石睿 羅斌 張晗 侯佩臣 周亞男 王成

石 睿，羅 斌，張 晗，等. 種子活力性狀無損速測技術(shù)研究進(jìn)展［J］. 江蘇農(nóng)業(yè)科學(xué)，2024，52（7）：1-10.

doi：10.15889/j.issn.1002-1302.2024.07.001

（1.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心/北京市農(nóng)林科學(xué)院信息技術(shù)研究中心，北京 100097；2.江蘇大學(xué)農(nóng)業(yè)工程學(xué)院，江蘇鎮(zhèn)江 212013）

摘要：種子是農(nóng)業(yè)生產(chǎn)中最重要的生產(chǎn)資料，其品質(zhì)直接關(guān)系到整個生產(chǎn)活動的豐歉?；盍κ欠N子的重要評價指標(biāo)，高活力的種子不僅田間表現(xiàn)優(yōu)秀、抵抗逆境能力強，還更利于長時間儲藏。傳統(tǒng)的種子活力檢測多在實驗室內(nèi)進(jìn)行，采用的發(fā)芽試驗等方法精度較高、科學(xué)性強，但有損檢測且效率較低。近年來，光譜及成像技術(shù)以其快速、無損等優(yōu)勢，在種子檢測領(lǐng)域中得到了廣泛關(guān)注和應(yīng)用。首先，歸納傳統(tǒng)種子活力檢測方法的檢測原理和判定方法，并總結(jié)傳統(tǒng)方法存在的共性問題；其次，綜述無損速測技術(shù)在種子活力檢測領(lǐng)域的應(yīng)用和進(jìn)展，對比分析各種技術(shù)的工作原理和檢測策略，重點就近紅外光譜技術(shù)和高光譜成像技術(shù)的應(yīng)用展開討論；最后，在此基礎(chǔ)上結(jié)合種子活力的實際檢測要求，探討目前無損速測技術(shù)在種子活力檢測應(yīng)用領(lǐng)域存在的問題，總結(jié)當(dāng)前無損速測檢測技術(shù)呈現(xiàn)多技術(shù)融合、精選分級、高通用性和多元發(fā)展的發(fā)展趨勢，以期為種子活力性狀的無損速測技術(shù)提供參考。

關(guān)鍵詞：種子；活力性狀；近紅外光譜；高光譜成像；X射線成像；圖像處理；無損速測技術(shù)；研究進(jìn)展

中圖分類號：S330.2 ?文獻(xiàn)標(biāo)志碼：A??文章編號：1002-1302（2024）07-0001-09

種子是農(nóng)業(yè)生產(chǎn)中最重要的生產(chǎn)資料，其品質(zhì)直接影響農(nóng)業(yè)生產(chǎn)活動的產(chǎn)量和質(zhì)量。種子活力是評價種子品質(zhì)的重要指標(biāo)之一，最先由國際種子檢驗協(xié)會（ISTA）提出，其將種子活力定義為決定種子和種子批在發(fā)芽和出苗期間的活性水平和行為的那些種子特性的綜合表現(xiàn)［1-2］。影響種子活力的因素可分為內(nèi)因和外因2個方面，內(nèi)因主要是指種子品種及自身個體發(fā)育情況，外因則是在收獲、加工過程中所受到的一系列機械損傷以及貯藏期間環(huán)境變化帶來的影響［3］。選用高活力的種子進(jìn)行播種，能更好地保證田間幼苗茁壯、出苗整齊和長勢均勻，且面對逆境時幼苗抵抗能力強，同時高活力的種子貯藏價值也更高［4］。因此，如何選取高活力種子成為農(nóng)業(yè)生產(chǎn)活動中的重要一環(huán)。傳統(tǒng)的種子活力檢測方法可分為直接測定和間接測定2種，直接測定即檢測種子在逆境環(huán)境下的發(fā)芽和成苗能力，包括加速老化測定、冷凍測定等；間接測定即通過生理指標(biāo)側(cè)面反映種子活力，包括電導(dǎo)率測定、氯化三苯四氮唑（TTC）染色測定等。盡管這些傳統(tǒng)方法評定結(jié)果直觀、科學(xué)性強，但存在對操作人員專業(yè)能力要求高、試驗周期長、對種子有破壞性等缺點，難以滿足現(xiàn)代農(nóng)業(yè)成批量、快速、無損檢測的需要［5-6］。近年來，隨著化學(xué)計量學(xué)和計算機技術(shù)的發(fā)展，許多研究人員開始將光譜及成像技術(shù)應(yīng)用在種子活力檢測領(lǐng)域。無損速測技術(shù)作為快速、無損的檢測技術(shù)，不僅可以反映種子的內(nèi)部信息和化學(xué)組成，還可以和化學(xué)計量學(xué)方法搭配建立活力預(yù)測模型，快速生成檢測結(jié)果；此技術(shù)克服了傳統(tǒng)檢測方法的諸多缺點，在降低成本、提高效率的基礎(chǔ)上，可以更好地滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)的要求。本研究主要綜述近年來無損速測技術(shù)在種子活力檢測方面的研究進(jìn)展，分析對比各技術(shù)的工作原理、檢測策略和優(yōu)缺點，重點就近紅外光譜技術(shù)和高光譜成像技術(shù)展開談?wù)?，并基于種子活力檢測的發(fā)展需求和應(yīng)用場景，展望無損速測技術(shù)在此領(lǐng)域未來的發(fā)展方向，以期推動無損速測技術(shù)在種子活力檢測方面的應(yīng)用和發(fā)展。

1 傳統(tǒng)檢測技術(shù)

由于檢測原理和判定方式不同，傳統(tǒng)檢測技術(shù)可大致分為直接測定法和間接測定法2類，目前5種主要傳統(tǒng)檢測技術(shù)的檢測原理和判定方式見表1。雖然各項技術(shù)間有較大差別，但都需要由專業(yè)的操作人員完成，且需要一定的試驗周期；同時這些技術(shù)會破壞種子的完整性，檢測后的種子也無法繼續(xù)應(yīng)用到農(nóng)業(yè)生產(chǎn)中，所以無損速測技術(shù)作為一種新型檢測技術(shù)正逐步應(yīng)用到種子活力檢測領(lǐng)域。

2 無損速測技術(shù)

無損速測技術(shù)以先進(jìn)的無損檢測設(shè)備為基礎(chǔ)，配合機器學(xué)習(xí)算法，通過建立預(yù)測模型完成種子活力性狀的快速檢測。由表2可知，傳統(tǒng)檢測技術(shù)需要根據(jù)不同的檢測原理進(jìn)行種子活力檢測，試驗結(jié)果科學(xué)直觀，但試驗過程紛繁復(fù)雜，需要專門的技術(shù)人員操作，且試驗周期長，對種子造成的破壞不可逆。近年來，無損速測技術(shù)因其快速、無損的特點在種子活力檢測方面發(fā)展迅速，通過所建立的算法模型可以快速實現(xiàn)種子活力的分類、分級，同時檢測過程中幾乎不會對種子造成損傷，所檢種子可以繼續(xù)投入到農(nóng)業(yè)生產(chǎn)；但該技術(shù)目前大多停留在實驗室階段，還未大規(guī)模應(yīng)用，同時所建立的算法模型大多只能滿足特定種子品種的檢測要求，泛化能力欠佳。

2.1 近紅外光譜技術(shù)

當(dāng)近紅外光透過物質(zhì)時，分子振動的非諧振性使分子振動狀態(tài)發(fā)生變化，此時物質(zhì)吸收對應(yīng)波長的光從而形成近紅外光譜，其主要反映的是各種含氫基團基頻振動的倍頻和合頻吸收情況［16-17］。由圖1可知，種子中含有大量有機分子，各種有機分子在近紅外區(qū)的光譜吸收特征因其所含基團種類和振動模式的不同而不同，故可利用近紅外光譜對種子的活力開展定性和定量分析［18］。

白京等基于主成分分析（principal component analysis，PCA）算法建立有關(guān)玉米種子活力的支持向量機（support vector machine，SVM）檢測模型，該分類模型校正集和預(yù)測集的準(zhǔn)確率分別是9556%、86.68%［19］。Yasmin等以自然陳化4年的西瓜種子為對象，建立偏最小二乘法判別分析（partial least squares-discriminant analysis，PLS-DA）檢測模型對有活力種子和無活力種子進(jìn)行分類，其準(zhǔn)確率分別為87.7%、82.0%［20］。

上述檢測模型皆為二分類模型，即判斷種子是否具有活力，也有學(xué)者嘗試種子活力分級或剔除空種子，這些功能的實現(xiàn)都有助于滿足種子活力檢測的現(xiàn)實需求。Fan等針對3種老化程度的小麥種子，將PCA算法和連續(xù)投影（successive projections algorithm，SPA）算法2種特征波長提取算法分別同極限學(xué)習(xí)機（extreme learning machine，ELM）算法和隨機森林（random forest，RF）算法結(jié)合，所建立的PCA-ELM和SPA-RF檢測模型準(zhǔn)確率分別為88.9%、88.5%［21］。Tigabu等嘗試鑒別杉木活種子、死種子和空種子，建立的正交偏最小二乘判別分析（orthogonal projection to latent structures-discriminant analysis，OPLS-DA）模型在較短的近紅外區(qū)域（780～1 100 nm）性能最優(yōu)，平均分類準(zhǔn)確率為100%［22］。

種子的生理生化指標(biāo)也能反映其活力，通過建立有關(guān)指標(biāo)的定量模型也可以完成種子活力的檢測。李武等將發(fā)芽率、發(fā)芽指數(shù)和活力指數(shù)3個指標(biāo)作為建模對象，利用偏最小二乘法回歸（partial least squares regression，PLSR）算法建立有關(guān)3個指標(biāo)的定量檢測模型，該模型能夠較好地篩選出高活力甜玉米種子［23］。曲歌用發(fā)芽率作為衡量種子活力的指標(biāo)，將BP神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）同偏最小二乘（partial least squares，PLS）算法相結(jié)合建立水稻種子活力檢測模型，該模型的R2c、RMSEC、R2p、RMSEP和RPD分別為0.86、1.99、0.83、2.01、2.55［24］。

傳統(tǒng)機器學(xué)習(xí)分類模型受算法原理影響，可能存在準(zhǔn)確率不理想或丟失相關(guān)特征的情況，故有學(xué)者開始將近紅外技術(shù)同深度學(xué)習(xí)算法結(jié)合，旨在提高模型的準(zhǔn)確率。Liu等分別建立5種樹木種子的PLS-DA、SVM和深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）分類模型，結(jié)果表明，所建的DNN模型性能最優(yōu)［6］。

近紅外光譜技術(shù)快速、無損、無污染的特點使它在種子活力檢測領(lǐng)域發(fā)展迅速，產(chǎn)出了一大批科研成果，有著巨大的發(fā)展前景。但目前的研究所建立的算法模型以二分模型為主，多級分類模型較少；實際檢測場景也以實驗室為主。隨著研究的深入，近紅外光譜技術(shù)會同更多的算法相結(jié)合，近紅外光譜數(shù)據(jù)也可以被更充分地挖掘和利用；同時，檢測場景不再局限在實驗室中，可以實現(xiàn)便捷、快速的種子活力檢測，也可推動種子活力檢測朝著成批量、產(chǎn)業(yè)化的方向發(fā)展。

2.2 高光譜成像技術(shù)

由圖2可知，高光譜成像技術(shù)1次獲取1個數(shù)據(jù)立方體［25-26］，其包含每個窄波片段的圖像信息以及單個像素點在連續(xù)波段下的光譜信息，具有“圖譜合一”的特點［27］。圖像信息可以反映樣品的形狀、缺陷等外在特征，而光譜信息因為不同物質(zhì)反射率的不同，可以反映樣品的組成結(jié)構(gòu)、化學(xué)成分等內(nèi)在特征［28］。基于這種優(yōu)勢，高光譜成像技術(shù)在種子活力檢測方面有著極大的潛力。根據(jù)建立模型所使用的數(shù)據(jù)類型，高光譜成像技術(shù)在種子活力檢測方面可分為單一特征分類和圖譜結(jié)合分類。

2.2.1 單一特征分類

通過算法處理高光譜成像技術(shù)帶來的龐大數(shù)據(jù)集，將光譜信息或圖像信息作為模型的輸入，用輸出的分類值表示種子的活力等級。

2.2.1.1 傳統(tǒng)機器學(xué)習(xí)算法

高光譜成像技術(shù)因其工作原理所產(chǎn)生的數(shù)據(jù)集通常十分龐大，為了有效利用龐大的數(shù)據(jù)集并建立可行高效的種子活力檢測模型，傳統(tǒng)機器學(xué)習(xí)分類算法成為最先被選用的建模方式。此方法基于每個種子的平均光譜數(shù)據(jù)并結(jié)合發(fā)芽試驗結(jié)果完成模型的建立。Nansen等運用線性判別分析（linear discriminant analysis，LDA）算法建立3種澳洲本土植物種子［考氏相思（Acacia cowleana?Tate）、橙黃佛塔樹（Banksia prionotes?L.F.）和美葉桉（Corymbia calophylla）］的活力檢測模型，結(jié)果顯示關(guān)于考氏相思和美葉桉的準(zhǔn)確率可以超過85%，關(guān)于橙黃佛塔樹的準(zhǔn)確率約為80%［29］。Dumont等嘗試區(qū)分挪威云杉的活種子、空種子和無活力種子，基于可見光及近紅外波段（400～1 000 nm）光譜數(shù)據(jù)建立的SVM判別模型在僅選用3個特征波段的情況下準(zhǔn)確率為93%［30］。He等運用多項式平滑（savitzky-golay，SG）算法結(jié)合ELM算法，以93.67%的準(zhǔn)確率完成對3個不同年份水稻種子的快速分類［31］。

上述模型皆為定性分類模型，同時也有學(xué)者嘗試用特定的指標(biāo)量化種子活力概念，并建立相關(guān)的定量檢測模型。Cui等將甜玉米種子的苗長和根長作為種子活力的評判標(biāo)準(zhǔn)，利用最高相關(guān)系數(shù)（highest correlation coefficient，HCC）[JP2]和核主成分回歸（kernel principal component regression，KPCR）算法建立的根長預(yù)測模型相關(guān)系數(shù)為0.780 5，基于SPA算法建立的苗長預(yù)測模型相關(guān)系數(shù)為0607 4［32］。Zhang等將發(fā)芽率、發(fā)芽勢和簡單活力指數(shù)3個指標(biāo)作為評估種子活力的重要參數(shù)，采用回歸系數(shù)結(jié)合PLS-R算法分別建立有關(guān)小麥種子活力的3個定量檢測模型，該模型預(yù)測集的R2分別為0.921、0.907、0.886，RMSE值分別為4.113%、5.137%、2.400%［33］。

2.2.1.2 運用深度學(xué)習(xí)算法建立模型

深度學(xué)習(xí)作為近年來新興的人工智能算法，在處理龐大數(shù)據(jù)集方面具有獨特的優(yōu)勢，更適合用于高光譜數(shù)據(jù)的處理；同時，深度學(xué)習(xí)算法可以實現(xiàn)基于一維光譜數(shù)據(jù)和二維光譜圖像的建模，為高光譜成像技術(shù)在種子活力檢測帶來更多的可能。張林基于堆疊自動編碼器（stacked auto-encoder，SAE）提取的深度光譜特征建立SVM分類模型，并使用改進(jìn)灰狼優(yōu)化算法（differential evolution-greywolf optimizer，DE-GWO）優(yōu)化該模型，優(yōu)化后的模型對3種活力等級的水稻種子分類準(zhǔn)確率可達(dá)99.25%［34］。Ma等將PC評分圖和SVM活力映射圖作為卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型的輸入，建立有關(guān)日本芥菜種子活力的CNN模型分類準(zhǔn)確率達(dá)90%［35］。Yang等直接將水稻種子的高光譜圖像作為CNN模型的輸入，準(zhǔn)確率可達(dá)99.5%［36］。Zhang等建立深度森林（deep forests，DF）模型來區(qū)分6種不同霜害程度的水稻種子，該模型在小尺度樣本中的性能明顯優(yōu)于作為對比的3種傳統(tǒng)機器學(xué)習(xí)模型（決策樹、K最近鄰和SVM）［37］。Wu等針對實際生產(chǎn)中可能出現(xiàn)的樣品數(shù)量不平衡問題，提出一種加權(quán)損失深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolution neural network，DCNN），該模型區(qū)分3種活力等級水稻種子的準(zhǔn)確率為97.69%［38］。

2.2.2 圖譜結(jié)合分類

高光譜成像技術(shù)可以同時獲得待測種子的光譜信息和圖像信息，圖譜結(jié)合分類法便是同時利用這2種信息檢測種子活力。圖譜結(jié)合分類可以分為像素級和對象級2種方法，像素級方法是通過圖像中個別像素的光譜數(shù)據(jù)檢測整個種子的活力，對象級則是綜合整個種子像素的光譜數(shù)據(jù)檢測種子活力。目前國內(nèi)外學(xué)者普遍認(rèn)為種子活力是一個有關(guān)整個種子的概念，因此采用對象級方法是一種更為合理、有效的方法［39］。

對象級方法有以下2種主流思路：一是利用整體圖檢測，即單個種子圖像對應(yīng)1個分類值；二是利用像素圖檢測，即單個種子圖像的每1個像素都對應(yīng)1個分類值［40］。有學(xué)者對這2種思路進(jìn)行分析對比，結(jié)果見圖3。Zhang等運用PLS-DA算法區(qū)分3種不同凍害程度的玉米種子，同時基于模型的分類值比較M2M（整體圖）和M2P（像素圖）2種方法的分類效果，結(jié)果顯示，此情況下的M2P方法優(yōu)于M2M方法［41］。

也有學(xué)者基于像素圖開展了一系列的研究。如圖4所示，Wakholi等將有關(guān)玉米種子活力的SVM分類模型回歸系數(shù)同高光譜圖像結(jié)合獲得偽彩圖，并使用閾值將其轉(zhuǎn)化為二值圖像，其中值為1的像素對應(yīng)有活力，值為0的像素對應(yīng)無活力［42］。Baek等利用PLS-DA算法對大豆種子圖像每個像素進(jìn)行分類，并結(jié)合閾值法獲得二值圖像；在單個種子圖像中，代表活種子的像素數(shù)占總像素數(shù)的百分比大于預(yù)先設(shè)置的檢出率時，該種子便被認(rèn)定為有活力，此方案的準(zhǔn)確率為95%［39］。

高光譜成像技術(shù)“圖譜合一”的特點使其在種子活力檢測方面有著巨大的優(yōu)勢。較前的研究多集中在光譜數(shù)據(jù)的研究上，基于每個種子的平均光譜，使用機器學(xué)習(xí)算法建立分類模型來檢測種子活力。近年來，隨著研究的不斷深入，國內(nèi)外學(xué)者開始使用深度學(xué)習(xí)算法處理高光譜成像技術(shù)帶來的龐大立方體數(shù)據(jù)，深度學(xué)習(xí)算法在處理龐大數(shù)據(jù)方面的優(yōu)勢使得運用該類型算法所建立的分類模型較大多數(shù)傳統(tǒng)機器學(xué)習(xí)算法模型具有更好的檢測效果，且可以完成一定程度的種子活力分級；同時學(xué)者開始注重二維圖像的利用，不論是基于單個像素[21]的光譜研究還是多個波段的圖像研究，都開始將二維圖像信息同一維光譜數(shù)據(jù)相結(jié)合，使種子活力檢測效果有了明顯的提升。高光譜成像技術(shù)所具有的成像功能也使檢測結(jié)果更直觀地體現(xiàn)，有利于實現(xiàn)流水線檢測。綜合來看，高光譜成像技術(shù)所具有的特點使它在種子活力檢測方面有著極大的潛力，也使未來成批量檢測種子活力的商業(yè)化成為可能。

2.3 X射線成像技術(shù)

X射線成像技術(shù)是醫(yī)學(xué)診斷中最重要的技術(shù)之一，X射線的波長在0.01～10 nm之間，其中0.1～10 nm之間的部分被稱為軟X射線，由圖5可見，軟X射線穿透能力較低且能夠揭示物體內(nèi)部的情況，因此適用于種子活力檢測［43］。Araújo等利用X射線檢測種子干燥過程中產(chǎn)生的內(nèi)部裂紋和自由空間，這些形態(tài)變化與種子活力降低密切相關(guān)［44］。Abud等認(rèn)為，X射線成像技術(shù)可以有效地評估西蘭花種子的內(nèi)部形態(tài)，并將其與幼苗種子長度聯(lián)系起來，從而可以完成種子活力檢測［45］。Pinheiro等利用X射線成像技術(shù)結(jié)合圖像處理軟件，根據(jù)種子組織的物理完整性評估種子的活力［46］。de Medeiros等通過X射線圖像獲得有關(guān)種子的形態(tài)計量參數(shù)和組織完整性信息，并將這些特征同機器學(xué)習(xí)算法相結(jié)合，提出一種鑒定麻瘋樹種子發(fā)芽能力的LDA模型，對種子活力和幼苗活力的鑒定準(zhǔn)確率分別為94.36%、89.72%；接著又運用CNN算法建立海甘藍(lán)（Crambe abyssinica）種子活力鑒定模型，該模型準(zhǔn)確率為82%［47-48］。X射線成像技術(shù)可以發(fā)現(xiàn)種子內(nèi)部裂紋、直接損傷和蟲蛀等情況，這些信息可以為種子活力檢測提供重要依據(jù)。

2.4 自體熒光光譜成像技術(shù)

種子中含有大量的熒光化合物（即熒光團），這些[CM（21]化合物被特定波段的光激發(fā)后會發(fā)出熒光，這種熒光被稱為自體熒光。熒光團包括葉綠素、木質(zhì)素等化合物，這些化合物和種子活力密切相關(guān)。自體熒光光譜成像技術(shù)可以獲取每個圖像像素的高分辨率光譜，并提供同一物體在特定波段下的一組圖像［49］。因此，利用自體熒光光譜成像技術(shù)結(jié)合機器學(xué)習(xí)算法可以建立各熒光團與其對應(yīng)波長的聯(lián)系，實現(xiàn)種子活力的檢測。de Silva等以大豆種子為檢測對象，運用365 nm/400 nm的激發(fā)/發(fā)射組合的自體熒光信號，分別運用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）、SVM和LDA算法建立種子活力判別模型，發(fā)現(xiàn)3個模型都可以很好地區(qū)別高活力種子和低活力種子，準(zhǔn)確率達(dá)到99%［50］。如圖6所示，Batista等運用不同的激發(fā)/發(fā)射組合分別提取R7.1（開始成熟）、R7.2（大量成熟）、R7.3（種子與母株分離）、R8（收獲點）和R9（最終成熟）5個成熟階段的大豆種子自體熒光信號，基于此運用RF、神經(jīng)網(wǎng)絡(luò)（neural network，NN）和SVM算法分別建立分類模型，發(fā)現(xiàn)利用葉綠素a（660 nm/700 nm）和葉綠素b（405 nm/600 nm）的激發(fā)/發(fā)射組合，可以很好地完成5個成熟階段的分類［51］。

根據(jù)現(xiàn)有的科研成果可以發(fā)現(xiàn)自體熒光成像技術(shù)的檢測效果很理想，具有很大的發(fā)展價值，但該技術(shù)在種子活力檢測方面仍處于初步探索階段，已有的科研成果較少，且相關(guān)檢測設(shè)備昂貴，試驗干擾因素多，操作要求也較嚴(yán)苛。

2.5 多技術(shù)融合檢測方法

目前，多技術(shù)融合檢測方法因其較高的檢測精度正成為種子活力檢測新的發(fā)展趨勢。de Medeiros等同時使用近紅外光譜技術(shù)和X射線技術(shù)，測得臂形草（Urochloa brizantha）種子的近紅外光譜數(shù)據(jù)和X射線數(shù)據(jù)，同時將2類數(shù)據(jù)作為模型的輸入，運用5種傳統(tǒng)機器學(xué)習(xí)算法建立種子活力分類模型，并將這5種模型運用一種數(shù)據(jù)所建立的模型進(jìn)行性能對比，發(fā)現(xiàn)此類融合技術(shù)在檢測種子活力方面是可靠的，可以保證一定的準(zhǔn)確率［52］。de Jesus Martins Bianchini等將多光譜技術(shù)和X射線技術(shù)融合，使用LDA算法建立有關(guān)麻瘋樹種子活力的分類模型，發(fā)現(xiàn)使用2種數(shù)據(jù)建立的模型性能明顯優(yōu)于使用單類型數(shù)據(jù)建立的模型，準(zhǔn)確率可達(dá)98%，具有良好的分類效果［53］。多技術(shù)融合檢測方法是近2年才開始運用的方法，目前科研成果較少。但此方法為種子活力檢測提供了一個全新的視角，具有巨大的潛力，是一個值得嘗試的新方向。

3 結(jié)論與展望

本研究綜述了近年來無損速測技術(shù)在種子活力檢測領(lǐng)域的研究進(jìn)展，分析對比各種無損速測技術(shù)的檢測原理和檢測策略，闡述這些技術(shù)目前的優(yōu)勢和不足，重點就近紅外技術(shù)和高光譜成像技術(shù)展開了討論?？傮w而言，無損速測技術(shù)具有快速、無損、準(zhǔn)確和高效的特點，可以更好地滿足現(xiàn)代農(nóng)業(yè)生產(chǎn)的要求，且近年來的眾多研究成果也驗證了該技術(shù)在種子活力檢測領(lǐng)域的可行性。為使無損速測技術(shù)未來能更好地應(yīng)用于種子活力檢測，主要提出以下幾點建議：第一，增強多技術(shù)融合。目前各類型無損速測技術(shù)的運用相對獨立且逐漸模板化，可以嘗試結(jié)合多種無損速測技術(shù)，利用算法將各類檢測信息整合，加強有效信息的利用，進(jìn)一步提高分類模型的準(zhǔn)確率。第二，加強種子活力精選分級方面的研究。目前大多數(shù)研究僅能完成種子有無活力的區(qū)分，有關(guān)種子活力分級的研究報道較少，已報道的分級效果大多也不理想。但種子活力分級是現(xiàn)代農(nóng)業(yè)生產(chǎn)的現(xiàn)實需求。因此，開發(fā)出效果更好的種子活力分級模型迫在眉睫。第三，豐富數(shù)據(jù)庫，提高模型通用性。目前無損速測技術(shù)搭配化學(xué)計量學(xué)方法所建立的算法模型基本都只適用于單個品種種子，通用性和轉(zhuǎn)移性很差。因此，豐富現(xiàn)有的種子活力特性數(shù)據(jù)庫，研究模型轉(zhuǎn)移算法，開發(fā)同時適用于多個品種的模型是無損速測技術(shù)在種子活力檢測領(lǐng)域的一個重要發(fā)展趨勢。第四，打破檢測場地限制，實現(xiàn)多元化發(fā)展。目前相關(guān)研究大多局限在實驗室內(nèi)，且成熟的檢測設(shè)備較少，可以開發(fā)不同的檢測設(shè)備以滿足各類使用場景，如便攜式設(shè)備或適合成批量檢測的流水線設(shè)備。

參考文獻(xiàn)：

［1］ElMasry G，Mandour N，Al-Rejaie S，et al. Recent applications of multispectral imaging in seed phenotyping and quality monitoring：an overview［J］. Sensors，2019，19（5）：1090.

［2］Wang D，Wang K，Wu J Z，et al. Progress in research on rapid and non-destructive detection of seed quality based on spectroscopy and imaging technology［J］. Spectroscopy and Spectral Analysis，2021，41（1）：52-59.

［3］段潔利，王韜隱，付 函，等. 光譜及成像技術(shù)在種子活力檢驗中的應(yīng)用研究進(jìn)展［J］. 現(xiàn)代農(nóng)業(yè)裝備，2020，41（2）：2-7.

［4］Priya T S R，Manickavasagan A.Characterising corn grain using infrared imaging and spectroscopic techniques：a review［J］. Journal of Food Measurement and Characterization，2021，15（4）：3234-3249.

［5］李孝凡，王 成，宋 鵬，等. 種子活力無損檢測方法研究進(jìn)展［J］. 種子，2019，38（6）：61-65.

［6］Liu W J，Liu J，Jiang J M，et al. Comparison of partial least squares-discriminant analysis，support vector machines and deep neural networks for spectrometric classification of seed vigour in a broad range of tree species［J］. Journal of Near Infrared Spectroscopy，2021，29（1）：33-41.

［7］Wang W Q，Liu S J，Song S Q，et al. Proteomics of seed development，desiccation tolerance，germination and vigor［J］. Plant Physiology and Biochemistry，2015，86：1-15.

［8］Sharma A D，Rathore S V S，Srinivasan K，et al. Comparison of various seed priming methods for seed germination，seedling vigour and fruit yield in okra （Abelmoschus esculentus?L. Moench） ［J］. Scientia Horticulturae，2014，165：75-81.

［9］Demirkaya M. Relationships between antioxidant enzymes and physiological variations occur during ageing of pepper seeds［J］. Horticulture，Environment，and Biotechnology，2013，54（2）：97-102.

［10］Qin P，Kong Z Y，Liao X H，et al. Effects of accelerated aging on physiological and biochemical characteristics of waxy and non-waxy wheat seeds［J］. Journal of Northeast Agricultural University，2011，18（2）：7-12.

［11］任利沙，顧日良，賈光耀，等. 種子出苗率對玉米個體生長和群體產(chǎn)量的影響［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報，2017，22（4）：10-15.

［12］Ma W G，Zhang Z H，Zheng Y Y，et al. Determination of tobacco （Nicotiana tabacum） seed vigour using controlled deterioration followed by a conductivity test［J］. Seed Science and Technology，2020，48（1）：1-10.

［13］Lazar S L，Mira S，Pamfil D，et al. Germination and electrical conductivity tests on artificially aged seed lots of 2 wall-rocket species［J］. Turkish Journal of Agriculture and Forestry，2014，38：857-864.

［14］喻方圓，唐燕飛. 四唑染色法快速測定任豆種子生活力的研究［J］. 種子，2004，23（7）：40-42.

［15］盛海平，汪為民，劉華開，等. 水稻種子生活力四唑測定值與發(fā)芽率間的相關(guān)性［J］. 種子，2000，19（2）：30-31.

［16］Lestander T A，Geladi P.NIR spectral information used to predict water content of pine seeds from multivariate calibration［J］. Canadian Journal of Forest Research，2005，35（5）：1139-1148.

［17］Kusumaningrum D，Lee H，Lohumi S，et al. Non-destructive technique for determining the viability of soybean （Glycine max） seeds using FT-NIR spectroscopy［J］. Journal of the Science of Food and Agriculture，2018，98（5）：1734-1742.

［18］金文玲，曹乃亮，朱明東，等. 基于近紅外超連續(xù)激光光譜的水稻種子活力無損分級檢測研究［J］. 中國光學(xué)，2020，13（5）：1032-1043.

［19］白 京，彭彥昆，王文秀. 基于可見近紅外光譜玉米種子活力的無損檢測方法［J］. 食品安全質(zhì)量檢測學(xué)報，2016，7（11）：4472-4477.

［20］Yasmin J，Ahmed M R，Lohumi S，et al. Classification method for viability screening of naturally aged watermelon seeds using FT-NIR spectroscopy［J］. Sensors，2019，19（5）：1190.

［21］Fan Y M，Ma S C，Wu T T. Individual wheat kernels vigor assessment based on NIR spectroscopy coupled with machine learning methodologies［J］. Infrared Physics & Technology，2020，105：103213.

［22］Tigabu M，Daneshvar A，Wu P F，et al. Rapid and non-destructive evaluation of seed quality of Chinese fir by near infrared spectroscopy and multivariate discriminant analysis［J］. New Forests，2019，51：395-408.

［23］李 武，李 妍，李高科，等. 高溫老化下甜玉米種子活力近紅外光譜檢測技術(shù)研究［J］. 核農(nóng)學(xué)報，2018，32（8）：1611-1618.

［24］曲 歌. 基于近紅外光譜數(shù)據(jù)的水稻種子活力預(yù)測模型研究［D］. 大慶：黑龍江八一農(nóng)墾大學(xué)，2019.

［25］Pang L，Men S，Yan L，et al. Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques［J］. IEEE Access，2020，8：123026-123036.

［26］Seo Y，Lee H，Bae H J，et al. Optimized multivariate analysis for the discrimination of cucumber green mosaic mottle virus-infected watermelon seeds based on spectral imaging［J］. Journal of Biosystems Engineering，2019，44（2）：95-102.

［27］Zhou X，Sun J，Tian Y，et al. Development of deep learning method for lead content prediction of lettuce leaf using hyperspectral images［J］. International Journal of Remote Sensing，2020，41（6）：2263-2276.

［28］Matzrafi M，Herrmann I，Nansen C，et al. Hyperspectral technologies for assessing seed germination and trifloxysulfuron-methyl response in Amaranthus palmeri （palmer amaranth） ［J］. Frontiers in Plant Science，2017，8：474.

［29］Nansen C，Zhao G P，Dakin N，et al. Using hyperspectral imaging to determine germination of native Australian plant seeds［J］. Journal of Photochemistry and Photobiology（B：Biology），2015，145：19-24.

［30］Dumont J，Hirvonen T，Heikkinen V，et al. Thermal and hyperspectral imaging for Norway spruce （Picea abies） seeds screening［J］. Computers and Electronics in Agriculture，2015，116：118-124.

［31］He X T，F(xiàn)eng X P，Sun D W，et al. Rapid and nondestructive measurement of rice seed vitality of different years using near-infrared hyperspectral imaging［J］. Molecules，2019，24（12）：2227.

［32］Cui H W，Cheng Z S，Li P，et al. Prediction of sweet corn seed germination based on hyperspectral image technology and multivariate data regression［J］. Sensors，2020，20（17）：4744.

［33］Zhang T T，F(xiàn)an S X，Xiang Y Y，et al. Non-destructive analysis of germination percentage，germination energy and simple vigour index on wheat seeds during storage by Vis/NIR and SWIR hyperspectral imaging［J］. Spectrochimica Acta（Part A：Molecular and Biomolecular Spectroscopy），2020，239：118488.

［34］張 林. 基于高光譜圖像技術(shù)的水稻種子品種及活力等級檢測研究［D］. 鎮(zhèn)江：江蘇大學(xué)，2021.

［35］Ma T，Tsuchikawa S，Inagaki T.Rapid and non-destructive seed viability prediction using near-infrared hyperspectral imaging coupled with a deep learning approach［J］. Computers and Electronics in Agriculture，2020，177：105683.

［36］Yang Y，Chen J P，He Y，et al. Assessment of the vigor of rice seeds by near-infrared hyperspectral imaging combined with transfer learning［J］. RSC Advances，2020，10（72）：44149-44158.

［37］Zhang L，Sun H，Rao Z H，et al. Hyperspectral imaging technology combined with deep forest model to identify frost-damaged rice seeds［J］. Spectrochimica Acta（Part A：Molecular and Biomolecular Spectroscopy），2020，229：117973.

［38］Wu N，Weng S Z，Chen J X，et al. Deep convolution neural network with weighted loss to detect rice seeds vigor based on hyperspectral imaging under the sample-imbalanced condition［J］. Computers and Electronics in Agriculture，2022，196：106850.

［39］Baek I，Kusumaningrum D，Kandpal L M，et al. Rapid measurement of soybean seed viability using kernel-based multispectral image analysis［J］. Sensors，2019，19（2）：271.

［40］Akbar F M，Mukasa P，Santosh L，et al. Online application of a hyperspectral imaging system for the sorting of adulterated almonds［J］. Applied Sciences，2020，10（18）：65-69.

［41］Zhang J，Dai L M，Cheng F.Classification of frozen corn seeds using hyperspectral VIS/NIR reflectance imaging［J］. Molecules，2019，24（1）：149.

［42］Wakholi C，Kandpal L M，Lee H，et al. Rapid assessment of corn seed viability using short wave infrared line-scan hyperspectral imaging and chemometrics［J］. Sensors and Actuators（B：Chemical），2018，255：498-507.

［43］[JP2]de Medeiros A D，Bernardes R C，da Silva L J，et al. Deep learning-[JP]based approach using X-ray images for classifying Crambe abyssinica?seed quality［J］. Industrial Crops and Products，2021，164：113378.

［44］Leo-Araújo ?F，Gomes F G Jr，de Silva A R，et al. Evaluation of the desiccation of Campomanesia adamantium?seed using radiographic analysis and the relation with physiological potential［J］. Agronomy Journal，2019，111（2）：592-600.

［45］Abud H F，Cícero S M，Gomes F G Jr.Radiographic images and relationship of the internal morphology and physiological potential of broccoli seeds［J］. Acta Scientiarum Agronomy，2018，40（1）：34950.

［46］Pinheiro D T，Capobiango N P，de Medeiros A D，et al. Assessment of the physical and physiological quality of Piptadenia gonoacantha seeds （Mart.） J.F.Macbr.using image analysis［J］. Revista árvore，2020，44：e4426.

［47］de Medeiros A D，Pinheiro D T，Xavier W A，et al. Quality classification of Jatropha curcas?seeds using radiographic images and machine learning［J］. Industrial Crops and Products，2020，146：112162.

［48］[JP2]de Medeiros A D，Bernardes R C，da Silva L J，et al. Deep learning-[JP]based approach using X-ray images for classifying Crambe abyssinica?seed quality［J］. Industrial Crops and Products，2021，164：113378.

［49］Galletti P A，Carvalho M E A，Hirai W Y，et al. Integrating optical imaging tools for rapid and non-invasive characterization of seed quality：tomato （Solanum lycopersicum?L.） and carrot （Daucus carota?L.） as study cases［J］. Frontiers in Plant Science，2020，11：577851.

［50］da Silva C B，Oliveira N M，de Carvalho M E A，et al. Autofluorescence-spectral imaging as an innovative method for rapid，non-destructive and reliable assessing of soybean seed quality［J］. Scientific Reports，2021，11：17834.

［51］BatistaB，Mastrangelo C B，de Medeiros A D，et al. A reliable method to recognize soybean seed maturation stages based on autofluorescence-spectral imaging combined with machine learning algorithms［J］. Frontiers in Plant Science，2022，13：914287.

［52］de Medeiros A D，da Silva L J，Ribeiro J P O，et al. Machine learning for seed quality classification：an advanced approach using merger data from FT-NIR spectroscopy and X-ray imaging［J］. Sensors，2020，20（15）：4319.

［53］de Jesus Martins Bianchini V，Mascarin G M，Silva L C A S，et al. Multispectral and X-ray images for characterization of Jatropha curcas?L. seed quality［J］. Plant Methods，2021，17（1）：1-13.

基金項目：廣東省重點領(lǐng)域研發(fā)計劃（編號：2022B0202110003）；“科技創(chuàng)新2030”重大項目（編號：2022ZD0115701）。

作者簡介：石 睿（1998—），男，江蘇無錫人，碩士研究生，主要從事種子活力無損檢測講究。E-mail：993499350@qq.com。

通信作者：王 成，博士，研究員，主要從事農(nóng)業(yè)智能裝備研究。E-mail：wangc@nercita.org.cn。