曾小思 陳芳育

（福建農(nóng)林大學農(nóng)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(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，是種子質(zhì)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(zhuǎn)變及農(nóng)業(yè)機械化生產(chǎn)發(fā)展具有重要的實踐意義。作物種子活力檢測技術(shù)可分為有損檢測技術(shù)和無損檢測技術(shù)，其中無損檢測技術(shù)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(tǒng)方法多數(shù)存在測定結(jié)果易受其他因素干擾、穩(wěn)定性差的缺點。因此，研發(fā)更為完善的作物種子活力檢測技術(shù)具有重要意義。高光譜成像技術(shù)融合了光譜技術(shù)和圖像技術(shù)，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(yōu)良特點，已逐步應(yīng)用于科研和生產(chǎn)實踐，也將成為未來種子活力檢測的重要發(fā)展趨勢之一。

1.利用高光譜成像技術(shù)進行種子活力檢測的基本原理

高光譜成像技術(shù)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(shù)，能同時捕捉到待測種子樣品的光譜信息與圖像信息，創(chuàng)建由二維幾何空間和一維光譜信息組成的三維數(shù)據(jù)立方體結(jié)構(gòu)。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(yīng)用較多。成像光譜儀是高光譜成像系統(tǒng)中最關(guān)鍵的設(shè)備，它能探測到普通攝像機無法探測到的現(xiàn)象，更精細地發(fā)現(xiàn)種子樣品的微小特征，光譜響應(yīng)范圍更廣，分辨率更高。

2.高光譜成像技術(shù)在作物種子活力檢測中的應(yīng)用

2.1 基于可見-近紅外高光譜成像技術(shù)的作物種子活力檢測技術(shù)

基于可見-近紅外高光譜成像技術(shù)主要利用波長范圍為400-1000 nm 的光譜結(jié)合圖像技術(shù)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(yù)測模型用于后續(xù)試樣的種子活力進行精準預(yù)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(xù)投影算法（SPA）提取特征波長，研究發(fā)現(xiàn)在713 nm 波長的圖像特征可以有效區(qū)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(yù)處理方法和2 個算法的正確分類率，發(fā)現(xiàn) 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(shù)預(yù)測小麥種子活力，采用多種預(yù)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(xù)投影算法（SPA）和回歸系數(shù)（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(shù)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(yù)測的識別率。張婷婷等利用可見-近紅外高光譜成像技術(shù)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(yù)處理方法和4種算法，篩選出與生活力相關(guān)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(xiàn)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(shù)的作物種子活力檢測技術(shù)

基于近紅外高光譜成像技術(shù)的種子活力檢測流程與基于可見-近紅外高光譜成像技術(shù)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(yù)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(shù)結(jié)合多種數(shù)據(jù)預(yù)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(fā)現(xiàn)ELM-SG 模型僅從8 個波段的光譜數(shù)據(jù)中即可實現(xiàn)較高的種子活力分類準確率，表明近紅外高光譜檢測技術(shù)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(shù)檢測常規(guī)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(shù)進行活力檢測，所建立的PLS-DA 模型的建模集和預(yù)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(shù)預(yù)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(yù)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(shù)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(guān)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(yù)處理方法構(gòu)建了種子活力智能檢測模型，發(fā)現(xiàn)一階差分預(yù)處理模型的預(yù)測性能最好，其預(yù)測準確率較高。近紅外高光譜成像技術(shù)與算法相結(jié)合構(gòu)建最佳模型，可以提高實際信息與預(yù)測模型間的相關(guān)性和精準度。

2.3 基于高光譜成像技術(shù)與深度學習相結(jié)合的作物種子活力檢測技術(shù)

利用高光譜成像技術(shù)進行種子活力分析時，由于所得到的光譜數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)進行降維。深度學習模型種類較多，常用的包括卷積神經(jīng)網(wǎng)絡(luò)（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(shù)據(jù)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(shù)相結(jié)合并應(yīng)用于作物種子活力檢測。孫俊等利用高光譜圖像技術(shù)與SAE方法相結(jié)合檢測人工老化的水稻種子活力，采用小波閾值去噪結(jié)合一階導(dǎo)數(shù)（WTD-FD）的預(yù)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(shù)結(jié)合SAE 提取特征變量構(gòu)建SVM 分類模型，再利用改進灰狼優(yōu)化算法（DEGWO）對模型參數(shù)進行優(yōu)化，建立DE-GWO-SVM 模型，實現(xiàn)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(shù)結(jié)合CNN 深度學習法預(yù)測不同水稻品種自然老化后的種子活力，所建立的大多數(shù)模型準確率都可達85%以上，表明該方法在預(yù)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(shù)獲得水稻糙米不同區(qū)域光譜數(shù)據(jù)以預(yù)測其發(fā)芽率，比較所建立四種不同模型的準確性，發(fā)現(xiàn)主成分分析（PCA）結(jié)合廣義回歸網(wǎng)絡(luò)（GRNN）模型的檢測精度最高。李亞婷基于高光譜成像技術(shù)與SAE 結(jié)合，建立大豆種子活力測定模型，再利用鳥群算法（BSA）優(yōu)化參數(shù)，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(shù)與TCA 遷移學習相結(jié)合對6 個經(jīng)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(yīng)重加權(quán)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(yù)測，發(fā)現(xiàn)通過遷移學習，僅需訓(xùn)練源域數(shù)據(jù)即可直接精確預(yù)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(shù)相結(jié)合預(yù)測玉米種子活力，發(fā)現(xiàn)一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）模型和二維卷積神經(jīng)網(wǎng)絡(luò)（2DCNN）模型都可以實現(xiàn)玉米種子活力的精確預(yù)測。以上研究報道表明基于高光譜成像技術(shù)與深度學習相結(jié)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(yīng)用價值。

3.結(jié)論與展望

綜上所述，高光譜成像技術(shù)因其獨有優(yōu)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(zhì)的傳統(tǒng)種子活力檢測技術(shù)而言，基于高光譜成像技術(shù)的無損種子活力檢測技術(shù)正逐步受到種子行業(yè)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(cè)重點亦有所不同，故在利用高光譜成像技術(shù)進行種子活力檢測過程中需要不斷構(gòu)建和優(yōu)化相應(yīng)檢測標準化數(shù)據(jù)庫，以進一步促進該技術(shù)在種業(yè)中的商業(yè)化應(yīng)用和更新。高光譜成像技術(shù)結(jié)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(shù)、光學工程技術(shù)和人工智能等多學科交叉系統(tǒng)的發(fā)展，高光譜成像技術(shù)在未來還可進一步與其他光學技術(shù)或相關(guān)裝備相結(jié)合，以發(fā)展出更為先進的種子活力無損檢測技術(shù)，并在種子加工流水線中實現(xiàn)單粒種子活力的在線檢測和分選，這將是今后的重要發(fā)展趨勢。隨著該領(lǐng)域基礎(chǔ)理論和應(yīng)用研究的進一步深化，基于高光譜成像技術(shù)的種子活力檢測技術(shù)將獲得越來越廣闊的應(yīng)用場景，從而在一定程度上促進現(xiàn)代種業(yè)和精準農(nóng)業(yè)的發(fā)展。