本文档属于类型a，即单篇原创研究的报告。以下是针对该研究的学术报告：
主要作者及机构
本研究由Le Zhang、Qian Zhang、Jingzhu Wu*、Yutong Liu、Le Yu和Yuanyuan Chen共同完成，他们来自北京工商大学食品安全大数据技术北京市重点实验室。研究于2022年6月27日发表在期刊《Infrared Physics & Technology》上，文章编号为104279。
学术背景
玉米是中国种植最广泛、产量最高的作物之一。近年来，随着美国先锋公司“单粒”玉米种子的推出以及发达国家机械化单粒精准播种技术的引入，中国的传统玉米播种模式发生了深刻变化。单粒精准播种技术具有省力、省种和高产的优点，但对每粒种子的质量检测提出了更高要求。中国国家标准GB4404.1–2008《粮食作物种子 第1部分：禾谷类》明确规定了单粒玉米种子的质量要求，其中水分是种子质量的四项必检指标之一。种子水分过高会增加呼吸作用和养分消耗，降低活力；而水分过低则可能导致种子失水死亡。因此，准确测定单粒玉米种子的水分含量对于单粒精准播种具有重要意义。
传统的玉米种子水分检测方法（如烘箱干燥法）存在耗时长、破坏样品且无法检测单粒样品的缺点。本研究旨在探索一种基于高光谱成像技术（hyperspectral imaging）的快速、无损、高精度单粒玉米种子水分检测方法。
研究流程
研究流程包括以下几个主要步骤：
实验材料准备
研究从市场上购买了郑单958玉米种子，去除虫孔、霉变和破损颗粒，选择完整饱满的种子作为实验样品。根据不同的处理天数和干燥时间，制备了不同水分含量的样品。样品在40°C–50°C和100%相对湿度的实验仪器中保存，分别在0、1、2和3天后取出，并在取出后干燥0、2、4、6和8小时。每个样品分为A、B、C、D四个平行组，共制备了80个单元样品。
高光谱图像采集
使用芬兰Specim公司的SisuCHEMA高光谱成像系统采集数据，波长范围为968.05–2,575.05 nm，空间分辨率为384像素/行，波段数为288，帧率为39.06 Hz，曝光时间为1.89 ms。每个单元样品中随机选取100粒种子进行扫描，共扫描了100×80个样品。样品在实验台上整齐排列为5×10的阵列进行扫描。由于玉米种子的胚面和非胚面在结构和成分上存在显著差异，研究对每粒种子的两面分别进行了扫描。
水分含量测定
采用国家标准GB/T 10362–2008《粮食和油料检验 玉米水分测定》中的“全粒法”测定样品的水分含量。
数据处理方法
研究使用了两种硬件平台：Windows 10 64位操作系统、Intel Core i5-10210 CPU、16 GB内存的计算机；以及Windows 10 64位操作系统、Intel Core i5-9300H CPU、NVIDIA GeForce GTX 1650、8 GB内存的计算机。软件平台为Python 3.7.5，使用PyCharm 2021进行开发，配置了NumPy、Pandas、Scikit-learn、Keras和PyTorch等Python库。
卷积神经网络（CNN）建模
CNN是一种重要的深度学习模型，具有良好的特征提取和泛化能力。研究构建了一维CNN卷积神经网络，包含8个卷积层、4个池化层和1个全连接层，输出层为1个节点，对应单粒种子的水分预测值。卷积层使用ReLU作为激活函数，输出层使用线性函数作为激活函数。训练参数设置为：epoch为500，batch size为128，学习率为0.01。
长短期记忆网络（LSTM）建模
LSTM是一种特殊的循环神经网络，能够处理任意时间序列的输入序列。研究使用单层LSTM网络构建水分预测模型，训练参数设置为：epoch为30,000，batch size为128，学习率为0.05。
CNN-LSTM集成建模
研究提出了一种结合CNN和LSTM的方案，首先使用CNN提取单粒种子的水分特征，然后将提取的特征作为LSTM的输入，构建单粒水分定量检测模型。训练参数设置为：epoch为40,000，batch size为128，学习率为0.05。
主要结果
1. CNN模型结果
基于胚面光谱数据的CNN模型在训练集上的相关系数（r）为0.971，均方根误差（RMSE）为0.083；在测试集上的r为0.901，RMSE为0.351。基于非胚面光谱数据的CNN模型在训练集上的r为0.957，RMSE为0.156；在测试集上的r为0.900，RMSE为0.381。结果表明，基于胚面的CNN模型性能优于非胚面。
LSTM模型结果
基于胚面光谱数据的LSTM模型在训练集上的r为0.986，RMSE为0.059；在测试集上的r为0.944，RMSE为0.280。基于非胚面光谱数据的LSTM模型在训练集上的r为0.978，RMSE为0.093；在测试集上的r为0.908，RMSE为0.352。结果表明，基于胚面的LSTM模型性能优于非胚面。
CNN-LSTM模型结果
基于胚面光谱数据的CNN-LSTM模型在训练集上的r为0.984，RMSE为0.026；在测试集上的r为0.947，RMSE为0.274。基于非胚面光谱数据的CNN-LSTM模型在训练集上的r为0.976，RMSE为0.088；在测试集上的r为0.913，RMSE为0.350。结果表明，基于胚面的CNN-LSTM模型性能优于非胚面。
模型性能综合比较
研究提出了综合指标RMSE/(1 + r)来全面评估模型性能。基于胚面的CNN-LSTM模型在测试集上的综合指标为0.141，表现最佳。结果表明，深度学习模型（CNN、LSTM、CNN-LSTM）在定量高光谱预测领域的实用性优于传统PLS模型，且基于胚面光谱数据的模型性能优于非胚面。
结论
本研究提出了一种结合CNN和LSTM的建模方法，基于高光谱成像技术建立了单粒玉米种子的水分定量检测模型。与传统PLS、CNN和LSTM模型相比，基于CNN-LSTM的模型在综合指标RMSE/(1 + r)上表现更优。同时，CNN能够自动提取光谱的内在特征，简化了建模步骤。研究结果表明，玉米胚面的光谱信息比非胚面更丰富，更适合用于水分检测。
研究亮点
1. 重要发现
基于胚面的CNN-LSTM模型在单粒玉米种子水分检测中表现最佳，综合指标RMSE/(1 + r)为0.141。
方法创新
研究首次将CNN和LSTM结合用于高光谱数据的定量分析，提出了综合指标RMSE/(1 + r)来评估模型性能。
研究对象的特殊性
研究聚焦于单粒玉米种子的水分检测，填补了传统方法无法检测单粒样品的空白。
其他有价值的内容
研究还指出，与传统前馈神经网络相比，CNN更为复杂且参数较多，需要足够的训练样本以确保模型性能。这为未来研究提供了数据准备方面的参考。
以上是本研究的详细报告。