检索
E-mail
RSS
高级检索 图表检索

当期目录 我要投稿 过刊浏览
高级检索 图表检索

作物杂志, 2024, 40(6): 242-248 doi: 10.16035/j.issn.1001-7283.2024.06.033

种子科技

基于机器视觉技术的玉米种子精选方法研究

韩小伟,1, 周江明1, 高英波2, 田雪慧1, 李明军1, 郝延杰1, 李伟1, 李树兵1, 刘树泽,1

1滨州市农业科学院，256600，山东滨州

2山东省农业科学院玉米研究所/小麦玉米国家工程实验室/农业农村部黄淮海北部玉米生物学与遗传育种重点实验室，250100，山东济南

Research on Refined Selection Method for Maize Seeds Based on Machine Vision Technology

Han Xiaowei,1, Zhou Jiangming1, Gao Yingbo2, Tian Xuehui1, Li Mingjun1, Hao Yanjie1, Li Wei1, Li Shubing1, Liu Shuze,1

1Binzhou Academy of Agricultural Sciences, Binzhou 256600, Shandong, China

2Maize Research Institute, Shandong Academy of Agricultural Sciences / National Engineering Laboratory of Wheat and Maize /Key Laboratory of Biology and Genetic Improvement of Maize in Northern Huang-Huai-Hai Plain, Ministry of Agriculture and Rural Affairs, Jinan 250100, Shandong, China

通讯作者: 刘树泽，主要从事作物栽培生理研究，E-mail：18366833521@163.com

收稿日期: 2023-07-11   修回日期: 2023-10-17   网络出版日期: 2024-04-22

基金资助: 山东省科技特派员行动计划项目(2020KJTPY057)
滨州市农社领域科技创新政策引导计划项目(2023KTPY005)

Received: 2023-07-11   Revised: 2023-10-17   Online: 2024-04-22

作者简介 About authors

韩小伟，主要从事玉米栽培生理研究，E-mail：506376089@qq.com

摘要

为进一步提高玉米种子发芽率，探讨适宜的种子精选方法及参数，以郑单958为材料，通过种子形态自动化识别软件（Seed Identification）获取单粒玉米种子物理参数，并进行单粒种子发芽试验，研究玉米种子活力指标与其形态物理参数之间的相关性，筛选最优精选指标，同时采用单一指标分类法、二元逻辑回归模型和多层感知器神经网络模型预测种子发芽率，确定最佳精选方法。结果表明，幼苗芽长、根长、鲜重与种子物理参数R、A、S、B3呈显著相关。分别按170≤R≤190、10≤A≤20、16≤S≤24、71≤B3≤79进行单一指标精选，其发芽率由未筛选前的66.0%分别提升至72.1%、73.7%、75.0%、73.6%，获选率分别为56.8%、63.6%、52.3%和50.8%；二元逻辑回归模型方法使种子发芽率提高至80.9%，种子发芽获选率88.4%，模型稳定率97.3%；多层感知器神经网络模型方法下种子发芽率提高至82.9%，种子发芽获选率89.5%，模型稳定率97.7%。综上，物理指标R、A、S和B3值可作为玉米种子精选参数；相比单一指标和二元逻辑回归模型，多层感知器神经网络模型在预测种子发芽率、获选率和稳定性方面具有较强优势，可确定为最佳精选方法。

关键词： 玉米种子; 精选方法; 物理参数; 机器视觉技术; 多层感知器神经网络模型

Abstract

In order to further improve the germination rate of maize seeds, the more suitable selection methods and parameters were discussed. Based on this, Zhengdan 958 was used as the test material in this experiment. The physical parameters of single maize seed were obtained by Seed Identification software, and the single seed germination test was carried out to study the correlation between maize seed vigor index and its morphological and physical parameters, so as to screen the optimal selection index; At the same time, the single index classification method, binary logistic regression model and multi-layer perceptron neural network model were used to predict the seed germination rate to determine the best selection method. The bud length, root length and fresh weight of seedlings were significantly correlated with the physical parameters of R, A, S and B3. According to the single index of 170≤R≤190, 10≤A≤20, 16≤S≤24, 71≤B3≤79, the germination rate increased from 66.0% to 72.1%, 73.7%, 75.0% and 73.6% respectively, and the selection rate was 56.8%, 63.6%, 52.3% and 50.8%, respectively; The seed germination rate of the binary logistic regression model method was increased to 80.9%, the seed germination selection rate was 88.4%, and the model stability rate was 97.3%; The seed germination rate of the multi-layer perceptron neural network model method was increased to 82.9%, the seed germination selection rate was 89.5%, and the model stability rate was 97.7%. In conclusion, the physical indexes R, A, S and B3 values can be used as the selection parameters of maize seeds; Compared with single index and binary logistic regression model, the multi-layer perceptron neural network model has strong advantages in predicting seed germination rate, selection rate and stability, and can be determined as the best selection method.

Keywords： Maize seed; Refined selection method; Physical parameters; Machine vision technology; Multi-layer perceptron neural network model

PDF (535KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

韩小伟, 周江明, 高英波, 田雪慧, 李明军, 郝延杰, 李伟, 李树兵, 刘树泽. 基于机器视觉技术的玉米种子精选方法研究. 作物杂志, 2024, 40(6): 242-248 doi:10.16035/j.issn.1001-7283.2024.06.033

Han Xiaowei, Zhou Jiangming, Gao Yingbo, Tian Xuehui, Li Mingjun, Hao Yanjie, Li Wei, Li Shubing, Liu Shuze. Research on Refined Selection Method for Maize Seeds Based on Machine Vision Technology. Crops, 2024, 40(6): 242-248 doi:10.16035/j.issn.1001-7283.2024.06.033

玉米是世界上总产量位居首位的粮食作物，其总产量基本维持在10亿t以上，同时中国也是玉米种植面积最大、产量最高的国家之一，仅次于美国，是世界第二大玉米生产国[1-2]。玉米在满足市场需求的前提下已成为保障国家粮食安全的主力军[3]。种子是富有生命力的重要农业生产资料，优质的种质资源是实现农作物高产、稳产、优质的基础[4]。随着玉米产业不断蓬勃发展，“精播”理念已深入农业生产的各个方面，对种子质量要求也越发严格，鉴别并精选种子理化指标成为当今研究的热点和突破口[5]。当前，种子精选技术主要包括高光谱图像技术、介电技术、X射线技术和近红外技术等，但由于成本相对较高、作业效率低及对相关技术人员专业要求较高，导致这些前沿技术无法被大规模推广[6⇓⇓-9]。计算机技术和图像采集技术的迅猛发展使机器视觉技术在农业智能化领域占据重要的位置，尤其在智能化种子质量精选及分级工序中被广泛应用，研究人员利用此项技术实现了玉米[10]、大豆[11]、蚕豆[12]等作物的种质资源分类筛选，这对种子精选的智能化、精准化、高效率具有重要意义。模型分类已广泛应用于现代农业生产中[13-14]，其中神经网络模型在图像处理领域以出色的集体计算能力和鲁棒性广泛应用于农作物病虫害识别分类[15]、作物产量预测[16]及种子精选[17-18]等方面。王润涛等[19]基于机器视觉技术和神经网络模型分类法以豆粒物理性状作为变量参数对大豆种子进行精选，预测正确率为98.00%。吴尚智等[20]采用双隐层BP神经网络模型和粗糙集对小麦种子精选分类，预测准确率可达95.24%。ElMasry等[21]采用高光谱成像技术和神经网络模型方法，结合苹果物理指标RGB和LAB值检测其冻害情况。Kurtulmuş等[17]采用弹性反向传播训练法对8个不同辣椒品种进行分类，确定当多层感知器隐藏层为30个神经元时分类最精确，其准确率为84.94%。前人研究主要集中于单一分类模型对作物表型的鉴别，且作物种类相对局限，而将机器视觉技术和多种分类模型应用于玉米种子发芽率预测的研究鲜有报道。因此，本试验以郑单958为供试材料，采用机器视觉技术、二元逻辑回归及多层感知器神经网络模型分类器等方法，结合单粒发芽试验对玉米种子物理性状进行识别、建模和分类，评估模型在发芽率、获选率和稳定性方面的优势，为玉米种子精选分类方法提供技术支撑。

1 材料与方法

1.1 试验材料

选用玉米品种郑单958作为供试材料，该品种属于中熟紧凑型玉米杂交种，具有高产、稳产、多抗、耐密和广适等特性。

1.2 图像采集仪器及分析软件组成

图像采集仪器为爱普生V800型扫描仪。

图像分析软件为Seed Identification（种子形态自动化识别软件）。

种子形态自动化识别软件可自动分析出种子的各种物理指标，包括RGB值、HSB值、LAB值、灰度值、长度、宽度和投影面积等。RGB值分别表示红（R）、绿（G）、蓝（B）3种基色。HSB值分别表示色相（H）、饱和度（S）、亮度（B3）。LAB值分别表示明度（L）、从红色到绿色范围（A），从黄色到蓝色范围（B2）。

1.3 试验方法

1.3.1 图像获取及预处理

随机选取200粒完整无损且去除包衣的玉米种子，按行整齐摆放于扫描仪玻璃板上。扫描仪背景颜色为黑色，分辨率为300 dpi。扫描仪获取图像后保存为PNG格式（图1）。将扫描后种子进行分类编号以便于后续的发芽试验。为确保Seed Identification软件准确地提取种子的各项参数，需对图像进行预处理，利用Photoshop cc 2019将图像背景颜色去除（图2）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   玉米种子扫描图

Fig.1   Scan of maize seed


图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   预处理后玉米种子扫描图

Fig.2   Scan of pre-treated maize seed


1.3.2 玉米种子特征参数提取

运用Seed Identification软件打开预处理后待分析的玉米种子图片，设置相关参数。根据所分析内容选取颜色模型（RGB、LAB、HSB值），点击识别选项，采集其相关物理指标（RGB、LAB、HSB、灰度、宽度、长度和投影面积），导出数据，进行后续处理（图3）。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   种子自动化识别软件采集玉米种子相关物理参数

Fig.3   Automated seed identification software collects physical parameters related to maize seeds


1.3.3 玉米种子发芽试验

将200粒编号玉米种子在1%次氯酸钠溶液中浸泡5 min后，用蒸馏水洗涤，然后在用灭菌水浸湿的发芽纸上均匀地播下玉米种子，2张发芽纸为一个发芽床，卷成滚筒状，分别放入保鲜袋中。采用滤纸卷直立发芽法，将发芽床置于25 ℃光照培养箱（LRH-250-H）中进行种子萌发。种子萌发7 d后测其芽长、根长和鲜重等指标，以胚根突破种皮2 mm为发芽标准。原始种子发芽率为66.0%。根据已测数据计算出玉米种子简易活力指数，简易活力指数=芽鲜重×发芽率。

1.4 数据处理
1.4.1 数据录入及软件分析

采用Microsoft Excel 2019进行数据录入，用SPSS 23.0软件进行相关性分析、二元逻辑回归建模和多层感知器神经网络建模。

1.4.2 二元逻辑回归模型

二元逻辑回归是通过Sigmoid函数将输入数据拟合到逻辑曲线中来预测事件发生概率。

RGB值、LAB值、HSB值、灰度、宽度、长度和投影面积作为自变量，发芽数（1）和未发芽数（0）作为因变量。随机选取67.5%的玉米种子建立模型，剩余部分用作验证模型正确率。

采用二元逻辑回归模型揭示玉米种子物理指标与种子发芽率间关系，计算公式[22]如下，Pi= 1/[1+e-(a0+a1Xi1+a2Xi2+…+ajXij)]。

式中，Pi为第i种情况下种子发芽概率；Xij为第i种情况下的第j个变量；aj为第j个变量的系数。P值为0和1分别表示种子未发芽和种子发芽。在模型中P为因变量，13个物理特征为因变量；采用标准分数z-score对输入数据进行标准化处理；回归系数通过迭代最大似然法进行计算；通过生成的分类表以评估该模型对玉米种子发芽鉴选方面的可行性。

1.4.3 多层感知器神经网络模型

多层感知器（MLP）是一种前馈神经网络，由输入层、隐藏层和输出层构成，其将多个数据集映射到单一输出的数据集上；数据流方向是以第二层神经元为起点，每层神经元均可接受上层输出，并传递给下层的单向传递（图4）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   多层感知器网络拓扑结构

X表示原始物理指标参数，Y表示通过多层线性变换和非线性激活函数得到的新参数。

Fig.4   Multi-layer perceptron network topology

X represents the original physical index parameter, and Y represents the new parameter obtained by multi-layer linear transformation and nonlinear activation functions.


本研究选择具有一个隐藏层的MLP网络，隐藏层单元使用双曲正切激活函数，输出层单元使用归一化指数softmax激活函数。为避免过度拟合，选择70%数据作为训练集，30%数据作为测试集；输入层变量为RGB值、LAB值、HSB值、灰度、宽度、长度和投影面积；采用z-score对输入数据进行标准化处理；输出层由两类节点组成：发芽种子（1）和未发芽种子（0）。

2 结果与分析

2.1 玉米种子活力与物理参数间的相关性分析

由表1相关性分析可知，幼苗根长、芽长、鲜重与种子R、S、B3分别呈极显著正相关关系，与A呈显著性正相关关系；R和S与根长、芽长及鲜重为强相关关系，B3和A与各指标为中等相关关系。R、A、S和B3变异系数分别为0.06、1.08、0.29和0.07，变异系数越大，采用该指标进行筛选的可行性越高。综合考虑显著性、相关性及变异系数等指标，确定R、A、S及B3可作为玉米种子精选参数，进一步分析明确S为最优筛选指标。

表1   玉米种子芽长、根长及鲜重与其物理指标间相关性分析

Table 1  Correlation analysis between bud length, root length and fresh weight of maize seeds and their physical indicators

物理指标
Physical indicator		极小值
Minimal value		极大值
Maximum value		芽长
Bud length		根长
Root length		鲜重
Fresh weight		变异系数
Coefficient of variation
R148.8189.60.624**0.599**0.624**0.06
G132.7199.1-0.037-0.085-0.0550.11
B138.5179.0-0.140-0.171-0.1340.06
L57.276.70.0810.0300.0640.08
A-18.116.90.312*0.347*0.331*1.08
B2-8.620.60.2330.2030.209-29.42
H63.6351.50.1470.1350.1420.35
S6.324.00.632**0.607**0.608**0.29
B359.278.10.418**0.369**0.401**0.07
灰度Gray scale138.8183.40.1050.0550.0900.07
宽度Width (mm)7.29.60.1180.0580.1040.08
长度Length (mm)9.011.70.011-0.052-0.0080.07
投影面积Projection area (px)4892.67504.00.0950.0280.0770.13

“*”和“**”分别表示在0.05和0.01水平上显著相关。

“*”and“**”indicate significant correlation at the 0.05 and 0.01 levels, respectively.

新窗口打开| 下载CSV


2.2 单一指标分级参数区间筛选

基于表1结果，将R、A、S和B3值作为玉米种子精选指标，每个指标分为5组。由表2可得，按170≤R≤190、10≤A≤20、16≤S≤24、71≤B3≤79对玉米种子进行精选，发芽率由对照66.0%分别提高到72.1%、73.7%、75.0%和73.6%，获选率分别为56.8%、63.6%、52.3%和50.8%，简易活力指数由对照0.178分别提高到0.306、0.323、0.350和0.299。

表2   玉米种子R、A、S、B3指标筛选

Table 2  Maize seed screening by R, A, S and B3 indicators

精选指标
Selection indicator		区间
Interval		总数
Total		发芽数
Number of
germination		未发芽数
Number of
ungerminated		发芽率
Germination
rate (%)		获选率
Selection
rate (%)		平均鲜重
Average fresh
weight (g)		简易活力指数
Simple vitality
index
原始对照Original control－2001326866.01.00.2690.178
R140≤R<15095455.63.80.0250.014
150≤R<16027161159.312.10.0580.034
160≤R<17060362460.027.30.1320.079
170≤R<18056381867.928.80.3420.232
180≤R≤19048371177.128.00.5200.400
170≤R≤190 (s)104752972.156.80.4240.306
AA<0138561.56.10.1430.088
0≤A<52281436.46.10.0160.006
5≤A<1051321962.724.20.0320.020
10≤A<1565432266.232.60.3570.236
15≤A≤204941883.731.10.5460.457
10≤A≤20 (s)114843073.763.60.4380.323
S4≤S<8137653.85.30.0240.013
8≤S<1244222250.016.70.0360.018
12≤S<1651341766.725.80.1760.117
16≤S<2065461970.834.80.4360.309
20≤S≤242723485.217.40.5400.460
16≤S≤24 (s)92692375.052.30.4670.350
B359≤B3<632415962.511.40.0310.019
63≤B3<6736211558.315.90.0320.019
67≤B3<7149292059.222.00.3060.181
71≤B3<7542301271.422.70.3640.260
75≤B3≤7949371275.528.00.4410.333
71≤B3≤79 (s)91672473.650.80.4050.299

s：精选区间。

s: selection.

新窗口打开| 下载CSV


2.3 单一指标精选参数验证

在同一批次玉米种子中，采用Seed Identification软件分别按170≤R≤190、10≤A≤20、16≤S≤24和71≤B3≤79对玉米种子进行精选和分组发芽试验，每项指标选取150粒种子，玉米种子特征参数提取及发芽试验方法同上文。由表3可得，经R、A、S、B3等参数优选后发芽率、鲜重和简易活力指数较原始对照均有不同程度提高，其中发芽率由对照的66.0%分别提升至72.7%、74.6%、75.3%和70.0%。简易活力指数由对照的0.178分别提升至0.314、0.323、0.347和0.281。

表3   玉米种子精选指标验证结果

Table 3  Maize seed selection index validation results

精选指标
Selection indicator		参数
Parameter		发芽数
Number of germination		未发芽数
Number of ungerminated		发芽率
Germination rate
(%)		平均鲜重
Average fresh
weight (g)		简易活力指数
Simple vitality
index
原始对照Original control－1326866.00.2690.178
R170≤R≤1901094172.70.4320.314
A10≤A≤201123874.60.4330.323
S16≤S≤241133775.30.4610.347
B371≤B3≤791054570.00.4010.281

新窗口打开| 下载CSV


2.4 二元逻辑回归模型精选

由表4所示，由于模型过度拟合选定未选定案例作为分析对象，43粒发芽种子和22粒未发芽种子中分别有38粒和13粒被分类正确，正确率为78.5%。种子发芽率提高至80.9%，预测发芽种子选择率为88.4%。模型稳定率为97.3%。

表4   二元逻辑回归模型分类

Table 4  Binary logistic regression model classification

实测
Actual test		选定案例预测Selected case projection未选定案例预测No selected case projection
01正确百分比Correct percentage (%)01正确百分比Correct percentage (%)
0291763.013959.1
198089.953888.4
总体百分比Overall percentage (%)80.778.5

“0”表示未发芽种子；“1”表示发芽种子。下同。

“0”indicates ungerminated seeds;“1”indicates germinated seeds. The same below.

新窗口打开| 下载CSV


2.5 多层感知器神经网络模型精选

根据表5所示，在测试集玉米种子中，38粒发芽种子和22粒未发芽种子中分别有15粒和34粒被多层网络感知器分类正确，正确率为81.7%。种子发芽率提高至82.9%，预测发芽种子选择率为89.5%。模型稳定率为97.7%。

表5   多层感知器神经网络模型分类

Table 5  Classification for multi-layer perceptron neural network model

样本
Sample		实测
Actual test		预测Projection
01正确百分比
Correct percentage (%)
训练
Train		0291763.0
168893.6
总体百分比 (%)25.075.083.6
测试
Test		015768.2
143489.5
总体百分比 (%)31.768.381.7

新窗口打开| 下载CSV


2.6 不同精选方法比较

根据表6所示，相比未精选的玉米种子发芽率66.0%，经单一指标精选、二元逻辑回归模型和多层感知器神经网络模型精选后发芽率均有不同程度提高，其中基于多层感知器神经网络模型发芽率和获选率均最高，分别为82.9%和89.5%，该模型通过以13个物理指标作为变量进行双隐藏层、训练集:测试集7:3进行建模，精选效果最佳。

表6   3种玉米种子精选方法对比

Table 6  Comparison of three maize seed selection methods %

方法
Method		物理指标
Physical indicator		发芽率
Germination rate		获选率
Selection rate		稳定性
Stability
单一指标精选Selection single indicator170≤R≤19072.156.8－
10≤A≤2073.763.6－
16≤S≤2475.052.3－
71≤B3≤7973.650.8－
二元逻辑回归模型Binary logistic regression model－80.988.497.3
多层感知器神经网络模型Multi-layer perceptron neural network model－82.989.597.7

新窗口打开| 下载CSV


3 讨论

种子作为农业“芯片”，是保障国家粮食安全的基石。优良种子遗传性状是提高作物产量的内在因素，而种子物理性状作为可控因素对其生长发育同样具有显著影响，通过筛选籽粒饱满，剔除虫蛀、霉变及异物种子等措施来达到精选种子的目的，提高种子发芽率、发芽势和活力指数等指标[11,23]。为实现高质量、高标准筛选需选择适宜的精选方法，机器视觉技术结合模型分类器以高效率和高准确率等优点被广泛应用[11,24-25]。

种子物理性状包括颜色、大小、容重及千粒重等指标，主要受遗传因素影响，同时其生长环境、后期管理和储存等方面对种子物理性状具有不同程度的影响[26]，种子投影面积、宽度和长度与种子出苗率、简易活力指数、幼苗鲜重及产量具有相关关系[27-28]。在相同品种下，随种子千粒重提高、尺寸加大、颜色加深其植株成熟度和活力指数呈现上升趋势[29-30]。本试验结果表明，芽长、根长及鲜重与种子R、A、S、B3值呈显著相关性，且R和S为极显著关系，说明种子色度值和种子活力存在一定影响，可作为其精选指标。按170≤R≤190、10≤A≤20、16≤S≤24、71≤B3≤79进行精选，其发芽率由未筛选前的66.0%分别提升至72.1%、73.7%、75.0%、73.6%，简易活力指数由未筛选前的0.178分别提升至0.306、0.323、0.350、0.299，获选率分别为56.8%、63.6%、52.3%和50.8%，由此发现，当R、A、S和B3值分类区间最大时发芽率和简易活力指数最高，但获选率均相对较低。郝奇慧[28]研究发现R值、B3值与种子出苗率无显著性差异，A值、S值与种子出苗率呈显著正相关关系。本文与前人[28]研究存在差异，本试验中随R区间增大，发芽率和简易活力指数增大；随A区间增大，发芽率和简易活力指数先减小后增大，谷值区间为0≤A<5；随s区间增大，发芽率和简易活力指数先减小后增大，谷值区间为8≤s<12；随B3区间值增大，发芽率和简易活力指数先减小后增大，谷值为63≤B3<67，产生差异原因可能是因为不同品种间种子发芽率与理化性质指标相关性存在差异。

为确定最佳精选方法，本研究采用二元逻辑回归和多层感知器神经网络分类方法进行建模，预测玉米发芽率和获选率。Tu等[22]在辣椒品种精选中得出，相比单一指标分类，多层感知器神经网络模型和二元逻辑模型在预测种子发芽概率中具有较好优势，多层感知器神经网络模型为最佳精选分类方法，发芽率从未经筛选的59.3%提高至79.1%，获选率为90%，模型稳定性为99.4%。与前人[22]研究结果一致，本试验中多层感知器神经网络模型发芽率、获选率和模型稳定性均最高，相比未精选玉米种子发芽率66.0%提高至82.9%，获选率为89.5%，模型稳定性为97.7%，但此分类模型每次运行结果存在小范围波动，需经多次运行取平均值。

4 结论

芽长、根长及鲜重与种子R、A、S、B3值呈显著相关性，可作为玉米种子精选参数。相比单一指标和二元逻辑回归模型，采用13个物理特征作为协变量的多层感知器神经网络模型在预测种子发芽率、获选率和稳定性方面具有较强优势，与未精选玉米种子相比，发芽率从66.0%提高至82.9%，获选率为89.5%，模型稳定性为97.7%。

参考文献

赵久然, 王帅, 李明, 等.

玉米育种行业创新现状与发展趋势

植物遗传资源学报, 2018, 19(3):435-446.

[本文引用: 1]

赵晴月, 许世杰, 张务帅, 等.

中国玉米主产区土壤养分的空间变异及影响因素分析

中国农业科学, 2020, 53(15):3120- 3133.

DOI:10.3864/j.issn.0578-1752.2020.15.012      [本文引用: 1]

【目的】分析中国玉米主产区耕层土壤养分含量现状、区域空间变异规律及其影响因素,以期为各地玉米田土壤养分调控和合理施肥提供指导。【方法】以全国玉米主产区为研究区,于2017年玉米收获季开展大规模土壤采集和农户调研工作。结合地统计学和地理信息系统（GIS）,探究土壤养分的区域变异特征和分布格局;根据相关分级标准,评价玉米主产区当前土壤肥力现状;并通过相关性分析和方差分析,对引起土壤养分变异的主要影响因素（土壤质地、气候和肥料施用）进行探讨。【结果】中国玉米主产区耕层土壤pH中值为 6.9,养分含量的中值分别为有机质21.0 g·kg<sup>-1</sup>、全氮1.5 g·kg<sup>-1</sup>、有效磷22.4 mg·kg<sup>-1</sup>和速效钾164.5 mg·kg<sup>-1</sup>,上述指标的变异系数分别为12.7%、48.5%、50.0%、83.6%和52.0%,均表现为中等程度变异。土壤有机质、全氮、有效磷和速效钾含量主要集中在中等至极高肥力水平,共占主产区总面积的93.5%。土壤养分存在明显的区域变异性,土壤有机质、全氮和有效磷含量在东北春玉米区最高,分别为32.0 g·kg<sup>-1</sup>、2.2 g·kg<sup>-1</sup>、32.3 mg·kg<sup>-1</sup>,在西北春玉米区最低,分别为17.2 g·kg<sup>-1</sup>、1.2 g·kg<sup>-1</sup>、16.2 mg·kg<sup>-1</sup>;速效钾含量在西南玉米区最低,其他3个区域无显著差异。在国家尺度上,土壤pH值具有强烈的空间自相关性（块基比75%）,其变异主要受人为因素（肥料施用）影响;有机质、全氮和速效钾具有中等的空间自相关性（块基比25%—75%）,其变异受自然和人为因素共同影响。【结论】东北区土壤肥力高,玉米生产应适量减少施肥量,以节约肥料成本;华北区土壤养分含量适中,应严格控制氮、磷化肥投入,以增加肥料利用率并减少环境污染;西北区土壤养分含量较低,可以适当增加肥料用量进一步实现玉米增产;西南区内土壤肥力变异较大,各亚区应采用适宜的施肥方式,以提高土壤的保肥能力和玉米产量。

徐田军, 吕天放, 陈传永, 等.

种植密度和植物生长调节剂对玉米茎秆性状的影响及调控

中国农业科学, 2019, 52(4):629- 638.

DOI:10.3864/j.issn.0578-1752.2019.04.005      [本文引用: 1]

【目的】研究并明确种植密度和植物生长调节剂对玉米茎秆性状的影响,可为合理密植、构建适宜群体结构、实现玉米高产抗逆栽培提供理论依据和技术支撑。【方法】以JK968为试验材料,设置6.0×10 <sup>4</sup>株/hm <sup>2</sup>（D1）、7.5×10 <sup>4</sup>株/hm <sup>2</sup>（D2）和9.0×10 <sup>4</sup>株/hm <sup>2</sup>（D3）3个密度水平,以及乙烯利矮壮素复配剂（EC）和喷施清水为对照（CK）2个处理,研究种植密度对玉米茎秆性状的影响以及茎秆性状对化学调控的响应。 【结果】（1）倒伏率随种植密度增加呈升高趋势,其中在D1密度条件下,JK968的倒伏率分别比D2和D3低69.1%和83.4%;EC处理可显著降低倒伏率,在D1、D2和D3密度条件下分别比对照降低了5.0%、19.8%和41.0%。（2）株高、穗位高、穗位系数和重心高度在不同种植密度和化控处理间均存在极显著差异,具体表现为随种植密度增加呈升高趋势;EC处理后显著降低了地上部第6节以下的节间长度,增加了地上部第7节以上的节间长度,株高和穗位系数略降低,而穗位高和重心高度显著降低。（3）茎秆抗折力和茎秆外皮穿刺强度在不同处理间均存在极显著差异。大喇叭口期至成熟期呈先升高后降低趋势,在乳熟期达最大值。随种植密度增加,地上部第3、4和5节茎秆抗折力和茎秆外皮穿刺强度呈降低趋势;不同节间茎秆抗折力和茎秆外皮穿刺强度表现为地上部第3节>第4节>第5节;EC处理后显著增加了地上部第3、4和5节茎秆抗折力和茎秆外皮穿刺强度。（4）穗粒数和百粒重随种植密度增加呈降低趋势;EC处理后,穗粒数、百粒重和产量均较对照增加。在D1、D2和D3密度条件下,EC处理后产量分别较对照高438.8 kg·hm <sup>-2</sup>、1041.3 kg·hm <sup>-2</sup>和3376.5 kg·hm <sup>-2</sup>,增幅分别为3.6%、8.2%和27.8%。 【结论】随种植密度增加,玉米株高增加、重心高度上移、基部节间伸长、基部节间充实度和抗折力下降。EC处理显著降低了地上部第6节以下的节间长度,显著增加了地上部第7节以上的节间长度,株高略降低,重心高度和穗位高显著降低,基部节间长度缩短、基部节间充实度提高,从而提高了茎秆的抗倒伏能力。由此可见,在风灾倒伏频发地区以及种植密度过大等倒伏风险较大条件下,喷施植物生长调节剂可显著增加玉米茎秆的抗折力和茎秆外皮穿刺强度,显著降低穗位高、重心高度和倒伏率,有利于玉米高产稳产。

高婷婷, 李洋, 王秀芬, 等.

基于冷浸法测定玉米种子活力的研究

分子植物育种, 2020, 18(23):7879-7884.

[本文引用: 1]

崔敏嘉. 玉米种子理化性状与种子活力关系的研究. 沈阳:沈阳农业大学, 2016.

[本文引用: 1]

徐江, 谭敏, 张春庆, 等.

电晕场与介电分选提高水稻种子活力

农业工程学报, 2013, 29(23):233-240.

[本文引用: 1]

杨冬风.

基于软X-射线造影和机器智能的玉米种子活力检测方法研究

作物杂志, 2013(3):136-140.

[本文引用: 1]

展慧, 李小昱, 周竹, 等.

基于近红外光谱和机器视觉融合技术的板栗缺陷检测

农业工程学报, 2011, 27(2):345-349.

[本文引用: 1]

柴玉华, 毕文佳, 谭克竹, 等.

基于高光谱图像技术的大豆品种无损鉴别

东北农业大学学报, 2016, 47(3):86-93.

[本文引用: 1]

郝建平, 杨锦忠, 杜天庆, 等.

基于图像处理的玉米品种的种子形态分析及其分类研究

中国农业科学, 2008, 41(4):994- 1002.

[本文引用: 1]

朱荣胜, 闫学慧, 陈庆山.

基于图像识别和卷积神经网络的大豆优良籽粒筛选研究

大豆科学, 2020, 39(2):189-197.

[本文引用: 3]

Kara M, Sayinci B, Elkoca E, et al.

Seed size and shape analysis of registered common bean (Phaseolus vulgaris L.) cultivars in Turkey using digital photography

Tarim Bilimleri Dergisi, 2013, 19(3):219-234.

[本文引用: 1]

Chen X, Xun Y, Wei L, et al.

Combining discriminant analysis and neural networks for corn variety identification

Computers & Electronics in Agriculture, 2010, 71(S1):48-53.

[本文引用: 1]

Torkashvand A M, Ahmadipour A, Khaneghah A M.

Estimation of kiwifruit yield by leaf nutrients concentration and artificial neural network

The Journal of Agricultural Science, 2020, 158(3):185-193.

[本文引用: 1]

龙满生, 欧阳春娟, 刘欢, 等.

基于卷积神经网络与迁移学习的油茶病害图像识别

农业工程学报, 2018, 34(18):194-201.

[本文引用: 1]

周亮, 慕号伟, 马海姣, 等.

基于卷积神经网络的中国北方冬小麦遥感估产

农业工程学报, 2019, 35(15):119-128.

[本文引用: 1]

Kurtulmuş F, Aliba L, Kavdir I.

Classification of pepper seeds using machine vision based on neural network

International Journal of Agricultural and Biological Engineering, 2016(1):9.

[本文引用: 2]

叶凤林, 李琳, 杨丽明, 等.

基于机器视觉的黄芩种子精选技术研究

种子, 2016, 35(11):100-104.

[本文引用: 1]

王润涛, 张长利, 房俊龙, 等.

基于机器视觉的大豆籽粒精选技术

农业工程学报, 2011, 27(8):355-359.

[本文引用: 1]

吴尚智, 周运, 王欢欢, 等.

利用粗糙集和双隐层BP神经网络的小麦籽粒品种分类

沈阳农业大学学报, 2020, 51(5):576- 585.

[本文引用: 1]

ElMasry G, Wang N, Vigneault C.

Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks

Postharvest Biology and Technology, 2009, 52(1):1-8.

[本文引用: 1]

Tu K L, Li L J, Yang L M, et al.

Selection for high quality pepper seeds by machine vision and classifiers

Journal of Integrative Agriculture, 2018, 17(9):1999-2006.

[本文引用: 3]

赵晓东, 吴依榕, 毛瑞琳, 等.

低温干燥贮藏包衣和非包衣玉米种子活力及生理差异性研究

玉米科学, 2020, 28(3):105-110.

[本文引用: 1]

Vilar W T S, Aranha R M, Medeiros E P, et al.

Classification of individual castor seeds using digital imaging and multivariate analysis

Journal of the Brazilian Chemical Society, 2014, 26(1):102-109.

[本文引用: 1]

杨红云, 黄琼, 孙爱珍, 等.

基于卷积神经网络和支持向量机的水稻种子图像分类识别

中国粮油学报, 2021, 36(12):144- 150.

[本文引用: 1]

Bishaw Z, Struik P C, Van Gastel A J G.

Farmers' seed sources and seed quality: 1. Physical and physiological quality

Journal of Crop Improvement, 2012, 26(5):655-692.

[本文引用: 1]

贾佳, 王建华, 谢宗铭, 等.

计算机图像识别技术在小麦种子精选中的应用

中国农业大学学报, 2014, 19(5):180-186.

[本文引用: 1]

郝奇慧. 玉米种子理化性状与种子活力的关系研究. 沈阳:沈阳农业大学, 2018.

[本文引用: 3]

Gupta P K, Rustgi S, Kumar N.

Genetic and molecular basis of grain size and grain number and its relevance to grain productivity in higher plants

Genome, 2006, 49(6):565-571.

PMID:16936836      [本文引用: 1]

Grain size and grain number constitute 2 important components of grain yield. In particular, the grain size also influences the end-use quality (e.g., flour yield and protein content) and attracts consumer preference. These 2 traits are also the components of the domestication syndrome of crop plants. A number of important studies have recently been conducted to understand the genetic and molecular basis of these 2 important yield-contributing traits. Information generated from these studies was collected and synthesized for the benefit of plant biologists, particularly plant breeders. In the present article, this information is briefly reviewed and the prospects of using this information for improvement of grain productivity in crop plants are discussed.

刘旭欢, 得拉·努尔兰, 贾永红, 等.

籽粒成熟度与穗部位置对春小麦种子活力的影响

西北农业学报, 2014, 23(10):71-75.

[本文引用: 1]

/

〈 〉