一种结合频谱增强技术的混合Conv1D-GRU模型，用于无损检测水稻种子活力

《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：A hybrid Conv1D-GRU model with spectral augmentation for non-destructive rice seed vigor detection

　　摘要：种子质量与水稻产量及籽粒品质密切相关，而种子活力是评估种子质量的关键指标。高活力的种子通常具有更强的环境与生物胁迫抵抗能力，从而提升发芽率及幼苗生长状况。因此，快速准确地检测水稻种子活力对于育种、储存管理以及农作物生产而言至关重要。本研究开发了一种基于近红外光谱技术、光谱增强方法以及Conv1D-GRU分类器的非破坏性水稻种子活力检测方法。通过人工老化处理制备不同活力水平的水稻种子样本，并利用近红外光谱仪获取种子级的近红外光谱。通过光谱预处理降低噪声、突出关键光谱特征并消除散射效应；同时运用稀疏表示与字典学习技术增强训练光谱的多样性。在Conv1D-GRU分类器中，Conv1D层用于提取相邻波长区域的局部光谱特征，而GRU层则能捕捉整个光谱序列中的波长顺序相关信息。该分类器的关键超参数通过集成种群搜索算法进行优化。实验结果显示，该方法对常规粳稻、籼粳杂交稻以及粳稻糯米的检测准确率分别达到0.9844、0.9740和0.9818。与PLS-DA、SVM、XGBoost、1D-CNN和GRU模型相比，该Conv1D-GRU分类器在当前实验条件下展现出更好的整体性能。这些结果表明，所提出的近红外光谱方法为水稻种子活力检测提供了一种有前景的非破坏性技术，有望成为种子质量评估及农业生产管理中的有效工具。

引言：水稻不仅是中国的主粮作物，也是全球最重要的粮食来源之一[1]。水稻种子质量是农业生产力提升的基础，因为具有强活力且品质优良的种子通常具备更强的抗逆性、更高的发芽能力、更好的幼苗生长表现以及更稳定的产量[2]。作为评估种子质量的核心指标，种子活力直接影响种子的发芽性能、出苗情况以及早期植株生长状况[3]。此外，种子活力评估还为品种评价以及抗逆性品种的选择提供重要依据[4]。然而，水稻种子在收获过程中易遭受机械损伤，在干燥过程中可能面临高温威胁，还可能因湿度、老化或病虫害而出现品质下降，这些因素都会降低种子的活力[5]。因此，在播种前快速准确地识别种子活力对于筛选优质种子、保障水稻生产的可持续性具有重要意义。

传统的种子活力检测方法，如标准发芽试验、四氮唑染色法、电导率测定法以及加速老化试验等被广泛应用[6]。但这些方法往往耗时费力、具有破坏性，且难以实现大规模高通量检测[7]。为克服这些缺陷，人们开始越来越多地研究基于高光谱成像技术[8]和近红外光谱技术[9]的非破坏性种子活力评估方法。例如，何等人[10]通过结合近红外光谱与高光谱成像技术，并运用极端学习机与最小二乘支持向量机模型进行训练，分别获得了93.67%和94.38%的检测准确率。杨等人[11]则利用径向基函数支持向量机预测人工老化甜菜种子的活力，使用全波长高光谱数据时准确率为95.50%，使用选定波长数据时为92.32%。范等人[12]将近红外光谱技术应用于单粒种子活力分类，获得了88.90%的准确率。刘等人[13]则基于可见光/近红外光谱技术开发了SG-CARS-PLS-DA模型，用于检测郑单958品种玉米种子的活力，准确率达到91.67%。这些研究表明，高光谱成像与近红外光谱技术都是有效的非破坏性种子活力评估工具，但仍存在一些局限性。高光谱成像虽能提供丰富的光谱空间信息，但往往成本较高、数据采集较为复杂，且采集效率相对较低，这可能限制其大规模应用[14]。相比之下，近红外光谱技术具有快速、非破坏性强且成本较低的优点。但传统近红外方法通常依赖单点测量，容易产生采样偏差，且由于种子内部存在异质性，无法全面反映种子的整体生化状态[15]。此外，近红外光谱属于高维数据，其中往往包含冗余信息、噪声、基线漂移以及散射效应[16]。这些因素会增加提取与活力相关的光谱特征的难度，进而降低模型的可靠性。因此，需要有效的预处理、特征提取以及建模方法来提升近红外光谱技术在水稻种子活力评估中的性能。

深度学习技术在光谱数据分析领域展现出巨大潜力。一维卷积神经网络因其能够从相邻波长区域提取局部模式，非常适合用于光谱建模。阿夸雷利等人[17]证明了卷积神经网络在振动光谱数据分析中的可行性，而崔等人[18]则进一步展示了现代卷积神经网络在近红外光谱校准任务中的实用价值。张等人[19]提出了DeepSpectra这一端到端的深度学习方法，用于定量光谱分析；帕索斯等人[20]则研究了多种卷积神经网络架构在利用多果实近红外光谱预测果实品质中的应用。夏尔马等人[21]基于从近红外高光谱图像中提取的平均光谱构建了一维卷积神经网络模型，成功实现了对不同种植区域小麦蛋白质含量的高精度预测。这些研究都证明了一维卷积神经网络在处理一维光谱数据方面的优势。不过，基于卷积神经网络的模型主要依赖于局部感受野，可能无法充分捕捉波长顺序相关信息以及光谱变量之间的长距离依赖关系[22]。这对于农产品品质评估而言尤为重要，因为波长位置与生物化学吸收特性密切相关。在近红外光谱中，与分子振动相关的吸收特征，如OH、CH和NH键的吸收特征，与水分含量、脂质组成、碳水化合物代谢以及蛋白质完整性等生物化学特性密切相关[23]。因此，波长顺序关系能为区分微小的种子活力相关光谱差异提供重要依据。

循环神经网络，尤其是门控循环单元，因其能够建模有序的序列关系而被引入光谱分析领域[24]。例如，杨等人[25]将卷积神经网络与循环神经网络相结合，用于基于近红外光谱分析土壤性质；王等人[26]则将卷积神经网络与门控循环单元结合，利用近红外光谱对水果品种进行分类。这些研究表明，将基于卷积神经网络的局部特征提取与基于门控循环单元的波长顺序相关建模相结合，能够更全面地表征一维近红外光谱。然而，尽管在基于近红外光谱的种子质量评估及光谱建模方面已取得一定进展，但在水稻种子活力检测方面仍存在诸多局限。首先，许多现有研究仍然依赖化学计量学模型或传统机器学习模型，这类模型通常将光谱变量视为固定输入，未能对近红外光谱的有序结构进行显式建模。其次，种子光谱数据集往往受样本制备条件及采集成本的限制，而深度学习模型通常需要足够的训练样本才能保持稳定性能[27]。在样本数量有限的条件下，有必要通过光谱增强技术提高训练样本的多样性，从而提升基于深度学习的水稻种子活力分类方法的稳健性。第三，混合卷积神经网络-门控循环单元模型的性能对超参数设置极为敏感，包括卷积滤波器数量、核大小、门控循环单元的隐藏单元数量、学习率以及训练轮数等[28]。对于高维近红外光谱数据，手动调整参数或进行穷举式网格搜索不仅效率低下，还容易出现次优配置。因此，与以往主要将近红外/高光谱数据与传统机器学习模型或单一深度学习模型结合的水稻种子活力研究相比，当前需要一种能够同时兼顾光谱样本多样性、波长顺序相关建模以及系统化超参数优化的集成框架。

为解决上述问题，本研究开发了一种非破坏性水稻种子活力检测方法，该方法整合了近红外光谱技术、基于稀疏字典学习的光谱增强技术、基于IPSA的超参数优化技术以及Conv1D-GRU分类器。首先，从单个水稻种子获取种子级近红外光谱，并通过预处理降低噪声、基线漂移以及散射效应的影响。其次，运用稀疏表示与字典学习技术进行光谱增强，从而在保留种子活力相关核心光谱特征的同时增加训练样本的多样性。第三，构建基于Conv1D-GRU的分类器，其中Conv1D层负责提取局部光谱特征，GRU层则用于捕捉波长顺序相关信息。最后，采用集成种群搜索算法对模型的关键超参数进行优化。通过将所提方法与PLS-DA、SVM、XGBoost、1D-CNN和GRU模型进行对比，同时结合标准发芽试验来验证经过不同老化处理的水稻种子之间的生理活力差异，以此评估所提方法的性能。

样本制备：实验用水稻种子由中国安徽省农业科学院水稻研究所提供。筛选出无裂纹、无病虫害且无霉变的种子，再通过人工老化处理获得不同活力水平的样本，具体流程如图1所示。处理步骤包括表面消毒、风干、加速老化，随后通过发芽试验评估种子活力。如图1(a)所示，选定的种子需先浸入1%的溶液中进行表面消毒。

实验装置：实验在配备NVIDIA GeForce RTX 4080显卡、Intel Core i7-11700K处理器以及Windows 11操作系统的工作站上开展。该模型是在MATLAB R2023环境中，借助深度学习工具箱实现的。Conv1D-GRU分类器的训练采用Adam优化器进行。根据IPSA优化后的配置，学习率设定为0.001，训练轮数设定为100。小批量大小固定为32，训练样本数量为……

讨论：基于实验结果，本节将进一步探讨所提出的IPSA-Conv1D-GRU方法相较于以往种子活力检测方法的性能表现。由于现有研究在种子种类、样本数量、光谱仪器、波长范围、预处理方法以及分类任务等方面存在差异，因此本次比较仅作为文献层面的参考，而非在完全相同实验条件下的严格性能对比。何等人[10]报告的检测准确率为93.67%……

结论：本研究开发了一种基于光谱增强技术以及IPSA-Conv1D-GRU分类法的近红外光谱分析方法，用于非破坏性检测水稻种子活力。通过稀疏表示与字典学习技术丰富了训练数据集，同时保留了种子活力的核心光谱特征；此外还运用IPSA技术优化了Conv1D-GRU分类器的关键超参数。该方法通过结合局部光谱特征提取与波长顺序相关建模技术，实现了对水稻种子活力的精准检测……

资金支持：本研究得到了国家自然科学基金（项目编号32201665、32572210）、安徽省农业科学院人才项目（项目编号QNYC-202504）的资助。

利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

廖娟|曹佳文|闫林宇|刘晓丽|邹宇|唐启兴|周慧玉|朱德权
中国安徽农业大学电子电气工程学院，合肥230036