高光譜圖像技術(shù)檢測(cè)玉米種子真?zhèn)蔚难芯窟M(jìn)展

摘要：玉米種子真?zhèn)蔚臋z測(cè)是玉米種子在品種選育、種子檢驗(yàn)、農(nóng)業(yè)生產(chǎn)中的重要環(huán)節(jié)。隨著圖像技術(shù)和光譜信息的快速發(fā)展、高光譜成像系統(tǒng)硬件成本的降低以及性能的大大提升，高光譜圖像技術(shù)在玉米種子真?zhèn)螜z測(cè)方面獲得了更廣泛的應(yīng)用。為了能及時(shí)利用國(guó)內(nèi)外的最新研究成果，從高光譜圖像技術(shù)在玉米種子真?zhèn)螜z測(cè)方面綜述了玉米種子及其他作物種子類(lèi)型真?zhèn)螜z測(cè)的研究進(jìn)展，并對(duì)其未來(lái)的發(fā)展方向進(jìn)行了討論和展望。

關(guān)鍵詞：高光譜圖像；檢測(cè)；玉米種子；真?zhèn)?/p>

中圖分類(lèi)號(hào)：TP391.41；S513 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2016）21-5445-04

DOI：10.14088/j.cnki.issn0439-8114.2016.21.002

Advance in Authenticity Detection of Corn Seed Based on

Hyperspectral Imaging Technology

WEI Li-feng1，2，JI Jian-wei1

（1.College of Information and Electrical Engineering，Shenyang Agricultural University， Shenyang 110866， China；

2.College of Economics and Management，Shenyang Aerospace University， Shenyang 100136， China）

玉米是中國(guó)三大農(nóng)作物之一，在解決糧食短缺問(wèn)題、保障國(guó)家糧食安全和經(jīng)濟(jì)發(fā)展過(guò)程中起到重要作用。玉米不僅產(chǎn)量大、經(jīng)濟(jì)效益高，而且還具有食用和飼用等多種工業(yè)用途[1]。但是，玉米種子的真?zhèn)沃苯佑绊懙接衩追N子的儲(chǔ)藏、銷(xiāo)售、育種和農(nóng)業(yè)生產(chǎn)等各個(gè)方面，研究玉米種子的真?zhèn)螁?wèn)題已成為國(guó)內(nèi)外研究的熱點(diǎn)。隨著現(xiàn)代科學(xué)技術(shù)的快速發(fā)展，計(jì)算機(jī)圖像處理技術(shù)和光譜技術(shù)也越來(lái)越備受關(guān)注，采用機(jī)器視覺(jué)技術(shù)、近紅外光譜技術(shù)在玉米種子檢測(cè)真?zhèn)畏矫娴玫搅溯^為廣泛和深入的研究和應(yīng)用，也取得了較好的成果。然而，傳統(tǒng)的計(jì)算機(jī)視覺(jué)技術(shù)得到的是種子可見(jiàn)光的形態(tài)學(xué)特征信息，近紅外光譜分析技術(shù)得到的是種子的光譜特征信息，兩者獲得的種子特征信息較少，制約著玉米種子真?zhèn)螜z測(cè)的后續(xù)分析以及研究[2]。近幾年來(lái)，一些科研學(xué)者將高光譜圖像技術(shù)應(yīng)用于檢測(cè)農(nóng)作物種子真?zhèn)畏矫?，并取得了較好的成果。高光譜圖像技術(shù)可以同時(shí)獲取研究對(duì)象的光譜信息和空間信息，是圖像技術(shù)與光譜技術(shù)的完美結(jié)合，真正做到了“圖譜合一”[3]。玉米種子的真?zhèn)慰梢酝ㄟ^(guò)表面的圖像信息和光譜數(shù)據(jù)來(lái)進(jìn)行分析和判斷，從而能夠?yàn)榉N子育種和農(nóng)業(yè)生產(chǎn)提供有力和可靠的科學(xué)數(shù)據(jù)。所以，高光譜圖像技術(shù)在玉米種子真?zhèn)螜z測(cè)方面的應(yīng)用正逐漸成為研究的熱點(diǎn)。

1 高光譜圖像技術(shù)原理及采集系統(tǒng)

1.1 高光譜圖像技術(shù)原理

通常認(rèn)為，光譜分辨率在10-1λ數(shù)量級(jí)范圍內(nèi)稱(chēng)為多光譜（Multi-spectral），光譜分辨率在10-2λ數(shù)量級(jí)范圍內(nèi)稱(chēng)為高光譜（Hyper-spectral），光譜分辨率在10-3λ數(shù)量級(jí)范圍內(nèi)稱(chēng)為超光譜（Ultra-spectral）[4]。高光譜圖像技術(shù)結(jié)合了圖像技術(shù)和光譜技術(shù)兩者的優(yōu)點(diǎn)，可同時(shí)獲得待測(cè)樣品的圖像信息和光譜信息。不僅可以對(duì)待測(cè)樣品的外觀表面特性進(jìn)行檢測(cè)，而且能對(duì)內(nèi)部特性進(jìn)行檢測(cè)，同時(shí)也利用計(jì)算機(jī)圖形與光譜技術(shù)兩者的長(zhǎng)處，對(duì)研究對(duì)象的內(nèi)外部特征進(jìn)行可視化分析[5]。高光譜圖像技術(shù)獲取的樣品圖像可以克服樣品因化學(xué)信息分布不均造成的測(cè)試誤差，同時(shí)樣品的測(cè)試位置對(duì)測(cè)量的影響也會(huì)減少，其豐富的圖像信息對(duì)玉米種子真?zhèn)蔚蔫b定有很大幫助[6]。高光譜圖像光源的波譜范圍可以在紫外波段（200～400 nm）、可見(jiàn)光波段（400～760 nm）、近紅外波段（760～2 560 nm）以及波長(zhǎng)大于2 560 nm的波段獲取大量窄波段連續(xù)光譜圖像數(shù)據(jù)，為每個(gè)像素提供一條完整并連續(xù)的光譜曲線[7]。樣本獲取的圖像是一個(gè)三維圖像，二維是它的空間信息，三維是它的波長(zhǎng)信息，其波長(zhǎng)分辨率通常精度可達(dá)到2～3 nm[8]。高光譜圖像技術(shù)獲取三維圖像的方法可以分為2種：一種是連續(xù)性采集一系列波段光譜圖像完成三維立方圖像；另一種是用一條線掃描完整光譜范圍內(nèi)的樣本空間信息，即“推掃式”成像方法。高光譜圖像具有樣本的圖像信息和光譜信息，圖像信息可以反映樣本表面特征信息，如特征不同，其對(duì)應(yīng)的光譜信息也不同。在某個(gè)特定波長(zhǎng)下，感興趣區(qū)域（ROI）與正常區(qū)域之間的光譜值會(huì)有很大的差異，因此，可以根據(jù)光譜信息的不同來(lái)判斷玉米種子的真?zhèn)?。所以，利用高光譜圖像技術(shù)這些優(yōu)點(diǎn)，在檢測(cè)玉米種子真?zhèn)畏矫婢哂泻艽蟮膬?yōu)勢(shì)和研究空間。

1.2 高光譜圖像采集系統(tǒng)

一個(gè)典型的高光譜圖像采集系統(tǒng)裝置如圖1所示。整個(gè)系統(tǒng)是由高光譜成像光譜儀（ImSpector V10E，Spectral Imaging Ltd，F(xiàn)inland）、CCD相機(jī)（IGV-B1410M，IMPERX Incorporated，USA）、150 W的光纖鹵素?zé)艄庠矗?900 Illuminatior，Illumination Technologies Inc.，USA）、精密位移控制平臺(tái)（IRCP0076-1 COM，Taiwan）、遮光暗箱和用于數(shù)據(jù)處理的高配計(jì)算機(jī)組成。高光譜攝像頭的光譜范圍為400～1 100 nm，光譜分辨率為2.8 nm，空間分辨率為0.2 mm。

1.3 高光譜圖像數(shù)據(jù)處理

高光譜圖像技術(shù)在信息量上有獨(dú)特性和優(yōu)越性，光譜響應(yīng)范圍廣，光譜分辨率高，但高光譜數(shù)據(jù)眾多，數(shù)據(jù)量巨大，由于相鄰波段的相關(guān)性高，信息冗余度也增加，為應(yīng)用和分析帶來(lái)了很大不便。因此，如何獲取高光譜圖像有用的信息是首要關(guān)鍵問(wèn)題。而數(shù)據(jù)降維是提取最佳波段的非常有效的方法，可以在不損失重要信息的前提下最大限度地反映原始信息。數(shù)據(jù)降維方法主要有主成分分析法、判別分析法、特征波段法等[9]。高光譜數(shù)據(jù)降維處理后，采用相關(guān)分析、主成分分析、獨(dú)立分量分析、二次差分分析、逐步多元回歸等方法來(lái)獲取最優(yōu)波段，最后選用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、主成分回歸分析法等方法建立基于光譜和圖像信息的玉米種子真?zhèn)螜z測(cè)的識(shí)別模型，從而實(shí)現(xiàn)對(duì)玉米種子真?zhèn)蔚臋z測(cè)。

2 種子真?zhèn)蔚臋z測(cè)

2.1 玉米種子真?zhèn)蔚臋z測(cè)

種子真實(shí)性是指某一批種子實(shí)際所屬品種與其標(biāo)稱(chēng)的品種是否相符，即種子的真?zhèn)螁?wèn)題。種子檢驗(yàn)鑒定起源于19世紀(jì)中期，直到上世紀(jì)90年代開(kāi)始分子生物學(xué)技術(shù)及計(jì)算機(jī)模擬形態(tài)分析的應(yīng)用。盧洋等[10]通過(guò)試驗(yàn)，綜合PCA、LDA和BPR提出了一種基于近紅外光譜短波段（833～1 087 nm）的玉米種子鑒別方法，針對(duì)37個(gè)玉米品種種子的近紅外光譜數(shù)據(jù)，以833 nm波長(zhǎng)作為起始波，選取了不同的截止波長(zhǎng)，進(jìn)而得到不同波段的數(shù)據(jù)。試驗(yàn)結(jié)果表明，在近紅外光譜短波833～1 087 nm波段，識(shí)別率達(dá)到了97.6%，與全波段相比較，波段范圍縮小了84.71%，這為后續(xù)大量數(shù)據(jù)的處理節(jié)省了存儲(chǔ)和時(shí)間。但是該方法只是限定于部分地區(qū)的部分玉米種子，不能完全代表全部，所以還需后續(xù)大量的試驗(yàn)進(jìn)行驗(yàn)證。

黃敏等[11]采用高光譜成像系統(tǒng)獲取了9個(gè)玉米品種共432粒種子的高光譜反射圖像，對(duì)獲取的圖像進(jìn)行校正和預(yù)處理，提取每個(gè)樣本圖像在563.6～911.4 nm共計(jì)55個(gè)波段范圍內(nèi)的形狀特征。分別利用單波段、多波段和全波段下的玉米種子形狀特征結(jié)合偏最小二乘判別法進(jìn)行模型分類(lèi)。試驗(yàn)結(jié)果表明，全波段范圍內(nèi)訓(xùn)練集和測(cè)試集的平均正確識(shí)別率達(dá)到98.31%和93.98%，均優(yōu)于多波段和單波段。該方法利用高光譜圖像中可見(jiàn)光和近紅外區(qū)域的有效特征信息，可較準(zhǔn)確地鑒別玉米種子的品種，識(shí)別玉米種子真?zhèn)危瑸橛衩灼贩N真?zhèn)巫詣?dòng)識(shí)別領(lǐng)域提供了一種新的方法。

朱啟兵等[12]利用高光譜圖像技術(shù)，針對(duì)17類(lèi)玉米品種共1 632粒種子的高光譜圖像，提取400～ 1 000 nm波長(zhǎng)范圍內(nèi)233個(gè)波段的熵信息作為分類(lèi)特征，又利用偏最小二乘（PLS）投影算法對(duì)玉米種子高光譜圖像進(jìn)行了最優(yōu)波段的選擇，共獲得65個(gè)最優(yōu)波段特征，最后結(jié)合偏最小二乘判別分析法（PLSDA）實(shí)現(xiàn)了對(duì)玉米種子準(zhǔn)確識(shí)別分類(lèi)的目的。試驗(yàn)結(jié)果表明，在僅為全波段27.90%的最優(yōu)波段數(shù)情況下，其訓(xùn)練精度可達(dá)到99.19%，測(cè)試精度為98.90%，實(shí)現(xiàn)了高精度的玉米種子品種識(shí)別，為玉米種子真?zhèn)蔚目焖贆z測(cè)提供了一個(gè)新方法。

馮朝麗等[13]對(duì)玉米種子的高光譜圖像的光譜信息進(jìn)行了深入的分析研究，利用波長(zhǎng)范圍為400～1 000 nm的高光譜圖像采集系統(tǒng)采集11類(lèi)共528粒玉米樣本的高光譜圖像，提取每個(gè)玉米樣本上感興趣區(qū)域并獲取此區(qū)域的平均光譜信息，然后對(duì)光譜曲線進(jìn)行分析，剔除了12個(gè)異常樣本，并結(jié)合偏最小二乘判別分析法（PLSDA）對(duì)所選玉米種子樣本進(jìn)行識(shí)別分類(lèi)。試驗(yàn)結(jié)果表明，在所選玉米樣本的識(shí)別中訓(xùn)練集樣本的識(shí)別精度可以達(dá)到99.22%，測(cè)試集樣本的識(shí)別精度也達(dá)到了94.66%。研究結(jié)果表明，不同種類(lèi)的玉米種子的光譜信息具有一定的差異性，利用高光譜圖像技術(shù)對(duì)玉米種子品種進(jìn)行無(wú)損識(shí)別分類(lèi)是可行的，這為玉米種子真?zhèn)蔚臋z測(cè)提出了一個(gè)新思路、新方法。

楊杭等[14]利用地面成像光譜輻射測(cè)量系統(tǒng)（Field imaging spectrometer system，F(xiàn)ISS）獲取了5種玉米種子的圖像光譜數(shù)據(jù)，在經(jīng)過(guò)反射率反演、噪聲去除和一階微分預(yù)處理后，運(yùn)用Wilk-lambda逐步判別法選擇最佳波段并建立判別模型。交叉驗(yàn)證結(jié)果表明，玉米種子的平均識(shí)別精度為91.6%，隨著選擇波段數(shù)的增加，模型識(shí)別精度也逐步提高。因此光譜成像技術(shù)在玉米品種真?zhèn)蔚淖R(shí)別以及質(zhì)量相關(guān)檢測(cè)方面具有廣闊的應(yīng)用前景。

2.2 其他作物種子真?zhèn)蔚臋z測(cè)

高光譜圖像技術(shù)不僅在玉米種子的真?zhèn)魏推贩N檢測(cè)領(lǐng)域中獲得了比較理想的效果，而且一些學(xué)者利用高光譜技術(shù)的優(yōu)越性和獨(dú)特性對(duì)其他作物種子的品種識(shí)別、真?zhèn)螜z測(cè)也做了深入的研究。程術(shù)希等[15]提出了一種基于高光譜信息的大白菜種子品種分類(lèi)識(shí)別方法，利用近紅外高光譜圖像采集系統(tǒng)采集了8種共239個(gè)大白菜種子樣本，分別提取樣本15pixel×15pixel感興趣區(qū)域平均光譜反射率信息作為樣本信息，采用多元散射校正預(yù)處理方法對(duì)光譜進(jìn)行消噪處理，驗(yàn)證了Ada-Boost算法、極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）、隨機(jī)森林（Random forest，RF）和支持向量機(jī)（Support vector machine，SVM）4種分類(lèi)算法的分類(lèi)判別效果。通過(guò)載荷系數(shù)分析選取了10個(gè)大白菜種子品種分類(lèi)判別的特征波長(zhǎng)。試驗(yàn)結(jié)果表明，4種分類(lèi)算法基于全波段的分類(lèi)識(shí)別對(duì)81個(gè)預(yù)測(cè)樣本的正確區(qū)分率均達(dá)到90%以上，ELM和RF為最優(yōu)的分類(lèi)判別模型，識(shí)別正確率達(dá)到了100%。因此，以載荷系數(shù)選取的特征波長(zhǎng)是有效的。利用高光譜圖像技術(shù)結(jié)合機(jī)器學(xué)習(xí)對(duì)大白菜種子品種進(jìn)行快速、無(wú)損分類(lèi)識(shí)別是可行的，為大白菜種子批量化在線檢測(cè)提供了一種新的方法。

梁劍等[16]采用MPA傅立葉變換近紅外光譜儀研究了水稻種子的漫反射光譜特征，利用種子品種特有的光譜特性，結(jié)合不同光譜預(yù)處理方法建立了多個(gè)聚類(lèi)分析模型，比較它們對(duì)雜交F1代種子“03S/0412”和其父本種子“0412”的鑒別效果。試驗(yàn)結(jié)果最終顯示，選擇4 000～8 900 cm-1光譜范圍，通過(guò)無(wú)預(yù)處理、矢量歸一化、二階導(dǎo)數(shù)（25點(diǎn)平滑）和二階導(dǎo)數(shù)（25點(diǎn)平滑）+矢量歸一化建立的模型校正集正確率分別為52.4%、65.2%、75.2%和100%。通過(guò)試驗(yàn)可得，對(duì)比無(wú)預(yù)處理，經(jīng)過(guò)各種方法預(yù)處理后正確率都有提高，其中“二階導(dǎo)數(shù)（25點(diǎn)平滑）+矢量歸一化”建立的模型取得的效果最好，用該模型對(duì)預(yù)測(cè)集預(yù)測(cè)，分類(lèi)正確率為100%，具有很好的預(yù)測(cè)性能。這為近紅外光譜技術(shù)用于單粒水稻種子品種真?zhèn)涡澡b別提出了一個(gè)比較理想的新方法，但是還需要用更多的組合來(lái)進(jìn)一步驗(yàn)證和完善。

張初等[17]采用近紅外高光譜圖像技術(shù)，通過(guò)提取西瓜種子的光譜反射率，并結(jié)合Savitzky-Golay （SG）平滑算法、經(jīng)驗(yàn)?zāi)B(tài)分解算法（Empirical modedecomposition，EMD）和小波分析（Wavelet transform，WT）對(duì)提取的光譜數(shù)據(jù)進(jìn)行去除噪聲處理，采用連續(xù)投影算法（Successive projections algorithm，SPA）和遺傳-偏最小二乘法（Genetic algorithm-partial least squares，GA-PLS）進(jìn)行特征波長(zhǎng)選擇。最后基于全波段光譜建立了偏最小二乘判別分析（Partial least squares-discriminantanalysis，PLS-DA）判別模型，基于特征波長(zhǎng)建立了反向傳播神經(jīng)網(wǎng)絡(luò)（Back-propagation neural network，BP NN）判別模型和極限學(xué)習(xí)機(jī)（Extreme learning machine，ELM）判別模型。試驗(yàn)結(jié)果表明，基于特征波長(zhǎng)的BP NN模型和ELM模型的結(jié)果優(yōu)于基于全部波長(zhǎng)的PLS-DA模型，而基于SG預(yù)處理光譜提取的特征波長(zhǎng)建立的ELM模型具有最優(yōu)的判別效果，建模集和預(yù)測(cè)集的判別正確率達(dá)到了100%。結(jié)果表明，應(yīng)用近紅外高光譜成像技術(shù)對(duì)西瓜種子品種鑒別是可行的，這為今后研究更多的西瓜品種種子，建立適用范圍更為廣泛的西瓜種子品種判別模型提出了一個(gè)新的思路與方法。

Tan等[18]利用高光譜圖像技術(shù)對(duì)不同的大豆品種進(jìn)行了識(shí)別試驗(yàn)測(cè)試。利用高光譜成像系統(tǒng)獲取大豆樣本1 000～2 500 nm范圍的光譜反射數(shù)據(jù)，采用主成分分析法（Principal component analysis，PCA）對(duì)獲取到的光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)降維并去除冗余數(shù)據(jù)，同時(shí)在分類(lèi)算法中將得分高的主成分值作為輸入特征，通過(guò)PCA方法從每個(gè)特征圖像中提取4個(gè)特征變量（能量、熵、慣性矩和相關(guān)性），從16個(gè)特征變量中提取8個(gè)重要特征參數(shù)，根據(jù)所選擇的特征變量和參數(shù)，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建分類(lèi)器，訓(xùn)練精度達(dá)到97.50%，平均測(cè)試精度達(dá)到93.88%以上。結(jié)果表明，利用高光譜圖像技術(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)建模方法可以對(duì)大豆品種進(jìn)行分類(lèi)，該方法為檢測(cè)大豆種子的真?zhèn)舞b別拓展了一個(gè)新的方向，為以后更為廣泛檢測(cè)種子的真?zhèn)翁峁┝艘粋€(gè)新的方法。

3 結(jié)論與展望

高光譜圖像技術(shù)應(yīng)用于農(nóng)業(yè)領(lǐng)域的無(wú)損檢測(cè)是20世紀(jì)90年代末在國(guó)外發(fā)展起來(lái)的，在中國(guó)近幾年才備受關(guān)注[19]。然而，研究結(jié)果表明該技術(shù)在農(nóng)業(yè)領(lǐng)域的無(wú)損檢測(cè)已成為新技術(shù)、新趨勢(shì)、新方向。所以，針對(duì)玉米種子真?zhèn)蔚臒o(wú)損檢測(cè)還有許多方面有待進(jìn)一步研究。

1）目前，采用高光譜圖像技術(shù)檢測(cè)玉米種子真?zhèn)沃皇窃趯?shí)驗(yàn)室內(nèi)實(shí)現(xiàn)的，其應(yīng)用到實(shí)際生產(chǎn)上會(huì)有一定局限性。通常采用的方法是利用高光譜技術(shù)識(shí)別3～5個(gè)特征波段，然后基于這些波段構(gòu)建成本比較便宜的多光譜圖像系統(tǒng)，從而實(shí)現(xiàn)快速、有效的種子真?zhèn)卧诰€檢測(cè)。因此，進(jìn)一步研究高光譜圖像的特征波段和低成本的圖像系統(tǒng)是將來(lái)的發(fā)展趨勢(shì)之一。

2）利用高光譜圖像技術(shù)在檢測(cè)玉米種子真?zhèn)螘r(shí)，由于高光譜圖像信息量巨大、冗余量多，不利于數(shù)據(jù)的降維和快速檢測(cè)。所以，優(yōu)化和改進(jìn)傳統(tǒng)的分析方法，諸如主成分分析（PCA）、獨(dú)立成分分析 （ICA）、偏最小二乘法（PLS）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）等，或提出一種集成有效的算法，可以提高預(yù)測(cè)模型與實(shí)際值之間的相關(guān)性和精準(zhǔn)度[20]。

3）高光譜圖像技術(shù)已在遙感監(jiān)測(cè)上應(yīng)用廣泛。在農(nóng)業(yè)種子檢測(cè)方面，高光譜圖像技術(shù)多用于谷類(lèi)作物的種子真?zhèn)蔚臒o(wú)損檢測(cè)。因此，對(duì)其他作物類(lèi)型的種子（花生、豆類(lèi)、菜子等）真?zhèn)螜z測(cè)的潛力很大。

4）高光譜圖像技術(shù)可以同時(shí)獲取研究對(duì)象的空間及光譜信息，但目前無(wú)論國(guó)內(nèi)還是國(guó)外大多數(shù)研究學(xué)者主要是應(yīng)用高光譜成像技術(shù)獨(dú)立對(duì)農(nóng)產(chǎn)品外部或內(nèi)部進(jìn)行檢測(cè)，很少有文獻(xiàn)報(bào)道聯(lián)合其他技術(shù)產(chǎn)生一種更為先進(jìn)的檢測(cè)玉米種子真?zhèn)渭夹g(shù)。因此，有效地利用高光譜圖像技術(shù)檢測(cè)玉米種子真?zhèn)螣o(wú)論是在理論研究還是在應(yīng)用研究上，都有進(jìn)一步研究的空間，有望在理論和應(yīng)用方法方面不斷創(chuàng)新，以促進(jìn)該研究方向不斷向前發(fā)展，取得更大的成果。

參考文獻(xiàn)：

[1] 路立平，趙化春，趙 娜，等.世界玉米產(chǎn)業(yè)現(xiàn)狀及發(fā)展前景[J].玉米科學(xué)，2006，14（5）：149-151，156.

[2] 楊錦忠，郝建平，杜天慶，等.基于種子圖像處理的大數(shù)目玉米品種形態(tài)識(shí)別[J].作物學(xué)報(bào)，2008，34（6）：1069-1073.

[3] 王 雷，喬曉艷，董有爾，等.高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用進(jìn)展[J].應(yīng)用光學(xué)，2009，30（4）：639-645.

[4] 劉木華，趙杰文，鄭建鴻，等.農(nóng)畜產(chǎn)品品質(zhì)無(wú)損檢測(cè)中高光譜圖像技術(shù)的應(yīng)用進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2005，36（9）：139-143.

[5] 田有文.現(xiàn)代圖像識(shí)別技術(shù)診斷農(nóng)作物病害[M].北京：中國(guó)農(nóng)業(yè)出版社，2010.145-155.

[6] 賈仕強(qiáng)，劉 哲，李紹明，等.基于高光譜圖像技術(shù)的玉米雜交種純度鑒定方法探索[J].光譜學(xué)與光譜分析，2013，33（10）：2847-2852.

[7] 馬本學(xué)，應(yīng)義斌，饒秀勤，等.高光譜成像在水果內(nèi)部品質(zhì)無(wú)損檢測(cè)中的研究進(jìn)展[J].光譜學(xué)與光譜分析，2009，29（6）：1611-1615.

[8] 彭彥穎，孫旭東，劉燕德.果蔬品質(zhì)高光譜成像無(wú)損檢測(cè)研究進(jìn)展[J].激光與紅外，2010，40（6）：586-592.

[9] 劉燕德，張光偉.高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用[J].食品與機(jī)械，2012，28（5）：223-226，242.

[10] 盧 洋，梁先揚(yáng)，李衛(wèi)軍，等.基于近紅外光譜短波段的玉米品種鑒別研究[J].河南大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，42（3）：239-243.

[11] 黃 敏，朱 曉，朱啟兵，等.基于高光譜圖像的玉米種子特征提取與識(shí)別[J].光子學(xué)報(bào)，2012，41（7）：868-873.

[12] 朱啟兵，馮朝麗，黃 敏，等.基于圖像熵信息的玉米種子純度高光譜圖像識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（23）：271-276.

[13] 馮朝麗，朱啟兵，朱 曉，等.基于光譜特征的玉米品種高光譜圖像識(shí)別[J].江南大學(xué)學(xué)報(bào)（自然科學(xué)版）2012，11（2）：149-153.

[14] 楊 杭，張立福，童慶禧.采用可見(jiàn)/近紅外成像光譜技術(shù)的玉米籽粒品種識(shí)別[J].紅外與激光工程，2013，42（9）：2438-2441.

[15] 程術(shù)希，孔汶汶，張 初，等.高光譜與機(jī)器學(xué)習(xí)相結(jié)合的大白菜種子品種鑒別研究[J].光譜學(xué)與光譜分析，2014，34（9）：2519-2522.

[16] 梁 劍，劉斌美，陶亮之，等.基于水稻種子近紅外特征光譜的品種鑒別方法研究[J].光散射學(xué)報(bào)，2013，25（4）：423-428.

[17] 張 初，劉 飛，孔汶汶，等.利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（20）：270-277.

[18] TAN K，CHAI Y，SONG W，et al. Identification of soybean seed varieties based on hyperspectral image[J].Transactions of the Chinese Society of Agricultural Engineering，2014，30（9）：235-242.

[19] 李江波，饒秀勤，應(yīng)義斌.農(nóng)產(chǎn)品外部品質(zhì)無(wú)損檢測(cè)中高光譜成像技術(shù)的應(yīng)用研究進(jìn)展[J].光譜學(xué)與光譜分析，2011，31（8）：2021-2026.

[20] 田有文，牟 鑫，程 怡.高光譜成像技術(shù)無(wú)損檢測(cè)水果缺陷的研究進(jìn)展[J].農(nóng)機(jī)化研究，2014（6）：1-5.

Abstract： The authenticity detection of corn seed is an important part in corn seed breeding， testing and agricultural production. With the rapid development of image technology and spectral information， as well as the cost decline and great performance boost of hyperspectral imaging system hardware， the hyperspectral imaging technology got more and more applications in authenticity detection of corn seed. In order to take full use of the latest research results at home and abroad， the advancement of authenticity detection of corn seed and other types of crops were reviewed by hyperspectral imaging technology. And the future development direction was discussed and prospected.

Key words： hyperspectral imaging； detection； corn seed； authenticity