《Agriculture》：Advances in Non-Destructive Detection Technologies for Seed Quality: A Review
种子质量深刻影响生产力、市场性和食品安全，然而传统评估方法具有破坏性、速度慢且不适合高通量筛选。非破坏性技术因其快速、非侵入性且能够测量多个指标而获得显著发展。本综述批判性地审视了种子质量评估中主要非破坏性技术的原理、应用和局限性。近红外光谱（NIRS）能够以便携格式实现快速、同步的多组分分析，但其浅穿透深度和对微弱化学位移的敏感性较低限制了单粒种子活力测试。高光谱成像（HSI）独特地融合了光谱与空间数据以绘制成分和表面缺陷图，但大数据量、高成本和有限便携性阻碍了实际应用。机器视觉提供了低成本、高通量的外部分类，但仅捕捉表面性状且对光照敏感。X射线/CT成像可可视化内部裂纹和虫害，但辐射安全性和庞大硬件阻碍了现场部署。补充工具（核磁共振、电子鼻、拉曼光谱、介电检测、荧光光谱、声学检测）针对特定需求但面临稳定性、灵敏度或维度权衡问题。未来突破需要多传感器数据融合、深度学习优化以及坚固耐用的低成本硬件。弥合实验室创新与工业现实之间的差距需要算法、光学和工程领域的同步进展，最终将种子检测转变为一个可靠、智能且可部署的生态系统。
论文主体部分总结如下：
**1. 引言**
种子是农业生产的基础，其质量直接影响粮食安全、农业效率和农民收入。传统种子质量检测方法主要依赖感官评价、物理化学分析和生物实验，迫切需要开发快速、准确且无损的新型检测技术。近年来，在光学传感、光谱分析和人工智能的推动下，无损检测技术在种子质量评估中展现出巨大潜力。近红外光谱（NIRS）基于分子振动吸收原理，可快速获取种子内部化学成分信息；高光谱成像（HSI）结合光谱分析与图像处理，获取种子的空间和光谱信息，为活力检测、品种分类和缺陷识别提供多维数据支持；机器视觉（MV）技术通过图像采集和深度学习算法自动识别种子外观特征；X射线和CT成像技术利用其穿透能力观察种子内部结构，在检测虫害和机械损伤方面具有独特优势。此外，核磁共振、电子鼻、介电特性和拉曼光谱等技术也在种子质量评估中展示了各自的特点和优势。本文旨在系统综述近年来无损检测技术在种子质量评估中的研究进展和应用成果，首先分类阐述种子无损检测的关键任务和评估指标，然后全面综述近红外光谱、高光谱成像、机器视觉、X射线成像等技术的原理、研究进展、应用效果和技术特点，并基于此进行对比分析，探讨多技术融合、智能算法优化和便携化发展等未来趋势。
**2. 种子无损检测的关键任务与评估指标**
种子质量评估涉及多个维度的检测指标，核心任务包括品种真实性、活力水平和健康状态。本节将种子无损检测的关键任务归纳为六类，并分别讨论其评价指标体系。
**2.1. 品种鉴定与纯度检测**
品种鉴定和纯度检测是种子质量评估的首要任务。传统方法依赖田间种植鉴定，耗时较长。随着商业品种数量激增，特别是杂交种子的广泛使用，对快速无损技术的需求日益增长。NIRS利用种子内部化学成分差异实现品种分类；HSI进一步融入空间信息，可从单粒种子中提取光谱特征；机器视觉利用形态、纹理和颜色等外部性状进行分类。这些方法在速度和通量上相比传统种植鉴定具有显著优势。
**2.2. 活力与发芽率检测**
种子活力是反映种子在田间条件下快速均匀出芽能力的综合指标。标准发芽试验通常需要7-14天，而无损技术可在数秒至数分钟内评估活力。NIRS用于活力检测的原理在于高活力与低活力种子之间的成分差异（如蛋白质、脂质、碳水化合物）反映在NIRS吸收特征中。HSI在活力评估中也得到积极应用，能够同时获取单粒种子的光谱和空间分布信息，有助于识别细微表面损伤和内部结构变化。
**2.3. 水分含量检测**
水分含量是种子收获、贮藏和安全运输的关键控制参数。传统烘箱法耗时且无法实现单粒分析。NIRS和HSI利用水分子在970 nm、1450 nm和1940 nm附近的强吸收带快速无损测定种子含水量。介电特性检测技术基于水的介电常数远高于其他种子成分的原理，通过电容变化推断含水量，具有仪器成本低、响应快的优点。X射线成像也可用于监测内部水分的空间分布，在研究种子干燥过程中水分迁移模式方面具有独特价值。
**2.4. 化学成分检测**
种子中的蛋白质、油脂和淀粉是评估营养品质和加工适宜性的重要指标。传统化学分析方法复杂、耗时且具有破坏性。NIRS是最广泛应用的种子成分无损分析方法，其光谱范围1000-2500 nm包含C-H、O-H和N-H键的倍频和合频，可同时预测多种化学成分。拉曼光谱作为补充技术，对脂质和不饱和脂肪酸检测灵敏度高，可区分品种间的油脂组成差异。
**2.5. 病虫害和缺陷检测**
虫害、病害和物理缺陷是影响作物品质的重要因素。传统检测依赖视觉检查和病原培养，效率低且难以发现潜伏内部侵染。X射线成像是最有效的种子内部虫害检测方法之一，可清晰显示虫道和幼虫体。HSI结合化学计量学方法可检测种子表面真菌感染和内部霉变，无需样品制备。电子鼻技术通过检测种子贮藏期间释放的挥发性有机化合物（VOCs）变化判断霉变程度，具有快速分析和操作简便的优点。
**2.6. 老化和贮藏品质检测**
种子在贮藏过程中不可避免地发生劣变，表现为活力下降、酶活性降低和膜系统损伤。传统人工加速老化试验需要数天，过程繁琐。NIRS可检测老化过程中内部化学成分的变化，如脂肪酸氧化产物和蛋白质变性。核磁共振（NMR）技术通过监测种子内部水分状态和分布变化评估老化程度。电子鼻技术可监测贮藏期间挥发性气体谱图的变化，指示劣变程度。
**2.7. 检测任务研究活动分布**
前述章节分类讨论了种子质量评估的六项关键任务。图1提供了本文综述的主要无损检测技术的比较框架，根据检测原理分为三类：光学/光谱类（NIRS、HSI、荧光、太赫兹）、成像类（机器视觉、X射线/CT、NMR/MRI）和传感器类（电子鼻、声学、介电）。其中，NIRS和HSI应用最广泛，涵盖所有六项检测任务；机器视觉、X射线/CT和电子鼻表现出较窄的任务特定应用轮廓；老化和贮藏品质检测是所有技术中研究最少的任务，表明长期种子劣变监测存在集体研究空白。
**2.8. 文献检索方法与发表趋势**
文献检索基于Web of Science核心合集数据库，检索策略结合种子相关术语、技术特定术语和任务特定术语，时间范围2000年1月至2026年8月，重点为近五年（2021-2026）。排除会议摘要、书籍章节和非英语出版物。筛选后保留报告原始实验性无损检测种子质量评估并提供定量性能指标的研究。初步检索显示，自2000年以来种子质量检测研究呈持续上升趋势，近五年加速明显，超过一半的检索文献出自近五年，增长在高光谱成像和机器视觉领域最为显著。
**3. 近红外光谱在种子无损检测中的应用**
**3.1. NIRS的基本原理与检测流程**
NIRS自20世纪70年代首次用于检测谷物水分和蛋白质含量以来，已成为种子无损检测领域最广泛使用的技术之一。基本原理是近红外光照射样品时，不同化学成分的分子振动频率不同，导致对特定波长近红外光的选择性吸收，主要涉及C-H、O-H和N-H化学键的倍频和合频振动。NIRS分析通常需要近红外光谱数据、目标成分的参考数据和校正模型三个要素。典型分析流程包括样品制备、光谱采集、预处理、特征波长提取、校正模型开发和未知样品预测。预处理常用方法包括Savitzky-Golay（SG）平滑、导数光谱（DS）、标准正态变量（SNV）和多元散射校正（MSC），用于去除随机噪声、基线漂移和颗粒散射效应。特征波长提取算法如无信息变量消除（UVE）、竞争性自适应重加权采样（CARS）、连续投影算法（SPA）和偏最小二乘法（PLS）可有效消除冗余变量。校正模型方面，传统机器学习模型如偏最小二乘回归（PLSR）、支持向量机（SVM）和随机森林（RF）应用广泛。测量模式主要分为漫反射光谱（DRS）、透射光谱（TS）和空间分辨光谱（SRS）。
**3.2. NIRS：品种鉴定**
利用近红外光谱进行种子品种鉴定的核心基础在于不同品种因基因型决定的蛋白质、淀粉、脂肪等主要化学成分含量和组成的差异，这些差异在近红外光谱区形成特征指纹。Zheng等人使用傅里叶变换近红外光谱（FT-NIR）技术结合多层感知器（MLP）分类器识别云南不同产地的草果种子地理来源，准确率达到96.97%。Leng等人将品种鉴定与化学定量研究结合，比较了NIRS和中红外（MIR）光谱以及判别分析（DA）、PLS和人工神经网络（ANN）三种建模方法，NIRS-DA模型区分山茶籽品种准确率达100%，基于NIRS的PLS模型预测油酸、亚油酸和棕榈酸等关键指标时预测精度令人满意（R
2 > 0.85）。Wang等人采用自主研发的模块化高通量NIRS无损检测系统获取9个玉米品种的全表面光谱，对比多种预处理方法和特征波长选择算法，针对混合包衣的九分类任务，最优模型（SG-CARS-SPA-LR）使用60个特征波段测试集准确率0.86；针对未包衣种子的三分类任务，仅用15个特征波段即达到0.99的准确率，展示了NIRS在包衣干扰下的鲁棒性和高通量动态检测的潜力。
**3.3. NIRS：活力检测**
种子活力的无损评估是NIRS技术最有前景但最具挑战性的研究方向之一，核心困难在于高活力与低活力种子之间的化学组成差异极其微弱。Huang等人使用768个稻种发现原始光谱建模失败，原因在于发芽率过高（88-90%），非活性样本太少，光谱差异极小。通过基于四分位数的筛选方法放大差异后，NIR透射光谱（NIR-TS）区分高活力与非活力种子测试集准确率84.52%，发芽率88.57%；特征波长选择后仅保留38个特征波长，测试集准确率和发芽率分别提升至90.47%和95.38%。Liu等人引入空间分辨光谱（SRS）用于单粒玉米种子活力检测，提出光谱比值方法，经SG平滑和CARS特征选择后，郑单958种子胚侧和胚乳侧预测准确率分别达91.67%和88.33%，F1分数分别为0.9474和0.9533。Qi等人将迁移学习策略引入稻种活力检测，使用近红外高光谱成像（NIR-HSI），发现CNN模型在不同品种间直接应用时准确率显著下降，反映了领域迁移问题。采用微调和MixStyle两种迁移学习策略，MixStyle表现更优，预训练模型在三个其他品种上的准确率分别达到90.00%、80.33%和85.00%。
**3.4. NIRS：水分含量检测**
水分子在近红外区域具有多个强吸收峰，为NIRS检测种子水分含量提供了良好物理基础。Rigas等人通过对比羽扇豆整粒和粉碎样品的NIR光谱，发现整粒NIR校正模型可用于预测蛋白质和水分含量，验证集R
2达0.99。Hacisalihoglu等人的单粒近红外光谱（SKNIR）研究进一步表明，单粒NIR技术可同步检测同一粒种子的水分、蛋白质和油脂含量，水分预测通常具有最高精度。
**3.5. NIRS：蛋白质、油脂和淀粉成分检测**
近红外光谱在种子营养成分定量分析中的应用是最成熟且商业上最成功的领域。Hacisalihoglu等人使用单粒近红外光谱技术定量预测高粱籽粒中的蛋白质、油脂含量和重量，蛋白质预测集R
2为0.87，油脂预测集R
2为0.71。Zhao等人将NIR技术从小麦籽粒成分扩展到加工品质评价，利用1082个小麦样品开发了面团流变学关键特性的预测模型，吸水率PLS模型R
2c = 0.92，R
2v = 0.90，RPD = 3.20。Sharma等人使用FT-NIR光谱对80个不同基因型的芸苔属种子进行油脂含量、蛋白质、植酸、硫苷和脂肪酸组成的高通量筛选，油脂含量预测R
2 = 0.92，关键脂肪酸预测R
2 > 0.85。Lippolis等人结合NIRS与四种统计模型（PLS、弹性网络EN、记忆学习MBL、贝叶斯B
B）进行蚕豆种子蛋白质和油脂含量以及油酸组成的高通量表型分析，蛋白质是最可靠的预测性状（R
2 = 0.96-0.98），且不同化合物适用的最优建模策略不同，提示了“化合物-模型匹配”策略的重要性。
**3.6. NIRS：病虫害和老化检测**
种子健康劣变（真菌病原体、虫害或自然老化）表现为生化组成和物理完整性的渐进变化，NIRS可在可见症状出现前检测这些退化过程。Schwertfirm等人使用NIRS量化255份白羽扇豆种质的生物碱和蛋白质含量，并通过全基因组关联分析（GWAS）确认了已知的pauper生物碱位点。Tong等人开发了AW-1DCNN-XGBoost模型识别抗稻瘟病稻种，准确率92.28%，针对与Pi-ta抗性基因相关的光谱波段进行选择后计算时间减少77%。Vassiliadis等人证明NIRS结合层次PLS-DA可同时区分多年生黑麦草品种（94-99%准确率）和Epichlo?真菌内生菌的存在（78-96%准确率）。Cho等人使用可见-近红外光谱（Vis-NIR）结合PLS模型识别虫害橡子，准确率86%，660-720 nm和960-1000 nm波段贡献最大。Kakkar等人应用NIR高光谱成像结合连续去除特征和MLP-SVM集成方法检测向日葵种子内部虫害，准确率89.33%。Wang等人使用NIRS结合PLS-DA区分内部裂纹米粒与完整米粒，准确率91.3%，重要判别变量与直链淀粉吸收特征相关。Limao等人使用FT-NIR光谱结合PLS-DA对人工老化小扁豆种子进行分类，准确率94%，kappa值0.92。Gu等人应用FT-NIR结合机器学习无损评估贮藏20年的赤松种子活力，证明NIRS可检测数十年贮藏后的活力差异。
**3.7. NIRS：技术优势与局限性**
NIRS在种子质量检测中具有检测速度快、通量高、无需复杂化学预处理、可同时检测多个成分、仪器成本相对较低且已实现便携化等优势。然而，NIRS也存在固有局限性：光谱信息重叠严重，需要复杂化学计量学方法分析；模型性能高度依赖场景，领域迁移问题严重；穿透深度有限，有效穿透深度通常仅2-5 mm；对低浓度痕量成分检测能力不足。这些技术限制需要通过多技术融合、硬件改进和算法优化逐步克服。
**4. 高光谱成像在种子无损检测中的应用**
**4.1. HSI的基本原理与检测流程**
HSI将光谱分析技术与成像技术相结合，在连续窄波段内获取目标物体的光谱和空间信息，形成三维数据立方体。波长范围覆盖400-2500 nm，包括可见光（VIS，400-780 nm）和近红外（NIRS，780-2500 nm）等多个光谱区域。基本原理是当高光谱光源照射样品表面时，不同化学成分对特定波长入射光产生选择性吸收和反射，高光谱相机采集每个像素在连续波长范围内的光谱响应，从而同时获得表征化学成分的光谱信息和反映表面形态的空间信息。HSI的典型分析流程与NIRS类似，包括样品制备、光谱（图像）采集、数据校正、感兴趣区域（ROI）提取、预处理和特征波长提取、校正模型开发及未知样品预测。在测量模式方面，HSI主要分为反射模式、透射模式和荧光模式，其中反射模式在种子质量评估中应用最广。
**4.2. HSI：种子活力与发芽率检测**
HSI在种子活力检测中具有独特优势，主要归因于其同时获取光谱和空间信息的能力，有助于识别种子表面甚至亚表层细微的结构和成分变化。Wang等人将高光谱成像与萤火虫算法优化的CNN模型结合用于甜玉米种子活力检测，在400-1000 nm范围内分类准确率94.26%，并发现胚乳光谱特征对活力预测的贡献大于胚部特征。Huang等人提出了深度交叉多门专家混合（DC-MMoE）模型，利用近红外高光谱成像（998-1631 nm）同时评估稻种活力和品种类型，通过多门专家混合架构实现任务间信息共享，在品种分类任务上平均准确率比标准MMoE基线提高约4%。
**4.3. HSI：品种分类与纯度鉴定**
HSI在种子品种分类方面相比传统NIRS具有显著优势，能够获取种子表面多个空间位置的光谱信息，更全面捕捉品种间化学组成空间分布的细微差异。Hu等人设计了可变深度CNN，浅层用小核提取光谱细节，深层用大核提取空间纹理，在10个玉米品种分类任务中准确率98.65%，优于固定深度CNN（95.81%）和SVM（93.14%）。Pan等人提出ClusterRiceNet，采用光谱波段聚类降维和双分支Swin-Transformer架构捕获光谱细节和非局部依赖，在两个稻种高光谱数据集上优于八种最新模型。Qi等人提出残差Mamba 1D-CNN（RM1DNet），将具有线性复杂度全局感受野的Mamba模块集成到1D-CNN架构中，在20个玉米品种分类任务中总体准确率94.85%，验证了Mamba架构在高光谱种子分类中的可行性。
**4.4. HSI：病虫害和缺陷检测**
HSI在种子病虫害检测中的应用价值主要在于通过光谱特征识别病害引起的种子表面和内部化学成分变化。Yin等人使用HSI结合深度学习方法快速识别稻种稻瘟病，收集1250粒稻种的高光谱图像（400-1000 nm），提出基于改进VGG网络并结合空间注意力机制的深度学习模型，测试集分类准确率97.72%，对稻瘟病感染种子的灵敏度高达96.85%。模型可视化分析显示，稻瘟病感染区域种子表皮在近红外波段（750-950 nm）的反射率显著低于健康区域，可能是病原菌感染导致种子表皮细胞壁结构破坏和水分含量变化所致。
**4.5. HSI：技术优势与局限性**
HSI在种子质量评估中具有显著优势：整合光谱分析和成像能力，可同时获取种子表面多个空间位置的光谱信息，提供比传统NIRS更丰富的多维数据；三维数据格式（空间维×空间维×光谱维）结合更宽的波长范围（400-2500 nm），天然适合深度学习特征提取；可在宽波长范围内连续采集数据，同时检测多个种子质量指标。然而，HSI也存在明显局限性：数据量大，单次采集可达数百MB甚至数GB，对存储、传输和处理速度要求极高；高光谱相机和成像光谱仪成本远高于常规可见光相机和近红外光谱仪；系统通常体积大、结构复杂、缺乏便携性；模型通用性不足，不同品种和年份种子光谱响应差异可能导致模型性能下降。
**5. 机器视觉与X射线成像在种子无损检测中的应用**
**5.1. 基本原理与流程**
机器视觉技术通过工业相机或高分辨率RGB相机采集种子图像，利用图像处理和深度学习算法分析种子的颜色、形状、纹理和表面缺陷等外观特征，实现快速自动化质量评估。检测流程通常包括图像采集、预处理、特征提取、模型训练和分类预测五个步骤。近年来，CNN的引入大大简化了传统机器视觉流程，主流深度学习架构包括ResNet、VGGNet、YOLO和轻量级MobileNet等。X射线成像技术利用不同物质对X射线吸收的差异获取种子内部结构信息，计算机断层扫描（CT）技术通过多角度X射线扫描实现种子内部结构的三维重建。
**5.2. 机器视觉：品种分类与外观质量**
机器视觉在种子品种分类中应用最广。Li等人提出基于改进深度残差卷积网络的玉米种子品种识别方法，引入通道注意力机制和特征金字塔结构，在5877张图像数据上识别准确率91.23%，比标准ResNet-50提高约3个百分点，发现玉米种子胚面形态（包括胚大小、形状和位置）是品种区分最关键的形态特征。Gu等人提出轻量级混合注意力卷积神经网络LWheatNet，通过引入深度可分离卷积和混合注意力机制，在12个小麦品种的RGB图像上识别准确率98.59%，同时显著减小模型大小和计算复杂度，适合在移动和嵌入式设备上部署。Ma等人构建了基于时序图像的自动化稻种发芽监测平台，使用改进YOLOv8目标检测模型实时跟踪每粒种子发芽状态变化，在连续监测196粒稻种48小时过程中，自动识别膨胀、破口、根伸长和胚生长等关键发芽阶段，发芽率检测准确率95%。
**5.3. X射线与CT成像：内部结构与虫害检测**
X射线成像是种子虫害检测最有效的方法之一。Briceno-Pinzon等人使用高分辨率X射线显微成像系统检测多种作物种子内部虫害，通过分析X射线图像中空隙面积、空腔填充和结构异常，可将种子分为内部形态类别，直接对应发芽结果。da Silva等人证明Handroanthus impetiginosus种子胚乳腔填充率超过50%时正常发芽，而受虫害或空种子大多不发芽。Rego等人报道豇豆种子内部空腔或组织劣变程度越大，发芽率显著降低，异常幼苗频率升高。在种子质量评估方面，Wang等人开发基于深度学习的微CT流程分割和量化玉米籽粒中玻璃质和粉质胚乳体积，提取关键表型参数。Li等人应用高分辨率微CT对102份棉花种质进行表征，刻画11个形态性状，发现种子饱满度在中国棉花育种百年间下降了16.25%。Miao等人结合微CT与VGG16-UNet模型分割谷子种子的胚、胚乳和颖壳结构，表明胚和胚乳尺寸与发芽和营养品质直接相关。
**5.4. 机器视觉与X射线：技术优势与局限性**
机器视觉具有检测速度快、自动化程度高、成本低等优势，高分辨率相机和标准图像处理系统成本远低于高光谱成像系统，图像数据量也小得多，处理速度可达每秒数百粒种子，适合种子加工企业在线质量分级需求。X射线成像在检测种子内部缺陷方面具有不可替代的优势，虫害、机械裂纹和填充度变化等光学表面成像技术无法获取的内部特征均可通过X射线清晰显示。然而，机器视觉易受光照条件、背景噪声和种子放置姿态变化影响，需要稳定的成像环境；X射线设备成本高、体积大，且存在辐射安全问题，限制其在生产线上的普及，目前已有研究相对较少，缺乏统一检测标准和系统性方法研究。
**6. 其他无损检测技术在种子中的应用**
**6.1. 基于光谱的技术**
核磁共振（NMR）技术基于原子核在强磁场中的自旋弛豫特性分析物质内部结构和组成信息，低场核磁共振（LF-NMR）主要用于测定种子水分状态和分布、油脂含量和内部结构。Ping等人使用LF-NMR系统分析稻种弛豫特性，发现高活力与低活力种子在T
2弛豫谱上存在显著差异，种子老化过程中结合水向自由水的转化是活力丧失的重要指标。荧光光谱和多光谱成像可用于检测种子中黄曲霉毒素B
1（AFB1）污染，Bartolic等人发现AFB1污染种子在特定波长激发下产生特征荧光响应，结合化学计量学方法可准确识别不同污染水平。Reis等人使用微X射线荧光（micro-XRF）绘制稻种中Se和其他营养元素的空间分布，揭示Se主要在胚乳和糊粉层/果皮中积累，而S、Ca和K集中在胚中。太赫兹光谱技术利用0.1-10 THz频率范围的电磁辐射进行检测，对水分子和极性分子敏感。Hu等人采用太赫兹透射成像（0.1-3 THz）结合化学计量学模型对稻种进行高活力、低活力和无活力三分类，经CARS变量选择后CARS-KNN模型预测准确率最高达97.14%。
**6.2. 基于传感器的技术**
介电特性检测技术基于种子在电场中的介电响应评估质量，介电常数与水分含量高度相关，结合介电光谱与机器学习可准确预测种子含水量。电子鼻技术通过气体传感器阵列检测种子贮藏期间释放的挥发性有机化合物（VOCs），判断霉变程度和贮藏品质。Mei等人使用电子鼻传感器阵列结合反向传播神经网络（BPNN）对小麦中黄曲霉毒素B
1（AFB1）进行分类和定量，BPNN模型优于PLS-DA和SVM，F1分数>0.95，预测相关性R
p = 0.9849。声学检测技术通过分析声学响应信号对种子缺陷和虫害进行分类。Lu等人开发了基于音频信号和一维CNN的莲子智能分选方法，利用空气射流冲击莲子产生的声音信号通过深度学习准确识别内部品质。
**6.3. 技术优势与局限性**
上述技术在种子质量检测中各有独特适用性。NMR/MRI可实现种子内部水分状态和油脂分布的无损可视化分析，信息丰富但设备成本高、操作复杂。电子鼻检测速度快、操作简便，适合在线贮藏品质监测，但传感器稳定性和环境敏感性是主要限制。荧光成像技术灵敏度高、特异性强，适合检测特定污染物和活性指标，但通常需要激发光源和滤波系统。拉曼光谱化学特异性高，但对荧光干扰敏感。介电检测设备成本最低，但信息维度有限。总体而言，其他无损检测技术在种子领域的应用广度和研究深度不及光学技术（NIRS、HSI、机器视觉），研究成果相对分散，缺乏系统性的方法学比较和多中心验证研究。
**7. 比较分析与未来展望**
**7.1. 当前技术格局与新兴趋势**
NIRS和HSI共享光谱测量维度，关键演化轨迹是HSI增加了空间分辨率，将一维平均光谱转化为像素级光谱-空间图。对于外部质量分选，机器视觉（MV）提供最高通量和最具成本效益的解决方案，专门针对表面缺陷和形态性状，深度学习模型如LWheatNet和改进YOLOv8在品种分类和缺陷检测任务中达到>95%准确率。X射线和CT成像独特揭示内部结构缺陷，而光学表面技术无法获取这些信息。其他模态（核磁共振、电子鼻、荧光光谱、太赫兹光谱、介电传感）针对特定场景但仍处于早期开发阶段，验证有限。多技术数据融合是第三个重要新兴趋势，数据融合策略通常分为数据级融合、特征级融合和决策级融合三个层次。一个案例研究涉及MV、反射光谱（RS）和荧光光谱（FS）用于检测自然老化玉米种子活力，单模态数据集准确率低于70%，而MV+RS+FS三模态融合准确率提高约10个百分点。
**7.2. 挑战与未来方向**
尽管取得了显著进展，但几个基本挑战仍阻碍种子无损检测技术从实验室研究向工业部署的过渡。领域迁移和模型泛化是最关键的瓶颈；第二个挑战涉及复杂生物基质中的有限光谱选择性；第三，数据量与实时处理之间的张力是实际障碍；最后，无损检测模型在受控实验室条件之外的泛化性仍未得到充分解决。面对这些挑战，需要在以下方面取得协同进展：标准化光谱校准和模型迁移机制；用于边缘部署的轻量级鲁棒架构；任务驱动的多模态数据对齐和可解释性；建立社区共享的参考数据集和评估协议。
**8. 结论**
本综述系统审视了种子质量评估中主要无损检测技术的原理、应用和比较特性，涵盖近红外光谱、高光谱成像、机器视觉、X射线/CT成像以及补充模态（NMR、电子鼻、荧光、太赫兹、声学技术）。三个核心发现：第一，NIRS仍然是批量化学成分分析最成熟且商业上可行的技术，而HSI提供最丰富的信息维度，并正在经历快速的方法学演变；第二，从实验室研究到工业部署的过渡受到四个相互关联瓶颈的阻碍：品种和仪器间的领域迁移、复杂基质中的有限光谱选择性、数据量与通量之间的张力，以及缺乏标准化物理校准协议；第三，多模态数据融合已显示出超越单模态限制的量化精度提升，但这些提升往往依赖于具体情境，需要谨慎的架构设计。展望未来，物理标准化校准、鲁棒轻量级边缘计算、任务驱动的多模态融合以及模块化社区基准的协同集成具有广阔前景。然而，必须承认，受控实验室实验与现实工业环境之间的差距在成本、稳定性和操作简便性方面仍然巨大。弥合这一差距不仅需要算法创新，还需要传感器硬件、光学设计和实地验证方面的持续工程努力。
