《Frontiers in Plant Science》：GCT-BCLN: a bidirectional closed-loop network for nondestructive detection of rice seed vigor using hyperspectral imaging
编辑推荐：
水稻种子活力是决定发芽表现与最终作物产量的关键因子，其快速无损评估对种子质量评价至关重要。传统活力检测方法常具破坏性、劳动密集且耗时。高光谱成像提供了一种有前景的无损替代方案，但高光谱数据通常高维、冗余且易受噪声与散射干扰。此外，现有模型区分种子活力等级间细微
水稻种子活力是决定发芽表现与最终作物产量的关键因子，其快速无损评估对种子质量评价至关重要。传统活力检测方法常具破坏性、劳动密集且耗时。高光谱成像提供了一种有前景的无损替代方案，但高光谱数据通常高维、冗余且易受噪声与散射干扰。此外，现有模型区分种子活力等级间细微光谱差异的能力仍有限。为应对这些挑战，本研究提出一种GRU引导的闭环CNN-Transformer网络(GCT-BCLN)，用于准确无损识别水稻种子活力。该模型通过GRU在CNN与Transformer间建立双向信息流，实现局部光谱特征与全局光谱表示的动态协同优化。此外，采用集成自适应迭代重加权惩罚最小二乘(AirPLS)、Savitzky–Golay(SG)平滑与多元散射校正(MSC)的组合预处理策略以提升光谱质量。实验结果表明，GCT-BCLN在杂交籼稻上测试准确率达0.9795，较CNN-Transformer融合模型提升1.37%。该模型在常规粳稻与糯粳稻上分别取得0.9793与0.9758的准确率，在受控实验协议下三个品种特异性数据集上表现一致。这些结果支持GCT-BCLN在受控条件下实验室尺度无损区分老化诱导水稻种子类别的可行性，而实际应用仍需进一步外部验证。
研究背景方面，水稻是全球重要主粮，种子活力作为影响发芽、幼苗建成与产量的关键生理指标，其准确高效评估对育种、加工与储藏管理意义重大。传统标准发芽试验、电导率测定与四唑染色等方法存在破坏样本、周期长、劳动强度大等局限。高光谱成像(HSI)虽能联合空间形态与内部生化分子振动光谱实现无损检测，但高维冗余、噪声敏感及散射异质性阻碍鲁棒建模；常规机器学习依赖手工特征且难以刻画光谱与活力间复杂非线性关系。现有CNN-Transformer融合多采用单向串行级联，局部与全局特征缺乏动态协同，而水稻种子因老化阶段光谱差异细微、曲面散射异构、品种基线漂移，亟需状态化反馈机制。为此，研究人员在《Frontiers in Plant Science》发表本研究，提出GRU引导的双向闭环CNN-Transformer网络(GCT-BCLN)，建立CNN局部提取与Transformer全局建模间的双向闭环反馈，以GRU门控隐状态承载波长有序序列的上下文，迭代细化局部-全局表示，显著提升对细微活力光谱差的辨别与抗散射鲁棒性。
关键技术方法上，研究人员使用安徽农科院提供的2024年收获杂交籼稻、常规粳稻、糯粳稻各1200粒，经1%次氯酸钠表面消毒后，于45℃近饱和湿度加速老化0、1、2、3、4、5天获六类活力梯度，每类200粒；高光谱采用FigSpec FS-20在400–1000 nm采300波段，中心胚乳10×10像素ROI取均值谱；以AirPLS基线校正、SG平滑、MSC散射校正组合预处理（参数仅由训练集估计防泄漏）；标签由ISTA标准发芽试验以14天发芽率佐证活力递减；数据按7:2:1分训练验证测试，随机种子42，主干模型在杂交籼稻上调参，另两品种同流程独立验证一致性。
研究结果如下。材料与方法部分已述样本队列、HSI采集与辐射定标、发芽参比及预处理公式。模型架构部分，GCT-BCLN含CNN局部提取（三块动态Conv1D，核5/4/3，批归一化，动态混合激活池按Pearson相关权重融合）、GRU谱序编码（按400–1000 nm重排CNN特征为有序序列捕短程带间依赖）、Transformer全局建模（正弦相对位置编码替代绝对位置，4头自注意力融入相对距离矩阵R，6层堆叠），以及GRU闭环反馈（Transformer全局向量与隐状态入GRU算更新门zt、重置门rt、候选h?t得反馈Ft，反向调制CNN核参数θt+1k与激活权重wt+1i，迭代至相邻预测KL散度低于阈值）。结论表明，杂交籼稻测试准确率0.9795，优于CNN-Transformer融合1.37%；常规粳稻0.9793、糯粳稻0.9758，三品种同协议下一致，证明闭环反馈对细微光谱差与散射异构的鲁棒性；但数据属实验室加速老化六时段分类而非商品种自然活力分级，实际应用须外部跨库验证。
讨论部分指出，双向（CNN→Transformer前向、Transformer→CNN反馈）与闭环（GRU递归多轮至分布稳定）的区分清晰，GRU因波段有序且门控态保留波长依赖上下文被选为反馈载体；相较遥感与医学图像中双向反馈，本研究首次为波长有序高光谱信号提供状态化局部-全局迭代交互。研究人员强调加速老化仅生成受控活力梯度用于方法学评价，六类目标对应老化天数而非商业活力等级，故模型应理解为受控条件下实验室尺度无损区分老化诱导类别的可行方案，非自然陈化商品种绝对活力直测工具；跨品种一致准确率高不代表跨环境外推，后续需引入自然老化库、不同年份批次与田间发芽对照以完成外部验证。
