本研究由Jingwu Meng（第一作者，北京市农林科学院智能装备研究中心/陕西科技大学电气与控制工程学院）、Yu Xia（陕西科技大学电气与控制工程学院）、Bin Luo、Kai Kang和Han Zhang（通讯作者，北京市农林科学院智能装备研究中心）合作完成，发表于《Journal of Food Composition and Analysis》2025年第147卷。研究题为《Detection of maize seed viability using time series multispectral imaging technology》，聚焦玉米种子活力无损检测技术的创新开发。

学术背景

玉米作为全球重要粮食作物，其种子活力直接影响出苗率和产量。传统活力检测方法（如标准发芽试验、四唑染色法）存在破坏性、耗时且难以批量应用的缺陷。近年来，高光谱成像（hyperspectral imaging）、核磁共振等无损检测技术虽有所发展，但普遍面临效率低或操作复杂的问题。多光谱成像（multispectral imaging）技术结合了成像与光谱分析优势，可同时获取目标的空间和光谱信息，已在种子真菌污染、品种纯度检测中展现出潜力。然而，针对同一批次种子内部活力差异的无损检测仍缺乏有效方案。本研究旨在通过时间序列多光谱成像技术，结合随机子空间集成学习（stochastic subspace ensemble learning），建立玉米种子活力的早期预测模型，为种子质量评估提供新方法。

研究流程与方法

1. 实验材料与预处理

选用储存5年的郑单958玉米种子，初始发芽率64%。筛选600粒饱满均匀的种子，其中500粒用于活力检测，100粒用于吸水阶段分析。种子经1%次氯酸钠消毒后，采用纸卷发芽法在20℃光暗交替条件下培养，以胚根达种子长度、胚芽超半粒长为发芽标准，7天后判定活力（340粒有活力，160粒无活力）。为平衡数据集，随机选取160粒有活力种子与全部无活力种子构成320粒样本集，按3:1划分训练集与测试集。

2. 多光谱数据采集

使用Videometer Lab 4™系统采集19个反射光谱（Reflectance Spectroscopy, RS，365–970 nm）和18个自发荧光光谱（Autofluorescence Spectroscopy, AS，激发/发射组合如365/400–660/700 nm）。种子以5×5阵列放置，通过阈值分割技术提取感兴趣区域（ROI）的光谱数据，并采用Savitzky-Golay（SG）滤波进行光谱预处理以消除噪声。

3. 时间序列数据构建

在种子吸水膨胀过程中，按0、12、24、36、48、60小时6个时间节点采集光谱数据，并计算相邻12小时间隔的光谱差异值，最终融合形成时间序列数据集。这种设计可捕捉种子吸水过程中内部物质转化的动态特征。

4. 分类模型开发

采用支持向量机（SVM）、梯度提升决策树（GBDT）和反向传播神经网络（BPNN）三种算法，通过网格搜索优化超参数。进一步引入随机子空间集成方法：从原始特征空间中随机选取m个子集（m），独立训练基分类器后通过多数投票集成结果。该方法通过40%特征筛选和15个基分类器的组合，显著提升模型鲁棒性。

主要研究结果

1. 光谱特征动态变化

• 反射光谱（RS）：吸水初期（0–24小时）种子反射强度显著下降，主要因吸水后颜色加深；36小时后活力种子在780–970 nm波段反射率高于无活力种子，反映水分含量差异（图3a,c）。
  
• 自发荧光（AS）：活力种子在450/600–540/600 nm波段的荧光强度随吸水时间逐渐超越无活力种子，与类黄酮（flavonoid）和酚类物质含量相关（图3b,d）。
  
• 方差分析（ANOVA）显示，吸水60小时后，RS和AS的显著差异波段分别增至28个和9个（p<0.05），表明时间序列数据能增强活力差异的可区分性（图4）。
  

2. 模型性能比较

• 单时间点分类：SVM在60小时吸水期的测试集准确率最高（RS 83.21%，AS 79.29%，融合数据85.36%），优于GBDT和BPNN（图6）。
  
• 时间序列模型：融合多时间点数据后，60小时吸水期的测试准确率提升至92.26%，较单时间点提高6.9%（图9）。
  
• 随机子空间优化：该方法在36小时吸水期即可实现90.48%的准确率，接近48小时单时间点模型的性能（92.86%），显著提升检测效率（表2）。
  

结论与价值

本研究创新性地将时间序列多光谱成像与随机子空间集成学习结合，实现了同批次玉米种子活力的高精度（94.05%）无损检测。科学价值在于：
1. 揭示了活力差异种子在吸水过程中光谱特征的动态演变规律，明确了450–540 nm（色素代谢）和780–970 nm（水分分布）为关键判别波段；
2. 开发的时间序列建模策略可捕捉种子生理状态的连续变化，突破单时间点检测的局限性；
3. 提出的随机子空间方法通过特征降维和集成学习，在保证精度的同时大幅减少计算成本。

应用层面，该技术可在种子萌发前（尤其36小时吸水停滞期）快速评估活力，为种子加工、仓储和播种前的质量分级提供实用工具，支持农业工业化发展。

研究亮点

1. 方法创新：首次将时间序列光谱差异与随机子空间集成结合，构建种子活力动态检测框架；
   
2. 技术突破：在36小时吸水期实现90%以上准确率，较传统发芽试验缩短3天以上检测周期；
   
3. 普适性验证：针对自然老化种子（非人工加速老化）的活力梯度差异检测，更贴近实际生产场景。
   

局限与展望

研究仅针对郑单958单一品种，未来需扩展不同品种和存储条件的样本以验证模型泛化能力。此外，多光谱设备的便携化和成本控制将是技术推广的关键。