陳玲玲，夏方山，毛培勝，朱艷喬

近紅外光譜技術在種子硬實檢測中的研究進展

陳玲玲1,2，夏方山1，毛培勝1，朱艷喬1

（1. 中國農業(yè)大學草業(yè)科學系草業(yè)科學北京市重點實驗室，北京 100193；2. 赤峰市農牧科學研究院草原研究所，內蒙古 赤峰 024031）

近紅外光譜分析技術由于其獨特的技術優(yōu)勢在許多領域中已得到廣泛應用。簡要闡述了近紅外光譜分析技術的概念及其在無損檢測中的應用情況，綜述了近紅外光譜技術在種子硬實測定中的應用情況，在此基礎上介紹了利用近紅外光譜分析技術測定種子硬實率的方法，并提出了存在的問題及發(fā)展方向。

近紅外光譜；硬實率；硬實特性；無損檢測

0 引言

硬實是一種種子休眠形式，廣泛存在于植物種子中，豆科、茄科、藜科、莧科等栽培作物及雜草種子中常見[1]，其中豆科植物種子中最多見[2]。硬實產生的原因是由于種皮致密、不透水或透水性差，從而不能吸脹發(fā)芽，也被稱為不透水或石種子[3]。在實際生產中，硬實率高的種子，由于其滲透性能差，導致播種出苗率低，出苗不整齊，給生產帶來諸多不便。然而，相關研究表明，硬實種子的發(fā)芽勢、發(fā)芽指數(shù)、活力指數(shù)以及抗逆能力顯著高于非硬實種子[4-5]；在貯藏過程中，硬實種子的種皮限制水分和氧氣的進入，防止微生物的侵染，能有效地保護種子的活力，有利于延緩種子劣變。因此，研究硬實種子和非硬實種子的種皮結構，進一步探索硬實機理，對種質保存具有特別重要的意義。但由于硬實種子和非硬實種子沒有外部形態(tài)上的差異，到目前為止還沒有有效的無損鑒別和分離方法。目前仍然采用浸種法測定種子的硬實率[6]，這種方法費時，而且浸泡后的非硬實種子的種皮結構和化學成分會發(fā)生不同程度的改變，不利于研究硬實機理。近幾年，國內廣泛采用近紅外光譜分析技術鑒別種子硬實特性[7-9]，為植物種子硬實特性的無損判定提供了一種可能。本文針對近紅外光譜技術無損檢測技術的應用情況進行簡要介紹，并詳細闡述種子硬實率的測定步驟和應用現(xiàn)狀，以期為近紅外光譜技術應用于硬實種子無損檢測提供參考。

1 近紅外光譜無損檢測技術

近紅外光譜是指位于可見光譜區(qū)（380～780nm）與紅外光譜區(qū)（2600～25000nm）之間的一段電磁波譜，即波長介于780～2526nm的光區(qū)[10]。近紅外光譜分析技術（Near infrared spectroscopy，簡稱NIR）是20世紀80年代后期迅速興起的一種快速檢測技術[11]，它具有測試簡單、速度快、效率高、測量范圍廣、測試過程無污染、檢測成本低、對樣品無損傷等特點[12]。在農業(yè)領域中主要應用于果蔬、谷物、飼料、牧草、種子、土壤等的無損檢測。在果蔬中主要測定品質、糖度、酸度、含水量、葉綠素含量、水果堅實度以及農藥殘留度等[13-17]；在農作物中主要檢測谷物品質、硬度、病害、轉基因作物等[18-22]；在飼料檢測中主要對玉米、甜菜、豆粕、魚粉、肉骨粉等飼料原料進行品質分析或者對飼料中的蛋白質、粗脂肪、粗纖維、維生素、礦物質以及有效能等進行檢測[23-26]；在牧草中主要用于牧草營養(yǎng)成分含量測定、病蟲害預測、抗性鑒定、品種鑒定、草坪草質量鑒定、莖葉比和產草量的測定等[27-30]；在種子檢測中主要用于種子純度、活力、含水率、發(fā)芽率等質量檢測以及品種、硬實率、品質性狀等的檢測[31-33]；在土壤中主要用于檢測土壤氮、磷、鉀等養(yǎng)分含量、碳含量、含水量的測定以及對不同粒級的土壤進行檢測分類等[34-36]。近紅外光譜檢測技術由最初的檢測谷物養(yǎng)分含量發(fā)展到果蔬、土壤、牧草等的微量元素、有害成分及氨基酸含量的分析，從基礎研究發(fā)展到田間檢測，應用范圍越來越廣。相信，隨著科技的進步，研究的不斷深入，近紅外光譜無損技術勢必會開辟更多的應用領域。

2 近紅外光譜技術在種子硬實測定中的應用

硬實常見于豆科作物，常見的有大豆、豌豆、紫花苜蓿、扁蓿豆、胡枝子、黃芪、草木樨、三葉草、紅豆草、甘草、決明子等。硬實是種子處于逆境時的一種自我保護狀態(tài)，但在實際生產中，硬實并非人們所需。目前，近紅外光譜技術在種子硬實方面的應用比較少，在烏拉爾甘草、大豆、苦豆子、決明子與紫花苜蓿種子硬實測定中有相關報道[7-8,33-37]。

2.1 烏拉爾甘草種子硬實特性的檢測

在國內，孫群等[7]于2009年首次利用近紅外光譜技術對烏拉爾甘草單粒種子的硬實性進行了鑒別研究。在該研究中，作者選擇244粒種子，其中硬實和非硬實種子比例為1:1，采用定性偏最小二乘法，在波數(shù)4000～8000cm－1光譜區(qū)范圍，建立了單粒種子的硬實特性定性分析模型，結果表明，所建立的硬實種子和非硬實種子預測模型準確率分別為92.5%和96.56%，模型較為穩(wěn)定，誤判的情況很大部分是由于種子的硬實率與非硬實率較為接近產生的。在該研究中硬實和非硬實種子的近紅外光譜的吸收峰完全一樣，僅通過吸收峰無法區(qū)分硬實種子和非硬實種子。次年，作者對不同產地、不同年份的112份烏拉爾甘草種子的硬實率進行了定量鑒別分析，模型的相關系數(shù)在90%以上，建模標準差與預測標準差在10左右，該模型與之前模型效果相當[33]。但是，該模型對硬實率較低（＜5%）的樣品，其預測結果相對較差?？紤]到硬實率測定方法的差異，作者采用24h浸泡法和5d浸泡法分別建立預測模型，結果表明，采用5d浸泡法所建立的模型預測效果顯著高于24h浸泡法所建立的模型。在該研究中，所選樣品的硬實率分布在0.3%～99.3%，覆蓋了所有樣品的硬實率，其適用性高，為建立其它作物種子硬實率快速檢測模型奠定了基礎。

2.2 大豆、苦豆子和決明子種子硬實特性的檢測

在前人的研究基礎上，朱麗偉等[8]選擇不同光譜范圍和不同光譜預處理方法建立了大豆、苦豆子和決明子單粒種子的硬實特性定性鑒別模型，比較了3種豆科作物種子的建模效果，鑒定了近紅外光譜技術在種子硬實率檢測中的普遍性。結果表明，大豆種子選擇4000～5000cm－1光譜區(qū)范圍，采用矢量校正方法預處理光譜，用偏最小二乘法建立硬實率預測模型，其鑒別率在86%以上；決明子種子選擇4000～8000cm－1光譜區(qū)范圍，采用一階導數(shù)法預處理光譜，用偏最小二乘法建立硬實率預測模型，其鑒別率在90%左右，苦豆子種子選擇4000～8000cm－1光譜區(qū)范圍，采用二階導數(shù)法預處理光譜，用偏最小二乘法建立硬實率預測模型，其鑒別率在95%以上，表明所建模型穩(wěn)定、可靠，可以很好地應用于單粒種子硬實率的檢測。

以上研究主要關注硬實和非硬實種子的定性分類或者種子硬實率的定量檢測，沒有對種子的硬實程度予以關注。

2.3 紫花苜蓿種子硬實特性的檢測

王昕洵[37]利用近紅外光譜分析技術分別針對種子硬實率和硬實程度建立了紫花苜蓿種子硬實率預測模型和硬實程度分析模型。在建立硬實率預測模型時，選取不同產地、不同品種和不同年份的紫花苜蓿種子樣品共121份，硬實率范圍分布在0.2%～33.6%，用24h浸泡后的硬實比率作為自然狀態(tài)下的硬實比率，采用偏最小二乘法，一階導數(shù)預處理，在全光譜范圍內建立預測模型。所建模型的建模相關系數(shù)為92%，說明模型的擬合效果較好，而相對標準誤差為1.9，未能＞2.5，較低的相對標準誤差值說明模型的預測能力較差。為獲得較為準確、可靠的預測模型，擴大了樣品覆蓋范圍，人工調整了不同梯度硬實率的紫花苜蓿種子樣品，硬實率分布范圍為20%～80%，間隔為2%，共31份樣品。最終獲得的光譜模型的建模相關系數(shù)為98.16%，相對標準誤差為3.58，模型的預測能力相對增強，能夠粗略地估測苜蓿種子硬實率；在建立硬實程度分析模型時，利用分步浸種法分別浸泡1～5天，獲得了5個不同硬實程度的種子（H1～H5），采用主成分分析法和馬氏距離法，對不同硬實程度的紫花苜蓿種子進行鑒別分析。結果表明，5個類別不同硬實程度種子的預測模型，誤判率為25%，判別率為75%，實際應用的意義不大?？紤]到建模樣品本身或者建模光譜存在信息混雜或者重疊，對誤判的樣品進行歸屬類別并進行分析。分析結果表明，在5個不同硬實程度樣品中，H2、H3、H4的誤判數(shù)最多，而H1和H5只出現(xiàn)了1個誤判。因此，選擇H1和H5的共38個樣品重新建立紫花苜蓿種子硬實程度預測模型，結果表明，2個類別不同硬實程度種子的模型預測能力有所提高，誤判率為5%，判別率為95%，所建模型能較好地判別兩種類別的不同硬實程度的種子。如果進一步修正模型，并且增加樣品數(shù)量和信息覆蓋量，能有助于提升模型的預測能力。

3 近紅外光譜技術檢測種子硬實率的流程

利用近紅外光譜技術檢測種子硬實率包括以下幾個步驟：①樣品的選擇；②光譜的采集；③浸泡法測定種子的硬實率；④光譜的預處理；⑤光譜范圍的選擇；⑥樣品集的劃分；⑦模型的建立；⑧模型的檢驗與評價。

3.1 樣品的選擇

樣品的選擇是一個重要的環(huán)節(jié)，直接影響到分析結果的準確與否，因此選擇種子時盡可能多地搜集包含多種變異因素的樣品，確保模型的適用性?？梢赃x擇不同地區(qū)、不同年份或者不同品種的種子，盡可能地包含那些分布在兩端即最高、最低范圍內的樣品，但是盡量選擇顆粒度大小、顏色以及含水量一致的種子。Willimas[38]研究了谷物顆粒度大小對近紅外光譜分析結果的影響，發(fā)現(xiàn)顆粒度大小是影響近紅外光譜測試結果準確性的最重要的因素，顆粒度大，其吸光度大，波長長，表明樣品粒度大小對近紅外光譜測試結果有顯著影響；之后，王文真[39]研究粉碎粒度對近紅外分析結果的影響，驗證了這個結果；胡新中等[40]研究麥粉含水量、粗細度和開機預熱時間對NIR測定結果的影響，發(fā)現(xiàn)樣品含水量和粗細度對測定結果有極大影響。建模樣品涵蓋的信息要全面，但也不是越多越好，樣品數(shù)量過大會有信息重疊和引入更多分析誤差的問題，所以一般建模樣品數(shù)應不小于50個，不宜超過300個[41]。

3.2 光譜的采集

隨機選取干凈、完整、大小一致的種子，放入樣品杯中，輕搖使表面平整，并使用漫反射光進行光譜采集。為了能盡量消除由裝樣緊實度不同和粒度差異帶來的誤差，每個樣品重復掃描3次，將3次掃描的平均光譜作為樣品的最終分析光譜，每次都進行重新裝樣和背景掃描[42]。對于單粒種子，應分別采集種子正面和背面的不同位置的光譜，最后以平均值作為單粒種子的近紅外光譜[7]。

3.3 硬實率的測定

采用公認的浸泡法測定種子硬實率，即每個樣品都隨機選取完整飽滿、大小一致的種子100粒，在25℃恒溫下用蒸餾水浸泡24h后，統(tǒng)計未吸脹種子數(shù)，3次重復，最后取平均值，帶入公式計算硬實率[7,37]：

硬實率（%）＝（平均未吸脹種子數(shù)/100）×100

3.4 光譜預處理

光譜采集過程會受到環(huán)境、樣品狀態(tài)而引起噪聲，導致光譜的不重復或者基線漂移。為了建立一個穩(wěn)定、準確的校正模型，在建模前需對光譜進行預處理，濾除噪聲，凈化光譜信息。預處理方法主要有平滑處理、歸一化和基線校正[42]。平滑處理的目的在于消除高頻噪聲的干擾，提高信噪比。但此方法在平滑噪音的同時也平滑了分析信號，使信號失真，降低了光譜分辨率。歸一化處理的目的是消除因樣品的稀釋或光程的變化而引起的對光譜產生的影響?；€校正常用的方法是對光譜進行導數(shù)處理。對光譜進行一階導數(shù)處理能解決基線的偏移，進行二階導數(shù)處理能消除基線的漂移[11]。孫群[7]研究不同預處理方法對烏拉爾甘草單粒種子硬實率鑒別模型預測結果的影響，發(fā)現(xiàn)光譜預處理與不處理無顯著差異，可以直接選擇4000～8000cm－1光譜范圍建立硬實率預測模型。朱麗偉等[8]研究不同預處理方法對大豆、決明子和苦豆子硬實特性的定性分析模型鑒別率的影響，發(fā)現(xiàn)中心化、導數(shù)處理等方法能提高模型的鑒別率，但效果不明顯。因此，在預處理方法的選擇上，應根據(jù)樣品的特性選擇不同的處理方法進行比較研究，選擇最佳組合。

3.5 光譜范圍的選擇

在全譜區(qū)范圍內，不同波長處所吸收的信息對建模的貢獻不同。有些波長處，因干擾或者雜質等產生的吸收會存在測量誤差，影響模型的準確度。因此，為了避免這些譜區(qū)的誤差影響模型的準確度和穩(wěn)定性，建模前，需要對光譜區(qū)進行篩選，找出最有效的光譜區(qū)域。通常采用方差處理的方法，選擇光譜變化最明顯的區(qū)域，即是最有效的光譜區(qū)域[43]。相關研究表明，對農作物種子硬實率的研究中，最適合的光譜區(qū)范圍為4000～8000cm－1[7-8]。

3.6 樣品集的劃分

建模之前，將樣品的硬實率按從大到小依次排列，以2:1的比例分為校正集（Calibration set）和驗證集（Validation set），分集時盡可能使兩個集合中樣品的硬實率分布大致相同，其最大值、最小值、平均值以及標準差分布一致，使硬實和非硬實種子數(shù)的比值為1:1[37]。

3.7 模型的建立

采用化學計量學方法建立種子硬實率的近紅外光譜校正模型。NIRS分析方法中常用到的化學計量學方法為：偏最小二乘法（Partial Least Square，PLS），主成分回歸法（Principle Component Regression，PCR）和多元線性回歸法（Multivariate Linear Regression，MLR）。PCR主要服務于定性分析，而PLS主要用于定量分析[11,43]。孫群[7]選擇244粒烏拉爾甘草種子，采用定性偏最小二乘法（DPLS），建立了單粒種子的硬實特性定性分析模型，模型的鑒別率為95%，預測效果準確；之后，選擇115份甘草種子，采用定量偏最小二乘法（QPLS），建立了種子硬實率的定量分析模型，模型的預測準確率在90%以上[33]。王昕洵[37]在建立紫花苜蓿種子硬實率的預測模型時，選擇PLS、PCR、SMLR三種不同回歸方法，比較了模型的預測能力，結果表明，用PLS法所建模型預測能力最好；而建立不同硬實程度紫花苜蓿種子的近紅外分析模型時，采用PCR法建立了定性分析模型。

3.8 模型的檢驗與評價

建立模型以后，需對模型進行檢驗，確定其可靠性，再分析待測樣品。一般利用校正集的樣品建立校正模型，進行檢驗。具體方法為：從校正集中抽出一個或幾個樣品，以剩余樣品新建模型，再利用該新建模型預測抽出樣品，通過比較預測值和真實值的相近程度來評價模型預測效果。模型準確性的評價指標有相關系數(shù)、預測殘差平方和、建模標準差、預測標準差等。一個好的定標模型，要有較高的相關系數(shù)，低的建模標準差和預測標準差，且預測標準差接近或略大于建模標準差為宜，預測殘差平方和越小越好[37,43]。

4 問題與展望

目前，普遍采用浸種法判斷種子的硬實性，在統(tǒng)計硬實率時存在著不同的統(tǒng)計方法，如浸泡24h后統(tǒng)計硬實種子或者發(fā)芽結束后統(tǒng)計硬實種子。兩種統(tǒng)計法所建立的預測模型效果有差異。近年來，有學者嘗試研究其它無損分離硬實種子和非硬實種子的新方法，如液體比重法、冷凍膠體二氧化硅法等，但是這些方法也存在著缺陷，對有些作物種子上不適用。在建模時可以針對不同的作物種子選擇不同的硬實率判別法，比較不同判別法所建模型的預測能力。

近紅外光譜技術在種子硬實特性方面的研究很少。近幾年，國內學者嘗試建立了烏拉爾甘草、大豆、苦豆子、決明子和紫花苜蓿種子的硬實特性的預測模型，為無損檢測豆科作物種子的硬實特性提供了一種可能性。由于不同作物種子的硬實率和硬實程度不同，近紅外光譜檢測技術對有些作物種子的硬實率預測效果好，對有些作物則不理想。因此，今后研究的一個重點是擴大樣品范圍和研究對象，完善預測模型，提高預測能力和適用范圍，得到準確、穩(wěn)定、簡單、快速的檢測種子硬實率的方法，并將其應用到實際生產中。

[1] 杜建材, 王照蘭, 趙麗麗, 等. 不同處理方法破除扁蓿豆品系90-36種子硬實的效果研究[J]. 種子, 2011, 30(4): 37-41.

Du Jiancai, Wang Zhaolan, Zhao Lili, et al. Study on breaking hard seed effect of different treat methods for Melilotoidesruthenicastrain90-36[J]., 2011, 30(4): 37-41.

[2] 趙相勇, 孟軍江, 吳佳海. 不同處理方法對野生地八角硬實種子發(fā)芽率的影響[J]. 貴州農業(yè)科學, 2012, 40(3): 40-50.

Zhao Xiangyong, Meng Junjiang, Wu Jiahai. Effect of different treatment methods on germination rate of hard seeds of wild Astragalus bhotanensis[J]., 2012, 40(3): 48-50.

[3] 孫星邈, 王政, 李曙光, 等. 大豆硬實形成機制與破除技術的研究進展[J]. 大豆科技, 2014(3): 23-27.

Sun Xingmiao, Wang Zheng, Li Shuguang, et al. Progress on formation mechanism and breaking methods of hard seed in soybean[J]., 2014(3): 23-27.

[4] 曹幫華, 翟明普, 郭俊杰. 不同硬實程度的刺槐種子活力差異性研究[J].林業(yè)科學, 2005, 41(2): 42-47.

Cao Banghua, Zhai Mingpu, Guo Junjie. Study on vigor difference of seeds with different hard degree in Robiniapseudoacacia[J]., 2005, 41(2): 42-47.

[5] 田娟, 孫群, 王建華, 等. 不同硬實程度烏拉爾甘草種子的活力差異[J].植物生理學通訊, 2007, 43(2): 235-240.

Tian Juan, Sun Qun, Wang Jianhua, et al. Differences of seed vigor among different levels of hard seeds of Glycyrrhiza uralensis Fisch[J]., 2007, 43(2): 235-240.

[6] 楊期和, 尹小娟, 葉萬輝.硬實種子休眠的機制和解除方法[J].植物學通報, 2006, 23(1): 108-118.

Yang Qihe, Yin Xiaojuan, Ye Wanhui. Dormancy mechanism and breaking methods for hard seeds[J]., 2006, 23(1): 108-118.

[7] 孫群, 李軍會, 王建華, 等. 烏拉爾甘草單粒種子硬實特性的近紅外光譜分析[J]. 光譜學與光譜分析, 2009, 29(10): 2669-2672.

Sun Qun, Li Junhui, Wang Jianhua, et al. Identification of hardness of licorice single seed using near infrared spectroscopy[J]., 2009, 29(10): 2669-2672.

[8] Zhu Liwei, Huang Yanyan, Wang Qing, et al. Nondestructive identify- cation of hard seeds of three legume plants using near infrared spectroscopy[J]., 2012, 28(Sup2): 237-242.

[9] Delwiche S R, Norris K H. Classification of hard red wheat by near-infrared diffuse reflectance spectroscopy[J]., 1993, 70(1): 29-35.

[10] 吳建國, 石春海, 張海珍. 構建整粒油菜籽脂肪酸成分近紅外反射光譜分析模型的研究[J].光譜學與光譜分析, 2006, 26(2): 259-262.

Wu Jianguo, Shi Chunhai, Zhang Haizhen. Study on developing calibration models of fat acid composition in intact rapeseed by near infrared reflectance spectroscopy[J]., 2006, 26(2): 259-262.

[11] 韓亮亮, 毛培勝, 王新國, 等. 近紅外光譜技術在燕麥種子活力測定中的應用研究[J]. 紅外與毫米波學報, 2008, 27(2): 86-90.

Han Liangliang, Mao Peisheng, Wang Xinguo, et al. Study on vigour test of oat seeds with near infrared reflectance spectroscopy[J]., 2008, 27(2): 86-90.

[12] 毛莎莎, 曾明, 何紹蘭, 等. 近紅外光譜技術在水果成熟期預測中的應用[J]. 亞熱帶植物科學, 2010, 39(1): 82-87.

Mao Shasha, Zeng Ming, He Shaolan, et al. Application of near infrared spectra (NIRS) technology in prediction of maturity stage of fruit[J]., 2010, 39(1): 82-87.

[13] 趙杰文, 張海東, 劉木華. 利用近紅外漫反射光譜技術進行蘋果糖度無損檢測的研究[J]. 農業(yè)工程學報, 2005, 21(3): 162-165.

Zhao Jiewen, Zhang Haidong, Liu Muhua. Non-destructive determination of sugar contents of applesusing near infrared diffuse reflectance[J]., 2005, 21(3): 162-165.

[14] 畢衛(wèi)紅, 許峰, 呂超. 水果含糖量近紅外檢測系統(tǒng)及實驗[J]. 紅外技術, 2007, 29(11): 678-680.

Bi Weihong, Xu feng, Lv chao. A measuring system for sugar content of fruits and related experiment based on NIRS technology[J]., 2007, 29(11): 678-680.

[15] 王敏, 付蓉, 趙秋菊, 等. 近紅外光譜技術在果蔬品質無損檢測中的應用[J]. 中國農學通報, 2010, 26(5): 174-178.

Wang Min, Fu Rong, Zhao Qiuju, et al. Application of near infrared reflectance spectroscopy in nondestructive detection of fruits and vegetables quality[J]., 2010, 26(5): 174-178.

[16] Clark C J, McGlone V A, Jordan R B, et al. Detection of Brown heart in 'Braeburn' apple by transmission NIR spectroscopy[J]., 2003, 28(1): 87-96.

[17] Jha S N, Matsuoka T. Non-destructive determination of acid-brix ratio of tomato juice using near infrared spectroscopy[J]., 2004, 39(4): 425-430.

[18] 周子立, 張瑜, 何勇, 等. 基于近紅外光譜技術的大米品種快速鑒別方法[J]. 農業(yè)工程學報, 2009, 25(8): 131-135.

Zhou Zili, Zhang Yu, He Yong, et al. Method for rapid discrimination of varieties of rice using visible NIR spectroscopy[J]., 2009, 25(8): 131-135.

[19] 李偉, 肖愛平, 冷鵑. 近紅外光譜技術及其在農作物中的應用[J]. 中國農學通報, 2009, 25(3): 56-59.

Li Wei, Xiao Aiping, Leng Juan. Near-infrared spectroscopy and its applications in crops[J]., 2009, 25(3): 56-59.

[20] 黃玉萍, 吳貴茹, 陳坤杰. 近紅外光譜在轉基因農產品檢測中的研究進展[J]. 江西農業(yè)學報, 2010, 22(7): 107-110.

Huang Yuping, Wu Guiru, Chen KunJie. Research advance in identification of transgenic agricultural products by using Nir- spectroscopy[J]., 2010, 22(7): 107-110.

[21] Campo L, Monteagudo A B, Salleres B, et al. NIRS determination of non-structural carbohydrates, water soluble carbohydrates and other nutritive quality traits in whole plant maize with wide range variability[J]., 2013, 11(2): 463-471.

[22] Manley M, du Toit G, Geladi P. Tracking diffusion of conditioning water in single wheat kernels of different hardnesses by near infrared hyperspectral imaging[J]., 2011, 686(1-2): 64-75.

[23] 邰書靜, 張仁和, 史俊通, 等. 近紅外光譜法測定玉米秸稈飼用品質[J]. 農業(yè)工程學報, 2009, 25(12): 151-155.

TaiShujing, ZhangRenhe, ShiJuntong, et al. Prediction of forage quality of maize stover by near infrared spectroscopy[J]., 2009, 25(12): 151-155.

[24] Pavino D, Squadrone S, Cocchi M, et al. Towards a routine application of vibrational spectroscopy to the detection of bone fragments in feedingstuffs: Use and validation of a NIR scanning microscopy method[J]., 2010, 121(3): 826-831.

[25] Decruyenaere V, Lecomte P, Demarquilly C, et al. Evaluation of green forage intake and digestibility in ruminants using near infrared reflectance spectroscopy(NIRS): Developing a global calibration[J]., 2009, 148(2-4): 138-156.

[26] 李晉華, 楊志良, 王召巴, 等. 近紅外漫透射技術檢測玉米成分[J]. 紅外技術, 2013, 35(11): 732-736.

Li Jinhua, Yang Zhiliang, Wang Zhaoba, et al. The corn content measurement with near infrared diffuse transmission[J]., 2013, 35(11): 732-736.

[27] 姜健, 楊寶靈, 夏彤, 等. 紫花苜蓿幼苗耐鹽性的近紅外光譜鑒定[J]. 農業(yè)工程學報, 2010, 26(12): 207-211.

Jiang Jian, Yang Baoling, Xia Tong, et al. Identification of alfalfa seedling salt tolerance by near infrared reflectance spectroscopy[J]., 2010, 26(12): 207-211.

[28] 聶志東, 韓建國, 玉柱, 等. 近紅外光譜技術（NIRS）在草地生態(tài)學研究中的應用[J]. 光譜學與光譜分析, 2007, 27(7): 691-696.

Nie Zhidong, Han Jianguo, Yu Zhu, et al. Applications of near infrared reflectance spectroscopy technique(NIRS) to grassland ecology research[J]., 2007, 27(7): 691-696.

[29] Baloyi J J, Hamudikuwanda H, Berardo N, et al. Near infrared reflectance spectroscopy(NIRS) prediction of herbage quality from forage and browse legumes, and natural pasture grass grown in Zimbabwe[J]., 2013, 8(10): 868-871.

[30] 李書英, 韓建國. 近紅外光譜技術在高爾夫草坪管理中的應用[J]. 光譜學與光譜分析, 2008, 28(17): 1539-1543.

Li Shuying, Han Jianguo. Application of near-infrared spectroscopy in golf turfgrass management[J]., 2008, 28(17): 1539-1543.

[31] 任衛(wèi)波, 韓建國, 張?zhí)N薇, 等. 近紅外光譜分析技術及其在牧草種子質量監(jiān)督檢驗上的應用前景[J]. 光譜學與光譜分析, 2008, 28(3): 555-558.

Ren Weibo, Han Jianguo , Zhang Yunwei, et al. The application of near infrared reflectance spectroscopy in seeds quality certification[J]., 2008, 28(3): 555-558.

[32] Pande R, Mishra H N. Fourier transform near-infrared spectroscopy for rapid and simple determination of phytic acid content in green gram seeds(Vignaradiata)[J]., 2014, 172: 880-884.

[33] 孫群, 李欣, 李航, 等. 烏拉爾甘草種子硬實率的近紅外光譜分析[J]. 光譜學與光譜分析, 2010, 30(1): 70-73.

Sun Qun, Li Xin, Li Hang, et al. Determination of hard rate of licorice() seeds using near infrared reflectance spectroscopy[J]., 2010, 30(1): 70-73.

[34] 張娟娟, 田永超, 姚霞, 等. 基于近紅外光譜的土壤全氮含量估算模型[J]. 農業(yè)工程學報, 2012, 28(12): 183-188.

Zhang Juanjuan, Tian Yongchao, Yao Xia, et al. Estimating model of soil total nitrogen content based on near-infrared spectroscopy analysis[J]., 2012, 28(12): 183-188.

[35] Kim I, Pullanagari R R, Deurer M, et al. The use of visible and near- infrared spectroscopy for the analysis of soil water repellency[J]., 2014, 65(3): 360-368.

[36] Debaene G, Pikula D, Niedzwiecki J. Use of VIS-NIRS for land management classification with a support vector machine and prediction of soil organic carbon and other soil properties[J]., 2014, 41(1): 21-32.

[37] 王昕洵. 紫花苜蓿種子硬實比率的近紅外光譜技術分析[D]. 北京: 中國農業(yè)大學, 2013.

Wang Xinxun. Study of the rate of alfalfa hard seeds on near infrared reflectance spectroscopy technique[D]. Beijing: China Agricultural University, 2013.

[38] Williams P C. Application of near-infrared reflectance spectroscopy to analysis of cereal grains and oil seeds[J]., 1975, 52(4): 561-576.

[39] 王文真. 樣品粒度對近紅外分析結果的影響[J]. 分析儀器, 1993(2): 52-54.

Wang Wenzhen. Effect of sample size on near infrared analysis results[J]., 1993(2): 52-54.

[40] 胡新中, 魏益民, 張國權, 等. 近紅外谷物品質分析儀工作穩(wěn)定性研究[J]. 糧食與飼料工業(yè), 2001(6): 46-47.

Hu Xinzhong, Wei Yimin, Zhang Guoquan, et al. A study on the test stability of NIR analyzer[J]., 2001(6): 46-47.

[41] 田錦蘭. NIRS定量分析羽衣甘藍含油量、蛋白質含量和脂肪酸成分數(shù)學模型的建立[D]. 重慶: 西南大學, 2009.

Tian Jinlan. Models of oil, protein and fatty-acid composition by NIRS analysis invar. acephala[D]. Chongqing: Southwest University, 2009.

[42] 許瑞軒, 李東寧, 楊東海, 等. 近紅外光譜法田間快速估測新鮮紫花苜蓿品質[J]. 光譜學與光譜分析, 2013, 33(11): 3010-3013.

Xu Ruixuan, Li Dongning, Yang Donghai, et al. Alfalfa quality evaluation in the field by near-infrared reflectance spectroscopy[J]., 2013, 33(11): 3010-3013.

[43] 楊瓊. 近紅外光譜法定量分析及其應用研究[D]. 重慶: 西南大學, 2009.

Yang qiong. Study on near infrared spectrometry for quantitative analysis and its analytical application[D]. Chongqing: Southwest University, 2009.

Application of Near Infrared Spectroscopy (NIR) Technique in Hard Seed Testing Research

CHEN Ling-ling1,2，XIA Fang-shan1，MAO Pei-sheng1，ZHU Yan-qiao1

(1.,,,100193,; 2.,,024031,)

Near infrared spectroscopy(NIR) has been used widely in many research areas because of its unique technical advantages. In this paper, the NIR technique's concept and its application situation in non-destructive testing were briefly illustrated, and the method for determination of the hard seed percentage with NIR were introduced in detail on the basis of reviewing the application of NIR on qualitative identification of the hard seed percentage. Also，the existing problems and research direction were issued. The aim of this paper was to provide assistance in researching on the non-destructive testing method for hard seed percentage. It will be meaningful to help the future researches on the traits of hard seeds.

near infrared spectroscopy，hard seed percentage，hard-seededness，non-destructive testing

TN219

A

1001-8891(2015)09-0793-06

2015-04-04；

2015-05-16.

陳玲玲（1982-），女，蒙古族，內蒙古赤峰人，博士生，主要從事牧草種子生產與生理研究。E-mail：chenlingling001@126.com。

毛培勝（1970-），男，博士，教授，主要從事牧草種子生理與良種擴繁研究。E-mail：maops@cau.edu.cn。

國家“十二五”科技支撐計劃課題，編號：2011BAD17B01-02；中央高?；究蒲袠I(yè)務費專項資金資助：2014JD025。