基于多分支可解释深度学习并结合多模态数据融合,并通过环境因素优化,实现玉米种子活力的快速检测
《Computers and Electronics in Agriculture》:Rapid detection of maize seed vigor via multi-branch interpretable deep learning integrated with multimodal data fusion optimized by environmental factors
【字体:
大
中
小
】
时间:2026年08月05日
来源:Computers and Electronics in Agriculture 10.3
编辑推荐:
•多模态数据融合与环境补偿机制提升了模型的泛化能力。•FDRNet模型能够同时预测多种种子活力指标。•SHAP方法可用于分析模型在预测多变量活力指标时的各因素贡献权重。•AIseed Vigor软件是一种快速且用户友好的种子活力检测工具。•无人机遥感技术可为玉米早期田间性状提供可
•多模态数据融合与环境补偿机制提升了模型的泛化能力。•FDRNet模型能够同时预测多种种子活力指标。•SHAP方法可用于分析模型在预测多变量活力指标时的各因素贡献权重。•AIseed Vigor软件是一种快速且用户友好的种子活力检测工具。•无人机遥感技术可为玉米早期田间性状提供可靠的监测。
引言
玉米(Zea mays L.)作为重要粮食作物中的核心品种,在保障全球粮食安全方面发挥着关键作用。优质玉米种子对于提高产量和品质、增强对病虫害及非生物胁迫的抵抗力至关重要(Yang等人,2026)。然而,这也对高活力玉米种子的筛选提出了更高要求。目前,高活力玉米种子的筛选主要依赖传统的种子活力检测方法,如发芽试验、染色法和电导率法。但这些方法不仅耗时费力,而且极易受环境因素影响,导致检测结果的重现性较差(Tu等人,2024)。尤其是最常用的室内发芽法,由于难以在室内环境中准确模拟实际的田间出苗条件,往往会导致玉米植株的田间出苗率低、生长活力差等问题。而冷浸发芽法作为衡量种子活力的重要指标之一,能更真实地反映玉米种子的田间出苗情况,并且不同批次之间的差异较为明显(Yuan等人,2024)。因此,以冷浸发芽法作为种子活力检测的重要依据具有重要的实际意义。
随着种子产业市场的快速发展,人们对高效、稳定的种子活力评估方法的需求日益迫切。与此同时,高通量表型技术的进步为开发快速、无损的种子活力检测模型开辟了新的途径。例如,Zhu等人(2025)利用高光谱成像技术获取不同人工老化阶段的玉米种子光谱信息,模型准确率达到了97.62%。Han等人(2025)则采用近红外光谱技术分析人工老化玉米种子的光谱信息,其在预测建模中的R2值达到了0.989。然而,上述基于人工老化种子的研究结果在实际应用中存在严重的泛化问题。大量研究表明,虽然用人工老化种子建立的模型在实验室环境下往往能取得理想的效果,但当应用于自然老化种子时,其预测能力会急剧下降:活力等级的分类准确率通常仅在50%左右,而关键生理指标(如发芽率和发芽势)的确定系数R2一般介于0.4–0.5之间(Zhang等人,2024a;Zhang等人,2022)。出现这一现象的根本原因在于,与自然老化种子缓慢而渐进的生理衰退过程相比,人工老化种子的衰退更为剧烈且均匀,其光谱响应模式也存在显著差异(Wang等人,2022)。尽管直接使用自然老化种子作为研究材料更贴近实际生产情况,但其模型性能通常也较低。这是因为自然老化种子之间的活力差异较为微妙,且会受到遗传背景、生长环境、收获条件以及储存方法等多种因素的综合影响。为解决这一问题,多模态数据融合技术提供了一种有效的解决方案。通过整合不同模态的互补信息,可以更全面地表征种子的生理状态,从而提升模型的预测性能。在之前的研究中,我们系统分析了包括机器视觉、反射率高光谱成像、透射率高光谱成像、荧光光谱学以及散射光谱学在内的多种高通量表型技术在自然老化玉米种子单粒活力评估中的应用效果。研究发现,通过结合机器视觉、反射率高光谱成像和荧光光谱学,从玉米种子的胚乳侧获取多模态信息,才能获得最佳的自然老化玉米种子检测效果(Li等人,2025b)。在此基础上,本研究进一步整合这三种技术,构建了一个群体层面的种子活力检测与应用框架,旨在为更科学、更有效地评估玉米种子活力提供方法。
高通量表型技术与机器学习方法的深度结合,已成为解析复杂生物表型数据、揭示潜在规律以及构建预测模型的核心手段。以支持向量机、随机森林和偏最小二乘法为代表的经典机器学习算法,在作物表型组学研究中展现出显著优势,应用范围涵盖根茎类作物的产量预测(Jiang等人,2024)以及甜玉米种子活力的检测(Zhang等人,2022)。近年来,作为前沿的人工智能技术,深度学习凭借其处理高维非线性数据的强大能力,在种子质量分析领域展现出了巨大潜力。例如,Li等人(2025a)利用结合RGB图像的网络建立了玉米种子裂纹检测模型,分类准确率达到了98%。Ye等人(2023)则构建了基于结合RGB图像的卷积神经网络的水稻种子发芽率预测模型,该预测模型的R2值达到了0.98。然而,目前大多数利用深度学习模型进行种子活力检测的研究,主要还是依靠回归或分类模型来进行数据分析和解释。需要指出的是,种子活力是一个多维度且极为复杂的概念,受众多因素的影响。仅依靠发芽率或其他单一的生理指标,无法全面、准确地评估种子活力。一个高活力的种子批次不仅应具有较高的发芽率,还应当具备较强的生长活力和优异的抗逆性。因此,本研究提出了一种四分支组合双路径注意力机制残差网络(FDRNet)。该FDRNet能够同时区分高活力和低活力种子等级,并预测发芽率、鲜重等生理性状,从而为种子活力的综合评估提供一种更为全面的方法。
本研究收集了175批玉米种子的全模态表型数据,包括机器视觉、反射率光谱和荧光光谱数据。种子活力标签是通过冷浸发芽试验获得的。随后,构建了FDRNet模型,以实现种子活力等级的分类(区分高活力和低活力)以及关键生理指标的定量预测(发芽率、发芽势和鲜重)。研究的技术框架如图1所示。主要贡献如下:(1)系统评估了单模态数据与多模态融合数据在种子活力评估中的预测效果。(2)建立了环境补偿机制,以提高模型在不同场景下的泛化能力。(3)将FDRNet模型的性能与CNN、SpectralFormer、MTAN、SVM、PLSR和RFR等算法的性能进行了比较。(4)通过运用SHAP值分解和边际效应分析方法,揭示了不同反射率光谱和荧光光谱对多变量活力指标预测的贡献权重。(5)利用无人机RGB图像结合YOLOv12技术和植被指数分析,有效监测了玉米在田间的出苗及早期生长情况,从而验证了FDRNet模型的可迁移性。需注意的是,所提出的方法主要用于种子活力的初步快速筛查,而非完全替代传统的发芽试验。
研究片段
玉米种子的采集与标准发芽试验的确定
为确保研究样本的广泛代表性,本实验收集了2016年至2023年这八年的玉米种子样本,涵盖了59个主要栽培品种和175批种子。所选品种覆盖了中国主要玉米产区的80%以上的种植面积,尤其注重那些具有抗病性、抗倒伏性、高产量、高品质以及强适应性的核心品种。
最优变量选择与光谱预处理
本研究使用IBM公司的SPSS 23软件进行皮尔逊相关性分析,以评估机器视觉指标、玉米种子的荧光光谱与种子活力等级(高活力和低活力)、鲜重、冷浸发芽率以及冷浸发芽势之间的关系,目的是找出对评估玉米种子活力贡献较大的变量。考虑到在光谱采集过程中可能存在散射效应、基线漂移等干扰因素,
生理指标的分析与聚类
不同活力指标之间的相关性分析结果显示,所有指标均呈现出高度显著的相关性(P < 0.01),不过相关系数有所不同(图3a)。具体而言,芽重与根重以及鲜重之间的相关性最为显著,相关系数R超过了0.9。值得注意的是,芽重对鲜重的影响尤为突出。相比之下,标准
多模态数据融合为种子活力预测提供更丰富的信息
多模态数据融合通过整合形态学、光谱学和荧光学方面的异构数据,提高了种子活力预测的准确性,其中RS + FS组合的表现最佳(见表2和表4)。在活力分类方面,特征级融合(RS + FS)的准确率为96.8%,比单一模态的RS模型(94.2%)高出2.6个百分点。不过,尽管多模态融合在分类任务中仅带来了适度的提升,但它
结论
本研究构建了一个多模态智能分析框架,该框架整合了机器视觉、反射率光谱、荧光光谱以及环境数据,通过FDRNet模型实现玉米种子活力分级和生理指标的同步预测。主要成果如下:(1)多模态数据融合策略显著提升了模型精度:RS和FS数据与FDRNet的结合大幅提高了预测精度。
CRediT作者贡献声明
何利:写作——审稿与编辑、写作——初稿、验证、方法论。毛一林:写作——初稿。谢瑞莎:调研。史洪涛:方法论。张涵:形式分析。陈银林:形式分析。杨学磊:方法论。顾立亮:资金获取。孙群:
利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划(2024YFD1200100)以及中国农业研究系统-玉米专项基金(CARS-02-13)的支持。
何利|毛一林|谢瑞莎|史洪涛|张涵|陈银林|杨学磊|顾立亮|孙群
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号