冠军体育

近年来，近红外高光谱成像技术发展迅速，在谷物、种子品质检测方面得到了广泛的应用。如种子化学成分检测、种子品种鉴定、种子活力检测等。利用高光谱成像系统通过对种子进行光谱成像数据采集、进一步处理分析、结合红外热成像及物理化学等方法测量结果构建模型，可对谷物、种子品质进行快速、批量分析与检测。

冠军体育公司提供谷物、种子品质检测全面解决方案，高通量、非接触、数字化：

1、PhenoTron®-HSI种质资源高光谱成像分析系统

左：PhenoTron^®-HSI种质资源高光谱成像分析系统；中、右：豆象侵染绿豆种子的900-1700nm高光谱成像分析及红外热成像图（冠军体育光谱成像实验室供图）

2、SeedSort种子高光谱成像在线分选平台

左图：高光谱成像在线分选平台示意图；右图：水稻种子纯净度检测分选（引自S. D. Fabiyi et al., "Varietal Classification of Rice Seeds Using RGB and Hyperspectral Images," in IEEE Access, vol. 8, pp. 22493-22505, 2020, doi: 10.1109/ACCESS.2020.2969847.）

案例一：近红外高光谱成像技术用于玉米水分含量测定

水分是国家农作物种子质量标准的四大强制性检测项目之一，种子水分含量太高会增加呼吸和养分消耗，降低活力；相反，水分含量太低会导致种子缺水和死亡，因此，准确测定玉米单粒种子水分含量对检测评估玉米种质及精准播种具有重要意义。然而，传统的玉米水分检测方法，如烘箱干燥法，存在耗时、破坏样品、无法检测单粒样品等缺点。北京工商大学食品安全重点实验室研究人员提出了一种基于高光谱成像技术（968.05–2 575.05 nm）结合CNN-LSTM算法的快速、无损、高精度玉米种子含水量检测方法。

图1-1 高光谱图像采集及CNN-LSTM模型图

图1-2 CNN-LSTM网络模型及不同模型下的联合指标

该方法基于CNN-LSTM模型构建联合指标RMSE/（1+R）对模型性能进行综合评价。使用CNN模型自动提取光谱数据的深层特征，无需人工复杂的特征提取步骤，并提供高质量的数据输入到LSTM模型，从而测定玉米含水量。结果显示：在CNN-LSTM模型下，RMSE/（1+R）指标仅为0.141，具有较小的误差，可以为玉米水分含量的快速、无损检测提供可靠方法。

案例二：近红外高光谱成像技术用于绿豆种子活力检测

绿豆（vigna radiata）是一种营养价值极高的粮食作物，其浸泡后发出的嫩芽具有清热解毒、美容养颜、改善视力的功效。 然而“铁绿豆”是一种受生理影响和基因控制的“坚硬”绿豆，在发芽过程中会产生霉菌并感染临近种子发芽。所以在种子生产过程中必须将坚硬种子和普通种子分开。目前，近红外高光谱成像技术（NIR-HSI）已被广泛应用于种子质量监测与评估，其优点是快速、高效、非损伤。

日本研究人员Kaewkarn Phuangsombut等人采用近红外高光谱成像与偏最小二乘法判别分析（PLS-DA）相结合的方法建立了正常绿豆和坚硬绿豆的分类模型：

图2-1 不同方向放置正常绿豆和坚硬绿豆光谱曲线（900-1700nm 900-2500nm）

数据显示：在波长990nm和1200nm处，健康种子的水分特征吸收峰和淀粉特征吸收峰均低于坚硬种子。说明坚硬绿豆在两个波长处吸收的光比正常绿豆吸收的光少（水分和淀粉含量少）。

图2-2 正常绿豆（a）和坚硬绿豆(b)的发芽力可视化分布图（0.5-1.0表示萌发率很高）

结果显示：大部分坚硬种子不可萌发部分的比例均大于正常绿豆。所以NIR-HSI的研究结果可作为绿豆种子萌发性指标，为绿豆生产以及绿豆发芽加工分类行业制定无损伤、数字化标准。

参考文献：

[1]     Zhang L, Zhang Q, Wu J, et al. Moisture detection of single corn seed based on hyperspectral imaging and deep learning[J]. Infrared Physics & Technology, 2022, 125: 104279.

[2]     Phuangsombut K, Ma T, Inagaki T, et al. Near-infrared hyperspectral imaging for classification of mung bean seeds[J]. International Journal of Food Properties, 2018, 21(1): 799-807.