基于光谱及成像技术的玉米种子质量检测研究进展综述

作者及发表信息
本文由Jun Zhang（嘉兴南湖学院机电工程学院）、Limin Dai（江苏大学农业工程学院）、Zhiwen Huang（嘉兴南湖学院）、Caidie Gong（嘉兴南湖学院）、Junjie Chen（嘉兴南湖学院）、Jiashuo Xie（嘉兴南湖学院）和Maozhen Qu（浙江大学生物系统工程与食品科学学院）共同完成，发表于2025年2月的期刊《Agriculture》第15卷第390期，题为《Corn Seed Quality Detection Based on Spectroscopy and Its Imaging Technology: A Review》。

研究背景与目标
玉米作为全球三大粮食作物之一，其种子质量直接影响农业生产效率与食品安全。传统检测方法（如化学分析、人工筛选）存在破坏性、效率低、主观性强等问题。近红外光谱（Near-Infrared Spectroscopy, NIRS）和高光谱成像（Hyperspectral Imaging, HSI）技术因其非破坏性、快速和高精度特性，成为玉米种子质量检测的研究热点。本文旨在系统综述NIRS和HSI技术在玉米种子质量检测中的应用，包括品种纯度、活力、内部成分、霉菌毒素及其他指标（冻伤、硬度、成熟度）的检测方法，并探讨技术挑战与未来方向。

主要内容与观点

1. NIRS与HSI技术原理及比较

   • 技术原理：NIRS通过检测含氢基团（C-H、O-H等）的倍频与合频吸收，获取样品成分信息；HSI结合光谱与图像技术，同时获得样本的光谱与空间信息。
     
   • 设备差异：NIRS设备便携、成本低，适用于现场检测；HSI设备复杂且昂贵，但能定位化学成分的空间分布（如胚乳与胚芽的差异）。
     
   • 数据处理流程：包括光谱预处理（如平滑、导数、多元散射校正）、特征波段选择（如主成分分析PCA、竞争性自适应重加权CARS）、建模（如偏最小二乘回归PLSR、支持向量机SVM、深度学习CNN）及模型评估（准确率、相关系数等）。
     

2. 玉米种子质量检测应用

   • 品种与纯度检测：
     
     • NIRS通过化学计量学模型（如仿生模式识别BPR）区分不同品种，准确率可达94%以上（如Jia et al., 2015）。
       
     • HSI结合纹理特征（如灰度共生矩阵GLCM）和深度学习（如卷积神经网络CNN），分类准确率高达99.13%（Xia et al., 2019）。
       
     • 转基因玉米检测中，NIRS结合极限学习机（ELM）模型实现100%分类准确率（Feng et al., 2018）。
       
   • 活力检测：
     
     • NIRS预测发芽率、电导率等指标，PLSR模型对热损伤种子的识别准确率达99%（Agelet et al., 2012）。
       
     • HSI通过短波红外（1000–2500 nm）区分老化种子，SVM模型准确率达100%（Wakholi et al., 2018）。
       
   • 内部成分分析：
     
     • NIRS定量检测水分、蛋白质、淀粉和油脂含量，如Xu et al.（2023）构建的BiPLS-PCA-ELM模型，预测决定系数（R²）均高于0.97。
       
     • HSI结合注意力机制卷积神经网络（ACNNR）预测单粒玉米油脂含量，R²达0.9198（Zhang et al., 2022）。
       
   • 霉菌毒素检测：
     
     • NIRS对黄曲霉毒素B1（AFB1）的检测限达100 ppb，PLS模型预测准确率95.33%（Zhu et al., 2016）。
       
     • HSI通过荧光成像与空间分布分析，结合欠采样堆叠（USS）算法，AFB1检测准确率提升至98%（Wang et al., 2023）。
       

3. 技术挑战与未来方向

   • 挑战：环境因素（温湿度）影响光谱稳定性；样本代表性不足导致模型泛化性差；高光谱数据冗余增加计算负担；跨仪器模型移植困难。
     
   • 未来方向：
     
     • 制定光谱设备统一标准，提升模型兼容性；
       
     • 建立玉米光谱数据库，扩大样本覆盖范围；
       
     • 结合人工智能优化特征提取与建模流程；
       
     • 开发多光谱融合技术，实现高精度检测。
       

研究意义与价值
本文系统总结了NIRS和HSI技术在玉米种子质量检测中的创新应用，突出了其在非破坏性、高通量检测中的优势。通过对比不同算法的性能（如深度学习与传统机器学习），为研究者提供了方法选择的依据。此外，提出的技术挑战与解决方案为农业检测设备的标准化与智能化发展提供了重要参考。

亮点
- 方法创新：首次全面比较NIRS与HSI在玉米种子检测中的适用场景，强调深度学习（如DCNN、GAN）在分类与预测中的突破性表现。
- 应用广度：涵盖从遗传特性（单倍体鉴定）到食品安全（霉菌毒素）的多维度检测需求。
- 前瞻性建议：提出建立光谱数据库与跨平台模型移植的路径，推动技术从实验室走向田间应用。

其他有价值内容
附录中详细列出了33篇品种鉴定、12篇活力检测、18篇成分分析、25篇霉菌毒素检测及13篇其他指标检测的文献，为后续研究提供了完备的参考文献索引。