编辑推荐：
为解决传统种子质量检测耗时、 labor-intensive 等问题，研究人员开展高光谱成像（HSI）与计算机视觉（CV）结合深度学习的研究，开发端到端深度融合模型，验证集精度达 93.8%，为种子质量检测提供高效方案。
在农业生产的广袤天地里，种子宛如孕育希望的 “生命密码”，其质量优劣直接关乎粮食安全与农业可持续发展。然而，小麦种子在收获、加工及存储过程中，常常面临霉菌侵袭、自然老化、机械碰撞损伤、害虫蛀蚀等诸多 “成长烦恼”，导致种子活力下降、发芽率降低，甚至带来巨大的经济损失。传统的种子质量检测手段，如视觉 inspection、发芽试验、酶联免疫吸附测定（ELISA）等，犹如行动迟缓的 “老学究”，不仅耗时耗力，还具有破坏性，难以满足大规模、快速检测的需求。在此背景下，如何借助先进技术实现小麦种子质量的精准、高效检测，成为农业领域亟待攻克的重要课题。
为了突破传统检测方法的瓶颈，山东省农业科学院作物研究所的研究人员开展了一项颇具创新性的研究。他们将目光聚焦于高光谱成像（Hyperspectral Imaging, HSI）与计算机视觉（Computer Vision, CV）技术，并结合深度学习算法，致力于开发一种快速、无损的小麦种子质量检测新方法。这项研究成果发表在《Artificial Intelligence in Agriculture》上，为种子质量检测领域带来了新的曙光。
研究人员采用的主要关键技术方法包括：首先，利用 HSI 系统采集小麦种子胚（EM）和胚乳（EN）表面的光谱数据，该系统覆盖 401-1046.8 nm 光谱范围，可获取包含空间和光谱信息的三维数据立方体（hypercube）；其次，通过 CV 技术获取种子表面的图像数据，扫描得到高分辨率的 PNG 图像；然后，运用扫描电子显微镜（SEM）观察种子淀粉颗粒形态，结合标准发芽试验等手段评估种子内部质量；最后，构建传统机器学习模型（如支持向量机 SVM、偏最小二乘判别分析 PLS-DA）和深度卷积神经网络（DCNN）模型，对多源数据进行分析和融合。实验使用的种子样本为 2022 年收获的济麦 22 品种，包含 1000 粒健康种子和 1098 粒劣变种子（分为霉变、老化、机械损伤、虫蚀、内部虫害 5 类）。
3.1 淀粉颗粒形态分析
通过扫描电子显微镜观察发现，健康种子胚乳中的淀粉颗粒表面光滑、结构规整，而劣变种子（如老化、虫蚀等）的淀粉颗粒则出现表面粗糙、凹陷、形态不规则及破碎增多等现象，这些内部结构的变化为种子质量评估提供了重要的微观依据。
3.2 数据集特征分析
对 HSI 和 CV 数据的分析表明，健康与劣变种子在光谱反射强度和图像特征（如颜色、纹理）上存在差异，尤其在近红外区域（>760 nm）光谱差异显著。主成分分析（PCA）显示，不同技术（HSI 与 CV）的数据结构差异大于同一技术不同种子表面（EM 与 EN）的差异，这为数据融合提供了潜在基础。
3.3 独立数据源判别模型
基于单一数据源构建的模型中，HSI 数据的模型性能优于 CV 数据。例如，基于 HSI-EN 的 DCNN 模型在验证集上的准确率达 89.2%，而 CV 模型的准确率为 65.1%-79.9%。同时发现，基于胚乳表面（EN）HSI 数据的模型在复杂劣变类型（如机械损伤）的识别中表现更优，可能与机械损伤主要影响胚乳表面且内部理化性质未显著改变有关。
3.4 融合数据判别模型
对比早期融合（EF）和晚期融合（LF）策略发现，基于决策融合的 LF-DCNN 模型性能更优。其中，综合融合 HSI-EM、HSI-EN、CV-EM、CV-EN 数据的 CMN-HMN-LF-DCNN 模型表现最佳，训练集准确率为 94.3%，验证集准确率达 93.8%，将种子批次中高质量种子比例从 47.7% 提升至 93.4%。该模型在各类劣变种子（如虫蚀、霉变等）的识别中均表现出较高准确性（>88%），彰显了多源数据融合的优势。
3.5 模型检测可视化
利用外部样本对最优模型进行验证，可视化结果显示，健康种子识别准确率为 96.0%，劣变种子识别准确率为 94.0%，进一步验证了模型在复杂环境下的鲁棒性。
本研究成功构建了端到端深度融合 DCNN 模型，实现了 HSI 与 CV 数据的高效整合，为小麦种子质量检测提供了一种快速、无损、精准的新方法。研究表明，多源数据融合能够充分利用不同技术的互补性，显著提升模型的检测性能。该模型在实际应用中可有效提高种子筛选效率，减少粮食产后损失，对保障粮食安全、提升农业生产智能化水平具有重要意义。同时，研究首次将内部虫害种子纳入检测范畴，填补了相关研究空白，为后续种子质量检测技术的发展提供了新的思路和方向。未来，若能进一步扩大种子样本的年份和来源范围，该技术有望在农业生产中得到更广泛的应用和推广。
