靖相柱，孫 霞，郭業(yè)民，趙文蘋，郭 榛，桑茂盛

（山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，山東淄博 255000）

種子是一切農(nóng)業(yè)生產(chǎn)的基礎(chǔ)，優(yōu)質(zhì)種子是提高作物產(chǎn)量的關(guān)鍵[1]。玉米屬禾本科植物，原產(chǎn)中美洲和南美洲[2]。玉米對環(huán)境的適應(yīng)能力較強，產(chǎn)量高，是世界各國的主要糧食作物。玉米種子中的維生素含量為水稻、小麥的5～10 倍，是保健食品行業(yè)的潛在資源[3]。由于玉米種子在種植、收獲、干燥、運輸、加工、貯藏等過程中，受外部環(huán)境和自身活動的影響，易使種子的質(zhì)量發(fā)生改變，進(jìn)而影響到產(chǎn)量的高低，為保障玉米種子質(zhì)量，因此要對玉米種子質(zhì)量進(jìn)行檢測。目前，對玉米種子質(zhì)量檢測的方法主要有形態(tài)鑒定法、人工感官鑒定法、化學(xué)分析法等[4-5]。

形態(tài)鑒定法和人工感官鑒定法易受個人經(jīng)驗等因素的干擾，且存在工作量大、作業(yè)周期長、檢測效率低等缺點，難以保證結(jié)果的準(zhǔn)確性；利用化學(xué)分析法檢測玉米種子雖然準(zhǔn)確性高、特異性強，但極易對玉米種子造成損傷，并且存在檢測周期長、可重復(fù)性差等缺點，這幾種方法均不適用于大規(guī)模檢測。目前機器視覺技術(shù)、近紅外光譜技術(shù)在玉米種子質(zhì)量檢測方面得到了較為廣泛的研究和應(yīng)用[6-8]。TU 等[9]基于RGB 圖像結(jié)合微調(diào)后的VGG-16 網(wǎng)絡(luò)，鑒別玉米目標(biāo)品種的種子，準(zhǔn)確率為98%。ALTUNTA等[10]基于機器視覺技術(shù)分類單倍體和二倍體玉米種子，VGG-19 模型取得了最優(yōu)效果，準(zhǔn)確率達(dá)到94.22%。馮曉等[11]基于輕量級卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)構(gòu)建了玉米籽粒雙面特征模型，準(zhǔn)確率達(dá)99.83%，優(yōu)于單面特征模型。FAN 等[12]使用近紅外光譜技術(shù)檢測單粒種子的活力，利用主成分分析法（principal component analysis，PCA）和連續(xù)投影法（successive projections algorithm，SPA）進(jìn)行特征降維，結(jié)合4 種機器學(xué)習(xí)方法構(gòu)建了8 種預(yù)測模型，結(jié)果表明8 種模型的準(zhǔn)確率均達(dá)到84%以上。但以上機器視覺技術(shù)只能獲取種子表面的物理特征信息，無法獲取種子內(nèi)部的成分含量信息；近紅外光譜技術(shù)只能提供關(guān)于整個樣品的平均光譜信息，不能直接獲取像素級別的信息，這一技術(shù)缺陷也限制其在圖像分析和圖像處理中的應(yīng)用。因此，尋求一種快速、有效、穩(wěn)定的玉米種子質(zhì)量檢測方法具有現(xiàn)實性和迫切性。

光譜成像技術(shù)（spectral imaging techniques）融合了傳統(tǒng)的光譜技術(shù)和圖像技術(shù)，并且在光譜和圖像信息與被測物質(zhì)成分之間建立數(shù)學(xué)關(guān)聯(lián)，由此獲得被測樣品的檢測結(jié)果，具備無損、快速、高分辨的優(yōu)點，已經(jīng)應(yīng)用在各類糧食作物、經(jīng)濟作物、蔬菜作物等農(nóng)產(chǎn)品的無損檢測中[13-15]。截至目前，光譜成像技術(shù)已在玉米種子活力、含水率、病害檢測和品質(zhì)與產(chǎn)地鑒別等方面進(jìn)行了多項研究[16-19]。光譜成像技術(shù)應(yīng)用于玉米種子質(zhì)量檢測主要是結(jié)合化學(xué)計量學(xué)方法，依托采集的光譜數(shù)據(jù)信息，利用多種數(shù)據(jù)預(yù)處理方法，實現(xiàn)對相關(guān)檢測指標(biāo)的定性判別和定量分析，最終建立有較強魯棒性的模型，但在對同一種指標(biāo)進(jìn)行檢測時，不同學(xué)者用到的預(yù)處理方法不同，提取的特征波長數(shù)也不同，導(dǎo)致檢測指標(biāo)與其特定吸收波長的聯(lián)系存在爭議，因此，將建立的模型應(yīng)用到不同設(shè)備上指導(dǎo)農(nóng)業(yè)生產(chǎn)仍是研究重點。本文闡述了光譜成像技術(shù)基本構(gòu)成及原理、光譜數(shù)據(jù)預(yù)處理的方法、光譜特征波長提取方法、建模分析方法以及模型評價指標(biāo)，綜述了目前光譜成像技術(shù)在玉米種子質(zhì)量檢測中的應(yīng)用成果，展望了光譜成像技術(shù)在玉米種子質(zhì)量檢測中的前景，以期促進(jìn)光譜成像技術(shù)更廣泛地應(yīng)用于玉米種子的質(zhì)量檢測中，從而進(jìn)一步保障玉米種子產(chǎn)業(yè)安全生產(chǎn)具有重要意義。

1 光譜成像技術(shù)原理

1.1 光譜分析技術(shù)

光譜分析技術(shù)是通過光譜系統(tǒng)采集在特定波長范圍內(nèi)的光譜信息，分析物質(zhì)吸收、發(fā)射或散射光的波長從而確定樣品成分和性質(zhì)的一種技術(shù)。其基本原理是根據(jù)原子、分子和離子的內(nèi)部結(jié)構(gòu)等特點，通過光在不同物質(zhì)中的傳播以及相互作用不同，對物質(zhì)進(jìn)行分析和檢測。常見的光譜分析技術(shù)主要包括：可見光譜分析、近紅外光譜分析和中紅外光譜分析，目前針對近紅外光譜技術(shù)的研究最為常見[20]。光譜分析技術(shù)具備快速、無損、簡便等優(yōu)點，由于光譜分析技術(shù)采用單點掃描的方式，易受樣本分布均勻性的影響，需在不同的位置多次測量樣本信息；另外，該技術(shù)只能提供大規(guī)模樣品的平均光譜信息，不能直接獲取像素級別的信息，如何進(jìn)行圖像的分析和處理也是需要關(guān)注的問題。

1.2 光譜成像技術(shù)

光譜成像技術(shù)的概念是1985 年由GOETZ 等[21]提出的。早期光譜成像技術(shù)主要用于遙感領(lǐng)域的地物探測[22]。圖1 所示光譜成像系統(tǒng)的構(gòu)成主要是光源、光控裝置、攝像機、載物臺、計算機。光譜成像技術(shù)采集的光譜波長范圍廣泛，包括了200～2 560 nm的紫外線光譜區(qū)域、可見光譜區(qū)域、近紅外光譜區(qū)域。按照光譜系統(tǒng)掃描方式的不同將其分為點掃描式、線掃描式及面掃描式。線掃描式可以沿一個方向連續(xù)掃描，適用于傳送帶系統(tǒng)，因此是食品工業(yè)中最常用的掃描方式[23]。光譜成像技術(shù)基本原理見圖2[24]，光譜圖像是由許多矢量像素構(gòu)成的三維光譜立方體[25]。

圖1 光譜成像系統(tǒng)示意圖Figure 1 Schematic diagram of the spectral imaging system

圖2 技術(shù)原理圖[24]Figure 2 Technical schematic chart[24]

這些矢量像素同時包含了波長（λ）下的光譜信息和二維空間信息（X，Y），通過指定特定波長λ 或者指定空間坐標(biāo)（X，Y）可以分別提取波長λ 處的圖像信息和特定像素點（X，Y）的光譜信息。光譜成像技術(shù)可以對多個目標(biāo)同時進(jìn)行檢測，具有“圖譜合一”的優(yōu)點。受內(nèi)外部環(huán)境的影響，光譜成像技術(shù)采集的光譜會帶有冗余信息，這些冗余信息會對數(shù)據(jù)處理造成影響，使光譜數(shù)據(jù)處理效率降低，因此光譜成像技術(shù)通常應(yīng)用在基礎(chǔ)研究中。

2 光譜檢測技術(shù)工藝

2.1 種子檢測狀態(tài)

由于玉米種子的表皮富有光澤，會產(chǎn)生全反射，形狀呈卵形、U 形，影響光譜穿透效果，因此，玉米種子的檢測狀態(tài)影響光譜分析和光譜成像技術(shù)在檢測玉米種子質(zhì)量過程中采集的光譜數(shù)據(jù)。玉米種子檢測狀態(tài)主要包括玉米種子整體、玉米種子研磨成粉、單粒玉米種子。玉米種子整體檢測是將相同重量的玉米種子均勻平鋪在培養(yǎng)皿中使高度保持一致，由此獲取平均光譜信息，但采集前需要大量樣本；粉末狀態(tài)檢測是將種子研磨成粉后放在培養(yǎng)皿中采集光譜信息，但是這種方法會破壞樣品內(nèi)部結(jié)構(gòu)，浪費種質(zhì)資源；單粒玉米種子檢測，國內(nèi)研究相對較少，其原因主要是由于光譜采集系統(tǒng)中配件的缺失和實驗操作復(fù)雜所致。

2.2 光譜成像數(shù)據(jù)預(yù)處理

光譜信息量龐大，目前應(yīng)用到的處理軟件主要有HSI Analyzer、Matlab、Envi 和Unscrambler X。光譜成像技術(shù)（spectral imaging techniques）流程圖見圖3。由于采集圖像前，光譜數(shù)據(jù)易受到光源光照強度的影響出現(xiàn)噪聲干擾，這些干擾會影響光譜數(shù)據(jù)準(zhǔn)確性。因此，采集樣品圖像前需對光譜系統(tǒng)進(jìn)行黑白板校正。采集信息完畢后首先對圖像進(jìn)行背景剔除，通過小波變換法（wavelet transform，WT）、主成分分析法（principal component analysis，PCA）來去除圖像壞點、不完整的背景信息和圖像的模糊邊緣；其次，要對圖像的感興趣區(qū)域（ROI）進(jìn)行提取，這就要求使用閾值分割算法（OTSU）等對圖像進(jìn)行分割處理，其目的是將有差異的區(qū)域分割出來，使它們互不相交；最后，對紋理、顏色和形態(tài)特征進(jìn)行提取。紋理特征的提取方法有灰度共生矩陣（GLCM）[26-27]，顏色特征的提取方法有顏色直方圖等，形態(tài)特征的提取方法有幾何參數(shù)法等[28-29]。

圖3 光譜成像技術(shù)流程圖Figure 3 Flow diagram of spectral imaging technology

利用光譜采集樣本圖像時，由于受到外界環(huán)境等因素的干擾，會使采集到的光譜圖像中摻雜一些噪聲，出現(xiàn)噪聲會影響模型精度，因此需對采集到的原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。常用的光譜預(yù)處理的方法有平滑法（moving average，MA）、標(biāo)準(zhǔn)正態(tài)向量法（standard normal variate，SNV）、多元散射校正（multiplicative scatter correction，MSC）[30-32]。

2.3 光譜數(shù)據(jù)特征波長提取方法

由于利用光譜成像技術(shù)采集的圖像數(shù)據(jù)量大，使波長之間有較大的冗余度，在數(shù)據(jù)處理時非常耗時，導(dǎo)致建立的模型不穩(wěn)定、效率低，所以對光譜特征波長的提取是模型好壞的關(guān)鍵一步。常用的特征波長提取方法有競爭性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）、主成分分析法（principal component analysis，PCA）、連續(xù)投影算法（successive projections algorithm，SPA）、遺傳算法（genetic algorithm，GA）和隨機蛙跳（random frog，RF）算法等[33-34]。

2.4 模型的建立和評價方法

由于采集到的光譜數(shù)據(jù)冗余度較大，會導(dǎo)致建立模型的精度較差，因此需要對模型進(jìn)行定性定量分類建模。在定性分類建模時應(yīng)用支持向量機（support vector machine，SVM）、偏最小二乘判別分析（partial least squares-discriminant analysis，PLS-DA）、線性判別分析（linear discriminant analysis，LDA）等方法[35-36]；定量分類建模的方法主要有主成分回歸（principal component regression，PCR）、支持向量回歸（support vector regression，SVR）、偏最小二乘回歸（partial least squares regression，PLSR）、多元線性回歸（multiple linear regression，MLR）等[24]。

通過上述方法進(jìn)行定性、定量分類建模后，由于使用不同測試數(shù)據(jù)測試的模型精度出現(xiàn)誤差，所以必須對建立的模型進(jìn)行校準(zhǔn)驗證。目前采用交叉驗證法（cross validation，CV）可以得到一個準(zhǔn)確、穩(wěn)定的數(shù)據(jù)[37]，用來評估模型的交叉驗證法主要有建模集決定系數(shù)（R2C）、預(yù)測集決定系數(shù)（R2P）以及建模集的均方根誤差（root mean squared error of calibration，RMSEC）、預(yù)測集的均方根誤差（root mean squared error of prediction，RMSEP）和相對預(yù)測偏差（residual predictive deviation，RPD）5 個參數(shù)指標(biāo)，最后模型的相關(guān)系數(shù)越接近1，均方根誤差越接近0，RPD 的值大于3.0 小于6.5 時意味著模型性能越好，精度越高。

3 光譜成像技術(shù)在玉米種子質(zhì)量檢測中的應(yīng)用

3.1 玉米種子活力檢測

種子活力影響種子發(fā)芽率、出苗率、幼苗生長勢，通常作為評價玉米種子質(zhì)量的重要指標(biāo)。在收獲后，由于處理不當(dāng)導(dǎo)致熱損傷或物理損傷，種子的活力可能會喪失。在貯藏過程中，種子呼吸會產(chǎn)生大量的水分和熱量，這也會導(dǎo)致種子老化，影響種子活力。在大田播種低活力的種子后，會造成出苗緩慢、發(fā)芽率低等問題，導(dǎo)致減產(chǎn)。應(yīng)用光譜成像技術(shù)及時測定種子活力，篩選出活力低的種子，對作物生產(chǎn)具有重大意義。

WAKHOLI 等[38]利用光譜成像技術(shù)對玉米種子的活力進(jìn)行分類，通過對建立的不同模型進(jìn)行對比，發(fā)現(xiàn)支持向量機模型的分類正確率最高。但是在利用不同分類模型建模時出現(xiàn)了錯誤分類，究其原因是收集到的數(shù)據(jù)中存在噪聲，導(dǎo)致數(shù)據(jù)產(chǎn)生偏差，由此可見，在數(shù)據(jù)收集過程中，對環(huán)境控制是非常重要的。王亞麗等[39]設(shè)計了基于近紅外光譜技術(shù)的玉米種子活力分級裝置，建立PLS-DA 模型對種子活力進(jìn)行定性判別，最終校正集相關(guān)系數(shù)為0.987，預(yù)測集相關(guān)系數(shù)為0.960，對玉米種子活力逐粒無損檢測及分級具有良好的效果。此外，單?；b置作為玉米種子活力分級裝置的關(guān)鍵部位，將有活力和無活力的玉米種子分別吹送至相應(yīng)的分種箱，其分離效率是完成種子檢測及分級速率的關(guān)鍵，另外轉(zhuǎn)盤傾斜角、轉(zhuǎn)盤速度以及孔高度參數(shù)的設(shè)置會對單?；b置產(chǎn)生影響。FENG 等[40]在874～1 734 nm 光譜范圍內(nèi)使用光譜成像技術(shù)鑒定了8 個不同人工老化時間處理下的玉米種子活力，采用PCA 對不同老化時間下的玉米籽粒進(jìn)行定性分析，應(yīng)用二階導(dǎo)數(shù)選擇特征波長，建立基于全光譜和最佳波長的SVM 分類模型，最終發(fā)現(xiàn)在0、12、24 h，分類精度范圍在61%～100%，在其他時間下分類精度較低，說明使用光譜成像技術(shù)結(jié)合化學(xué)計量學(xué)方法可以評估種子的活力和種子的老化程度。

上述研究大多基于玉米種子活力的定性分析，如活力水平預(yù)測、種子老化評價?；盍z測方法主要集中在具有一致性狀的玉米種子上，并且建立的模型準(zhǔn)確率較高，可以達(dá)到快速、準(zhǔn)確地檢測某一種玉米種子活力的要求。但是，在種子成分預(yù)測過程中與種子活力相關(guān)的定量分析的研究較少，且只關(guān)注了同一批次、同一品種的玉米種子，導(dǎo)致所建立的模型只能應(yīng)用于當(dāng)前任務(wù)，可移植能力不佳。

3.2 玉米種子含水率檢測

種子含水率是評價種子質(zhì)量的重要指標(biāo)。在種子貯存過程中，過高的水分會導(dǎo)致種子的呼吸作用變強，產(chǎn)生大量的水分和熱量，引起種子發(fā)霉，降低種子的活力特性，因此通過測定種子水分，防止種子變質(zhì)，是保證種子質(zhì)量的重要手段。目前傳統(tǒng)測定種子含水率的方法有蒸餾法、烘干法、微波法、電導(dǎo)法等。但是這些方法存在檢測過程耗時、破壞性強等缺點，不利于無損、高效檢測。

ZHANG 等[41]通過光譜成像技術(shù)結(jié)合深度學(xué)習(xí)的方式對玉米種子含水率進(jìn)行了預(yù)測，運用偏最小二乘法（partial least squares，PLS）、卷積網(wǎng)絡(luò)（convolutional neural networks，CNN）、長短期記憶（long-short term memory，LSTM）和CNN-LSTM 分別建立了單粒水分模型，結(jié)果表明，胚側(cè)CNN-LSTM模型預(yù)測集的綜合指數(shù)為0.141，最適合水分測定，但CNN 模型需要訓(xùn)練的參數(shù)太多，必須保證有足夠的訓(xùn)練樣本。WANG 等[42]利用光譜成像技術(shù)結(jié)合變量選擇法，分別建立了玉米種子前后兩面不同放置位置的水分預(yù)測模型，有效地對水分進(jìn)行了定量分析，得出前后兩面驗證集的相關(guān)系數(shù)分別為0.969和0.946，均方根誤差分別為0.464%和0.616%。廉孟茹等[43]應(yīng)用光譜成像技術(shù)對144 根人工剝開玉米苞葉的鮮食玉米水分含量進(jìn)行了預(yù)測，采用卷積平滑法（savitzky-golay，SG）、SNV、MSC、MA 對光譜數(shù)據(jù)進(jìn)行處理，用SPA、CARS、RF 分別提取含水率的特征波長并建模分析，得出預(yù)測集相關(guān)系數(shù)分別為0.825 和0.006，但是針對田間未去除苞葉的鮮食玉米含水率的無損檢測模型還需進(jìn)一步研究。

光譜成像技術(shù)在測定玉米種子水分方面取得了良好的效果，可滿足玉米種子質(zhì)量檢驗快速、高效的要求。但是光譜采集的數(shù)據(jù)信息量極大，具有高維數(shù)和冗余度，因此在建模之前要進(jìn)行多個數(shù)據(jù)預(yù)處理和特征波長的提取，這不僅增加了光譜建模過程的復(fù)雜性，且過度使用預(yù)處理方法還可能導(dǎo)致光譜信號失真，從而降低模型泛化性能。

3.3 玉米種子病害檢測

玉米種子在貯存過程中，由于溫濕度不一，易受真菌侵染發(fā)生霉變，影響其營養(yǎng)品質(zhì)。黃曲霉和鐮孢菌產(chǎn)生的赭曲霉毒素、嘔吐毒素及伏馬菌素等真菌毒素，影響人們的食用和使用，給糧食行業(yè)帶來嚴(yán)重?fù)p失。近年來，光譜成像技術(shù)已被應(yīng)用于染病種子的檢測。

KIMULI 等[44]采用短波紅外高光譜成像系統(tǒng)（SWIR） 結(jié)合PCA、PLS-DA 和階乘判別分析（flexible discriminant analysis，F(xiàn)DA）對4 個黃玉米品種感染黃曲霉毒素B1（AFB1）程度進(jìn)行分類預(yù)測，準(zhǔn)確率為96%。由于混合樣品的化學(xué)成分變化有限，PLS-DA 和FDA 模型在分離混合樣品時收到的AFB1 信息較少，導(dǎo)致兩個模型合并樣本的黃曲霉毒素分類結(jié)果較差。YANG 等[45]以實測真菌孢子數(shù)為依據(jù)，將霉變狀態(tài)劃分為4 個等級，通過高光譜技術(shù)結(jié)合深度堆疊稀疏自編碼器算法（stacked autoencoder）有效識別了玉米籽粒發(fā)霉程度，模型準(zhǔn)確率超過90%，但真菌孢子在培養(yǎng)過程中的0～10 d孢子生長速度較慢，原因可能是真菌還在適應(yīng)環(huán)境，沒有從玉米粒胚中吸收大量的營養(yǎng)。SHEN 等[46]通過可見光近紅外光譜成像技術(shù)和機器視覺技術(shù)相結(jié)合，采集270 組玉米籽粒的光譜信息，利用PCA+LDA 建立光譜和圖像特征融合模型，最終準(zhǔn)確率為92.2%，該方法可以有效地檢測貯藏玉米中的曲霉菌屬和鐮刀菌屬污染情況，但光譜和圖像響應(yīng)特性曲線易受玉米品種、侵染真菌種類和貯藏條件的影響，且在該試驗中僅對少數(shù)菌株進(jìn)行了研究，以上原因均有可能導(dǎo)致建立的模型精度較差。DA CONCEISO 等[47]利用近紅外高光譜成像技術(shù)結(jié)合圖像的模式對感染黃萎鐮刀菌和禾谷鐮刀菌的玉米種子進(jìn)行了判別，建立PLS-DA 預(yù)測模型，最終預(yù)測集相關(guān)系數(shù)為1。康孝存等[48]通過光譜成像技術(shù)結(jié)合麻雀搜索算法（sparrow search algorithm，SSA）對感染伏馬菌素的種子進(jìn)行了檢測，建立PLS-DA、PLS和BP 神經(jīng)網(wǎng)絡(luò)（back propagation neural network）判別模型，最終SPA-SSA-BP 神經(jīng)網(wǎng)絡(luò)與PLS-DA 模型精度達(dá)95.56%。

以上研究表明，光譜成像技術(shù)可以用于檢測種子是否受到真菌侵染及真菌毒素的危害。多數(shù)學(xué)者將光譜成像技術(shù)和機器視覺技術(shù)相結(jié)合進(jìn)行檢測，提高了樣本特征的全面性，模型識別精度多數(shù)超過90%。但由于種子霉變時受環(huán)境溫度、樣品形態(tài)的影響，導(dǎo)致研究中的真菌濃度低于實際濃度，使所建立的定量模型產(chǎn)生誤差，因此未來應(yīng)加大不同霉菌對玉米種子光譜成像特征影響的研究力度。

3.4 玉米種子品質(zhì)與產(chǎn)地鑒別

玉米種類眾多，在大小和外觀上具有很強的相似性，肉眼難以區(qū)分，不同產(chǎn)地的玉米種子受環(huán)境的影響其特性會出現(xiàn)差異。在貯存、加工、銷售等環(huán)節(jié)，一些不法商家將不同品質(zhì)的種子進(jìn)行混合，影響種子質(zhì)量。因此對玉米品質(zhì)和產(chǎn)地的鑒別可以保障農(nóng)民的權(quán)益，促進(jìn)農(nóng)業(yè)發(fā)展。近年來，光譜成像技術(shù)在鑒別品質(zhì)和產(chǎn)地方面已經(jīng)有了相關(guān)研究。

ZHANG 等[49]通過近紅外光譜技術(shù)對3 個不同玉米品種的凍害進(jìn)行了鑒別并采用MSC、SNV、SG進(jìn)行了預(yù)處理，建立了PLS-DA、KNN 和SVM 3 種模型進(jìn)行比較，最終分類準(zhǔn)確率為90%，說明該方法可以鑒別不同程度凍害的玉米，但由于該試驗樣本種類數(shù)量較少，模型精度還需進(jìn)一步驗證。WANG等[50]采用近紅外光譜成像技術(shù)對3 種甜玉米種子（無處理的、人工加速老化的、經(jīng)過熱損傷的）進(jìn)行鑒別，建立的PLS-DA 模型準(zhǔn)確率為95%，該模型對區(qū)分3 種不同處理的玉米的甜玉米種子具有良好的效果。ZHOU 等[51]通過光譜成像技術(shù)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）和分區(qū)投票方法對12 個不同玉米品種種子的胚狀體和非胚體形態(tài)進(jìn)行了識別。結(jié)果表明，6 個品種的普通玉米種子鑒定出胚狀和非胚狀的準(zhǔn)確率分別為93.33%和95.56%；6 個品種甜玉米種子鑒定出胚狀和非胚狀的準(zhǔn)確率分別為97.78%和98.15%。王慶國等[52]通過光譜成像技術(shù)對不同產(chǎn)地和不同年份的玉米種子進(jìn)行了鑒別，得到了均值、標(biāo)準(zhǔn)差、熵和能量4 種特征，建立的PLS-DA 模型的預(yù)測集和驗證集相關(guān)系數(shù)為0.991 和0.984，但是在該研究中檢測的樣本數(shù)量較少，模型的精度還需要進(jìn)行多次驗證。

以上研究表明，光譜成像技術(shù)可以對玉米種子的品質(zhì)和產(chǎn)地進(jìn)行鑒別。但近紅外光譜成像技術(shù)建立的模型準(zhǔn)確率在95%以下，其原因在于掃描方式為單點掃描，無法評估樣本整體信息，易受樣本分布均勻性影響，因此將近紅外光譜成像技術(shù)與其他檢測技術(shù)相結(jié)合是未來的研究重點。雖然基于光譜成像技術(shù)建立的模型準(zhǔn)確率高，但還存在圖像信息利用率不足和模型可移植性不強的問題，如何將光譜成像技術(shù)廣泛應(yīng)用在玉米種子產(chǎn)地鑒別的現(xiàn)實需求中也是未來研究應(yīng)該突破的重點。

4 存在問題與展望

綜上所述，國內(nèi)外學(xué)者利用光譜成像技術(shù)在玉米種子質(zhì)量檢測中都取得了不同的成果，并且在光譜成像預(yù)處理方面采取了多種算法，使建立的模型精度和數(shù)據(jù)準(zhǔn)確性更高，但是光譜成像技術(shù)仍存在一些不足，主要體現(xiàn)在以下幾個方面。

（1）光譜成像中包含大量冗余信息，相關(guān)研究介紹了不同的預(yù)處理算法、特征波長選擇算法、建模方法，但是相關(guān)研究所使用的方法各不相同，建立具有較強魯棒性和較好泛化性能的模型仍是相關(guān)領(lǐng)域研究的重點，而建立更加標(biāo)準(zhǔn)化、普適化的建模方法是未來的發(fā)展要求。

（2）光譜成像包含圖像信息和光譜信息，相關(guān)研究大多側(cè)重于光譜信息的發(fā)掘而忽略與圖像信息相結(jié)合。傳統(tǒng)的圖像處理技術(shù)主要是提取圖片的紋理特征和顏色特征等，無法提取光譜圖像的全部特征，而深度學(xué)習(xí)技術(shù)的不斷發(fā)展，包括CNN、深度殘差網(wǎng)絡(luò)（deep residual network，ResNet）、LSTM 等能夠提取圖像更深層次的特征，深度學(xué)習(xí)方法與光譜成像技術(shù)的融合有助于推動相關(guān)技術(shù)進(jìn)一步發(fā)展。

（3）相關(guān)光譜設(shè)備都是大型設(shè)備，小型化、國產(chǎn)化是設(shè)備發(fā)展的趨勢。隨著我國產(chǎn)業(yè)技術(shù)升級，研究轉(zhuǎn)向高新技術(shù)突破，必然打破高端高光譜設(shè)備由國外壟斷的現(xiàn)狀。

（4）光譜成像技術(shù)的優(yōu)勢在于能夠同時、快速、無損地檢測樣品的多項指標(biāo)，且具有實時檢測的潛力。相關(guān)研究大多處于基礎(chǔ)研究階段，僅為光譜成像技術(shù)的產(chǎn)業(yè)化應(yīng)用提供了一些參考，只有較少的研究實現(xiàn)了實際應(yīng)用，而這更多地依賴于建立具有良好魯棒性和泛化性能的模型以及發(fā)展更加小型、便攜式的光譜設(shè)備。

隨著科技的不斷發(fā)展，光譜成像技術(shù)在各類行業(yè)的應(yīng)用范圍越來越廣，要求也更嚴(yán)格。針對存在的問題，首先，未來應(yīng)建立一個玉米種子數(shù)據(jù)庫，通過加大抽樣力度，把玉米種子品種進(jìn)行分類和分級，嘗試多種預(yù)處理算法，設(shè)計對應(yīng)的光譜成像系統(tǒng)，達(dá)到降低成本、節(jié)約時間的效果，進(jìn)而提高模型精度；其次，建議研究人員基于機器視覺技術(shù)、近紅外光譜技術(shù)和HIS 技術(shù)相結(jié)合的方法對玉米種子質(zhì)量進(jìn)行檢測；最后，開發(fā)一種更智能的玉米種子加工自動化分揀儀器。以數(shù)字化、圖像化和信息化為代表，建立一個通用的、穩(wěn)健的模型是未來農(nóng)產(chǎn)品無損檢測發(fā)展的必然趨勢。