引言
谷物籽粒的内部裂纹严重影响加工质量、储存稳定性和种子活力 (Gu et al., 2019)。小麦籽粒在收获、运输、干燥、装载和储存过程中经常受到机械压缩，这可能不仅导致可见断裂，还会引起隐藏的内部裂纹。与外部损伤相比，内部裂纹更难检测，因为籽粒表面可能看似完好无损 (Zhou et al., 2025b)。然而，这些隐藏缺陷会削弱籽粒机械强度 (Wei et al., 2020)，降低加工质量，如小麦面粉出粉率 (Chen et al., 2025)，并通过脂质氧化和微生物污染加速储存劣变 (Ziegler et al., 2021)。更重要的是，内部裂纹网络可能在压缩下通过渐进的微观裂纹萌生和合并而发展，这是一种类似于脆性颗粒材料的多尺度失效过程 (Zhou et al., 2025a)，可能成为水分迁移、氧气扩散和真菌入侵的优先通道，从而增加霉菌发展风险，威胁粮食储存安全。因此，准确且无损的评估内部裂纹对于确保小麦质量、储存稳定性和加工效率至关重要。
目前，谷物外部缺陷，如表面损伤、断裂和杂质，的自动检测已取得重大进展 (Wu et al., 2022; Zhao et al., 2025)。然而，对嵌入胚乳内部的微观裂纹进行准确检测和定量表征仍然具有挑战性。早期研究主要依赖于受控照明条件下的机器视觉技术 (Gunasekaran et al., 1987; Han et al., 1996)。这些方法逐渐从形态图像处理，如 Sobel 和 Canny 边缘算子 (Steenhoek, 1999)，和传统机器学习算法，如支持向量机和 k 近邻分类器 (Wang et al., 2021)，演变为基于深度学习的检测方法 (Xu et al., 2025)。最近，高光谱成像、软 X 射线成像和太赫兹成像已结合深度学习模型，以提高谷物内部缺陷的检测精度 (Hamdy et al., 2024; Huang et al., 2024; Wu et al., 2024)。
尽管取得了这些进展，大多数现有方法依赖于 2D 投影、表面图像或光谱响应。对于位于小麦籽粒深处的微裂纹，特别是那些具有薄、不规则、不连续和低对比度特征的裂纹，这些方法在 3D 量化、空间定位和结构演化分析方面仍然有限。X 射线计算机断层扫描 (CT) 提供了一种强大的无损成像技术，用于三维重建谷物籽粒的内部结构。以前的基于 CT 的研究主要集中于形态测量，包括籽粒体积、密度、尺寸以及胚芽、胚乳、麸皮层和裂纹等内部结构的可视化 (Guelpa et al., 2016; Le et al., 2019; Yin et al., 2021)。然而，CT 图像分析仍然很大程度上依赖于手动或半自动处理，这既耗时又主观，不足以对细微的内部裂纹进行大规模定量评估。
随着深度学习的发展，语义分割已越来越多地应用于从 CT 图像中提取像素级的内部结构。它可以为后续定量分析提供准确的裂纹掩模，如裂纹面积、裂纹长度、裂纹体积和裂纹体积百分比。然而，分割和损伤程度识别通常被视为独立的任务 (Cao et al., 2023; Shu et al., 2025)。这种分离可能限制了共享结构特征的使用，因为局部裂纹形态和全局损伤严重程度本质上是相关的。多任务学习框架可以在统一模型中集成像素级裂纹分割和图像级损伤分类，允许网络从 CT 图像中同时学习细微裂纹特征和与全局损伤相关的表示。
除了损伤量化之外，压缩引起的内部裂纹对后续储存劣变的影响尚未完全阐明。储存小麦中的霉菌发展与水分含量 (MC)、氧气可用性、微生物入侵和籽粒结构完整性密切相关 (Wang et al., 2020)。内部裂纹不仅可能增加有效的水分迁移路径，还可能为真菌入侵和生长提供有利场所。然而，大多数以前的研究使用外部外观、破碎籽粒率或宏观机械指标来评估谷物损伤，这无法揭示隐藏的内部裂纹如何在储存期间影响与霉菌相关的结构劣变。
在此背景下，本研究旨在三维量化小麦籽粒中压缩引起的内部裂纹损伤，并检查其与后续储存期间霉菌相关劣变的关联。对不同水分含量 (MC) 的小麦籽粒施加受控压缩载荷，并使用 X 射线 CT 进行扫描。开发了一种多任务学习框架，用于从 CT 图像中分割内部裂纹并分类损伤程度。基于分割的裂纹掩模，重建了 3D 裂纹区域，并计算裂纹体积和裂纹体积百分比作为内部损伤的定量指标。随后，进行吸水实验和霉菌发展实验，比较不同内部损伤水平的小麦籽粒的储存劣变情况。本研究提供了一种自动且定量的方法来评估小麦籽粒中的隐藏机械损伤，并为理解内部裂纹在水分迁移、霉菌发展和储存安全中的作用提供了新见解。
