光譜對全粒的硬紅冬麥(hard red winterwheat)及硬紅春麥(hard red spring wheat)作品種分類，並分別以多重線性回歸(MLR)、主成分分析(PCA)、部分最小平方法(PLSR)及類神經網路(ANNs)對兩種小麥品種做鑑別，這四種方法的平均鑑別率分別為 95.3%、93.0%、98.0%及 98.3%。Song etal.(1995)使用穿透式近紅外線光譜850nm至1049nm的 200 個波長的光譜值為變數，對全粒的兩種小麥的平均鑑別率介於 97%與 100%之間，對六種小麥的平均鑑別率為 94.7%。本研究的主要目的在探討近紅外線光譜波長的選擇對
12、全粒的水稻品種辨識的影響，建立非破壞性、無污染的品種鑑別方法，作為稻穀計價收購之用。二、材料與方法樣品為產自台灣中部、東部和南部，收穫於1997、1998、1999 以及 2000 年夏天的台農秈 20號、台中秈 10 號、台農 67 號、台8 號、台9 號共 5 種水稻品種的一期稻作。 各品種的樣本先以風選機風選數次以去除空稻穀、稻穗等雜物，然後將水稻樣本置於 25、RH 70% 的恆溫恆濕箱內約 4 天（100 小時），以 Shizudka SeikiCTR-800E檢測其含水率，調質成 13%的含水率。然後以 1100nm至 2500nm的波長每隔 3nm對全粒的樣本進行近紅外光照射，每
13、一個樣本共取得29近紅外線光譜的波長選擇對水稻品種鑑別的影響351 個吸收光譜值做為變數，照射後之樣本都不重複使用。再將各年各品種原始光譜資料的界外點，即馬氏距離大於 99.7%信賴區外的樣本加以剔除(Vellwman and Welsch，1981)。各年度所使用的樣本數如表 1 所示，所有樣本的光譜如圖 1 所示。然後將同一品種的樣本隨機選取約 2/3 的樣本為訓練組，約 1/3 的樣本為鑑別組。台農秈 20號、台中秈 10 號、台農 67 號、台8 號、台9 號訓練組的樣本數依序為 261、259、258、263、261 共計 1302 個，鑑別組的樣本數依序為 130、129、129、
14、131、130 共計 649 個。由於樣本裡的某些變數對該品種並不具代表性，這樣的變數不僅不具品種區分的效能，且會增加取樣與分析的時間，對於這些不具鑑別能力的變數，擷取變數時事前又無從得知，因此找出真正對品種鑑別具有效能的變數是重要且有意義圖 1五種水稻之光譜 Fig.1 Spectra of five varieties of paddy rice表 1水稻品種及樣本數 Table 1Varieties of paddy rice and sample sizes30農業機械學刊第14卷第2期2005年6月的。本實驗除了使用全部 351 個吸收光譜值做為變數，並以逐步排除法(stepwise
15、 discrimination)、變數的相關矩陣(correlation matrix)法、變數在主成分軸上的 Loading 值等三種方法挑選變數，並比較這三種挑選變數方法的鑑別率，這三種變數選擇的方法分述如下：逐步排除法：先就所有的 351 個變數以 SAS 統計軟體撰寫逐步排除(Stepwise)判別程式，以有進有出的方式選出真正具有品種區分能力的變數。變數選擇的過程如下：首先讀入樣本數據以及品種類別，此時鑑別模式中不含任何變數。然後採取順向選擇法，根據威爾克斯(Wilks)的 Lambda 值挑選變數進入鑑別模式中，然後被納入鑑別模式的變數同樣的必須再經過威爾克斯(Wilks)的 La
16、mbda 值衡量該變數對模式鑑別力的貢獻度大小，並將貢獻度最小的變數剔除，如此反覆進行直到沒有新的變數可以加入模式為止 (彭，2000)。以變數在主成分軸上的 Loading值挑選變 數法：依 據 本 實 驗 所 使 用 的 主 成 分 分 析 軟 體Unscrambler 7.6 使用手冊，在主成分分析法中，每一個變數對每一個主成分軸都具有一個Loading值，其幾何意義為某一變數在某一主成分軸的Loading 值表示該變數在該主成分軸的投影值，所以某一變數 Loading 值的大小意指該變數對某一主成分軸的影響度大小。本實驗以 Loading 值挑選樣本時先將所有的樣本數據作主成分分析，主成分分析結果如圖 2 所示。由於第一及第二主成分軸上所攜帶的資料量合計已達全部資料量的99.7%，所以只取各變數在第一以及第二主成分軸上的 Loading 值（介於-1 和 1 之間）取絕對值之後相加，由大至小排序，然後再依據排序後的Loading 值大小選出相對應的波長，品種鑑別時依序選擇 Loading 值較大的波長。以變數的相關矩陣挑選變數法：根據Paliwaletal.(2003)，
