關鍵字：大豆；種子活力；檢測；高光譜；深度學習；注意力機制中圖分類號：S127 文獻標識碼：A 文章編號：1000-4440（2025）05-0927-10

Abstract：To achieve eficient，accurate，and non-destructive identification of soybean seed vigor，this study used seedsofthesoybeanvariety Williams 82asexperimentalmaterials.Alibraryof soybeanseeds withdiferentlevelsof vigor wasconstructedthroughartificialagingtreatments.HyperspectralimagesandRGBimagesof theseedswerethencollected to generate three image datasets （RGB dataset，SIQ dataset，and ENVIdataset）.Four deep learning models （Vg16Net， GoogLeNet，MobileV3Net，and ResNet-34）were employed to detectseed vigor，and theoptimal modelsand datasets were selected.Furthermore，thecoordinate atention（CA）mechanismandlabel smothing loss function were incorporated into theoptimal models toenhancetheirdetectionperformanceandrobustnessTheresultsdemonstratedthatusingtheSIQdata

set and ResNet-34 model，the recognition accuracy reached 97.6% and 96.8% on the training set and validation set，respectively.The detection performance was superiortoothercombinationsofmodelsand datasets.The CA-ResNet-34 model，which incorporated the CA mechanismand label smoothinglossfunction into the ResNet-34 model，achieved a detection accuracy of 98.5% for soy

bean seed vigor based onthe SIQdataset.Thisrepresentedanimprovementof1.7percentage points inaccuracycompared totheoriginal ResNet-34model.Theresultsofthis studycanprovideanew methodfortheaccurate，non-destructive，and efficient detection of soybean seed vigor.

Key words： soybean；seed vigor；detection；hyperspectral；deep learning；atention mechanism

大豆是中國重要的油料作物和經(jīng)濟作物，2023年中國大豆種植面積達 1.047×10⁷hm² ，產(chǎn)量約2.084×10⁷ t。由于大豆種子的種皮較薄，內(nèi)部組織結(jié)構較為松散，使得大豆種子在儲存時對環(huán)境條件比較敏感，極易在儲存時發(fā)生老化。而種子老化常導致其活力下降、出苗延遲、成苗率低以及幼苗生長勢和抗逆能力下降，進而降低大豆的產(chǎn)量和經(jīng)濟價值[1-2]。老化種子和非老化種子在外表上并沒有明顯的差異，非專業(yè)人員很難區(qū)分。生產(chǎn)中常通過測定種子的酶活性、浸泡液電導率和發(fā)芽率等來評估種子的質(zhì)量和活力，但這些方法耗時長、成本高且易對種子造成損害，因此生產(chǎn)中亟需建立一種高效、精準、無損的大豆種子活力度檢測方法。

近年來，基于高光譜技術和機器學習方法（包括深度學習方法）的作物長勢監(jiān)測、作物營養(yǎng)狀況監(jiān)測、病蟲害監(jiān)測已取得較多成果[3-8]。在基于高光譜技術和深度學習方法的種子活力檢測方面亦得到初步開展。張伏等利用 963～1698nm 的玉米種子光譜數(shù)據(jù)，實現(xiàn)了熱損傷玉米種子的檢測，識別精確率達 98.33% 。Liu等[10]基于光譜-空間特征提取高光譜圖像，實現(xiàn)了糯玉米種子機械損傷檢測。Zhang等[1利用高光譜成像技術結(jié)合深度森林模型進行凍害水稻種子的識別。彭彥昆等[12利用近紅外光譜和PCA-SVM模型實現(xiàn)熱損傷番茄種子的識別;Peng等[13]利用高光譜成像和深度學習方法進行缺陷松子的檢測。Al-Amery等[14]利用近紅外光譜數(shù)據(jù)，構建了大豆種子活力的偏最小二乘回歸（PLSR）分類模型，該模型在區(qū)分高活力與低活力種子方面表現(xiàn)出較高的準確性，準確率超過 85% 。然而在進行更精細化的種子活力檢測時效果并不理想。Zhang等[15]結(jié)合高光譜成像技術、非靶向代謝組學方法和機器學習方法等成功實現(xiàn)自然老化和加速老化甜玉米種子的活力監(jiān)測。Ambrose等[16]利用高光譜成像技術和PLSDA模型實現(xiàn)玉米種子活力的快速測定; Xu 等[17]利用高光譜成像結(jié)合多元數(shù)據(jù)分析成功實現(xiàn)玉米種子活力分類；丁子予等[18]利用玉米種子全光譜信息提取特征光譜，并結(jié)合深度學習方法實現(xiàn)玉米種子活力檢測分類。Qi等[9]利用一種改進的DCGAN（深度卷積生成對抗網(wǎng)絡）和近紅外高光譜成像技術實現(xiàn)水稻種子活力檢測。此外，高光譜技術在西瓜、辣椒、甜菜等作物種子的活力檢測中亦有開展[20-22] O

目前利用種子表型進行識別的相關研究很多，但由于大多豆類種子老化后表型并無明顯變化，針對大豆種子活力檢測的研究還比較少，所得結(jié)果難以應用到實際生產(chǎn)中，且基于高光譜成像技術和深度學習方法的大豆種子活力檢測更少。此外，研究人員提出了較多的高光譜圖像處理方法，但不同處理方法所得數(shù)據(jù)對種子活力檢測差異比較的研究較少。因此，本研究以不同活力大豆種子的高光譜圖像為研究對象，結(jié)合深度學習方法，通過多個數(shù)據(jù)集和多個模型相互交叉訓練篩選出最優(yōu)數(shù)據(jù)集和較優(yōu)模型，并對較優(yōu)模型結(jié)構以及訓練方式加以優(yōu)化實現(xiàn)對不同活力度大豆種子高效、精準、無損識別，從而為大豆種子篩選和大豆種子活力檢測儀器的開發(fā)提供參考。

1材料與方法

1.1種子處理

本研究試驗所用種子為大豆品種Williams82種子，由省農(nóng)業(yè)科學院經(jīng)濟作物研究所提供。2023年8月，挑選大小均勻、顆粒飽滿且無損的大豆種子3900粒，利用3個小網(wǎng)袋平均分裝后，用 1% 次氯化鈉溶液浸泡 5min 后沖洗干凈，1袋為不作處理對照，另外2袋放入提前預熱好的溫度（ 58±1 ） C 的恒溫水浴鍋中進行人工老化處理[23-24]，分別水浴 12min 和24min ，取出后平鋪放在通風處自然干燥3～5d直至種子含水量降至原狀態(tài)，得到未老化種子、老化12min 種子及老化 24min 種子，如圖1所示。從各處理種子中取出100粒，先采集各粒種子的高光譜數(shù)據(jù)及影像數(shù)據(jù)，再在恒溫 28^°C 智能溫室中進行發(fā)芽試驗，3d后觀察種子的萌發(fā)情況，以種子萌發(fā)的芽長超過自身長度為正常萌發(fā)統(tǒng)計萌發(fā)率。根據(jù)芽長將種子活力分為高活力、中活力和低活力，對應芽長分別為gt;12.1cm.5.1～12.0cm 和 ?5.0cm 。

1.2 圖像采集

利用SpecimIQ手持式高光譜成像儀（芬蘭SPECIM公司產(chǎn)品）采集各處理大豆種子的高光譜圖像和RGB圖像。采集時利用三腳架固定成像儀后將大豆種子每4粒一組擺放至鏡頭下方垂直

30cm 處，采用Simultaneous參照白板進行數(shù)據(jù)采集，最終采集到各粒種子 397～1 004nm 波段的高光譜數(shù)據(jù)和RGB圖像。

1.3數(shù)據(jù)集制作

直接將采集到的RGB圖像導出并裁剪得到RGB初始數(shù)據(jù)集，初始數(shù)據(jù)集經(jīng)過水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、色彩增強、添加噪聲、飽和度調(diào)整等數(shù)據(jù)增強后，每個處理可得600張RGB圖像數(shù)據(jù)，3個處理共得1800張RGB數(shù)據(jù)。其中 70% 用作訓練集，30% 用作測試集。

采集得到的高光譜數(shù)據(jù)集采用兩種方式進行處理，一是利用SpecimIQ手持式高光譜成像儀配套的IQStudio高光譜數(shù)據(jù)可視化程序進行處理，二是利用ENVI5.3軟件進行處理。

IQStudio導人采集的高光譜數(shù)據(jù)后在不同處理的種子表面光線均勻的地方分別選取300個不同的像素點，根據(jù)不同活力種子的高光譜曲線特征（圖2），提取光譜反射率 .gt;75% 的斑塊進行標記（圖3），并導出和裁剪得到SIQ數(shù)據(jù)集。

將高光譜數(shù)據(jù)導人ENVI5.3軟件后，以不同活力種子整個表面為感興趣區(qū)域，計算不同活力種子整個表面的平均光譜曲線（圖4），構建不同活力種子的平均高光譜特征數(shù)據(jù)庫。再根據(jù)種子表面各像素點的高光譜曲線特征，利用光譜角映射分類器進行種子表面光譜特征分布分析（圖5），構建ENVI數(shù)據(jù)集。

1.4 模型構建與評估

1.4.1模型構建、選擇與優(yōu)化使用Pytouch3.8平臺構建 Vgg16Net^[25] 、GoogLeNet[26]、Mobi-leV3Net^[27] ！ ResNet-34^[28] 4個深度卷積神經(jīng)網(wǎng)絡模型。然后利用不同模型和數(shù)據(jù)集進行大豆種子活力檢測性能分析，篩選出最優(yōu)模型和數(shù)據(jù)集，再進一步在最優(yōu)模型中添加坐標注意力（Coordinateattention，CA）機制，模型訓練過程中選用標簽平滑用作損失函數(shù)的計算，進一步優(yōu)化模型，提升模型檢測性能。

1.4.1.1 標簽平滑標簽平滑（Label smoothing）是一種正則化技術，用于深度學習模型的訓練過程中[29]。該技術能避免模型對訓練數(shù)據(jù)中的某些標簽過于自信導致過擬合，有助于模型學習到更為平滑的決策邊界。標簽平滑通常與交叉熵損失函數(shù)結(jié)合使用，是模型訓練過程中損失函數(shù)的重要組成部分[30]

1.4.1.2坐標注意力機制坐標注意力（CA）機制是一個即插即用的輕量級注意力模塊，是將位置信息嵌入到通道注意力中[31]。與傳統(tǒng)的通道注意力不同，本研究采用的CA機制通過一維全局池化將輸入特征分解為兩個特征編碼，分別沿著不同空間方向聚合特征，以保留精確位置信息[32]。CA 機制結(jié)構如圖6所示。維度為 C×H×W 的輸人特征圖首先沿寬度（W）和高度 （H） 分別進行全局平均池化，得到維度為 C×H×1 和 C×1×W 的特征圖，然后經(jīng)過特征融合與轉(zhuǎn)換層（ Concat+Conv2d） 將兩個池化后的特征圖像在通道維度上進行拼接，得到一個C/r×1×（W+H） 的特征圖像（ r 為調(diào)節(jié)注意力機制的縮減系數(shù)），進一步經(jīng)過批量歸一化與非線性激活層（BatchNorm ¹⁺ Non-linear）對卷積后的特征圖進行批量歸一化（BatchNorm）處理和非線性激活處理，以提高模型的表達能力，再經(jīng)過分裂（Split）與二維卷積模塊（Conv2d）將批量歸一化和激活后的特征圖分裂為兩個維度分別為 C×1×W 和 C×H×1 的特征圖，再經(jīng)過Sigmoid激活與重標定層對兩個卷積后的特征圖生成兩個注意力圖，這兩個圖將分別在寬度和高度上對輸入特征圖進行重標定；再經(jīng)過特征權重重新分配層（Re-weight）將Sigmoid激活后的注意力圖輸出為加權后的維度為 C×H×W 特征圖，此時特征圖就完成了某些特征的強化或弱化，同時結(jié)合了原始輸人特征的通道信息和空間位置信息。

CA機制能夠非常準確地捕獲到不同通道之間的關系，而且還考慮到相關的位置信息，提高了特征表達的準確性[33]。憑借其靈活性和輕量化設計，CA機制能夠無縫集成到不同的網(wǎng)絡架構中，滿足多樣化的任務需求。

1.4.1.3 CA-ResNet-34模型結(jié)構CA-ResNet-34模型網(wǎng)絡結(jié)構如圖7所示。在CA-ResNet-34模型中，每個殘差塊包含多個卷積層和注意力模塊，以及1個捷徑連接。對于一個殘差塊，如果輸入和輸出的形狀相同，則捷徑分支中無需添加 1×1 卷積。如果c ：通道數(shù)量， 1 ：圖像的高度，W：圖像的寬度，r：調(diào)節(jié)注意力機制的縮減系數(shù)， AvgPool ：空間池化層， Conv2d：2 維卷積，Concat + Conv2d：特征融合與轉(zhuǎn)換層， BatchNorm⁺ Non-linear：批量歸一化與非線性激活層，Sigmoid：激活函數(shù)，Re-Weight：特征權重重新分配層，Split：分裂與二維卷積模塊。

輸入和輸出的形狀不同，比如在降采樣或者升維的情況下，則捷徑分支中需要添加 1×1 卷積層，用于匹配輸人和輸出的形狀。

經(jīng)規(guī)范化處理成維度為 3×224×224 的圖片輸人模型，模型由8個模塊組成，數(shù)據(jù)輸入后首先經(jīng)過卷積核大小為 7×7 的卷積層，再通過1個最大池化下采樣層，然后經(jīng)過4個殘差模塊處理，最后經(jīng)過平均池化下采樣層到全連接層實現(xiàn)特征提取并分類。每個殘差模塊都有2個卷積核大小為 3×3 的卷積層和2個CA機制模塊組成，相同維度的殘差模塊直接相連，不同維度的殘差模塊通過1個核大小為 1×1 的卷積層相連，從而實現(xiàn)升維或降維操作。

1.4.2模型評估本研究采用混淆矩陣和準確率（Accuracy）精確度（Precision）、召回率（Recall）、特異度（Specificity）等指標來評估模型的檢測性能。混淆矩陣能揭示模型的總體性能，詳細展示模型在各個類別上的預測準確性，是衡量模型檢測性能的重要標準之一[34]。準確率、精確度、召回率、特異度等指標的計算方法如下：

式中， TP 為實際值為正、預測結(jié)果為正的樣本數(shù)； FP 為實際值為負、預測結(jié)果為正的樣本數(shù)；TN為實際值為負、預測結(jié)果為負的樣本數(shù)； FN 為實際值為正、預測結(jié)果為負的樣本數(shù)。

2 結(jié)果與分析

2.1 大豆種子的萌發(fā)

避光萌發(fā)3d后，各處理大豆種子的萌發(fā)情況如圖8所示。從圖中可以看出，未老化處理的CK種子萌發(fā)率達 99% ，芽長基本在 12cm 以上；老化12min 處理的大豆種子萌發(fā)率為 54% ，且萌發(fā)種子的芽長大多低于 12cm ;老化 24min 處理的大豆種子萌發(fā)率僅為 7% ，基本均為低活力種子。

2.2適宜模型和數(shù)據(jù)集的篩選

不同數(shù)據(jù)集下，4個模型對大豆種子活力檢測結(jié)果的準確率如表1所示。從表中可以看出，基于RGB、SIQ、ENVI數(shù)據(jù)集，ResNet-34模型驗證集準確率分別達到 91.9%9.96.8%.97.4% ，表現(xiàn)最好。基于SIQ數(shù)據(jù)集， ResNet-34 模型的訓練集和驗證集識別準確率分別達到 97.6% 和 96.8% ，效果較好。基于RGB數(shù)據(jù)集、ENVI數(shù)據(jù)集，ResNet-34模型的識別準確率亦均在 90.0% 以上，但兩者在訓練集和驗證集上的檢測準確率差異均在5個百分點以上，說明基于RGB數(shù)據(jù)集和ENVI數(shù)據(jù)集，ResNet-34模型的大豆種子活力檢測存在一定的欠擬合現(xiàn)象。

基于不同模型和數(shù)據(jù)集的大豆種子活力檢測結(jié)果的混淆矩陣如圖9所示。從圖中可以看出，基于RGB和SIQ數(shù)據(jù)集， Vgg16Net 模型無法正確區(qū)分不同活力的種子，基于ENVI數(shù)據(jù)集， Vgg16Net 模型的分類效果有所改善，但錯判情況仍較為嚴重。基于3個數(shù)據(jù)集，MobileV3Net模型、GoogLeNet模型能較好地進行不同活力大豆種子的分類，其中，基于ENVI數(shù)據(jù)集的分類效果更好。基于RGB、SIQ、ENVI3個數(shù)據(jù)集，ResNet-34模型的大豆種子活力分類效果優(yōu)于其他3個模型；基于SIQ數(shù)據(jù)集、ENVI數(shù)據(jù)集，ResNet-34模型的誤判比基于RGB數(shù)據(jù)集更少。但由于基于ENVI數(shù)據(jù)集，ResNet-34模型的種子活力檢測準確率在訓練集和驗證集上存在較大差異，即模型存在過擬合現(xiàn)象，因此，本研究認為，基于SIQ數(shù)據(jù)集的ResNet-34模型大豆種子活力檢測效果最好。

基于RGB數(shù)據(jù)集、SIQ數(shù)據(jù)集和ENVI數(shù)據(jù)集，ResNet-34模型對大豆種子活力檢測的精確度、召回率、特異度如表2所示。從表中可以看出，基于SIQ和ENVI數(shù)據(jù)集的ResNet-34模型大豆種子活力的檢測精確度、召回率、特異度均表現(xiàn)較好，而基于RGB數(shù)據(jù)集，ResNet-34模型的精確度和召回率相對較低。考慮到基于ENVI數(shù)據(jù)集進行檢測出現(xiàn)的過擬合現(xiàn)象，本研究認為本試驗條件下，利用Res-Net-34模型和SIQ數(shù)據(jù)集進行大豆種子活力檢測效果較好。

2.3 CA-ResNet-34訓練結(jié)果

基于SIQ數(shù)據(jù)集，CA-ResNet-34模型訓練集和驗證集的準確率和損失率隨訓練迭代次數(shù)的變化如圖10所示。從圖中可以看出，迭代次數(shù)低于100次時，訓練集與驗證集的準確率快速增加，而損失率迅速下降，當?shù)螖?shù)達到300次時，訓練集與驗證集的準確率和損失率達到穩(wěn)定，經(jīng)過500次的迭代后，訓練集和驗證集的準確率分別高達 99.0% 和98.5% ，分別比ResNet-34模型提升1.4個百分點和1.7個百分點。此外，訓練集和驗證集的準確率和損失率保持相同趨勢，說明CA-ResNet-34模型的檢測性能較好。

2.4ResNet-34模型和CA-ResNet-34模型檢測性 能差異

利用SIQ數(shù)據(jù)集，CA-ResNet-34模型對驗證集大豆種子活力檢測結(jié)果的混淆矩陣如圖11所示。從圖中可以看出，高活力種子中仍有5個樣本被誤判為中活力種子，中活力種子中亦有5個樣本被錯誤分類，低活力種子全部正確分類，而原始模型ResNet-34中高活力種子有7個樣本、中活力種子有12個樣本被錯誤分類，說明改進后的模型對大豆種子活力檢測效果更好。

基于SIQ數(shù)據(jù)集，ResNet-34模型和CA-ResNet-34模型對大豆種子活力進行檢測得到的精確度、召回率、特異度如表3所示。從表中可以看出，CA-ResNet-34模型的檢測精確度、召回率、特異度分別為 98.1%98.1%99.1% ，比原始模型ResNet-34提升1.3個百分點、1.3個百分點、0.7個百分點。

3 討論與結(jié)論

目前，基于高光譜數(shù)據(jù)與機器學習方法的大豆種子活力檢測已有初步研究。Larios等[35]利用主成分分析（PCA）對原始光譜進行預處理，再結(jié)合傳統(tǒng)機器學習模型（支持向量機、K最近鄰等）對大豆種子活力進行檢測，研究結(jié)果發(fā)現(xiàn)模型能較好區(qū)分高活力種子種子和低活力種子。但當分類類別較多時，模型的識別效果較差。Al-Amery等[14]的研究結(jié)果表明，偏最小二乘分類模型無法區(qū)分高活力種子和中活力種子。此外，上述研究中一般多采用傳統(tǒng)機器學習模型，在光譜數(shù)據(jù)的使用上一般先選擇感興趣區(qū)域，再利用主成分分析等算法進行光譜數(shù)據(jù)的分析，進而提取有效特征光譜，并進行檢測，其步驟繁瑣，方法復雜。本研究首先基于成像高光譜數(shù)據(jù)，分析了不同活力種子的高光譜特征，建立了基于成像高光譜的SIQ數(shù)據(jù)集、ENVI數(shù)據(jù)集和RGB數(shù)據(jù)集，再利用 Vgg16Net 、GoogleNet、MobileV3Net、ResNet-344個深度學習模型進行大豆種子活力的檢測，發(fā)現(xiàn)基于SIQ數(shù)據(jù)集，ResNet-34模型驗證集對大豆種子活力檢測的準確率為 96.8% 。在Res-Net-34模型中進一步引入CA注意力機制及標簽平滑技術后，優(yōu)化后的模型（CA-ResNet-34）對大豆種子活力檢測的準確率高達 98.5% 。本研究還發(fā)現(xiàn)基于RGB 數(shù)據(jù)集、SIQ數(shù)據(jù)集和ENVI數(shù)據(jù)集，Res-Net-34模型在驗證集均取得較好的檢測效果，但在訓練集與驗證集間存在一定的差異，基于SIQ數(shù)據(jù)集，ResNet-34模型驗證集和訓練集的檢測準確率基本一致，而基于RGB 數(shù)據(jù)集、和ENVI 數(shù)據(jù)集，Res-Net-34模型在驗證集和訓練集間檢測準確率差異較大，說明模型的泛化性不好，因此，實際應用中需要綜合模型驗證集和訓練集的檢測性能，選擇適宜的

模型和數(shù)據(jù)集。

由于不同品種大豆種子及其老化后的表型差異較大，本研究建立的檢測方法僅適用于表型如品種Williams82的黃色種皮大豆種子，進一步的研究中可增加不同表型大豆種子樣本，進一步提高模型的識別精度和泛化能力。

參考文獻：

[1]高琴梅，盧新雄，朱凌燕，等.大豆種子老化MDA和4-HNE 的 含量變化相關性研究[J].種子，2019，38（4）：1-9.

［2］田桂霞.種子老化的生理化與分子機理研究進展[J].農(nóng)業(yè)與 技術，2018，38（10） ：42.

[3]ZHANG G S，XU TY， TIAN Y W. Hyperspectral imaging-based clasification of rice leaf blast severity over multiple growth stages [J].Plant Methods，2022，18（1）：123.

[4]YANG M，KANG X Y，QIU XF，et al. Method for early diagnosis of Verticillium wilt in cotton based on chlorophyl fluorescence and hyperspectral technology[J]. Computers and Electronics in Agriculture，2024，216：108497.

[5]GUOAT，HUANG WJ，DONG YY，et al.Wheat yellow rust detection using UAV-based hyperspectral technology[J].Remote Sensing，2021，13（1）：123.

[6]GUI JS，XUHR，F(xiàn)EIJY.Non-destructive detection of soybean pestbased on hyperspectral image and attention-ResNet metalearning model[J]. Sensors，2023，23（2） ：678.

[7]WANG ZL，F(xiàn)AN S X，AN T，et al. Detection of insect-damaged maize seed using hyperspectral imaging and hybrid 1D-CNN-BiLSTM model[J]．Infrared Physics amp; Technology，2024，137： 105208.

[8]NGUYEN H D，NANSEN C. Hyperspectral remote sensing to detect leafminer-induced stress in Bok choy and spinach according to fertilizer regime and timing[J].Pest Management Science，2020， 76（6）：2208-2216.

[9]張伏，禹煌，熊瑛，等.熱損傷玉米種子的高光譜無損檢 測[J].光譜學與光譜分析，2024，44（4）：1165-1170.

[10]LIUFS，F(xiàn)UJ，ZHAO RQ.Pixel-wise mechanical damage detection of waxy maize using spectral-spatial feature extraction and hyperspectral image[J]. Computers and Electronics in Agriculture， 2023，209：107853.

[11] ZHANG L， SUN H，RAO Z H，et al. Hyperspectral imaging technologycombined with deep forestmodel to identify frost-damaged rice seeds[J]. Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2020，229;17973.

[12]彭彥昆，趙芳，李龍，等.利用近紅外光譜與PCA-SVM識 別熱損傷番茄種子[J].農(nóng)業(yè)工程學報，2018，34（5）：159-165.

[13]PENG DD，JIN C，WANG J，et al.Defects recognition of pine nutsusing hyperspectral imaging and deep learning approaches [J].Microchemical Journal，2024，201：110521.

[14]AL-AMERYM，GENEVERL，SANCHESMF，et al. Near-infrared spectroscopyused to predict soybean seed germination and vigour[J]. Seed Science Research，2018，28（3） ：245-252.

[15]ZHANG TT，LUL，YANG N，et al. Integration of hyperspectral imaging，non-targeted metabolomicsand machine learning for vigour prediction of naturally and accelerated aged sweetcorn seeds [J].Food Control，2023，153：109930.

[16]AMBROSE A，KANDPAL L M，KIM MS，et al.High speed measurement of corn seed viability using hyperspectral imaging [J]. Infrared Physics amp; Technology，2016，75：173-179.

[17]XUP，ZHANGYP，TANQ，et al.Vigor identification of maize seedsbyusing hyperspectral imaging combined with multivariate dataanalysis[J].InfraredPhysicsamp;Technology，2022，126： 104361.

[18］丁子予，岳學軍，曾凡國，等.基于機器學習和深度學習的玉米 種子活力光譜檢測[J].華中農(nóng)業(yè)大學學報，2023，42（3）：230- 240.

[19]QI HN，HUANG ZH，JINBC，et al. SAM-GAN：an improved DCGAN for rice seed viability determination using near-infrared hyperspectral imaging[J].Computers and Electronics in Agriculture，2024，216：108473.

[20]HONG SJ，PARKS，LEE A，et al.Nondestructive predictionof pepper seed viability using single and fusion information of hyperspectral and X-ray images[J]. Sensors and Actuators A：Physical， 2023，350：114151.

[21］楊波，段明磊，楊童.基于高光譜成像技術的西瓜種子活 力等級分類方法研究[J].河南農(nóng)業(yè)科學，2022，51（9）：151- 158.

[22]周翔，興旺，楊軍，等.甜菜種子活力的測定;基于近紅 外高光譜技術[J].中國農(nóng)學通報，2021，37（29）：7-12.

[23]黃瑤，喬愛民，孫敏.熱水加速老化黃瓜種子的試驗研究 [J].種子，2004，23（8）：11-12，26.

[24]董永梅，謝宗銘，王志軍，等.熱水老化對棉花種子活力及遺傳 完整性的影響[J].種子，2018，37（3）：19-22，27.

[25]HUANG Y Q，DONG C， LUO X S，et al. Facial expresson recognition algorithm based on improved VGG16 network[C]//IEEE. 2021 6th international symposium on computer and information processing technology. Changsha，China：IEEE，2021：480-485.

[26]SZEGEDY C， LIU W，JIAY Q，et al. Going deeper with convolutions[C]//IEEE. 2015 IEEE conference on computer vision and pattern recognition.Boston，MA，USA：IEEE，2015：1-9.

[27]YI P Y，GU W X， ZHANG K，et al. Improvement and application of MobileNetV3-small model in the field of smart grid[C]//IEEE. 2022 2nd international conference on electrical engineering and control science.Nanjing，China：IEEE，2022：1144-1148.

[28]PATIL O S，LE D M，GRIFFIS E J，et al. Deep residual neural network （ResNet）-based adaptive control： a Lyapunov-based approach[C/OL]//IEEE.2022 IEEE 61st conference on decision and control （CDC）.Cancun，Mexico：IEEE，2O22.https：//arxiv. org/pdf/2404.07385v2.

[29]WEI YX，LIUQX，ZHANG GX，et al.Label smoothing technique for ordinal classification in cloud assessment[C/OL]// IEEE.IGARSS 2020-2020 IEEE international geoscience and remote sensing symposium.Waikoloa，HI，USA：IEEE，2020.https：//ieeexplore.ieee.org/document/9323714.

[30]ATKINSON G，LI X M，METSIS V.Conditional diffusion with label smoothing for data synthesis from examples with noisy labels [C]/IEEE. 2023 31st european signal processing conference （EUSIPCO）.Helsinki，F(xiàn)inland：IEEE，2023：1300-1304.

[31]LIU R J， CUI B G，F(xiàn)ANG X，et al. Super-resolution of GF-1 multispectral wide field of view images via a very deep residual coordinate attention network[J]. IEEE Geoscience and Remote Sensing Letters，2022，19：5513305.

[32]WANGEY，SURZ，HUANGBY，et al.EnhancingYOLOv7- based fatigue driving detection through the integration of coordinate attention mechanism[C]//IEEE.2O23 IEEE international conference on image processing and computer applications. Changchun， China：IEEE，2023：725-729.

[33]HOUQB，ZHOUDQ，F(xiàn)ENGJS.Coordinate attention for efficient mobile network design[C]//IEEE.2021 IEEE/CVF conference on computer vision and pattern recognition.Nashville，TN， USA：IEEE，2021. https：//arxiv.org/abs/2103.02907.

[34]KRSTINIC D，SERIC L，SLAPNICAR I. Comments on‘MLCM： Multi-Label confusion matrix'[J]. IEEE Access，2023，11：40692- 40697.

[35]LARIOSG，NICOLODELLIG，RIBEIRO M，et al.Soybean seed vigor discrimination by using infrared spectroscopy and machine learningalgorithms[J].Analytical Methods，2020，12（35）：4303- 4309.

（責任編輯：石春林）