基于近红外光谱与高斯过程回归的玉米种子萌发率快速无损检测新方法

《Food Chemistry》：Rapid detection of maize seed germination using near-infrared spectroscopy combined with Gaussian process regression

针对传统玉米种子萌发率检测方法耗时耗力且破坏样本的问题，研究人员创新性地将近红外光谱(NIR)与高斯过程回归(GPR)结合，构建PSO优化的混合核函数模型。该模型训练集与验证集决定系数(R2)分别达1.000和0.9899，残差预测偏差(RPD)高达9.3，显著优于PLSR和SVM，为农业智能化检测提供新策略。

　　

在全球粮食安全与农业智能化转型的双重背景下，玉米作为四大主粮之一，其种子质量直接关乎粮食产量与加工品质。传统萌发率检测需耗时7-10天的破坏性实验，难以满足现代农业对高效精准检测的需求。黑龙江八一农垦大学的研究团队独辟蹊径，将实验室常用的近红外光谱技术(NIR)与机器学习中的高斯过程回归(GPR)相结合，开发出可在数分钟内完成检测的智能系统。这项发表于《Food Chemistry》的研究，为解决农业质检"卡脖子"难题提供了创新方案。

研究采用三大关键技术：首先收集245份黑龙江主产区的玉米种子样本（含郑单、金玉506等品种），通过NIR获取900-1700nm光谱数据；其次构建融合高斯核与线性核的混合核函数，利用粒子群优化(PSO)算法自动调参；最后采用蒙特卡洛交叉验证(MCCV)剔除异常数据，确保模型鲁棒性。

【实验材料】
选取具有不同萌发特性的3个玉米品种（郑单62份、金玉506共84份、德美亚99份），每个样本含200粒种子，覆盖中国最大玉米产区黑龙江的典型栽培种。

【异常数据处理】
通过1000次MCCV迭代计算，设定残差均值0.4和方差0.008的阈值，有效剔除光谱数据中的异常样本，提升模型稳定性。

【结论】
研究团队开发的PSO-GPR模型展现出卓越性能：训练集与验证集R²分别达1.000和0.9899，均方根误差(RMSE)低至0.0059和0.0033，较传统PLSR和SVM模型预测精度提升显著。特别是9.3的RPD值，证明该模型具备工业化应用潜力。

这项研究的突破性在于：首次将GPR的复合核函数引入种子质检领域，通过PSO实现参数自适应优化，既捕捉了淀粉、蛋白质等成分的非线性光谱特征，又保留了全局线性趋势。相较于需要大样本的PLSR和易陷入局部最优的BP神经网络，该方法在小样本场景下仍保持高精度，为农产品加工实时质量控制提供了新范式。研究结果对保障粮食安全、优化食品加工参数具有双重意义，其技术路线可扩展至小麦、水稻等主粮作物的品质检测。