以近红外线及影像技术鉴别水稻品种

1農業機械學刊第9卷第4期2000年12月以近紅外線及影像技術鑑別水稻品種張鴻文1，蕭介宗2，李盛銘1，洪梅珠31.國立台灣大學生物產業機電工程所前研究生2.國立台灣大學生物產業機電工程所教授，本文通訊作者3.台中區農業改良場副研究員摘要本研究以台中區農業改良場1997年及1998年一期作生產的6種水稻為材料，利用近紅外線及影像處理技術，建立不同年份之6種水稻品種的鑑別模式。使用近紅外線原始光譜經主成份分析，求得在主成份軸上的投影值，代入倒傳遞類神經網路進行訓練，求得近紅外線跨年模式。而影像外觀特徵值取面積、周長、形狀因素、面積／周長、最大寬度值、最長軸值、最長軸值與最大寬度值的比值、每粒稻穀平均紅色光度值(R)、平均綠色光度值(G)、平均藍色光度值(B)、水稻最長軸50個寬度值中的第11、12、13、14、15、16、17、18、19、20、21、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42、43、55、56、57、58、59、60寬度值共43個參數，經正規化，代入倒傳遞類神經網路進行訓練，求得影像跨年模式。建立之近紅外線及影像之跨年模式，對台中區農業改良場所生產的6種水稻品種的平均鑑別率分別為89.3%、95.8%，標準偏差分別為8.1%、5.3%。關鍵字：近紅外線、影像、類神經網路、模式CLASSIFYINGVARIETIESOFPADDYRICEBYNEAR-INFRAREDANDIMAGEPROCESSINGTECHNIQUEHung-WenChang1,Jai-TsungShaw2,Sheng-MingLee1,Mei-ChuHong31.Formergraduatestudent,Dept.ofBio-IndustrialMechatronicsEngineering,NationalTaiwanUniversity.2.Professor,Dept.ofBio-IndustrialMechatronicsEngineering,NationalTaiwanUniversity,CorrespondingAuthor.3.AssociateAgronomist,TaichungDistrictAgriculturalImprovementStation.ABSTRACTBynear-infraredandimageprocessingtechnique,theobjectiveofthisresearchistoestablishamodelforclassifyingsixvarietiesofpaddyricegrownintheexperimentalfarmofTaichungDistrictAgriculturalImprovementStationandharvestedinthefirstcropof1997and1998.Theoriginalspectrafromnear-infraredanalyzerwereanalyzedbyprincipal2農業機械學刊第9卷第4期2000年12月componentanalysis.Theprojectionvaluesontheoptimumprincipalcomponentaxiswereinputintobackpropagationneuralnetworkfortrainingtofindthecombinednear-infraredmodelof1997and1998.Thecharacteristicsofimagesuchasarea,perimeter,shapefactor,theratioofareatoperimeter,valuesofmaximumwidth,valuesofmaximumlongaxis,theratioofmaximumlongaxistomaximumwidth,averageRGBvaluesofeachpaddyricekernel,andnumber11、12、13、14、15、16、17、18、19、20、21、28、29、30、31、32、33、34、35、36、37、38、39、40、41、42、43、55、56、57、58、59、60widthalongthelongaxiswerenormalizedandtheninputintobackpropagationneuralnetworkfortrainingtofindthecombinedimagemodelof1997and1998.Theaverageclassifyingrateswere89.3%and95.8%respectivelyfornear-infraredmodelandimageprocessingmodel.Thestandarddeviationwere8.1%and5.3%respectivelyfornear-infraredmodelandimageprocessingmodel.Keywords：near-infrared,image,artificialneuralnetwork,model一、前言傳統上鑑別水稻品種的方法，以肉眼觀察種子有無特殊的外觀，然後需要專業人員憑經驗或是對照圖表辨別判斷，稱為外觀型態學(morphologicalmethod)。以水稻品種為例，觀察的性狀外型包括穀粒的長瘦、圓胖、芒的有無及長短、稃尖的顏色、護穎長度、內外穎顏色、絨毛的著生情形及1000粒重等（黃，1987）。除非具有特殊外型性狀，否則同一類型的品種是不易以肉眼來辨別區分，而且憑經驗或對照圖鑑別品種，不僅存在人為的誤差而且速度緩慢。近年來由於電腦分析的軟體相繼推出，藉由影像、近紅外線和電腦，建立鑑別模式，可以快速且非破壞性地鑑別水稻品種。李(1998)以近紅外線與影像技術鑑別86年一期台中區農業改良場所提供的稻穀，計有台農秈20號、台農67號、台農70號、台中秈10號、台稉8號、台稉9號共6種水稻品種，以近紅外線的鑑別率為88%，而單獨使用影像技術之鑑別率為72%，在結合近紅外線與影像技術後的平均鑑別率為92%。類神經網路(artificialneuralnetwork)是以簡單的運算處理單元連結成網路，達到模擬生物體之大量基本神經元構成的類似腦神經網路及其學習的功能，由於類神經網路具有簡單的組織及學習能力，可用於解決原始定義與分類不十分清楚的領域。倒傳遞類神經網路為目前電腦類神經網路中最具代表性而且應用也最廣的模式，為多層次前授式網路，採用監督式的訓練，而學習是以最小平方差為指標，運用梯度陡降法(thegradientsteepestdescentmethod)搜尋最小誤差函數，導出網路連結加權值與閥值的修正值，記錄訓練完成的網路連結加權值與閥值，並輸入未知品種的參數向量進行鑑別品種。Chen等人(1995)利用類神經網路和近紅外線光譜分類1987~1989年硬紅小麥，校正及驗證準確度分別為97.9%及96.8%。Delwiche等人(1995)利用類神經網路和近紅外線光譜分類硬紅小麥準確度介於95~98%優於多重線性回歸、主成分分析及部分最小平方法。影像是外觀型態學之應用亦是非破壞性的方法，陳等人(1989)以影像技術收集穀物外型特徵變數共73項，判別同屬稉稻之台農67、台農70、新竹64共3種水稻品種，資料經常態性測驗及逐步判別分析選取具常態性且辨別力較大的變數11個，而後再經判別分析，結果得3種水稻品種間的平均鑑別率為77.3%。影像技術配合類神經網路分析，近年來廣泛地應用於穀物品種鑑別與分級、稻穀品質的檢定等，在品質鑑定難以量化的範疇上，影像技術結合類神經網路是相當好的方法（謝與林，1994；萬等人，1998；李，1998）。利用近紅外線分光光度計光譜反射值與農產品內部化學成分有高度的相關（夏賀等人，1993；Yamashita，1993；劉與蕭，1995；李與蕭，1996)3以近紅外線及影像技術鑑別水稻品種，建立化學成分與光譜反射值之校正線，應用於偵測稻米內部成分如蛋白質含量、直鏈澱粉含量、脂肪酸度及含水率。由於不同的水稻品種可能有不同的成分而存在不同的光譜反射值，故將探討以近紅外線光譜來鑑別品種，此方法猶如依內部化學成分之不同來鑑別品種，而影像視覺猶如外觀特性之量化，若能結合水稻之內（近紅外線光譜分析）、外（影像視覺）特性，來鑑別水稻品種，不但能消除傳統外觀型態學辨別品種之人為誤差，未來可應用於良質米之快速收購計價系統，可保障農民及消費者的權益。本研究之目的為：1.將影像外觀特徵值即水稻樣本長軸50個寬度值、最長軸值、最大寬度值、最長軸值與最大寬度值的比值、面積、周長、面積與周長的比值、形狀因素(shapefactor)(TravisandDraper,1985)、每粒稻穀平均紅色光度值(R)、平均綠色光度值(G)、平均藍色光度值(B)共60個參數，綜合1997年一期及1998年一期台中區計有台農秈20號、台中秈10號、台農67號、台農70號、台稉8號、台稉9號共6種水稻品種稻穀影像資料，經過最大最小正規化處理後，代入倒傳遞類神經網路學習後建立模式，利用此60個參數建立之新模式鑑別台中區1997年及1998年一期上述6種水稻品種，並探討參數之變化對鑑別率之影響。2.利用主成分分析法綜合1997年一期及1998年一期之上述6種水稻近紅外線光譜在最佳主成分軸上投影值，代入倒傳遞類神經網路學習後建立模式，探討此模式對6種水稻品種鑑別率。二、試驗設備與方法試驗材料：本研究所採用的樣品為台中區農業改良場1997年一期及1998年一期所生產之台農秈20號、台農67號、台農70號、台中秈10號、台稉8號、及台稉9號共6種水稻品種。試驗設備：本研究中所用到的主要設備，茲簡述如下，詳細資料參閱張(2000)：1.近紅外線分光光度計本體：Bran-LubbeInfraAlyzer500，主要用於測定稻穀之反射式光譜。2.InfraAlyzerDataAnalysisSoftware(IDAS)軟體，只利用此軟體來做反射光譜之收集。3.Unscrambler®6.0軟體，利用此軟體內的PrincipalComponentAnalysis(PCA)運算模組，進行光譜主成分分析。4.風選機：用來去除稻穀樣本內之雜草、空稻穀等雜物。5.恆溫恆濕箱(TemperatureandHumidityChamber)溫度控制範圍為0℃~100℃，相對濕度(RH)控制範圍為20%~98%，主要用來控制稻穀之穀溫及含水率。稻穀樣品置於25℃，RH70%之條件下4天，調節成13%之含水率。6.ShizudkaSeikiCTR-800E型：測量水稻含水率。7.WatecCCD(ChargeCoupleDevice)攝影機，感光元件的解析度為NTSC-512512像素點。8.PXC200影像擷取卡，解析度-NTSC：640480像素點。9.打光暗室：將樣本置於室內取其影像。10.影像分析軟體：以C語言撰寫的影像分析軟體，取得水稻樣本長軸50個寬度值、最長軸值、最大寬度值、最長軸值與最大寬度值的比值、面積、周長、面積與周長的比值、形狀因素（4面積／周長2）、每粒稻穀平均紅色光度值(R)、平均綠色光度值(G)、平均藍色光度值(B)共60個外型影像特徵參數。11.倒傳遞類神經網路軟體：使用Matlab軟體。試驗方法1.近紅外線(1)各品種樣本先以風選機風選數次，以去除空稻穀、稻穗、雜物等。將水稻樣本置於25℃、RH70%的恆溫恆濕箱內約4天（100小時）調質成13%的含水率，取20粒水稻樣本以ShizudkaSeikiCTR-800E檢測之。進行近紅外光照射約100組樣本，照射後之樣本不重複使用。將原始光譜資料經過界4農業機械學刊第9卷第4期2000年12月外點的利用馬氏距離大於9除以樣本數或99.7%信賴區外加以剔除(VellwmanandWelsch，1981)，隨機挑選每品種每