基于近红外高光谱成像与机器学习的向日葵种子虫害损伤精准检测研究

本研究针对向日葵种子虫害损伤导致的经济损失和食品安全问题，创新性地结合近红外高光谱成像（HSI）与机器学习技术，通过PCA降维和7种算法（MLP/SVM/RF等）对比分析，发现MLP模型分类准确率达0.91，为种子质量无损检测提供了高效解决方案，对农业育种和食品工业具有重要应用价值。

　　

向日葵作为全球第四大油料作物，其种子质量直接影响食用油、饲料和生物燃料等产业链。然而，红向日葵籽象甲（Smicronyx fulvus LeConte）等害虫造成的隐性损伤可导致种子发芽率下降、油脂含量降低，甚至引发霉菌毒素污染。传统人工检测效率低下，X射线和RGB成像等技术又存在辐射风险或灵敏度不足的缺陷。面对食品工业日益严格的安全标准，开发高效无损的种子质量检测技术成为迫切需求。

美国农业部农业研究署（USDA-ARS）等机构的研究团队在《Smart Agricultural Technology》发表研究，创新性地将900-1700 nm近红外高光谱成像（Hyperspectral Imaging, HSI）与机器学习结合，建立了向日葵种子虫害损伤的智能检测体系。研究团队从北达科他州和南达科他州四个主产区采集7个品种的3200粒种子样本，通过Specim FX17高光谱相机获取数据，采用Savitzky-Golay滤波和主成分分析（PCA）进行数据预处理，对比评估了多层感知器（MLP）、支持向量机（SVM）、随机森林（RF）等7种算法的分类性能。

光谱分析揭示损伤特征
通过对比健康与虫害损伤种子的平均光谱反射率，发现损伤种子在1100-1700 nm波段反射率显著降低，尤其在1450 nm附近出现明显吸收谷，这与O-H/N-H键的分子振动相关，证实虫害导致种子内部水分和化学成分改变。

机器学习模型性能对比
采用PCA降维后，MLP在20个主成分条件下表现最优，准确率和F1-score均达0.91，其三层神经网络结构（64-128-256神经元）有效捕捉了光谱非线性特征。SVM以0.89的准确率紧随其后，而PLS-DA因线性模型局限仅获0.65准确率。值得注意的是，增加PCA主成分数量（10→20）使MLP对损伤种子的召回率从84.8%提升至91.9%，表明保留更多光谱信息对分类至关重要。

混合样本验证实用性
在实际混合种子图像测试中，MLP和SVM展现出稳定的识别能力，仅10.8%的误报率显著优于PLS-DA的45.2%。研究同时发现，虫害损伤种子因化学组成改变更易被识别，这为开发专用检测算法提供了方向。

该研究首次系统论证了HSI结合机器学习在向日葵种子质量检测中的优势：MLP模型91%的准确率远超传统方法，且非破坏性检测特性使其可集成至现有分选设备。这项技术不仅助力育种家快速筛选抗虫品种（如通过"寄主抗性"性状分析），更能为食品工业提供实时质量监控方案，从源头降低黄曲霉毒素等食品安全风险。未来研究可探索深度学习模型与特定光谱波段（如1450 nm水吸收峰）的关联机制，进一步提升检测效率。