種子活力性狀無損速測技術研究進展

石睿 羅斌 張晗 侯佩臣 周亞男 王成

石 睿，羅 斌，張 晗，等. 種子活力性狀無損速測技術研究進展［J］. 江蘇農業科學，2024，52（7）：1-10.

doi：10.15889/j.issn.1002-1302.2024.07.001

（1.北京市農林科學院智能裝備技術研究中心/北京市農林科學院信息技術研究中心，北京 100097；2.江蘇大學農業工程學院，江蘇鎮江 212013）

摘要：種子是農業生產中最重要的生產資料，其品質直接關系到整個生產活動的豐歉。活力是種子的重要評價指標，高活力的種子不僅田間表現優秀、抵抗逆境能力強，還更利于長時間儲藏。傳統的種子活力檢測多在實驗室內進行，采用的發芽試驗等方法精度較高、科學性強，但有損檢測且效率較低。近年來，光譜及成像技術以其快速、無損等優勢，在種子檢測領域中得到了廣泛關注和應用。首先，歸納傳統種子活力檢測方法的檢測原理和判定方法，并總結傳統方法存在的共性問題；其次，綜述無損速測技術在種子活力檢測領域的應用和進展，對比分析各種技術的工作原理和檢測策略，重點就近紅外光譜技術和高光譜成像技術的應用展開討論；最后，在此基礎上結合種子活力的實際檢測要求，探討目前無損速測技術在種子活力檢測應用領域存在的問題，總結當前無損速測檢測技術呈現多技術融合、精選分級、高通用性和多元發展的發展趨勢，以期為種子活力性狀的無損速測技術提供參考。

關鍵詞：種子；活力性狀；近紅外光譜；高光譜成像；X射線成像；圖像處理；無損速測技術；研究進展

中圖分類號：S330.2 ?文獻標志碼：A??文章編號：1002-1302（2024）07-0001-09

種子是農業生產中最重要的生產資料，其品質直接影響農業生產活動的產量和質量。種子活力是評價種子品質的重要指標之一，最先由國際種子檢驗協會（ISTA）提出，其將種子活力定義為決定種子和種子批在發芽和出苗期間的活性水平和行為的那些種子特性的綜合表現［1-2］。影響種子活力的因素可分為內因和外因2個方面，內因主要是指種子品種及自身個體發育情況，外因則是在收獲、加工過程中所受到的一系列機械損傷以及貯藏期間環境變化帶來的影響［3］。選用高活力的種子進行播種，能更好地保證田間幼苗茁壯、出苗整齊和長勢均勻，且面對逆境時幼苗抵抗能力強，同時高活力的種子貯藏價值也更高［4］。因此，如何選取高活力種子成為農業生產活動中的重要一環。傳統的種子活力檢測方法可分為直接測定和間接測定2種，直接測定即檢測種子在逆境環境下的發芽和成苗能力，包括加速老化測定、冷凍測定等；間接測定即通過生理指標側面反映種子活力，包括電導率測定、氯化三苯四氮唑（TTC）染色測定等。盡管這些傳統方法評定結果直觀、科學性強，但存在對操作人員專業能力要求高、試驗周期長、對種子有破壞性等缺點，難以滿足現代農業成批量、快速、無損檢測的需要［5-6］。近年來，隨著化學計量學和計算機技術的發展，許多研究人員開始將光譜及成像技術應用在種子活力檢測領域。無損速測技術作為快速、無損的檢測技術，不僅可以反映種子的內部信息和化學組成，還可以和化學計量學方法搭配建立活力預測模型，快速生成檢測結果；此技術克服了傳統檢測方法的諸多缺點，在降低成本、提高效率的基礎上，可以更好地滿足現代農業生產的要求。本研究主要綜述近年來無損速測技術在種子活力檢測方面的研究進展，分析對比各技術的工作原理、檢測策略和優缺點，重點就近紅外光譜技術和高光譜成像技術展開談論，并基于種子活力檢測的發展需求和應用場景，展望無損速測技術在此領域未來的發展方向，以期推動無損速測技術在種子活力檢測方面的應用和發展。

1 傳統檢測技術

由于檢測原理和判定方式不同，傳統檢測技術可大致分為直接測定法和間接測定法2類，目前5種主要傳統檢測技術的檢測原理和判定方式見表1。雖然各項技術間有較大差別，但都需要由專業的操作人員完成，且需要一定的試驗周期；同時這些技術會破壞種子的完整性，檢測后的種子也無法繼續應用到農業生產中，所以無損速測技術作為一種新型檢測技術正逐步應用到種子活力檢測領域。

2 無損速測技術

無損速測技術以先進的無損檢測設備為基礎，配合機器學習算法，通過建立預測模型完成種子活力性狀的快速檢測。由表2可知，傳統檢測技術需要根據不同的檢測原理進行種子活力檢測，試驗結果科學直觀，但試驗過程紛繁復雜，需要專門的技術人員操作，且試驗周期長，對種子造成的破壞不可逆。近年來，無損速測技術因其快速、無損的特點在種子活力檢測方面發展迅速，通過所建立的算法模型可以快速實現種子活力的分類、分級，同時檢測過程中幾乎不會對種子造成損傷，所檢種子可以繼續投入到農業生產；但該技術目前大多停留在實驗室階段，還未大規模應用，同時所建立的算法模型大多只能滿足特定種子品種的檢測要求，泛化能力欠佳。

2.1 近紅外光譜技術

當近紅外光透過物質時，分子振動的非諧振性使分子振動狀態發生變化，此時物質吸收對應波長的光從而形成近紅外光譜，其主要反映的是各種含氫基團基頻振動的倍頻和合頻吸收情況［16-17］。由圖1可知，種子中含有大量有機分子，各種有機分子在近紅外區的光譜吸收特征因其所含基團種類和振動模式的不同而不同，故可利用近紅外光譜對種子的活力開展定性和定量分析［18］。

白京等基于主成分分析（principal component analysis，PCA）算法建立有關玉米種子活力的支持向量機（support vector machine，SVM）檢測模型，該分類模型校正集和預測集的準確率分別是9556%、86.68%［19］。Yasmin等以自然陳化4年的西瓜種子為對象，建立偏最小二乘法判別分析（partial least squares-discriminant analysis，PLS-DA）檢測模型對有活力種子和無活力種子進行分類，其準確率分別為87.7%、82.0%［20］。

上述檢測模型皆為二分類模型，即判斷種子是否具有活力，也有學者嘗試種子活力分級或剔除空種子，這些功能的實現都有助于滿足種子活力檢測的現實需求。Fan等針對3種老化程度的小麥種子，將PCA算法和連續投影（successive projections algorithm，SPA）算法2種特征波長提取算法分別同極限學習機（extreme learning machine，ELM）算法和隨機森林（random forest，RF）算法結合，所建立的PCA-ELM和SPA-RF檢測模型準確率分別為88.9%、88.5%［21］。Tigabu等嘗試鑒別杉木活種子、死種子和空種子，建立的正交偏最小二乘判別分析（orthogonal projection to latent structures-discriminant analysis，OPLS-DA）模型在較短的近紅外區域（780～1 100 nm）性能最優，平均分類準確率為100%［22］。

種子的生理生化指標也能反映其活力，通過建立有關指標的定量模型也可以完成種子活力的檢測。李武等將發芽率、發芽指數和活力指數3個指標作為建模對象，利用偏最小二乘法回歸（partial least squares regression，PLSR）算法建立有關3個指標的定量檢測模型，該模型能夠較好地篩選出高活力甜玉米種子［23］。曲歌用發芽率作為衡量種子活力的指標，將BP神經網絡（back propagation neural network，BPNN）同偏最小二乘（partial least squares，PLS）算法相結合建立水稻種子活力檢測模型，該模型的R2c、RMSEC、R2p、RMSEP和RPD分別為0.86、1.99、0.83、2.01、2.55［24］。

傳統機器學習分類模型受算法原理影響，可能存在準確率不理想或丟失相關特征的情況，故有學者開始將近紅外技術同深度學習算法結合，旨在提高模型的準確率。Liu等分別建立5種樹木種子的PLS-DA、SVM和深度神經網絡（deep neural network，DNN）分類模型，結果表明，所建的DNN模型性能最優［6］。

近紅外光譜技術快速、無損、無污染的特點使它在種子活力檢測領域發展迅速，產出了一大批科研成果，有著巨大的發展前景。但目前的研究所建立的算法模型以二分模型為主，多級分類模型較少；實際檢測場景也以實驗室為主。隨著研究的深入，近紅外光譜技術會同更多的算法相結合，近紅外光譜數據也可以被更充分地挖掘和利用；同時，檢測場景不再局限在實驗室中，可以實現便捷、快速的種子活力檢測，也可推動種子活力檢測朝著成批量、產業化的方向發展。

2.2 高光譜成像技術

由圖2可知，高光譜成像技術1次獲取1個數據立方體［25-26］，其包含每個窄波片段的圖像信息以及單個像素點在連續波段下的光譜信息，具有“圖譜合一”的特點［27］。圖像信息可以反映樣品的形狀、缺陷等外在特征，而光譜信息因為不同物質反射率的不同，可以反映樣品的組成結構、化學成分等內在特征［28］。基于這種優勢，高光譜成像技術在種子活力檢測方面有著極大的潛力。根據建立模型所使用的數據類型，高光譜成像技術在種子活力檢測方面可分為單一特征分類和圖譜結合分類。

2.2.1 單一特征分類

通過算法處理高光譜成像技術帶來的龐大數據集，將光譜信息或圖像信息作為模型的輸入，用輸出的分類值表示種子的活力等級。

2.2.1.1 傳統機器學習算法

高光譜成像技術因其工作原理所產生的數據集通常十分龐大，為了有效利用龐大的數據集并建立可行高效的種子活力檢測模型，傳統機器學習分類算法成為最先被選用的建模方式。此方法基于每個種子的平均光譜數據并結合發芽試驗結果完成模型的建立。Nansen等運用線性判別分析（linear discriminant analysis，LDA）算法建立3種澳洲本土植物種子［考氏相思（Acacia cowleana?Tate）、橙黃佛塔樹（Banksia prionotes?L.F.）和美葉桉（Corymbia calophylla）］的活力檢測模型，結果顯示關于考氏相思和美葉桉的準確率可以超過85%，關于橙黃佛塔樹的準確率約為80%［29］。Dumont等嘗試區分挪威云杉的活種子、空種子和無活力種子，基于可見光及近紅外波段（400～1 000 nm）光譜數據建立的SVM判別模型在僅選用3個特征波段的情況下準確率為93%［30］。He等運用多項式平滑（savitzky-golay，SG）算法結合ELM算法，以93.67%的準確率完成對3個不同年份水稻種子的快速分類［31］。

上述模型皆為定性分類模型，同時也有學者嘗試用特定的指標量化種子活力概念，并建立相關的定量檢測模型。Cui等將甜玉米種子的苗長和根長作為種子活力的評判標準，利用最高相關系數（highest correlation coefficient，HCC）[JP2]和核主成分回歸（kernel principal component regression，KPCR）算法建立的根長預測模型相關系數為0.780 5，基于SPA算法建立的苗長預測模型相關系數為0607 4［32］。Zhang等將發芽率、發芽勢和簡單活力指數3個指標作為評估種子活力的重要參數，采用回歸系數結合PLS-R算法分別建立有關小麥種子活力的3個定量檢測模型，該模型預測集的R2分別為0.921、0.907、0.886，RMSE值分別為4.113%、5.137%、2.400%［33］。

2.2.1.2 運用深度學習算法建立模型

深度學習作為近年來新興的人工智能算法，在處理龐大數據集方面具有獨特的優勢，更適合用于高光譜數據的處理；同時，深度學習算法可以實現基于一維光譜數據和二維光譜圖像的建模，為高光譜成像技術在種子活力檢測帶來更多的可能。張林基于堆疊自動編碼器（stacked auto-encoder，SAE）提取的深度光譜特征建立SVM分類模型，并使用改進灰狼優化算法（differential evolution-greywolf optimizer，DE-GWO）優化該模型，優化后的模型對3種活力等級的水稻種子分類準確率可達99.25%［34］。Ma等將PC評分圖和SVM活力映射圖作為卷積神經網絡（convolutional neural network，CNN）模型的輸入，建立有關日本芥菜種子活力的CNN模型分類準確率達90%［35］。Yang等直接將水稻種子的高光譜圖像作為CNN模型的輸入，準確率可達99.5%［36］。Zhang等建立深度森林（deep forests，DF）模型來區分6種不同霜害程度的水稻種子，該模型在小尺度樣本中的性能明顯優于作為對比的3種傳統機器學習模型（決策樹、K最近鄰和SVM）［37］。Wu等針對實際生產中可能出現的樣品數量不平衡問題，提出一種加權損失深度卷積神經網絡（deep convolution neural network，DCNN），該模型區分3種活力等級水稻種子的準確率為97.69%［38］。

2.2.2 圖譜結合分類

高光譜成像技術可以同時獲得待測種子的光譜信息和圖像信息，圖譜結合分類法便是同時利用這2種信息檢測種子活力。圖譜結合分類可以分為像素級和對象級2種方法，像素級方法是通過圖像中個別像素的光譜數據檢測整個種子的活力，對象級則是綜合整個種子像素的光譜數據檢測種子活力。目前國內外學者普遍認為種子活力是一個有關整個種子的概念，因此采用對象級方法是一種更為合理、有效的方法［39］。

對象級方法有以下2種主流思路：一是利用整體圖檢測，即單個種子圖像對應1個分類值；二是利用像素圖檢測，即單個種子圖像的每1個像素都對應1個分類值［40］。有學者對這2種思路進行分析對比，結果見圖3。Zhang等運用PLS-DA算法區分3種不同凍害程度的玉米種子，同時基于模型的分類值比較M2M（整體圖）和M2P（像素圖）2種方法的分類效果，結果顯示，此情況下的M2P方法優于M2M方法［41］。

也有學者基于像素圖開展了一系列的研究。如圖4所示，Wakholi等將有關玉米種子活力的SVM分類模型回歸系數同高光譜圖像結合獲得偽彩圖，并使用閾值將其轉化為二值圖像，其中值為1的像素對應有活力，值為0的像素對應無活力［42］。Baek等利用PLS-DA算法對大豆種子圖像每個像素進行分類，并結合閾值法獲得二值圖像；在單個種子圖像中，代表活種子的像素數占總像素數的百分比大于預先設置的檢出率時，該種子便被認定為有活力，此方案的準確率為95%［39］。

高光譜成像技術“圖譜合一”的特點使其在種子活力檢測方面有著巨大的優勢。較前的研究多集中在光譜數據的研究上，基于每個種子的平均光譜，使用機器學習算法建立分類模型來檢測種子活力。近年來，隨著研究的不斷深入，國內外學者開始使用深度學習算法處理高光譜成像技術帶來的龐大立方體數據，深度學習算法在處理龐大數據方面的優勢使得運用該類型算法所建立的分類模型較大多數傳統機器學習算法模型具有更好的檢測效果，且可以完成一定程度的種子活力分級；同時學者開始注重二維圖像的利用，不論是基于單個像素[21]的光譜研究還是多個波段的圖像研究，都開始將二維圖像信息同一維光譜數據相結合，使種子活力檢測效果有了明顯的提升。高光譜成像技術所具有的成像功能也使檢測結果更直觀地體現，有利于實現流水線檢測。綜合來看，高光譜成像技術所具有的特點使它在種子活力檢測方面有著極大的潛力，也使未來成批量檢測種子活力的商業化成為可能。

2.3 X射線成像技術

X射線成像技術是醫學診斷中最重要的技術之一，X射線的波長在0.01～10 nm之間，其中0.1～10 nm之間的部分被稱為軟X射線，由圖5可見，軟X射線穿透能力較低且能夠揭示物體內部的情況，因此適用于種子活力檢測［43］。Araújo等利用X射線檢測種子干燥過程中產生的內部裂紋和自由空間，這些形態變化與種子活力降低密切相關［44］。Abud等認為，X射線成像技術可以有效地評估西蘭花種子的內部形態，并將其與幼苗種子長度聯系起來，從而可以完成種子活力檢測［45］。Pinheiro等利用X射線成像技術結合圖像處理軟件，根據種子組織的物理完整性評估種子的活力［46］。de Medeiros等通過X射線圖像獲得有關種子的形態計量參數和組織完整性信息，并將這些特征同機器學習算法相結合，提出一種鑒定麻瘋樹種子發芽能力的LDA模型，對種子活力和幼苗活力的鑒定準確率分別為94.36%、89.72%；接著又運用CNN算法建立海甘藍（Crambe abyssinica）種子活力鑒定模型，該模型準確率為82%［47-48］。X射線成像技術可以發現種子內部裂紋、直接損傷和蟲蛀等情況，這些信息可以為種子活力檢測提供重要依據。

2.4 自體熒光光譜成像技術

種子中含有大量的熒光化合物（即熒光團），這些[CM（21]化合物被特定波段的光激發后會發出熒光，這種熒光被稱為自體熒光。熒光團包括葉綠素、木質素等化合物，這些化合物和種子活力密切相關。自體熒光光譜成像技術可以獲取每個圖像像素的高分辨率光譜，并提供同一物體在特定波段下的一組圖像［49］。因此，利用自體熒光光譜成像技術結合機器學習算法可以建立各熒光團與其對應波長的聯系，實現種子活力的檢測。de Silva等以大豆種子為檢測對象，運用365 nm/400 nm的激發/發射組合的自體熒光信號，分別運用人工神經網絡（artificial neural network，ANN）、SVM和LDA算法建立種子活力判別模型，發現3個模型都可以很好地區別高活力種子和低活力種子，準確率達到99%［50］。如圖6所示，Batista等運用不同的激發/發射組合分別提取R7.1（開始成熟）、R7.2（大量成熟）、R7.3（種子與母株分離）、R8（收獲點）和R9（最終成熟）5個成熟階段的大豆種子自體熒光信號，基于此運用RF、神經網絡（neural network，NN）和SVM算法分別建立分類模型，發現利用葉綠素a（660 nm/700 nm）和葉綠素b（405 nm/600 nm）的激發/發射組合，可以很好地完成5個成熟階段的分類［51］。

根據現有的科研成果可以發現自體熒光成像技術的檢測效果很理想，具有很大的發展價值，但該技術在種子活力檢測方面仍處于初步探索階段，已有的科研成果較少，且相關檢測設備昂貴，試驗干擾因素多，操作要求也較嚴苛。

2.5 多技術融合檢測方法

目前，多技術融合檢測方法因其較高的檢測精度正成為種子活力檢測新的發展趨勢。de Medeiros等同時使用近紅外光譜技術和X射線技術，測得臂形草（Urochloa brizantha）種子的近紅外光譜數據和X射線數據，同時將2類數據作為模型的輸入，運用5種傳統機器學習算法建立種子活力分類模型，并將這5種模型運用一種數據所建立的模型進行性能對比，發現此類融合技術在檢測種子活力方面是可靠的，可以保證一定的準確率［52］。de Jesus Martins Bianchini等將多光譜技術和X射線技術融合，使用LDA算法建立有關麻瘋樹種子活力的分類模型，發現使用2種數據建立的模型性能明顯優于使用單類型數據建立的模型，準確率可達98%，具有良好的分類效果［53］。多技術融合檢測方法是近2年才開始運用的方法，目前科研成果較少。但此方法為種子活力檢測提供了一個全新的視角，具有巨大的潛力，是一個值得嘗試的新方向。

3 結論與展望

本研究綜述了近年來無損速測技術在種子活力檢測領域的研究進展，分析對比各種無損速測技術的檢測原理和檢測策略，闡述這些技術目前的優勢和不足，重點就近紅外技術和高光譜成像技術展開了討論。總體而言，無損速測技術具有快速、無損、準確和高效的特點，可以更好地滿足現代農業生產的要求，且近年來的眾多研究成果也驗證了該技術在種子活力檢測領域的可行性。為使無損速測技術未來能更好地應用于種子活力檢測，主要提出以下幾點建議：第一，增強多技術融合。目前各類型無損速測技術的運用相對獨立且逐漸模板化，可以嘗試結合多種無損速測技術，利用算法將各類檢測信息整合，加強有效信息的利用，進一步提高分類模型的準確率。第二，加強種子活力精選分級方面的研究。目前大多數研究僅能完成種子有無活力的區分，有關種子活力分級的研究報道較少，已報道的分級效果大多也不理想。但種子活力分級是現代農業生產的現實需求。因此，開發出效果更好的種子活力分級模型迫在眉睫。第三，豐富數據庫，提高模型通用性。目前無損速測技術搭配化學計量學方法所建立的算法模型基本都只適用于單個品種種子，通用性和轉移性很差。因此，豐富現有的種子活力特性數據庫，研究模型轉移算法，開發同時適用于多個品種的模型是無損速測技術在種子活力檢測領域的一個重要發展趨勢。第四，打破檢測場地限制，實現多元化發展。目前相關研究大多局限在實驗室內，且成熟的檢測設備較少，可以開發不同的檢測設備以滿足各類使用場景，如便攜式設備或適合成批量檢測的流水線設備。

參考文獻：

［1］ElMasry G，Mandour N，Al-Rejaie S，et al. Recent applications of multispectral imaging in seed phenotyping and quality monitoring：an overview［J］. Sensors，2019，19（5）：1090.

［2］Wang D，Wang K，Wu J Z，et al. Progress in research on rapid and non-destructive detection of seed quality based on spectroscopy and imaging technology［J］. Spectroscopy and Spectral Analysis，2021，41（1）：52-59.

［3］段潔利，王韜隱，付 函，等. 光譜及成像技術在種子活力檢驗中的應用研究進展［J］. 現代農業裝備，2020，41（2）：2-7.

［4］Priya T S R，Manickavasagan A.Characterising corn grain using infrared imaging and spectroscopic techniques：a review［J］. Journal of Food Measurement and Characterization，2021，15（4）：3234-3249.

［5］李孝凡，王 成，宋 鵬，等. 種子活力無損檢測方法研究進展［J］. 種子，2019，38（6）：61-65.

［6］Liu W J，Liu J，Jiang J M，et al. Comparison of partial least squares-discriminant analysis，support vector machines and deep neural networks for spectrometric classification of seed vigour in a broad range of tree species［J］. Journal of Near Infrared Spectroscopy，2021，29（1）：33-41.

［7］Wang W Q，Liu S J，Song S Q，et al. Proteomics of seed development，desiccation tolerance，germination and vigor［J］. Plant Physiology and Biochemistry，2015，86：1-15.

［8］Sharma A D，Rathore S V S，Srinivasan K，et al. Comparison of various seed priming methods for seed germination，seedling vigour and fruit yield in okra （Abelmoschus esculentus?L. Moench） ［J］. Scientia Horticulturae，2014，165：75-81.

［9］Demirkaya M. Relationships between antioxidant enzymes and physiological variations occur during ageing of pepper seeds［J］. Horticulture，Environment，and Biotechnology，2013，54（2）：97-102.

［10］Qin P，Kong Z Y，Liao X H，et al. Effects of accelerated aging on physiological and biochemical characteristics of waxy and non-waxy wheat seeds［J］. Journal of Northeast Agricultural University，2011，18（2）：7-12.

［11］任利沙，顧日良，賈光耀，等. 種子出苗率對玉米個體生長和群體產量的影響［J］. 中國農業大學學報，2017，22（4）：10-15.

［12］Ma W G，Zhang Z H，Zheng Y Y，et al. Determination of tobacco （Nicotiana tabacum） seed vigour using controlled deterioration followed by a conductivity test［J］. Seed Science and Technology，2020，48（1）：1-10.

［13］Lazar S L，Mira S，Pamfil D，et al. Germination and electrical conductivity tests on artificially aged seed lots of 2 wall-rocket species［J］. Turkish Journal of Agriculture and Forestry，2014，38：857-864.

［14］喻方圓，唐燕飛. 四唑染色法快速測定任豆種子生活力的研究［J］. 種子，2004，23（7）：40-42.

［15］盛海平，汪為民，劉華開，等. 水稻種子生活力四唑測定值與發芽率間的相關性［J］. 種子，2000，19（2）：30-31.

［16］Lestander T A，Geladi P.NIR spectral information used to predict water content of pine seeds from multivariate calibration［J］. Canadian Journal of Forest Research，2005，35（5）：1139-1148.

［17］Kusumaningrum D，Lee H，Lohumi S，et al. Non-destructive technique for determining the viability of soybean （Glycine max） seeds using FT-NIR spectroscopy［J］. Journal of the Science of Food and Agriculture，2018，98（5）：1734-1742.

［18］金文玲，曹乃亮，朱明東，等. 基于近紅外超連續激光光譜的水稻種子活力無損分級檢測研究［J］. 中國光學，2020，13（5）：1032-1043.

［19］白 京，彭彥昆，王文秀. 基于可見近紅外光譜玉米種子活力的無損檢測方法［J］. 食品安全質量檢測學報，2016，7（11）：4472-4477.

［20］Yasmin J，Ahmed M R，Lohumi S，et al. Classification method for viability screening of naturally aged watermelon seeds using FT-NIR spectroscopy［J］. Sensors，2019，19（5）：1190.

［21］Fan Y M，Ma S C，Wu T T. Individual wheat kernels vigor assessment based on NIR spectroscopy coupled with machine learning methodologies［J］. Infrared Physics & Technology，2020，105：103213.

［22］Tigabu M，Daneshvar A，Wu P F，et al. Rapid and non-destructive evaluation of seed quality of Chinese fir by near infrared spectroscopy and multivariate discriminant analysis［J］. New Forests，2019，51：395-408.

［23］李 武，李 妍，李高科，等. 高溫老化下甜玉米種子活力近紅外光譜檢測技術研究［J］. 核農學報，2018，32（8）：1611-1618.

［24］曲 歌. 基于近紅外光譜數據的水稻種子活力預測模型研究［D］. 大慶：黑龍江八一農墾大學，2019.

［25］Pang L，Men S，Yan L，et al. Rapid vitality estimation and prediction of corn seeds based on spectra and images using deep learning and hyperspectral imaging techniques［J］. IEEE Access，2020，8：123026-123036.

［26］Seo Y，Lee H，Bae H J，et al. Optimized multivariate analysis for the discrimination of cucumber green mosaic mottle virus-infected watermelon seeds based on spectral imaging［J］. Journal of Biosystems Engineering，2019，44（2）：95-102.

［27］Zhou X，Sun J，Tian Y，et al. Development of deep learning method for lead content prediction of lettuce leaf using hyperspectral images［J］. International Journal of Remote Sensing，2020，41（6）：2263-2276.

［28］Matzrafi M，Herrmann I，Nansen C，et al. Hyperspectral technologies for assessing seed germination and trifloxysulfuron-methyl response in Amaranthus palmeri （palmer amaranth） ［J］. Frontiers in Plant Science，2017，8：474.

［29］Nansen C，Zhao G P，Dakin N，et al. Using hyperspectral imaging to determine germination of native Australian plant seeds［J］. Journal of Photochemistry and Photobiology（B：Biology），2015，145：19-24.

［30］Dumont J，Hirvonen T，Heikkinen V，et al. Thermal and hyperspectral imaging for Norway spruce （Picea abies） seeds screening［J］. Computers and Electronics in Agriculture，2015，116：118-124.

［31］He X T，Feng X P，Sun D W，et al. Rapid and nondestructive measurement of rice seed vitality of different years using near-infrared hyperspectral imaging［J］. Molecules，2019，24（12）：2227.

［32］Cui H W，Cheng Z S，Li P，et al. Prediction of sweet corn seed germination based on hyperspectral image technology and multivariate data regression［J］. Sensors，2020，20（17）：4744.

［33］Zhang T T，Fan S X，Xiang Y Y，et al. Non-destructive analysis of germination percentage，germination energy and simple vigour index on wheat seeds during storage by Vis/NIR and SWIR hyperspectral imaging［J］. Spectrochimica Acta（Part A：Molecular and Biomolecular Spectroscopy），2020，239：118488.

［34］張 林. 基于高光譜圖像技術的水稻種子品種及活力等級檢測研究［D］. 鎮江：江蘇大學，2021.

［35］Ma T，Tsuchikawa S，Inagaki T.Rapid and non-destructive seed viability prediction using near-infrared hyperspectral imaging coupled with a deep learning approach［J］. Computers and Electronics in Agriculture，2020，177：105683.

［36］Yang Y，Chen J P，He Y，et al. Assessment of the vigor of rice seeds by near-infrared hyperspectral imaging combined with transfer learning［J］. RSC Advances，2020，10（72）：44149-44158.

［37］Zhang L，Sun H，Rao Z H，et al. Hyperspectral imaging technology combined with deep forest model to identify frost-damaged rice seeds［J］. Spectrochimica Acta（Part A：Molecular and Biomolecular Spectroscopy），2020，229：117973.

［38］Wu N，Weng S Z，Chen J X，et al. Deep convolution neural network with weighted loss to detect rice seeds vigor based on hyperspectral imaging under the sample-imbalanced condition［J］. Computers and Electronics in Agriculture，2022，196：106850.

［39］Baek I，Kusumaningrum D，Kandpal L M，et al. Rapid measurement of soybean seed viability using kernel-based multispectral image analysis［J］. Sensors，2019，19（2）：271.

［40］Akbar F M，Mukasa P，Santosh L，et al. Online application of a hyperspectral imaging system for the sorting of adulterated almonds［J］. Applied Sciences，2020，10（18）：65-69.

［41］Zhang J，Dai L M，Cheng F.Classification of frozen corn seeds using hyperspectral VIS/NIR reflectance imaging［J］. Molecules，2019，24（1）：149.

［42］Wakholi C，Kandpal L M，Lee H，et al. Rapid assessment of corn seed viability using short wave infrared line-scan hyperspectral imaging and chemometrics［J］. Sensors and Actuators（B：Chemical），2018，255：498-507.

［43］[JP2]de Medeiros A D，Bernardes R C，da Silva L J，et al. Deep learning-[JP]based approach using X-ray images for classifying Crambe abyssinica?seed quality［J］. Industrial Crops and Products，2021，164：113378.

［44］Leo-Araújo ?F，Gomes F G Jr，de Silva A R，et al. Evaluation of the desiccation of Campomanesia adamantium?seed using radiographic analysis and the relation with physiological potential［J］. Agronomy Journal，2019，111（2）：592-600.

［45］Abud H F，Cícero S M，Gomes F G Jr.Radiographic images and relationship of the internal morphology and physiological potential of broccoli seeds［J］. Acta Scientiarum Agronomy，2018，40（1）：34950.

［46］Pinheiro D T，Capobiango N P，de Medeiros A D，et al. Assessment of the physical and physiological quality of Piptadenia gonoacantha seeds （Mart.） J.F.Macbr.using image analysis［J］. Revista árvore，2020，44：e4426.

［47］de Medeiros A D，Pinheiro D T，Xavier W A，et al. Quality classification of Jatropha curcas?seeds using radiographic images and machine learning［J］. Industrial Crops and Products，2020，146：112162.

［48］[JP2]de Medeiros A D，Bernardes R C，da Silva L J，et al. Deep learning-[JP]based approach using X-ray images for classifying Crambe abyssinica?seed quality［J］. Industrial Crops and Products，2021，164：113378.

［49］Galletti P A，Carvalho M E A，Hirai W Y，et al. Integrating optical imaging tools for rapid and non-invasive characterization of seed quality：tomato （Solanum lycopersicum?L.） and carrot （Daucus carota?L.） as study cases［J］. Frontiers in Plant Science，2020，11：577851.

［50］da Silva C B，Oliveira N M，de Carvalho M E A，et al. Autofluorescence-spectral imaging as an innovative method for rapid，non-destructive and reliable assessing of soybean seed quality［J］. Scientific Reports，2021，11：17834.

［51］BatistaB，Mastrangelo C B，de Medeiros A D，et al. A reliable method to recognize soybean seed maturation stages based on autofluorescence-spectral imaging combined with machine learning algorithms［J］. Frontiers in Plant Science，2022，13：914287.

［52］de Medeiros A D，da Silva L J，Ribeiro J P O，et al. Machine learning for seed quality classification：an advanced approach using merger data from FT-NIR spectroscopy and X-ray imaging［J］. Sensors，2020，20（15）：4319.

［53］de Jesus Martins Bianchini V，Mascarin G M，Silva L C A S，et al. Multispectral and X-ray images for characterization of Jatropha curcas?L. seed quality［J］. Plant Methods，2021，17（1）：1-13.

基金項目：廣東省重點領域研發計劃（編號：2022B0202110003）；“科技創新2030”重大項目（編號：2022ZD0115701）。

作者簡介：石 睿（1998—），男，江蘇無錫人，碩士研究生，主要從事種子活力無損檢測講究。E-mail：993499350@qq.com。

通信作者：王 成，博士，研究員，主要從事農業智能裝備研究。E-mail：wangc@nercita.org.cn。