高光譜成像技術在作物種子活力檢測中的應用研究進展

曾小思 陳芳育

（福建農林大學農學院種子科學與工程系，福建 福州 350002）

種子活力即種子的健壯度，是種子發芽和出苗率、幼苗生長的潛勢、植株抗逆能力和生產潛力的總和，是種子質量的重要指標。種子活力水平在種子生理成熟時最高，在收獲后的貯藏過程中會不可逆地逐漸下降，即種子老化劣變。因此，在播種前及時、準確地對種子活力進行檢測和篩選，有效地使用高活力種子，對我國作物播種方式的轉變及農業機械化生產發展具有重要的實踐意義。作物種子活力檢測技術可分為有損檢測技術和無損檢測技術，其中無損檢測技術已逐漸成為種子活力檢測的新手段。但利用儀器進行活力測定的傳統方法多數存在測定結果易受其他因素干擾、穩定性差的缺點。因此，研發更為完善的作物種子活力檢測技術具有重要意義。高光譜成像技術融合了光譜技術和圖像技術，是一種新興的作物種子活力無損檢測方式，兼具快速、準確、成本低和操作簡單等優良特點，已逐步應用于科研和生產實踐，也將成為未來種子活力檢測的重要發展趨勢之一。

1.利用高光譜成像技術進行種子活力檢測的基本原理

高光譜成像技術是兼顧光譜信息和空間信息采集于一體的新一代光電無損檢測技術，能同時捕捉到待測種子樣品的光譜信息與圖像信息，創建由二維幾何空間和一維光譜信息組成的三維數據立方體結構。可見-近紅外（VNIR）、近紅外（NIR）和短波紅外（SWIR）光譜是當前高光譜檢測常用的三個不同波長范圍，其中前兩者在作物種子活力檢測中的應用較多。成像光譜儀是高光譜成像系統中最關鍵的設備，它能探測到普通攝像機無法探測到的現象，更精細地發現種子樣品的微小特征，光譜響應范圍更廣，分辨率更高。

2.高光譜成像技術在作物種子活力檢測中的應用

2.1 基于可見-近紅外高光譜成像技術的作物種子活力檢測技術

基于可見-近紅外高光譜成像技術主要利用波長范圍為400-1000 nm 的光譜結合圖像技術對種子進行掃描，以判斷種子的活力情況，并基于此建立種子活力預測模型用于后續試樣的種子活力進行精準預測。彭彥昆等通過可見-近紅外光譜儀識別番茄種子特性并對種子活力進行分級，利用連續投影算法（SPA）提取特征波長，研究發現在713 nm 波長的圖像特征可以有效區分有活力和無活力種子。王新忠等利用可見-近紅外光譜對黃瓜種子活力進行檢測，對比了3 種預處理方法和2 個算法的正確分類率，發現 SPA-SVM 模型檢測黃瓜種子活力的準確率最高。Zhang 等采用可見-近紅外高光譜技術預測小麥種子活力，采用多種預處理方法和偏最小二乘回歸算法（PLS-R）建立模型，并通過連續投影算法（SPA）和回歸系數（RC）選擇波長，建立測定小麥種子活力的最適模型。李美凌等采用可見-近紅外高光譜成像技術檢測水稻種子活力，通過主成分分析法（PCA）確定特征波段，所建立的PCASVM 模型有效地提高了水稻種子活力預測的識別率。張婷婷等利用可見-近紅外高光譜成像技術檢測人工老化的單粒小麥種子生活力，分別比較分析4 種預處理方法和4種算法，篩選出與生活力相關性最高的特征波段，建立了種子生活力鑒別正確率較高的MC-UVE-CARS-SPA-PLSDA 模型，驗證了使用該方法實現對單粒小麥種子生活力進行定性判別的可行性。

2.2 基于近紅外高光譜成像技術的作物種子活力檢測技術

基于近紅外高光譜成像技術的種子活力檢測流程與基于可見-近紅外高光譜成像技術的檢測方法基本相似，但該方法主要利用波長范圍為900-1700 nm 的近紅外光譜，是預測不同品種種子活力較為有效的方法。He 等利用近紅外高光譜成像技術結合多種數據預處理方法和分類模型對活力水平存在差異的三個不同年份水稻種子活力進行檢測和評估，發現ELM-SG 模型僅從8 個波段的光譜數據中即可實現較高的種子活力分類準確率，表明近紅外高光譜檢測技術在識別水稻種子活力方面具有較大潛力。吳小芬等采用高光譜成像技術檢測常規稻種子活力，利用小波閾值去噪，建立支持向量機（SVM）模型，可準確識別高活力種子和老化種子。許思等選取4 個不同水稻品種種子進行3 種不同程度老化處理，采用高光譜成像技術進行活力檢測，所建立的PLS-DA 模型的建模集和預測集的識別正確率分別高達100%和98.75%，驗證了該方法的可行性。范雪婷等通過近紅外高光譜成像技術預測水稻種子活力，利用歸一化、二階差分和正交信號校正對光譜進行預處理，所建立的PLS-DA 模型對具有較高的檢測準確率。李武等利用近紅外光譜技術快速檢測8 個不同品種甜玉米種子活力，建立了檢測準確率較高的甜玉米種子活力相關指標定量模型。周翔等利用人工老化處理的甜菜種子和5種不同的近紅外高光譜預處理方法構建了種子活力智能檢測模型，發現一階差分預處理模型的預測性能最好，其預測準確率較高。近紅外高光譜成像技術與算法相結合構建最佳模型，可以提高實際信息與預測模型間的相關性和精準度。

2.3 基于高光譜成像技術與深度學習相結合的作物種子活力檢測技術

利用高光譜成像技術進行種子活力分析時，由于所得到的光譜數據信息量大、冗余性強，在進行全波段建模分析時易造成增加數據存儲空間和影響檢測實時性能等問題，故需要使用特征提取算法對光譜數據進行降維。深度學習模型種類較多，常用的包括卷積神經網絡（CNN）和堆疊自動編碼器（SAE）等模型，可使機器學習具有更高的人工智能，具備更強的的分析學習能力，進而更好地識別圖像信息。深度學習可以提取數據深度特征并提高模型魯棒性，近年來已逐步與高光譜成像技術相結合并應用于作物種子活力檢測。孫俊等利用高光譜圖像技術與SAE方法相結合檢測人工老化的水稻種子活力，采用小波閾值去噪結合一階導數（WTD-FD）的預處理方法，使用SAE提取特征變量所建立的SAE-GWO-SVM 模型準確率高達98.75%。張林利用高光譜成像技術結合SAE 提取特征變量構建SVM 分類模型，再利用改進灰狼優化算法（DEGWO）對模型參數進行優化，建立DE-GWO-SVM 模型，實現了水稻種子活力的準確分級。Jin 等使用近紅外高光譜成像技術結合CNN 深度學習法預測不同水稻品種自然老化后的種子活力，所建立的大多數模型準確率都可達85%以上，表明該方法在預測不同品種水稻種子活力方面具有較好效果。于施淼等利用高光譜成像技術獲得水稻糙米不同區域光譜數據以預測其發芽率，比較所建立四種不同模型的準確性，發現主成分分析（PCA）結合廣義回歸網絡（GRNN）模型的檢測精度最高。李亞婷基于高光譜成像技術與SAE 結合，建立大豆種子活力測定模型，再利用鳥群算法（BSA）優化參數，所建立的SAE-BSASVM 模型檢測準確率最佳，校正集和驗證集的分類準確率分別可達100%和98.67%。盧偉等利用高光譜檢測技術與TCA 遷移學習相結合對6 個經人工老化處理的不同水稻品種進行活力檢測，先使用PCA 和競爭性自適應重加權算法得到特征波段，對其中5 個品種分別建立CNN模型，再通過遷移學習將建立的模型遷移到第6 個品種進行活力預測，發現通過遷移學習，僅需訓練源域數據即可直接精確預測未知水稻品種的種子活力。Lei 等利用CNN深度學習法與高光譜成像技術相結合預測玉米種子活力，發現一維卷積神經網絡（1DCNN）模型和二維卷積神經網絡（2DCNN）模型都可以實現玉米種子活力的精確預測。以上研究報道表明基于高光譜成像技術與深度學習相結合的種子活力檢測方法可進一步提高種子活力檢測效率和準確性，具有重要的研究和應用價值。

3.結論與展望

綜上所述，高光譜成像技術因其獨有優勢已在作物種子活力檢測方面獲得重要進展。相對于基于生物學性質的傳統種子活力檢測技術而言，基于高光譜成像技術的無損種子活力檢測技術正逐步受到種子行業的重視。不同作物不同品種種子的特征光譜屬性有所差別，不同波段的高光譜成像側重點亦有所不同，故在利用高光譜成像技術進行種子活力檢測過程中需要不斷構建和優化相應檢測標準化數據庫，以進一步促進該技術在種業中的商業化應用和更新。高光譜成像技術結合化學計量學方法和深度學習等多元方法可以不斷提高種子活力檢測的效率、準確度和精準度。隨著電子信息技術、光學工程技術和人工智能等多學科交叉系統的發展，高光譜成像技術在未來還可進一步與其他光學技術或相關裝備相結合，以發展出更為先進的種子活力無損檢測技術，并在種子加工流水線中實現單粒種子活力的在線檢測和分選，這將是今后的重要發展趨勢。隨著該領域基礎理論和應用研究的進一步深化，基于高光譜成像技術的種子活力檢測技術將獲得越來越廣闊的應用場景，從而在一定程度上促進現代種業和精準農業的發展。