王 冬, 王 坤, 吳靜珠*, 韓 平*

1. 北京農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測技術(shù)研究中心, 北京 100097 2. 北京工商大學(xué)食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室, 北京 100048 3. 農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品質(zhì)量安全風(fēng)險評估實驗室(北京), 北京 100097

引 言

種子作為農(nóng)業(yè)投入品，是農(nóng)業(yè)生產(chǎn)過程的重要生產(chǎn)資料，其品質(zhì)對農(nóng)業(yè)經(jīng)濟有著至關(guān)重要的影響。種子質(zhì)量是種子品質(zhì)分級的重要指標(biāo)，關(guān)系到種子存儲過程的安全問題，并且可對種子等級劃分以及優(yōu)劣判定進行定量描述。種子活力直接影響種子的發(fā)芽速度、出苗整齊度以及抵抗逆環(huán)境生長的能力，與植株的生長優(yōu)勢和生產(chǎn)潛力密切相關(guān)； 而老化種子則是指種子活力的自然衰退，表現(xiàn)為種子變色、發(fā)芽率低、生長勢差、作物減產(chǎn)。種子的純度與真?zhèn)螘苯佑绊懽魑锂a(chǎn)量和農(nóng)產(chǎn)品品質(zhì)，與農(nóng)業(yè)生產(chǎn)實際利益息息相關(guān)。種子分類與溯源是保證種子純度與鑒別種子真?zhèn)蔚闹匾椒ā?/p>

對種子品質(zhì)的傳統(tǒng)檢測方法大多需要對種子進行破壞性分析，且檢測時間長、過程復(fù)雜，難以滿足現(xiàn)代農(nóng)業(yè)對種子無損、快速生產(chǎn)的要求。隨著化學(xué)計量學(xué)的發(fā)展和計算機技術(shù)的進步，近年來近紅外光譜、高光譜成像等新型分析技術(shù)在無損檢測領(lǐng)域?qū)崿F(xiàn)了諸多成功的應(yīng)用。近紅外光譜技術(shù)具有無損、快速、高效等特點，可在不破壞樣品的情況下，快速完成光譜數(shù)據(jù)采集，真正做到無損、快速分析； 在數(shù)據(jù)模型的支持下，通過一次光譜數(shù)據(jù)掃描即可獲得多個指標(biāo)的分析結(jié)果，分析效率較傳統(tǒng)方法明顯提高。高光譜成像技術(shù)是一種將光譜技術(shù)和成像技術(shù)相結(jié)合的新型分析技術(shù)，在提供光譜信息的同時還可以提供樣品的空間分布和圖像特征信息，在對樣品進行光譜信息采集的同時還可以實現(xiàn)樣品的圖像信息采集，從而為種子品質(zhì)分析提供更多數(shù)據(jù)與信息。

本文圍繞近紅外光譜、高光譜成像等光學(xué)檢測技術(shù)，針對種子品質(zhì)無損快速檢測，從種子質(zhì)量評價、活力與老化檢測、純度與真?zhèn)舞b別、分類與溯源研究四個方面對近年文獻進行綜述，在此基礎(chǔ)上，對種子品質(zhì)無損快速檢技術(shù)進行總結(jié)與展望。

1 種子質(zhì)量評價

種子質(zhì)量關(guān)系著種子的健康狀況，是種子等級劃分以及衡量種子優(yōu)劣的定量指標(biāo)。種子質(zhì)量主要包含種子含水率、蛋白含量、脂肪酸含量、淀粉含量等。其中，水分含量關(guān)系著種子儲存過程的安全性。水分含量過高常會導(dǎo)致種子生蟲、發(fā)霉，造成嚴(yán)重損失。近年來，很多學(xué)者針對種子水分含量的無損快速檢測做了很多嘗試[1]，并取得了一定的進展。蘆兵[2]等采用高光譜技術(shù)對水稻種子含水量采用模擬退火算法-支持向量回歸建立了定量檢測模型，預(yù)測集測定系數(shù)為0.928 6。Zhang等[3]基于可見/近紅外光譜和近紅外高光譜成像技術(shù)實現(xiàn)對玉米種子水分含量的無損檢測，采用無信息變量消除算法提取特征波長，建立偏最小二乘回歸預(yù)測模型； 模型校正集、預(yù)測集相關(guān)系數(shù)分別為0.961和0.898，校正均方根誤差、預(yù)測均方根誤差分別為0.491%和1.315%?？翟颅偟萚4]采用近紅外光譜法對玉米、水稻種子的水分含量分別建立了校正模型，結(jié)果表明，玉米、水稻種子水分模型的多元相關(guān)系數(shù)分別為0.837 1和0.832 1。

在種子質(zhì)量評價方面，近紅外光譜技術(shù)可以給出較好的解決方案； 而現(xiàn)有的關(guān)于高光譜成像技術(shù)在種子質(zhì)量評價方面的報道多采用高光譜成像儀器采集種子樣品的高光譜成像數(shù)據(jù)，再從成像數(shù)據(jù)中提取光譜信息建立校正模型，不僅可以實現(xiàn)對單粒種子的質(zhì)量評價，而且可以得到準(zhǔn)確度較高的結(jié)果。

2 種子活力與老化檢測

種子活力(Vigor)是種子發(fā)芽和出苗率、幼苗生長的潛勢、植株抗逆能力和生產(chǎn)潛力的總和，是種子品質(zhì)的重要指標(biāo)。高活力種子具有明顯的生長優(yōu)勢和生產(chǎn)潛力，是農(nóng)產(chǎn)品豐收、增產(chǎn)的重要保障。在種子活力無損快速檢測領(lǐng)域，很多學(xué)者做了有意義的嘗試[19]，并取得了一定的研究進展。范雪婷等[20]采用透射方式采集單粒水稻種子的近紅外吸收光譜，以近紅外光譜數(shù)據(jù)為自變量，以種子活力(發(fā)芽率)為因變量建立定量校正模型，“日本晴”種子活力模型校正集測定系數(shù)R2=0.944 4，“9311”種子活力模型校正集測定系數(shù)R2=0.986 1。Wu等[21]采用近紅外光譜建立了小麥種子發(fā)芽率定量模型，校正集和預(yù)測集相關(guān)系數(shù)(r)分別為0.902和0.967。Chen等[22]采用850～1 700 nm波段范圍的近紅外高光譜成像系統(tǒng)收集高光譜圖像，檢測小麥的發(fā)芽程度。實驗分別在小麥發(fā)芽0，12，24和48 h進行。提取胚胎和胚乳的原始光強度，然后將其更改為反射率作分析。比較了不同部位，不同品種，不同發(fā)芽程度的小麥的圖像和光譜信息。結(jié)果表明，同一種子在萌芽12 h后，胚的反射率低于胚乳的反射率； 在所測波段范圍內(nèi)，同一品種的小麥種子在12，24和48 h萌發(fā)時，反射率隨發(fā)芽時間的增加而增加，與其體內(nèi)脂肪含量的變化有關(guān)。彭彥昆等[23]采用500～900 nm波段的高光譜圖譜融合技術(shù)提出了一種番茄種子圖像采集并辨識種子特征進而將種子分級的算法，通過標(biāo)準(zhǔn)發(fā)芽試驗得到種子活力結(jié)果，基于連續(xù)投影算法求得反映番茄種子活力的特征波長為： 535，577，595，654，684，713，744，768，809和840 nm； 在713 nm波長下的圖像特征對活力結(jié)果判斷分級正確率最高，校正集、驗證集的正確率分別為93.75%和90.48%。張婷婷等[24]采用400～1 000 nm波段的高光譜成像對單粒小麥種子生活力進行特征波段篩選，并建立判別模型。結(jié)果表明，采用無信息變量消除-競爭自適應(yīng)重加權(quán)采樣-連續(xù)投影算法從全波段光譜的688個變量篩選出了8個關(guān)鍵變量： 473，492，811，875，880，947和969 nm，基于上述8個關(guān)鍵變量所建偏最小二乘判別分析模型效果最優(yōu)，校正集和預(yù)測集的小麥種子生活力整體鑒別正確率分別為86.7%和85.1%，較全波段偏最小二乘判別分析模型分別提高了4.2%和2.1%； 校正集和預(yù)測集的活種子鑒別正確率分別為93.8%和84.4%。對模型進行優(yōu)化篩選，種子發(fā)芽率的最終鑒別正確率達到93.1%。Maor Matzrafi等[25]基于423.6～878.9 nm波段的高光譜技術(shù)和數(shù)據(jù)分析，預(yù)測棕櫚果種子的發(fā)芽率，發(fā)芽種子和非發(fā)芽種子高光譜分類準(zhǔn)確度分別為81.9%和76.4%。Ashabahebwa Ambrose等[26]采用傅里葉變換近紅外光譜和拉曼光譜評估玉米種子活力，使用傅里葉變換近紅外光譜儀在1 000～2 500 nm波長范圍內(nèi)采集樣品近紅外光譜數(shù)據(jù)，并采集170～3 200 cm-1范圍的拉曼光譜數(shù)據(jù)。結(jié)果表明，兩種光譜在識別有活力種子和無活力種子方面的準(zhǔn)確度均可接近100%，其中近紅外光譜建模結(jié)果優(yōu)于拉曼光譜。

另一方面，種子活力的自然衰退過程稱為種子老化，這一過程在高溫、高濕條件下往往會加快，具體表現(xiàn)為種子變色、發(fā)芽率低、生長勢差、作物減產(chǎn)，不利于農(nóng)業(yè)生產(chǎn)。在種子老化無損檢測方面，許多學(xué)者基于光譜及成像技術(shù)展開了探索。吳小芬等[27]采用874～1 734 nm的近紅外高光譜成像提取了兩種常見水稻種子未老化、老化48 h、老化72 h的光譜反射率，基于全波段光譜建立了支持向量機判別分析模型。結(jié)果表明，未老化種子與老化種子可以準(zhǔn)確識別，而老化48 h和老化72 h種子之間無法準(zhǔn)確識別，與基于種子活力參數(shù)的測量結(jié)果相符，不同水稻品質(zhì)對老化的反映存在差異。李美凌等[28]對不同老化程度水稻種子，采用400～1 000 nm波段的高光譜成像結(jié)合主成分分析-支持向量機算法，研究比較了不同活力水平的水稻種子活力差異。通過主成分分析算法獲得主成分圖像并確定特征波段，用支持向量機算法建立水稻種子活力鑒別模型，預(yù)測判別率可達100%。Christian Nansen等[29]基于423.6～878.9 nm波段的高光譜成像數(shù)據(jù)研究了確定三種澳大利亞原生樹種AcaciacowleanaTate，BanksiaprionotesL.F.和Corymbiacalophylla的發(fā)芽能力的方法。在每個時間點對種子進行高光譜成像，以獲取單個種子的反射譜。采用正向線性判別分析算法選擇特征變量。在大約10～30 d的老化實驗中，發(fā)芽率從90%以上下降至20%以下。每個物種的P50值(50%萌發(fā))為19.3(A.coleana)，7.0(B.prionotes)和22.9(C.calophylla)。楊小玲等(請參閱本刊36卷12期4028頁)采用400～1 000 nm波段的高光譜成像研究成熟與未成熟玉米種子的鑒別方法，通過圖像處理對種子進行分類。研究表明，采用主成分分析算法對高光譜圖像數(shù)據(jù)進行分解，其中第二主成分圖像差異最明顯； 采用640 nm/525 nm的波段比成像可減輕玉米種子冠部淺色部分誤識別為種子成熟度較低的不利影響，平均正確識別率93.9%。

綜上可見，采用近紅外光譜及高光譜成像技術(shù)對種子活力進行檢測，可為種子質(zhì)量篩查提供有效的技術(shù)手段，結(jié)合化學(xué)計量學(xué)算法，可建立準(zhǔn)確度較高的校正模型，有效提高了對種子活力與老化的識別正確率，從而可以有效提高種子質(zhì)量，進而對促進農(nóng)業(yè)生產(chǎn)起到積極作用。

3 種子純度與真?zhèn)舞b別

種子純度與真?zhèn)舞b別是品種選育、品種檢驗以及農(nóng)業(yè)生產(chǎn)的重要環(huán)節(jié)，種子的真?zhèn)沃苯佑绊懙椒N子的儲藏、銷售、育種、生產(chǎn)等各個方面，直接影響作物產(chǎn)量和農(nóng)產(chǎn)品品質(zhì)。種子純度鑒定是提高作物產(chǎn)量和質(zhì)量的重要措施。種子純度鑒定技術(shù)的研究是全國種子檢驗工作的重點和難點之一，也是種子管理過程中必須要及時解決的問題[30]。種子的純度與真?zhèn)舞b別已成為國內(nèi)外研究的熱點。隨著光譜技術(shù)和計算機圖像處理技術(shù)的發(fā)展，近年來，機器視覺技術(shù)以及近紅外光譜技術(shù)在種子純度與真?zhèn)舞b別方面得到了較為廣泛和深入的研究和應(yīng)用[31]，也取得了較好的成果。

王麗萍等[32]采用近紅外光譜技術(shù)對油菜雜交種子建立純度定量預(yù)測模型，向油菜雜交種子中加入非雜交的母本或父本種子構(gòu)成校正集樣品，建立定量校正模型，校正集測定系數(shù)R2=0.980 0。徐涿頻等[33]采用近紅漫反射光譜結(jié)合判別式偏最小二乘分類篩選法，對單粒水稻種子“新兩優(yōu)6號”與其父本、母本和其他假種子進行了區(qū)分，所建模型的靈敏度Sn、命中率Pr和馬修斯相關(guān)系數(shù)Mcc分別為97.92%，97.58%和95.51%。冉航等[36]用4個短波近紅外波段(820，910，1 000和1 090 nm)的透射光譜和4個中波近紅外波段(1 150，1 250，1 350和1 450 nm)的反射光譜獲取種子光譜圖像并提取紋理特征來鑒定玉米雜交種純度。結(jié)果表明，透射和反射模型對5個玉米品種平均正確鑒別率均在85%以上。Timothy Wilkes等[35]通過400～1 000 nm波段的多光譜成像和高光譜成像快速區(qū)分硬質(zhì)小麥和摻假普通小麥品種，并以較低的誤差和良好的可重復(fù)性估算出摻假百分比。3%摻假樣本的分析顯示出較小的正偏差(樣本估計為3.65%，95%±1.41%)，相關(guān)的變異系數(shù)(CV)為15.50%。

從以上內(nèi)容可見，采用近紅外光譜及高光譜成像等技術(shù)對種子純度與真?zhèn)芜M行識別可以建立準(zhǔn)確度較高的校正模型； 在現(xiàn)有文獻報道中，可以使用較少的波段而非全波段光譜數(shù)據(jù)實現(xiàn)上述功能，這意味著可以大幅減少計算量，從而可為降低儀器成本、提高儀器工作效率提供理論基礎(chǔ)與技術(shù)支持。

4 種子分類與溯源研究

種子是農(nóng)業(yè)的根本，被譽為“農(nóng)業(yè)的芯片”。對種子進行分類與溯源研究是種子監(jiān)管過程的重要措施，是保障種子安全的有效技術(shù)手段。種子分類與溯源則是保證種子純度與鑒別種子真?zhèn)蔚闹匾椒āＴ诜N子分類與溯源研究方面，很多學(xué)者做了有意義的嘗試。

鄭田甜(請參閱本刊35卷3期622頁)采用600～1 100 nm波段的可見-近紅外反射光譜對3種代表性花生進行分類識別，結(jié)果表明，馬氏距離判別分析模型對花生種子預(yù)測集判別準(zhǔn)確率達到95%。進而建立了花生種子脂肪含量分析模型，小波分析結(jié)合主成分回歸模型的預(yù)測偏差小于0.25，相對誤差范圍0.03%～1.03%。錢麗麗等[36]采用4 000～12 000 cm-1波段范圍的近紅外光譜對2013年至2015年來自建三江地區(qū)及五常地區(qū)的291份大米進行產(chǎn)地溯源研究，研究發(fā)現(xiàn)，不同地區(qū)來源的樣品在波段5 136～5 501 cm-1處均有顯著差異，說明不同地區(qū)樣品的近紅外光譜存在顯著性差異； 采用因子化法建立的定性分析模型及聚類分析模型對建三江大米及五常大米的正確判別率均高于97.00%； 利用偏最小二乘法建立的定量分析模對兩地區(qū)大米的正確判別率分別為95.83%和94.00%。進一步地，錢麗麗等[37]采用5 000～5 500和7 000～7 500 cm-1波段范圍的近紅外光譜結(jié)合聚類分析和偏最小二乘算法對黑龍江省3個水稻主產(chǎn)區(qū)的地理標(biāo)志大米進行產(chǎn)地溯源研究，結(jié)果表明，用聚類分析建立的模型對建三江、五常地域預(yù)測正確率為100%，響水地域預(yù)測正確率為95.83%； 五常、響水地域判別正確率為100%，建三江地域判別正確率為95.83%。采用偏最小二乘算法建立定量分析模型對建三江、五常、響水三個地域的預(yù)測正確率分別為95.83%，100%和95.83%。宋雪健等[38]應(yīng)用近紅外漫反射光譜結(jié)合化學(xué)計量學(xué)對不同狀態(tài)下的小米進行產(chǎn)地溯源研究，在12 000～4 000 cm-1范圍內(nèi)采用因子化法建立的定性分析模型和在特征波段(9 400.9～5 447.7和4 600.6～4 249.8 cm-1)范圍內(nèi)采用偏最小二乘法(PLS)建立的定量分析模型，對肇源、肇州兩個小米主產(chǎn)區(qū)的小米籽粒和小米粉末的正確鑒別率均在90%以上，其中小米粉模型正確預(yù)測率要高于小米籽粒模型。此外，宋雪健等[39]采用近紅外漫反射光譜技術(shù)結(jié)合偏最小二乘法，對齊齊哈爾、佳木斯、五常地區(qū)的水稻樣品建立產(chǎn)地判別模型，在7 501.3～5 447.7和4 600.6～4 249.8 cm-1波數(shù)范圍內(nèi)結(jié)合矢量歸一化預(yù)處理方式建立稻谷樣品判別模型，對3個地區(qū)樣品的正確判別率分別為82.35%，88.23%和70.58%； 在波數(shù)7 501.3～4 597.8 cm-1范圍內(nèi)結(jié)合最小-最大歸一化預(yù)處理方式建立大米粉樣品判別模型，對三個地區(qū)樣品的正確判別率分別為88.23%，94.12%和88.23%。周子立等[40]采用400～1 000 nm的近紅外光譜結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立大米品種鑒別模型，對150個建模樣本的擬合殘差為9.863×10-6，識別率達到100%。Kong等[41]采用1 039～1 612 nm波段范圍的近紅外光譜結(jié)合多變量數(shù)據(jù)分析技術(shù)研究了水稻種子品種鑒定方法，比較了偏最小二乘判別分析、簇類獨立軟模式、K最近鄰算法、支持向量機、隨機森林五種機器學(xué)習(xí)算法，結(jié)果表明，偏最小二乘判別分析和K最近鄰算法模型的分類精度均超過80%，簇類獨立軟模式、支持向量機、隨機森林算法模型的分類精度均達到100%； 通過PLS-DA模型的加權(quán)回歸系數(shù)選擇了12個優(yōu)化波長，基于12個優(yōu)化波長建立的K最近鄰算法、支持向量機、隨機森林模型的正確率均超過80%。Francisco J Rodríguez-Pulido等[42]采用914～1 715 nm波段范圍的近紅外高光譜成像對兩種土壤中的兩個紅葡萄品種(Tempranillo和Syrah)和一個白色品種(Zalema)進行分類，使用偏最小二乘回歸預(yù)測模型和主成分分析和一般判別分析，其測定系數(shù)高于0.95。張航等[43]采集了7個品種小麥種子高光譜圖像及900～1 700 nm范圍的光譜信息，建立了主成分分析-支持向量機分類模型。結(jié)果顯示，3個品種間種子分類準(zhǔn)確率平均達到95%以上； 4個品種間種子分類準(zhǔn)確率平均達到80%左右； 6個小麥品種種子的分類準(zhǔn)確率僅66%左右。劉小丹等[44]采用近紅外高光譜成像技術(shù)，在波段874～1 734 nm，采集雜交水稻種子高光譜圖像，采用PCA初步探究了3類樣本的可分性。采用連續(xù)投影算法提取7個特征波長985.08，1 106.00，1 203.55，1 399.04，1 463.19，1 601.81和1 645.82 nm，基于特征波長建立偏最小二乘判別分析和支持向量機模型，正確識別率達到90%以上，其中支持向量機模型效果優(yōu)于偏最小二乘判別分析模型，而全譜判別模型結(jié)果優(yōu)于特征波長判別模型。Gao等[45]采用1 400～1 600 nm波段的高光譜成像技術(shù)研究了小麥種子在貯藏過程中的特征變化。收集從2007年到2012年的小麥籽粒的高光譜成像數(shù)據(jù)，采用主成分分析分析了包括6年在內(nèi)的小麥籽粒的光譜數(shù)據(jù)，用簇類獨立軟模式算法對不同年份的糧食進行分類，結(jié)果表明，相鄰年份之間二分法的分類精度達到97.05%，六年混合分類的精度達到82.50%。張初等[46]采用874～1 734 nm波長范圍的近紅外高光譜圖像，通過提取西瓜種子的光譜反射率，結(jié)合平滑算法，經(jīng)驗?zāi)B(tài)分解算法和小波分析對提取出的光譜數(shù)據(jù)進行去除噪聲處理，采用連續(xù)投影算法和遺傳偏最小二乘法選擇特征波段范圍為1 042～1 646 nm； 基于全波段光譜建立了偏最小二乘判別分析，基于特征波長建立了反向傳播神經(jīng)網(wǎng)絡(luò)判別模型和極限學(xué)習(xí)機判別模型，建模集和預(yù)測集識別正確率均達到100%。Gao[47]等采用874～1 734 nm波段的近紅外高光譜成像技術(shù)研究來自中國四個不同地理來源(江蘇省、四川省、海南省、臺灣省)的240個麻風(fēng)樹種子樣品，然后分別通過光譜和圖像處理對獲得的數(shù)據(jù)集進行分析。連續(xù)投影算法用于選擇有效波長； 通過主成分分析縮小關(guān)注區(qū)域圖像尺寸； 建立了最小二乘支持向量機分類模型，樣本預(yù)測正確識別率為93.75%。Qiu[48]等使用高光譜成像識別水稻種子品種，獲得了兩個不同光譜范圍(380～1 030和874～1 734 nm)的4個水稻種子品種的高光譜圖像。提取了441～948和975～1 646 nm范圍內(nèi)的光譜數(shù)據(jù)，使用不同數(shù)量的訓(xùn)練樣本構(gòu)建了K鄰近、支持向量機和卷積神經(jīng)網(wǎng)絡(luò)模型； 實驗結(jié)果表明，用較長波長的反射率值構(gòu)建的模型比用較短波長的反射率值構(gòu)建的模型效果更好。Zhao[49]等將高光譜成像系統(tǒng)用于玉米種子的品種分類，共評估了12 900粒玉米種子，包括3個不同的品種，提取了975.01～1 645.82 nm的光譜數(shù)據(jù)； 建立了使用徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)判別模型，通過加載主成分進行最佳波長選擇，校正、預(yù)測準(zhǔn)確度分別為93.85%和91.00%。Zhu[50]等使用波段范圍975～1 650 nm的近紅外高光譜成像對七種棉籽進行分類，通過像素主成分分析形成的得分圖像顯示，不同棉籽品種之間存在差異； 根據(jù)主成分分析的載荷數(shù)據(jù)選擇有效波長，使用自設(shè)計卷積神經(jīng)網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)提取深層特征，建立偏最小二乘判別分析、邏輯回歸和支持向量機模型，驗證和預(yù)測的分類準(zhǔn)確度均超過80%。Zhao等[51]采集了三種葡萄籽在874～1 734 nm波段范圍內(nèi)的高光譜圖像，通過小波變換逐像素對光譜進行預(yù)處理，并提取每個葡萄種子的光譜； 對高光譜圖像進行主成分分析，使用六個主成分的圖像定性識別不同品種； 采用支持向量機建立判別模型，校正、預(yù)測的準(zhǔn)確度分別為94.3%和88.7%。Feng等[52]使用波段范圍874.41～1 733.91 nm的近紅外高光譜成像從兩個品種(huaidao-1和nanjing46)中識別CRISPR/Cas9誘導(dǎo)的水稻突變體； 采用主成分分析對高光譜成像數(shù)據(jù)進行分解，并結(jié)合支持向量機和極限學(xué)習(xí)機建立分類判別模型； 進一步地，采用主成分分析結(jié)合連續(xù)投影算法篩選光譜波長； 結(jié)果表明，對于huaidao-1，校準(zhǔn)集、預(yù)測集的分類準(zhǔn)確率分別為93.00%和92.75%，對于nanjing46，校正集、預(yù)測集的分類準(zhǔn)確率分別為91.25%和89.50%。此外，F(xiàn)eng等[53]采用874.41～1 733.91 nm波段的近紅外高光譜成像結(jié)合化學(xué)計量學(xué)數(shù)據(jù)對包含cry1Ab/cry2Aj-G10evo蛋白及其非轉(zhuǎn)基因(GM)親本的GM玉米籽粒進行分類，采用偏最小二乘判別分析建立判別模型，校正和預(yù)測準(zhǔn)確度均接近100%。Yang等[54]采用924～1 657 nm波段的高光譜成像對玉米進行分類研究。對14個品種的1120個玉米種子的高光譜圖像，基于無監(jiān)督關(guān)鍵偏度波長選擇算法選擇19個關(guān)鍵波長，變量數(shù)占全波長的8.68%，基于最小二乘支持向量機建立多模型策略用于品種識別； 結(jié)果表明，用于全波長數(shù)據(jù)的多模型對測試集的分類準(zhǔn)確度達到98.18%，高于單模型的96.36%； 當(dāng)使用由無監(jiān)督關(guān)鍵偏度波長選擇算法所選的19個關(guān)鍵波長時，分類精度為96.57%。Yang等[55]基于從430～980 nm波段的可見和近紅外高光譜圖像中提取光譜、組合形態(tài)和外觀特征，建立了用于玉米種子品種分類的方法； 使用連續(xù)投影算法構(gòu)建了光譜特征向量，從每個玉米粒中提取形態(tài)特征——面積，圓度，縱橫比，實心度和紋理特征——能量，對比度，相關(guān)性，熵及其標(biāo)準(zhǔn)偏差作為外觀特征，采用支持向量機和偏最小二乘判別分析算法建立分類模型； 與偏最小二乘判別分析模型相比，支持向量機模型的識別準(zhǔn)確率更高，胚側(cè)和背側(cè)識別準(zhǔn)確率分別為98.2%和96.3%。Zhang等[56]用380～1 030 nm波段的可見光-短波近紅外區(qū)域高光譜成像區(qū)分玉米種子的不同品種，獲取了六種玉米種子共330個樣品的高光譜圖像； 使用主成分分析和核主成分分析來探索光譜數(shù)據(jù)的內(nèi)部結(jié)構(gòu)，選擇三個關(guān)鍵波長——523，579和863 nm，根據(jù)最佳波長從每個單波長圖像的灰度共生矩陣中提取四個紋理變量，包括對比度、均勻性、能量和相關(guān)性，最后通過最小二乘支持向量機和反向傳播神經(jīng)網(wǎng)絡(luò)，使用主成分、核主成分和質(zhì)地特征相結(jié)合，建立了玉米種子識別模型，準(zhǔn)確度為98.89%。Huang等[57]基于400～1 000 nm波段的高光譜成像研究玉米種子分類方法。使用連續(xù)投影算法選擇用于玉米種子品種分類的最佳波長，選擇特征區(qū)域，然后引入主成分分析和多維縮放以變換/減少分類特征； 建立最小二乘支持向量機模型，模型準(zhǔn)確度達到90%以上，優(yōu)于使用原始光譜和圖像特征模型的83.68%，而僅使用光譜特征模型的準(zhǔn)確度僅為76.18%。Wang等[58]將在400～1 000 nm波長范圍內(nèi)提取的光譜信息與機器學(xué)習(xí)結(jié)合，對10個大豆品種進行分類。對原始數(shù)據(jù)進行預(yù)處理之后，進行主成分分析，從主成分分析選擇的三個特征圖像中提取出紋理特征參數(shù)； 對比了簇類獨立軟模式、偏最小二乘判別分析、遺傳神經(jīng)網(wǎng)絡(luò)和Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)，訓(xùn)練集平均準(zhǔn)確度高于96%，預(yù)測集平均準(zhǔn)確度高于84%，其中遺傳神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確度最高，達到92%。Huang等[59]使用400～1 000 nm波段的高光譜成像建立玉米種子分類方法，共評估了2 000粒種子，包括不同年份的四個玉米種子品種； 使用最小二乘支持向量機建立了基于種子平均光譜特征的分類模型，并使用增量支持向量數(shù)據(jù)描述，以實現(xiàn)模型的在線更新，分類準(zhǔn)確率達到94.4%，比未更新模型高10.3%。He等[60]采用400～1 000 nm波段的高光譜成像建立玉米種子分類模型，基于最小二乘支持向量機分類器將三個不同年份種植的四個典型玉米品種的2 000個種子進行分類。模型總體正確率達到98.3%。Wang等[61]采用400～1 000 nm波段的可見/近紅外高光譜成像確定玉米種子的地理起源和年份。分別從包含兩個玉米的高光譜圖像的三個區(qū)域——胚芽，胚乳和整個玉米籽粒提取光譜特征； 主成分分析顯示不同玉米種子存在差異； 將偏最小二乘判別分析用于三個不同區(qū)域的光譜特征，以識別玉米種子的起源和年份最高準(zhǔn)確度達到99.19%，驗證組準(zhǔn)確度達到98.44%。

在種子分類與溯源研究方面，近紅外光譜技術(shù)可在一定程度上提供解決方案，而高光譜圖像技術(shù)的介入則可提供更多的形態(tài)學(xué)數(shù)據(jù)信息，并且可以針對單粒種子進行形態(tài)學(xué)分析，因此可在一定程度上提高分類、溯源的準(zhǔn)確度。然而，光譜學(xué)和形態(tài)學(xué)數(shù)據(jù)的融合方法仍有待繼續(xù)研究。

5 結(jié) 論

種子品質(zhì)對于保障農(nóng)業(yè)生產(chǎn)具有至關(guān)重要的作用。對種子品質(zhì)進行無損快速檢測不僅是現(xiàn)代農(nóng)業(yè)生產(chǎn)的需要，而且是農(nóng)產(chǎn)品豐收、增產(chǎn)的重要保障，同時對保證農(nóng)產(chǎn)品數(shù)量安全具有重要意義。調(diào)研文獻可知，近紅外光譜技術(shù)在種子質(zhì)量評價方面的應(yīng)用很多。近紅外光譜技術(shù)具有快速、無損、高效等優(yōu)點，因此在種子內(nèi)部化學(xué)物質(zhì)含量的檢測中可發(fā)揮強大的優(yōu)勢。然而，由于近紅外光的穿透性有限，對厚度較大的種子的穿透性仍存在一定的局限； 當(dāng)種子內(nèi)部品質(zhì)變化引起種子表層組織化學(xué)性質(zhì)改變時，采用近紅外漫反射光譜對種子品質(zhì)進行檢測可取得較好的效果。拉曼光譜技術(shù)近年來也在種子品質(zhì)檢測方面有所應(yīng)用，然而實驗過程中的熒光干擾仍是困擾拉曼光譜技術(shù)應(yīng)用的難題。近紅外高光譜成像技術(shù)不僅可以提供樣品的光譜信息，而且還可以提供樣品的空間分布信息和圖像特征。近紅外高光譜成像技術(shù)按光譜波段大致可分為近紅外高光譜成像技術(shù)和可見-短波近紅外高光譜成像技術(shù)； 其中，近紅外高光譜成像技術(shù)所提供的光譜信息的可解釋性較強，而可見-短波近紅外高光譜成像所攜帶的光譜信息相對而言其可解釋性較弱。由此可見，不同波段的高光譜成像側(cè)重點不同，近紅外高光譜成像更側(cè)重于樣品的近紅外光譜信息，而可見-短波近紅外高光譜成像則更側(cè)重于樣品的形態(tài)學(xué)信息。因此，在種子活力與老化、純度與真?zhèn)?、分類與溯源方面，高光譜成像技術(shù)則體現(xiàn)出更為明顯的優(yōu)勢。然而，光譜數(shù)據(jù)和形態(tài)學(xué)數(shù)據(jù)的融合仍是本領(lǐng)域的一個難點，采用何種融合方式以及融合數(shù)據(jù)的篩選將成為今后的研究重點。