基于拉曼高光谱成像技术的玉米籽粒老化无标记检测研究
一、研究团队与发表信息
本研究由Yuan Long（中国农业大学工程学院）、Qingyan Wang（北京市农林科学院智能装备研究中心）、Xiuying Tang（中国农业大学工程学院）、Xi Tian（国家农业智能装备工程技术研究中心）、Wenqian Huang（通讯作者，北京市农林科学院）和Bin Zhang（通讯作者，中国农业大学）共同完成，发表于Computers and Electronics in Agriculture期刊2022年第200卷，论文标题为《Label-free detection of maize kernels aging based on Raman hyperspectral imaging technique》。
二、学术背景与研究目标
科学领域：本研究属于农业工程与食品无损检测技术的交叉领域，聚焦于利用光谱技术解决种子老化监测问题。
研究背景：玉米籽粒在储存过程中会因老化导致活力下降，影响播种质量和产量。传统检测方法（如TTC染色法、发芽率测试和电导率测定）存在破坏样本、耗时且无法原位检测的缺陷。拉曼高光谱成像（Raman hyperspectral imaging, RHI）技术结合了拉曼光谱的分子指纹特性和高光谱成像的空间信息，具有无标记、不受水分干扰的优势，但此前未应用于谷物活力检测。
研究目标：
1. 验证RHI技术检测玉米籽粒老化的可行性；
2. 建立基于像素级和对象级的籽粒活力分类模型；
3. 通过鲸鱼优化算法（Whale Optimization Algorithm, WOA）提升模型精度；
4. 为农业实践提供无损、高效的籽粒老化检测方法。
三、研究流程与方法
1. 样本制备与老化处理
- 样本：500粒玉米籽粒（品种：郑单958），分为10组（9组人工加速老化组+1组对照组）。
- 处理：每日50粒样本经1%次氯酸钠灭菌后，置于45℃、95%相对湿度环境中老化1-9天，对照组不处理。
2. 数据采集与预处理
- 拉曼高光谱成像系统：自主搭建的RHI系统（光谱范围358–1700 cm⁻¹，分辨率10 cm⁻¹），采集20幅图像（每组2幅，每幅含25粒籽粒）。
- ROI提取：通过阈值分割（阈值800）和形态学操作去除背景，提取单粒籽粒的平均光谱。
- 光谱预处理：采用Savitzky-Golay平滑（S-G smoothing）和自适应迭代重加权惩罚最小二乘法（airPLS）去除荧光背景和噪声。
3. 活力评估实验
- TTC测试：350粒建模组样本（200粒校准集+150粒预测集）纵向切开，浸泡于0.1% TTC溶液，根据胚胎染色红色（有活力）或未染色（无活力）分类。
- 发芽率测试：150粒验证组样本在25℃、99%湿度下培养7天，胚芽≥1 cm判定为有活力。
4. 特征选择与建模
- 变量选择算法：比较了随机蛙跳（RF）、蒙特卡洛无信息变量消除（MCUVE）、竞争性自适应重加权采样（CARS）和变量组合种群分析-迭代保留信息变量（VCPA-IRIV）等方法筛选关键拉曼位移。
- 分类模型：采用偏最小二乘判别分析（PLSDA）、支持向量机（SVM）和极限学习机（ELM），并引入WOA优化SVM的惩罚系数C和RBF核函数参数。
5. 模型验证
- 通过校准集、预测集和独立验证集评估模型性能，以正确分类率作为评价指标。
四、主要研究结果
1. 老化对活力的影响
TTC和发芽率测试显示，籽粒活力随老化时间显著下降（图2a），前3天降幅最大，第9天多数籽粒失活。
2. 拉曼光谱特征
- 淀粉（475 cm⁻¹）、蛋白质和脂质的特征峰随老化发生强度变化（图2b），但光谱重叠严重，需借助算法提取有效信息。
- 主成分分析（PCA）显示，对象级分析比像素级更能反映老化差异（图3 vs. 图5）。
3. 模型性能
- 变量选择：CARS和VCPA-IRIV筛选的22和26个拉曼位移最具判别力（图6）。
- 优化效果：WOA-SVM模型（CARS和VCPA-IRIV变量）在验证集的分类准确率达100%和98.7%（表3），显著优于未优化模型（表2）。
4. 技术对比
- 对象级分析避免了像素级的多重共线性问题，模型稳定性更高。
- RHI技术克服了近红外高光谱（NIR-HSI）受水分干扰的局限，适用于含水稻物检测。
五、结论与价值
科学价值：
1. 首次将RHI技术应用于玉米籽粒老化检测，证明了其无损、高效的潜力；
2. 提出“对象级分析+CARS/VCPA-IRIV+WOA-SVM”的创新工作流程，为其他谷物检测提供参考。
应用价值：
1. 替代传统破坏性检测方法，减少种子浪费；
2. 可集成于智能农业装备，实现仓储和播种前的籽粒质量快速筛查。
六、研究亮点
1. 方法创新：结合拉曼高光谱成像与机器学习，建立了首个基于RHI的籽粒活力分类模型；
2. 算法优化：引入WOA算法提升SVM性能，分类准确率接近100%；
3. 跨学科应用：将化学计量学（如airPLS去噪）与农业工程需求紧密结合。
其他价值：研究数据可通过请求获取，为后续算法开发提供基础（见Data Availability部分）。
注：文中涉及的算法（如WOA、CARS）和设备参数（如RHI系统配置）均来自原文，未作简化表述以确保专业性。