这篇文档属于类型a，是一篇原创性研究论文。以下是相应的学术报告：

本研究由来自中国科学院合肥物质科学研究院智能机械研究所的Liusan Wang等人完成，于2024年6月发表在Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy期刊上。

该研究属于农业工程与光谱分析领域。水稻是全球重要粮食作物，2017年全球水稻种植面积达1.67亿公顷，总产量7.69亿吨，为全球近半数人口提供基本食物来源。高质量种子对满足不断增长的水稻需求至关重要。然而，水稻种子在人工干燥、收获前日晒以及收获、运输、储存和处理过程中易发生内部开裂。内部开裂会影响种子发芽率和出苗率，且肉眼难以发现，容易被忽视。因此，亟需一种能在播种前鉴别内部开裂种子的方法。

传统的内部开裂鉴别方法是目视检查法，但该方法具有破坏性、主观性，且耗时，不适合大批量样品检测。X射线成像技术可用于检测水稻和菜豆种子的内部开裂，但该技术存在辐射风险且成本高，不易推广。相比之下，近红外光谱（Near Infrared Spectroscopy, NIRS）技术具有快速、无损和成本低的优势。该技术已广泛应用于玉米、大豆、小麦和水稻等作物种子品质的定性分析，但尚未有用于水稻种子内部开裂检测的报道。

本研究旨在：(1)验证近红外光谱技术结合化学计量学方法无损鉴别水稻种子内部开裂的可行性；(2)探究不同光谱预处理技术对监督分类技术分类准确性的影响；(3)识别鉴别水稻种子内部开裂的重要波长。

研究对象为两个水稻品种（两优566和Y两优1982）的种子，其中内部开裂种子139颗（两优566为99颗，Y两优1982为40颗），正常种子140颗（两优566为100颗，Y两优1982为40颗）。使用傅里叶变换近红外光谱仪（MPA II Multipurpose FT-NIR Analyzer）采集种子的光谱透射率，波数范围为12,489-5793 cm⁻¹，光谱分辨率为16 cm⁻¹。每粒种子测量两次（正反两面），取平均光谱用于后续分析。

为减少随机噪声、基线漂移和多重散射的影响，研究采用了四种光谱预处理技术：标准正态变量变换（Standard Normal Variate, SNV）、多元散射校正（Multiplicative Scatter Correction, MSC）、一阶导数平滑（First Derivative with Savitzky-Golay Smoothing）和二阶导数平滑（Second Derivative with Savitzky-Golay Smoothing）。

主成分分析（Principal Component Analysis, PCA）结果显示，前三个主成分解释了总方差的99.7%。在5793-7000 cm⁻¹波数范围内的变量对数据方差解释贡献最大。研究采用四种监督分类技术：偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、K近邻（KNN）和随机森林（RF）。将75%的样本（210颗种子）用于训练集，其余用于测试集。

研究发现，使用原始光谱数据的PLS-DA模型表现最佳，测试集的灵敏度为0.88，特异度为0.94，准确度为0.91。除PLS-DA外，其他分类技术在经过光谱预处理后性能均有提升。一阶导数平滑和MSC技术对大多数分类技术都取得了良好效果（测试集准确度>0.78）。通过变量重要性投影（VIP）和基尼指数选择的重要变量表明，淀粉含量的差异是区分内部开裂种子的主要原因。这与文献报道的淀粉影响水稻抗裂性的结论一致。

本研究首次提出了使用近红外光谱技术结合化学计量学方法无损鉴别水稻种子内部开裂的方法，为种子行业提供了一种快速、无损的检测手段。该方法具有重要的应用价值，但需要更多不同品种的样本来建立稳健的模型。研究的创新点在于首次将近红外光谱技术应用于水稻种子内部开裂检测，并系统比较了不同预处理技术和分类算法的性能。