综述：作物种质资源保存技术进展：无损技术及其在全球粮食安全中的作用回顾

本综述系统阐述了近红外光谱（NIRS）、高光谱成像（HSI）、拉曼光谱（RS）等无损技术（NDTs）在作物种质资源管理中的应用。文章重点分析了这些技术在种子活力检测、病虫害早期诊断、种质表征及育种前筛选等方面的巨大潜力，强调了其非破坏性、高效率的特点。同时，综述也指出了技术标准化、成本及跨物种适用性等挑战，并展望了与人工智能（AI）、深度学习（DL）及物联网（IoT）融合的未来发展方向，为保障全球粮食安全提供了创新性的技术路径。

　　

作物种质资源保存技术进展：无损技术及其在全球粮食安全中的作用回顾

1.0. 引言

全球人口增长和气候变化对作物生产的影响日益加剧，对长期粮食和营养安全构成重大挑战。应对这些挑战，可持续农业实践和作物遗传多样性的保护至关重要。作物种质资源，包括改良品种、传统地方品种和作物野生近缘种（CWRs）的种子、组织和DNA等遗传材料，对于开发能够抵御干旱、病虫害等日益加剧胁迫的新作物品种至关重要。种子活力测试是提供种子萌发状态信息的关键，但对于种质保存而言，传统的破坏性检测方法会导致遗传材料的损耗。近红外光谱（NIRS）、傅里叶变换红外（FTIR）光谱、高光谱成像（HSI）和拉曼光谱（RS）等新型无损或自动化种子活力测试方案，提供了简单、快速、可靠且具有预测性的工具。通过主动采用自动化方法进行活力测试，基因库可以提高运营效率，规避传统管理方法的挑战，从而优化资源分配，提高基因库的可持续性，并确保常规种子在面临损耗和不断增加的需求时保持长期活力。

无损技术已成为减少种子损失和劳动力需求的有效选择，为种质评估和保存提供了创新的非侵入性技术。这些技术有助于在不损伤样品的情况下检查表型特征、营养成分、遗传多样性和胁迫恢复力。无损方法与人工智能算法（如深度学习（DL）和机器学习）相结合，因其能够全面洞察作物种质质量而获得了显著的研究关注。无损技术可以通过促进快速监测、提高种子测试效率和改进遗传表征精度，而无需进行破坏性取样，从而改变作物种质管理。

尽管这些技术潜力巨大，但无损方法在作物种质管理中的广泛应用可能受到初始成本高、技术复杂性和需要专门培训等因素的阻碍。此外，将这些方法整合到现有农业实践中需要细致的校准和标准化，以确保其在各种作物物种和保护系统中的可靠性。本综述旨在阐明在无损作物种质管理方面的协调努力如何能在气候变化和因破坏性检测技术导致的库存损耗担忧的背景下，对全球粮食安全产生积极影响。

2. 作物种质为何对全球粮食安全至关重要

作物种质为新品种的开发及其适应性提供遗传多样性，从而保障全球粮食和营养安全。植物种质被用于育种计划，以提高生产力、营养品质以及对病虫害和非生物胁迫的耐受性。由于气候变化，作物需要多样化的基因库来适应干旱、极端温度和土壤退化。

鉴于全球人口不断增长，作物种质的保存和利用对于确保粮食安全至关重要。基因库储存种质收集品，并通过提供作物物种的活体副本用于育种来保存遗传变异。这些收集品保护作物免受气候变化、自然灾害、栖息地丧失、病虫害的影响，确保农业和粮食系统的可持续性。作物种质有助于多样化作物品种以满足营养需求，特别是在粮食不安全地区。因此，作物种质是一种非常关键的资源，需要国家和国际机构对其安全、可持续的保存、分发、复制、育种计划和其他实验室研究给予仔细关注。

然而，对种质进行病虫害、气候和土壤相关问题、性状鉴定和活力测试的田间评估和实验室研究通常需要破坏性取样，这导致可用于长期保存的材料数量减少，并破坏了遗传信息。无损技术可以促进种质分析而不造成样品损伤，从而加强遗传资源保存和表征。因此，无损技术可以改进作物种质保存、评估和利用，从而实现全球更可持续和更具韧性的农业系统。

3. 无损作物种质管理技术的原理

无损技术是评估农业种质质量、活力和遗传多样性而不损害样品的新颖有效方法。这些技术能够实现实时、高通量分析，改进遗传资源的获取、保存和使用。

3.1. 光谱技术

无损光谱技术已成为评估农业种质的关键工具，有助于快速、高通量分析种子质量、活力和遗传多样性，且不损害样品完整性。近红外（NIR）光谱技术利用电磁光谱中波长通常为780纳米至2500纳米的近红外区域。当NIR光与样品相互作用时，会引起分子中粒子（如碳-氢（C-H）、氮-氢（N-H）和氧-氢（O-H）键）的振动，并基于样品中的键类型吸收电磁光谱的特定波长。该波长通过显示样品水分、蛋白质、淀粉和油脂含量的光谱被检测到。利用NIR光谱进行种子表征可用于农业种质质量控制。该方法可提供反映种子健康和活力的水分含量、蛋白质和淀粉等信息。NIR还应用于不同作物种质资源的表型、形态和营养分析。其速度和非侵入性使NIR成为分析大型种质收集品的理想选择。

拉曼光谱以印度物理学家C. V. Raman命名，是一种用于观察系统中振动、旋转和低频模式的技术。一束单色光（通常来自激光器）通过其分子的振动与样品相互作用。光发生散射，产生拉曼光谱，揭示材料的分子结构。拉曼光谱对化学键合的敏感性使其能够检测功能基团和分子结构。作物种质管理使用拉曼光谱评估种子和组织化学。它有助于识别生物活性物质，如用于营养分析和种质质量评估的次级代谢产物和抗氧化剂。拉曼光谱可以检测由生物和非生物胁迫反应引起的植物生物化学变化。此外，拉曼光谱有助于检测种质收集中与必需营养素相关的生化标志物，从而能够识别营养缺乏，并支持针对营养高效作物品种的有针对性育种。它是非侵入性的，适用于现场和实验室原位使用，用于快速分析作物种质。

3.2. 成像技术

高光谱成像（HSI）是一种将光谱学与成像能力相结合的技术。它能够收集关于物体和表面成分特征的详细信息，这是传统成像系统无法实现的。高光谱成像结合成像和光谱学，收集跨越电磁光谱从400纳米到2500纳米的数据。高光谱图像的每个像素都提供光谱数据，可用于评估植物化学成分、结构特征和健康状况。这种方法对于作物健康评估非常有用，因为它可以识别人眼无法察觉的微小变化。高光谱成像可以帮助基因库评估遗传多样性并检测植物病害。通过完整的光谱指纹观察由病原体感染或环境胁迫引起的光谱带变化，可以发出早期病害检测的信号。高光谱数据还可以评估作物的营养成分和质量。有效的高光谱成像非常适合用于基因库和育种计划中的大规模作物评估。

3.3. 传感器与人工智能（AI）技术

电化学传感器与人工智能（AI）相结合，正在成为作物种质管理中强大工具，用于快速、现场评估必需的生理和环境因素。这些传感器模拟人类感官，能够识别植物组织、土壤或环境中的特定离子、化学物质或气体，并收集关于营养水平、胁迫反应和病害标志物的大量数据。电化学传感器可以测量植物汁液或土壤溶液中必需营养素（如硝酸盐或钾）的浓度，有助于精确调整施肥方案。它们同样可以识别受胁迫植物释放的挥发性有机化合物（VOCs），为病原体感染或环境胁迫提供早期指示，并通过管理行动促进及时响应。

这些传感器产生的大量数据可以由人工智能算法（包括机器学习和深度学习方法）进行分析，以检测复杂关系并预测种质性能，从而增强选择和管理的决策能力，超越传统表型分析的能力。

4.0. 利用无损技术进行种质健康管理

遗传资源在育种、保存和农业发展中的质量取决于作物种质的健康。无损技术对于在田间和储存期间评估作物健康至关重要。种质管理可以极大地受益于使用这些技术进行实时生理和生化监测，而无需损伤植物样品。

病虫害会损害储存和田间的遗传资源，威胁粮食安全和生物多样性。利用无损技术可以实现早期病虫害检测、损害评估和病虫害防治效果评估，而无需使用化学处理或物理样品。这些技术已被用于以比传统病害检测方法更高的精度和更快的速度检测作物中的真菌、细菌和病毒病害。

4.1. 利用无损技术检测真菌病害

真菌病害对田间和储存的作物种质构成重大挑战。近红外-高光谱成像（NIR-HSI）可作为鉴定镰刀菌（Fusarium verticillioides）和禾谷镰刀菌（F. graminearum）的快速方法。这种经过15个镰刀菌分离株验证的NIR-HSI方法是一种快速、非侵入性、无损的技术，对两种真菌均达到100%的准确度、灵敏度和特异性。高光谱成像（HSI）已成功用于分类谷物、蔬菜以及块根块茎作物中的镰刀菌损害。它还被用于研究小麦赤霉病，精度达96.44%，准确度达91%。HSI精确检测了鳄梨中的月桂树枯萎病、马铃薯中的斑马片病以及小叶蔬菜中的土传真菌病害。茶叶病害、自然环境中的玉米叶部病害以及烟草的番茄叶部病害也都使用HSI进行了研究，并取得了令人印象深刻的结果。

高光谱成像还与深度学习相结合，用于研究番茄灰霉病。该模型在接种后长达5天内每天检查受感染叶片样本，产生了不同的结果。使用KNN和FR-KNN，在病原体接种 exactly 一天后即可进行早期病害检测，检测率分别为66.67%和41.67%。深度学习特征识别方法已能够以95.33%和98.0%的精度和准确度分类作物病斑。尽管各种结果令人印象深刻，但结果的差异表明，使用无损技术进行作物真菌病害检测仍是一项新兴技术，需要微调以确保结果的一致性。

此外，一些无损检测方法（如近红外光谱和高光谱成像）已在特定背景下得到验证；然而，许多植物物种，特别是非洲本土作物和来自许多发展中国家的作物，尚未对其光谱特征进行分析。种子物种、储存条件和基因库目标会影响无损技术的验证，因为不同物种对无损技术刺激的反应不同。未来的技术可能会在其设计中纳入一个特征，以补偿作物基因型和环境的差异，允许光谱数据基于这些特征进行收敛。这可能有助于提高设备的泛化能力，使其在作物种质保存中非常相关。

4.2. 利用无损技术检测细菌病害

此外，无损诊断技术，如拉曼光谱，已能够识别作物种质中的细菌病害。使用激光镊子和拉曼光谱结合深度学习，鉴定出两种密切相关的水稻叶部细菌菌株（Xanthomonas oryzaepv. Xoo 和 pv. Xoc），准确率达到97.5%。对于田间用途，便携式拉曼光谱仪在不同病害阶段检测了模拟接种、Xoo感染和Xoc感染的水稻叶片。在开始时即识别出无症状叶片，识别准确度为87.02%。该方法还揭示了由两种细菌引起的水稻叶片光谱变化，可用于研究其他细菌性叶部病害的感染机制。

紫外-可见透射光谱结合化学计量学模型已被用于构建番茄细菌性病害（Pseudomonas syringae和 Xanthomonas euvesicatoria）的无损检测模型。数据驱动的软独立建模类别类比（DD-SIMCA）便携式设备用于捕获样本内的主要相似性。通过作为分类分析信号的综合距离，该模型在训练集和预测集中均实现了100%的灵敏度。因此，它能够在无症状情况下区分健康的植物小叶组织与接种了两种细菌的其他样本。这可能会彻底改变使用手持式原位作物病害识别设备在植物组织发生严重损害之前检测初始病原体活动。

利用无人驾驶飞行器（UAV）或无人机捕获图像进行高光谱成像（HSI）植物病害诊断代表了近期研究的重要进展。识别并选择了最适合基于叶片水平反射率的植被指数用于检测花生细菌性萎蔫病，并评估了它们使用无人机多光谱摄影的应用。来自46个高光谱指数的相关系数超过0.80，证明了模型的灵敏度以及遥感用于作物病害检测的潜力。高光谱成像与无人机结合还可以检测小麦和番茄中感染引起的光谱变化，以追踪白粉病和早疫病。这种方法监测广大区域的作物健康，有助于管理作物野生近缘种和未充分利用作物物种的保护工作，并维护种质收集品的健康。

无损技术在种质健康中的应用相对较新，因此研究机构、种子库和育种者采用不同的方法，导致结果各异。如果没有标准化的校准技术，其他实验室可能会产生不同的结果，使得跨种子收集品的数据比较和整合具有挑战性。这些技术还产生需要专门处理方法和软件的大量数据。这些数据由不同的科学家和组织以不同的方式解释。高光谱成像和拉曼光谱数据处理方法各不相同，这影响了种子种质分析。如果没有共同的数据分析策略，异质数据集无法得到一致的分析。未来设备中大数据特征的整合将增强这些测试产生结果的真实性，这是由于有足够的信息可用于训练设备中嵌入的算法。

4.3. 利用无损技术检测病毒病害

利用无损技术研究了由病毒引起的作物病害，以预测其发生、识别引起爆发的特定毒株，并准备适当的控制措施。这涉及研究作物种子、叶片、果实、花、根和茎，以更好地了解宿主作物与病毒之间的关系。开发的一种近红外高光谱成像（NIR-HSI）模型结合化学计量学，能够准确（83.3%）地将病毒感染西瓜种子与健康种子区分开来，证明了NIR-HSI检测病毒感染的农业种子的潜力。反射光谱与机器学习相结合，构建了小麦黄花叶病（WYMD）的系统性病害检测方案。电磁光谱可见光区域约750纳米是检测该病毒最敏感的波长。此外，当病害处于晚期时，900-1000纳米的波长是最敏感的。该模型预测病害的精度，对于田间数据为94.71%，对于模拟卫星数据为68.06%。还提出了采用高光谱和机器学习技术来区分受烟草花叶病毒（TMV）影响的烟草叶片类型和严重程度的建议。基于主要评估指标，该模型在二分类中实现了91%到100%的准确度。其他关键的病毒病害，如番茄斑萎病毒（TSWV）和番茄卷叶萨丁病毒（TLCSV），已使用拉曼光谱进行了研究，准确度分别为80%和70%。这些结果标志着植物病害检测和管理的新希望，基因库将通过使用无损技术而受益。

诸如检测早期感染的灵敏度限制、高成本、技术复杂性、缺乏标准化以及针对大型收集品的可扩展性等问题在无损作物种质管理中仍然存在。此外，种子的生物变异性（如油脂含量、水分含量和老化）使统一诊断复杂化，而病原体-宿主相互作用可能不可预测地改变检测信号。未来的进步必须旨在通过多模态传感器融合（如结合拉曼光谱和AI）、增强机器学习以改进数据解释，以及开发用于田间使用的便携式、低成本设备来克服这些障碍。通过纳米生物传感器和代谢组学分析进行早期病原体检测，以及结合区块链实现可追溯性和机器人自动化实现高通量筛选，可以进一步彻底改变该领域。通过跨学科创新应对这些挑战，无损技术可以加强全球种质健康管理，确保粮食和营养安全，并促进生物多样性保护。

4.4. 利用无损技术识别害虫

一种使用二维傅里叶变换（2DFT）频谱的新型智能视觉技术能够识别害虫种群，而不是手动量化 trapped 害虫。该方法使用2DFT作为噪声收集器，将 trapped 害虫视为二维图像中的噪声。模拟结果表明，基于2DFT的指数能够准确估计 trapped 害虫数量（R² = 1），且与害虫分布模式无关。这种概念在确定害虫存在和活动方面的准确性和有效性超过了传统方法。

利用近红外光谱（NIRS）结合化学计量学，可以帮助快速、低成本、非侵入性地识别储存谷物中的虫害侵染。为了检测储存谷物中的象甲活动，用70只成年玉米象（Sitophilus zeamais Motschulsky）侵染36种不同基因型的高粱谷物样本70天。此外，使用相同基因型的未侵染高粱谷物样本来构建预测模型。偏最小二乘判别分析（PLS-DA）实现了测试集100%的灵敏度和特异性，以及100%的分类率。该模型具有100%的特异性和精确度，高度准确。利用叶片表面照片和多重分形分析来原位检测小型害虫，如粉虱。一系列统计分析可用于定义叶片图像中的粉虱斑点，并确定区域极小值在潜在粉虱图像区域特征提取方面的性能，将其与固定阈值进行比较。考虑到粉虱的大小和形状，减少了叶脉误报。然后将田间图像用于温室研究，并将检测结果与使用自适应分割方法获得的结果进行比较。所建议的多重分形分析（88.6%）在精确率和召回率方面优于分水岭（60.2%）和高效基于图的图像分割（EGBIS; 42.8%）。多重分形分析产生了86.9%的真阳性率和8.2%的假阳性率。因此，多重分形分析对于识别温室中的小型害虫是有效的。

4.5. 利用无损技术进行害虫爆发的早期预警系统

可以利用机器学习和不同的基于模式的预测（PBP）方法来预测害虫爆发。使用历史时间序列数据预测未来爆发并监测害虫物种。基于随机模型的方法论，模拟数据集和小麦收获的蚜虫时间序列，在模拟试验中实现了84.6%的平均测试准确度，在爆发预测中实现了95.0%的准确度。测试了一个具有物联网（IoT）特征的并行分布式模拟框架（PDSF），用于害虫管理和农业监测。在该框架中，模型被分配给作物管理、害虫检测与控制、产出活动和投入功能区。数据被同时处理和组织，系统性能达到98.65%。

还创建了机器视觉（成像）辅助的AI算法，用于作物害虫检测和早期预警系统。评估了YOLO架构用于实时识别大豆害虫的性能。它与来自多个地点、各种天气条件、不同物候阶段以及作物种植中高害虫种群数量的图像兼容。使用四个和三个度量分别对分类和检测性能进行的5折交叉验证评估表明，YOLOv3架构具有更好的检测和分类率。该模型已经在帮助科学家和农民管理大豆害虫防治。其他AI辅助技术和研究专注于各种作物及其害虫。这些方法包括多核学习（MKL）、多尺度昆虫检测器（MSI-D）金字塔网络、深度卷积神经网络（DCNNs）、深度神经网络（DNNs）、自动检测流程以及线和珠昆虫模型，正在为未来预测害虫发生进行微调。

4.6. 利用无损技术进行多物种害虫识别

提出了一种用于跨多种作物物种分类害虫图像的两阶段移动视觉级联害虫识别方法。该方法使用照片中的多尺度上下文信息来创建上下文感知注意力网络。用于构建多投影害虫检测模型（MDM）的与作物相关害虫的图像由该模型训练。MDM通过整合其算法两层的上下文AI输入来创建分辨率特征。开发的响应机制和数据有助于改进害虫检测。基于新建立的大规模数据集和足够的试验结果，该模型在识别田间粮食作物害虫（IPFC）方面优于现有的物体识别方法。

4.7. 种质害虫管理的挑战与未来展望

使用无损技术识别害虫面临若干挑战，包括准确性和灵敏度问题，例如难以检测低浓度害虫或区分害虫损害与环境胁迫。技术限制包括小型或隐藏的害虫、在茂密作物中穿透能力有限、实时处理延迟、可变天气条件下的环境和操作挑战、作物多样性以及视野受阻。此外，还存在高成本和可扩展性问题，因为设备昂贵、需要专业知识，并且存在田间与实验室准确性之间的权衡。害虫行为，如移动性和生命周期阶段，进一步使检测复杂化，而数据管理挑战，包括处理大型数据集和确保模型泛化，增加了复杂性。尽管存在这些障碍，多传感器融合、人工智能和微型传感器的进步可以增强无损害虫检测的可行性，并为未来的种质和农业应用提供有前景的解决方案。

5.0. 利用无损技术进行育种前/种质表征

现代植物育种者可以利用无损技术来评估和选择作物性状，同时保持植物完整性。表型筛选涉及观察和选择跨代的物理性状，如株高、产量和抗病性，已在植物育种中使用。这个过程通常耗时，并可能需要进行破坏性取样。无损技术提供快速表型分析，能够实时、非侵入性地检查遗传特征及其与环境的相互作用。这为育种者提供了关于植物性能的重要数据，增强了选择和遗传发展。

5.1. 利用无损技术进行种质育种前研究

无损技术已被用于育种计划的实验室和田间工作。这包括用于营养成分、耐旱性和产量能力的种质评估。近红外反射光谱（NIRS）可用于快速、无损地评估作物基因型的营养多样性。能够分析植物基因型的蛋白质、淀粉和酚类含量，使NIRS适用于营养分析，这对于开发营养优越的品种至关重要。首次采用快速、多性状评估方法评估扁豆种质的研究表明，对于育种前操作具有良好的预测能力和准确性。在豆类种质的相关研究中，使用近红外光谱（NIRS）对大豆基因型进行分类并预测含油量。反射模式的NIR光谱取自80克烘干样品。顺序投影技术和遗传算法结合线性判别分析，以88.89%的准确度区分低油和高油含量基因型。对于含油量，偏最小二乘（PLS）回归模型非常出色，均方根误差为0.96%。因此，NIRS可以促进大豆的快速育种，而无需进行破坏性取样。然而，研究人员建议在未来的试验中使用干燥大豆样品的NIR光谱以达到相同的结果。使用叶片原位高光谱光谱（350-2500纳米）评估了12个田间豌豆生物质质量变量。六个机器学习模型将每个质量性状与四个高光谱叶片反射光谱特征提取数据集相关联。结果表明，所提出的光谱评估方法可以快速预测田间豌豆质量参数，使育种者和农民能够就其作物管理做出明智决策。

目前，尚不清楚这些技术在大面积和更大规模应用中的表现如何，预计在很短时间内评估不同的作物和品种。预计该技术的设计将得到增强，包括整合各种作物的生物信息，从而允许同时评估多种作物，节省时间。这将加强基因挖掘，并有助于扩大基因操作和开发农民使用的新作物品种。

5.2. 利用无损技术进行种质表征

利用近红外光谱结合化学计量学区分了来自不同地点和年份的五个小麦基因型。小麦基因型的硬度影响聚类形成，将软质小麦与硬质小麦区分开来，无论种植地点或种植年份如何，都形成了聚类。此外，PLS-DA模型结合NIR光谱，准确分类了预测集100.00%的样本。因此，NIR光谱结合化学计量学可以按来源和年份对小麦基因型和硬度进行分类。在育种计划中使用NIR光谱评估爆裂玉米基因型的爆裂膨胀性（PE），成功预测和分类基因型，准确度为78%，灵敏度为81.2%，特异性为72.2%。这些初步观察标志着使用无损技术表征作物种质的巨大前景。然而，不同的作物会根据环境和植物组织中的水分水平显示其光谱的变化。未来光谱和成像设备的设计应考虑这些可能性，并微调其在不同环境中的泛化能力。

6.0. 利用无损技术进行种子质量测试与监测

作物种质质量主要取决于种子活力和生活力，它们影响发芽、幼苗活力，并最终影响农业成功。传统的发芽试验、开裂和四唑染色已被用于评估种子生活力，这可能导致遗传材料的损失。无损技术可以在不损害未来种植潜力的情况下检查种子活力和生活力。这些创新过程提供准确的种子生活力数据，使种子管理更加高效和成本效益高。

开发了一种基于近红外光谱的系统，用于评估农场桃核质量。分析了农场样品和桃核粉末的MicroNIR和FT-NIR光谱，以确定真实性、物种和来源。郑单958品种达到了91.67%的最佳准确度，而陕单650品种达到了86.67%。结实率也有所提高，增强了其用于无损种子活力评估的潜力。引入了FTIR-HSI/多SI技术，将多种成像技术结合到一个中，以提高精度。基于K折值的AI算法在测试数据上分别以95%和91%的准确度对有生活力和无生活力种子进行分类。使用称为决策树元模型的典型AI原型创建了堆叠集成模型，实现了90%的测试准确度。特征重要性和SHAP值表明，570、645和940纳米的波长最能表征郁陵葱（Allium ulleungense）种子的生活力。利用NIR/HSI检测小麦籽粒穗发芽损伤。与谷物质量的关联性较差使得发芽评估困难，特别是在穗芽不明显的情况下。结果表明，近红外光谱区域可以检测小麦籽粒中的化学变化，表明大部分信息包含在少数波段中。值得注意的是，这种现象不仅限于小麦籽粒，因为其他作物物种，特别是栓皮栎（Quercus variabilis），也出现这种现象。

6.1. 利用无损技术进行基因库种子检索与测试

基因库活动，如种子清选，也在涉及无损技术的研究中受到关注。例如，短波红外（SWIR）波段的高光谱成像可以捕获种子光谱并分析信号以确定种子的劣变。这在短波红外波段短暂光脉冲后是可实现的，该脉冲传输种子健康和其他关于种子完整性的重要信息。化学计量学和稀疏逻辑回归将种子样品分类为有生活力种子、空瘪种子和害虫侵染的种子批。与放射成像分类相比，使用热或光谱指标的留一法分类准确度为99%。此外，发现所有显著特征都在SWIR光谱的光谱成像中。使用1310、1710和1985纳米三个高光谱波段数据的简化方法以93.8%的精度对种子进行分选，表明这是一种成本效益高的分选设备。该系统是一个有前景的模型，可以帮助基因库从其冷库和冰箱中进行种子清理和检索。研究还表明，高光谱和红外成像分类方法对于快速种子分选是快速、有效和无损的。

在室温和-18°C下保存数年的五种豆类种子在采用超光子发射（UPE）进行的分类测试中表现不同。作物菜豆（Phaseolus vulgarisL.）、草香豌豆（Lathyrus sativusL.）、鹰嘴豆（Cicer arietinumL.）、豌豆（Pisum sativumL.）和蚕豆（Vicia fabaL.）在经过紫外线（UV）激发后，使用深度学习（DL）和UPE进行了测试和分析。基于发芽结果（显示物种变异从低至53%到100%），确定了不同作物物种之间无损技术效率的差异。因此，通过突出物种特异性光子发射在种子质量关系中的作用，可以实现非侵入性和实时种子质量评估方法。其他基于机器学习的模型，如数字化太赫兹（THz）波图像，已被用于训练和评估卷积神经网络，种子质量检测准确度为98.7%。经过训练的THz-CNN系统在2.2秒内检测出标准、霉变、受损、干燥和发芽的种子，无需样品制备，表明该方法的速度和精度适用于种子质量测试。

6.2. 人工智能（AI）辅助的种子生活力管理

在种质生活力管理中，考虑使用深度学习进行种子质量预测。根据一项研究，具有加权损失的深度卷积神经网络（DCNN）为每个类别分配合适的权重。最大准确度和宏F1分数分别为97.69%和97.42%，优于平衡损失和传统模型。使用主成分分析（PCA）进行视觉分析以研究特征点聚类表明，所提出的带有加权损失的DCNN可以在样本不平衡条件下有效评估水稻种子活力，从而在实际生产场景中实现基于种子活力和其他特性的在线分级。

此外，基因库操作（如种子分选）可以有效地利用图像识别技术。利用红、绿、蓝（RGB）图像和深度学习，从多年来的不同批次中提取玉米基因型的种子，以及其他基因型的种子。将发芽和未发芽种子表面的扫描