高光谱成像技术在作物种子活力检测中的应用研究进展

曾小思 陈芳育

（福建农林大学农学院种子科学与工程系，福建 福州 350002）

种子活力即种子的健壮度，是种子发芽和出苗率、幼苗生长的潜势、植株抗逆能力和生产潜力的总和，是种子质量的重要指标。种子活力水平在种子生理成熟时最高，在收获后的贮藏过程中会不可逆地逐渐下降，即种子老化劣变。因此，在播种前及时、准确地对种子活力进行检测和筛选，有效地使用高活力种子，对我国作物播种方式的转变及农业机械化生产发展具有重要的实践意义。作物种子活力检测技术可分为有损检测技术和无损检测技术，其中无损检测技术已逐渐成为种子活力检测的新手段。但利用仪器进行活力测定的传统方法多数存在测定结果易受其他因素干扰、稳定性差的缺点。因此，研发更为完善的作物种子活力检测技术具有重要意义。高光谱成像技术融合了光谱技术和图像技术，是一种新兴的作物种子活力无损检测方式，兼具快速、准确、成本低和操作简单等优良特点，已逐步应用于科研和生产实践，也将成为未来种子活力检测的重要发展趋势之一。

1.利用高光谱成像技术进行种子活力检测的基本原理

高光谱成像技术是兼顾光谱信息和空间信息采集于一体的新一代光电无损检测技术，能同时捕捉到待测种子样品的光谱信息与图像信息，创建由二维几何空间和一维光谱信息组成的三维数据立方体结构。可见-近红外（VNIR）、近红外（NIR）和短波红外（SWIR）光谱是当前高光谱检测常用的三个不同波长范围，其中前两者在作物种子活力检测中的应用较多。成像光谱仪是高光谱成像系统中最关键的设备，它能探测到普通摄像机无法探测到的现象，更精细地发现种子样品的微小特征，光谱响应范围更广，分辨率更高。

2.高光谱成像技术在作物种子活力检测中的应用

2.1 基于可见-近红外高光谱成像技术的作物种子活力检测技术

基于可见-近红外高光谱成像技术主要利用波长范围为400-1000 nm 的光谱结合图像技术对种子进行扫描，以判断种子的活力情况，并基于此建立种子活力预测模型用于后续试样的种子活力进行精准预测。彭彦昆等通过可见-近红外光谱仪识别番茄种子特性并对种子活力进行分级，利用连续投影算法（SPA）提取特征波长，研究发现在713 nm 波长的图像特征可以有效区分有活力和无活力种子。王新忠等利用可见-近红外光谱对黄瓜种子活力进行检测，对比了3 种预处理方法和2 个算法的正确分类率，发现 SPA-SVM 模型检测黄瓜种子活力的准确率最高。Zhang 等采用可见-近红外高光谱技术预测小麦种子活力，采用多种预处理方法和偏最小二乘回归算法（PLS-R）建立模型，并通过连续投影算法（SPA）和回归系数（RC）选择波长，建立测定小麦种子活力的最适模型。李美凌等采用可见-近红外高光谱成像技术检测水稻种子活力，通过主成分分析法（PCA）确定特征波段，所建立的PCASVM 模型有效地提高了水稻种子活力预测的识别率。张婷婷等利用可见-近红外高光谱成像技术检测人工老化的单粒小麦种子生活力，分别比较分析4 种预处理方法和4种算法，筛选出与生活力相关性最高的特征波段，建立了种子生活力鉴别正确率较高的MC-UVE-CARS-SPA-PLSDA 模型，验证了使用该方法实现对单粒小麦种子生活力进行定性判别的可行性。

2.2 基于近红外高光谱成像技术的作物种子活力检测技术

基于近红外高光谱成像技术的种子活力检测流程与基于可见-近红外高光谱成像技术的检测方法基本相似，但该方法主要利用波长范围为900-1700 nm 的近红外光谱，是预测不同品种种子活力较为有效的方法。He 等利用近红外高光谱成像技术结合多种数据预处理方法和分类模型对活力水平存在差异的三个不同年份水稻种子活力进行检测和评估，发现ELM-SG 模型仅从8 个波段的光谱数据中即可实现较高的种子活力分类准确率，表明近红外高光谱检测技术在识别水稻种子活力方面具有较大潜力。吴小芬等采用高光谱成像技术检测常规稻种子活力，利用小波阈值去噪，建立支持向量机（SVM）模型，可准确识别高活力种子和老化种子。许思等选取4 个不同水稻品种种子进行3 种不同程度老化处理，采用高光谱成像技术进行活力检测，所建立的PLS-DA 模型的建模集和预测集的识别正确率分别高达100%和98.75%，验证了该方法的可行性。范雪婷等通过近红外高光谱成像技术预测水稻种子活力，利用归一化、二阶差分和正交信号校正对光谱进行预处理，所建立的PLS-DA 模型对具有较高的检测准确率。李武等利用近红外光谱技术快速检测8 个不同品种甜玉米种子活力，建立了检测准确率较高的甜玉米种子活力相关指标定量模型。周翔等利用人工老化处理的甜菜种子和5种不同的近红外高光谱预处理方法构建了种子活力智能检测模型，发现一阶差分预处理模型的预测性能最好，其预测准确率较高。近红外高光谱成像技术与算法相结合构建最佳模型，可以提高实际信息与预测模型间的相关性和精准度。

2.3 基于高光谱成像技术与深度学习相结合的作物种子活力检测技术

利用高光谱成像技术进行种子活力分析时，由于所得到的光谱数据信息量大、冗余性强，在进行全波段建模分析时易造成增加数据存储空间和影响检测实时性能等问题，故需要使用特征提取算法对光谱数据进行降维。深度学习模型种类较多，常用的包括卷积神经网络（CNN）和堆叠自动编码器（SAE）等模型，可使机器学习具有更高的人工智能，具备更强的的分析学习能力，进而更好地识别图像信息。深度学习可以提取数据深度特征并提高模型鲁棒性，近年来已逐步与高光谱成像技术相结合并应用于作物种子活力检测。孙俊等利用高光谱图像技术与SAE方法相结合检测人工老化的水稻种子活力，采用小波阈值去噪结合一阶导数（WTD-FD）的预处理方法，使用SAE提取特征变量所建立的SAE-GWO-SVM 模型准确率高达98.75%。张林利用高光谱成像技术结合SAE 提取特征变量构建SVM 分类模型，再利用改进灰狼优化算法（DEGWO）对模型参数进行优化，建立DE-GWO-SVM 模型，实现了水稻种子活力的准确分级。Jin 等使用近红外高光谱成像技术结合CNN 深度学习法预测不同水稻品种自然老化后的种子活力，所建立的大多数模型准确率都可达85%以上，表明该方法在预测不同品种水稻种子活力方面具有较好效果。于施淼等利用高光谱成像技术获得水稻糙米不同区域光谱数据以预测其发芽率，比较所建立四种不同模型的准确性，发现主成分分析（PCA）结合广义回归网络（GRNN）模型的检测精度最高。李亚婷基于高光谱成像技术与SAE 结合，建立大豆种子活力测定模型，再利用鸟群算法（BSA）优化参数，所建立的SAE-BSASVM 模型检测准确率最佳，校正集和验证集的分类准确率分别可达100%和98.67%。卢伟等利用高光谱检测技术与TCA 迁移学习相结合对6 个经人工老化处理的不同水稻品种进行活力检测，先使用PCA 和竞争性自适应重加权算法得到特征波段，对其中5 个品种分别建立CNN模型，再通过迁移学习将建立的模型迁移到第6 个品种进行活力预测，发现通过迁移学习，仅需训练源域数据即可直接精确预测未知水稻品种的种子活力。Lei 等利用CNN深度学习法与高光谱成像技术相结合预测玉米种子活力，发现一维卷积神经网络（1DCNN）模型和二维卷积神经网络（2DCNN）模型都可以实现玉米种子活力的精确预测。以上研究报道表明基于高光谱成像技术与深度学习相结合的种子活力检测方法可进一步提高种子活力检测效率和准确性，具有重要的研究和应用价值。

3.结论与展望

综上所述，高光谱成像技术因其独有优势已在作物种子活力检测方面获得重要进展。相对于基于生物学性质的传统种子活力检测技术而言，基于高光谱成像技术的无损种子活力检测技术正逐步受到种子行业的重视。不同作物不同品种种子的特征光谱属性有所差别，不同波段的高光谱成像侧重点亦有所不同，故在利用高光谱成像技术进行种子活力检测过程中需要不断构建和优化相应检测标准化数据库，以进一步促进该技术在种业中的商业化应用和更新。高光谱成像技术结合化学计量学方法和深度学习等多元方法可以不断提高种子活力检测的效率、准确度和精准度。随着电子信息技术、光学工程技术和人工智能等多学科交叉系统的发展，高光谱成像技术在未来还可进一步与其他光学技术或相关装备相结合，以发展出更为先进的种子活力无损检测技术，并在种子加工流水线中实现单粒种子活力的在线检测和分选，这将是今后的重要发展趋势。随着该领域基础理论和应用研究的进一步深化，基于高光谱成像技术的种子活力检测技术将获得越来越广阔的应用场景，从而在一定程度上促进现代种业和精准农业的发展。